Il rischio dell’intelligenza artificiale per i mercati è sempre stato che non crescesse abbastanza velocemente da giustificare gli investimenti. Ora ne è comparso uno nuovo: che qualcuno decida volontariamente di rallentarla.

I semiconduttori cadono, Nvidia perde terreno e gli investitori cominciano a chiedersi che cosa accadrebbe ai data center costruiti per una frontiera che dovrebbe correre sempre più velocemente. Ma il paradosso è che meno training potrebbe non significare meno AI: potrebbe significare più inference e, forse, più profitti.

Il problema che Wall Street ha avuto fino ad oggi con l’intelligenza artificiale è stato quello di capire se sarebbe cresciuta abbastanza.

Abbastanza utenti, sufficienti ricavi, abbastanza inference e sufficiente domanda da giustificare data center, GPU, centrali elettriche e centinaia di miliardi di dollari di investimenti.

Adesso ne è comparso uno nuovo. E se l’AI crescesse troppo velocemente?

La domanda potrebbe anche sembrare filosofica se nel fine settimana Dario Amodei non avesse chiesto di “pace the frontier”, Sam Altman non avesse condiviso buona parte della diagnosi, Elon Musk non avesse scritto che “Dario is right” e Demis Hassabis non avesse indicato la stessa direzione.

Nella giornata di ieri, lunedì 14 settembre, Wall Street ha tradotto la filosofia in prezzi.

Nvidia ha perso circa il 3%, il Philadelphia Semiconductor Index quasi il 5%, nella peggiore seduta da luglio. Intel, AMD e Marvell sono finite sotto pressione insieme al resto della filiera dei chip. S&P 500, Nasdaq e Dow Jones hanno chiuso tutti in ribasso.

La correzione si è propagata dall’Asia all’Europa. Milano ha chiuso a -1,7%, risultando tra le peggiori piazze europee.

Non è stato soltanto il pacing dell’AI e sarebbe metodologicamente sbagliato attribuirgli l’intera seduta.

Il Brent è salito fino a circa 109 dollari al barile dopo l’attacco che ha temporaneamente interrotto l’oleodotto East-West saudita; il Treasury decennale americano ha raggiunto il 5%, livello che non toccava dal 2023; i mercati attribuiscono ormai una probabilità vicina al 90% a un rialzo dei tassi della Federal Reserve. Petrolio, inflazione e rendimenti avrebbero probabilmente prodotto una giornata difficile anche senza Dario Amodei.

Ma dentro quella giornata difficile il mercato ha fatto una scelta molto precisa. Ha venduto soprattutto chi guadagna dalla velocità della corsa.

Il mercato ha appena scoperto il rischio di pacing

È una categoria di rischio relativamente nuova. Il grande AI trade degli ultimi anni poggia su una sequenza quasi lineare: modelli più potenti richiedono più compute; più compute richiede più GPU; più GPU richiedono più data center; più data center richiedono più energia; tutto questo richiede più capitale.

La velocità con cui migliorano i modelli non è quindi soltanto una variabile tecnologica. È una delle assunzioni sulle quali è stata costruita l’economia dell’infrastruttura AI.

Per questo Nvidia è il titolo simbolicamente più importante della giornata. Jensen Huang ha sintetizzato più volte la propria visione con tre parole: “compute is revenue.”

Se è vero, allora rallentare la crescita delle capability sembra significare rallentare anche la macchina che trasforma compute in ricavi. Ed è precisamente questo collegamento che gli investitori hanno iniziato a mettere in discussione.

Reuters osserva che il rinvio dell’IPO di OpenAI al 2027 e le richieste di rallentamento hanno improvvisamente aperto interrogativi sulla futura domanda di chip e data center.

La domanda che abbiamo posto nei primi capitoli della nostra inchiesta “Chi governa la frontiera” è quindi arrivata a Wall Street: che cosa significa pacing in gigawatt?

Il problema degli 800 miliardi

La domanda pesa perché la scala finanziaria raggiunta dall’AI non consente più grandi errori.

Le stime raccolte da Rivista.AI per il 2026 portano a circa 788 miliardi di dollari, arrotondabili a 800 miliardi, il capex complessivo dei principali hyperscaler e operatori infrastrutturali analizzati nell’Osservatorio “I soldi dell’AI”.

Non sono soltanto server. Sono GPU, memoria, networking, data center, energia, sistemi di raffreddamento, terreni, trasformatori, reti elettriche e infrastrutture costruite oggi sulla base di una convinzione fondamentale: che la domanda di capacità computazionale continuerà a crescere.

Finché la frontiera corre, la logica è relativamente semplice. Ogni generazione più potente alimenta la necessità di nuova infrastruttura.

Se la frontiera viene deliberatamente rallentata, anche soltanto aumentando l’intervallo tra una generazione e quella successiva, una parte di quelle aspettative deve essere ricalcolata.

E se Wall Street avesse venduto la cosa sbagliata?

Qui però la storia si complica. Perché l’equazione “meno frontier training = meno compute” potrebbe essere falsa.

Un frontier lab utilizza enormi quantità di capacità computazionale per almeno due attività profondamente diverse.

La prima è il training: costruire il modello successivo.

La seconda è l’inference: far funzionare quello esistente per milioni di utenti, imprese e agenti.

Economicamente non sono la stessa cosa.

Il training assomiglia molto di più a R&D: assorbe capitale oggi nella speranza di produrre una tecnologia capace di generare ricavi domani. L’inference è invece il luogo nel quale quella tecnologia viene utilizzata e, attraverso API, abbonamenti, agenti e applicazioni enterprise, monetizzata.

Ed è qui che il pacing produce un paradosso.

Se OpenAI o Anthropic aumentassero l’intervallo tra i grandi training run o riducessero la quota di capacità dedicata alla continua espansione della frontiera, una parte del compute disponibile potrebbe essere destinata maggiormente all’utilizzo dei modelli già esistenti.

Non è un trasferimento automatico: infrastrutture, architetture hardware, domanda e caratteristiche dei workload pongono limiti concreti alla riallocazione.

Ma la direzione economica è importante.

Dal training all’inference

Secondo stime di SemiAnalysis riportate da Reuters, la quota di compute destinata all’inference da OpenAI e Anthropic sarebbe già salita da circa il 29% all’inizio del 2024 al 37% attuale. McKinsey stima che entro il 2030 l’inference potrebbe arrivare a rappresentare il 43% della domanda dei data center, circa una volta e mezzo quella destinata al training.

Se queste traiettorie continueranno, il problema non sarà necessariamente quanto compute consumerà l’AI. Potrebbe essere per che cosa lo consumerà.

Rallentare per guadagnare di più

È qui che il ragionamento diventa finanziariamente interessante. Un gigawatt utilizzato per addestrare un modello che arriverà tra sei mesi rappresenta essenzialmente un investimento nella generazione successiva della tecnologia.

Un gigawatt utilizzato per servire API, agenti e applicazioni enterprise sostiene invece servizi che possono generare ricavi nel presente.

Naturalmente non basta spostare una GPU dal training all’inference perché compaiano magicamente nuovi clienti. Domanda, utilizzo, pricing, architettura hardware e margini continuano a determinare il risultato economico.

Ma significa che un rallentamento della frontiera non equivale necessariamente a una riduzione proporzionale dell’economia dell’AI.

Potrebbe cambiarne la composizione. Ed è una distinzione fondamentale per interpretare ciò che Wall Street sta cercando di prezzare.

Anthropic sceglie un giorno curioso per parlare di profitti

Proprio mentre il mercato si interroga sul costo del rallentamento, Anthropic ha comunicato agli investitori di aspettarsi un adjusted operating income positivo per il secondo trimestre consecutivo.

Il dato va letto con attenzione.

La misura esclude la stock-based compensation. E il gross margin superiore all’80% indicato dalla società è calcolato prima del revenue sharing con partner come Amazon e dei costi di training. Non equivale quindi a dire che Anthropic abbia improvvisamente trasformato la propria gigantesca macchina computazionale in una macchina da cash flow.

Ma rende difficile sostenere la versione più semplice della teoria circolata dopo l’intervento di Amodei, ovvero “stanno chiedendo di rallentare perché non riescono a fare soldi.”

Non abbiamo evidenze per affermarlo. Anthropic sostiene, al contrario, di aver raggiunto alla fine di luglio un annualized revenue run rate di 65 miliardi di dollari, rispetto ai 9 miliardi di fine 2025, mentre continua a prepararsi a un possibile ingresso in Borsa.

La domanda interessante diventa quindi un’altra: se un ritmo meno aggressivo di frontier training consentisse di contenere una parte dei costi di sviluppo mentre cresce l’utilizzo commerciale della capacità già installata, il pacing potrebbe migliorare alcuni indicatori economici dei frontier lab anziché necessariamente peggiorarli.

Non dimostra che questo sia il motivo per cui Amodei propone di rallentare. Dimostra una cosa diversa: il fatto che un rischio di safety sia reale non significa che la regolazione di quel rischio sia economicamente neutrale.

Per Nvidia il problema è diverso

Ed è qui che gli interessi lungo la filiera smettono necessariamente di coincidere. Per Anthropic o OpenAI una GPU è una parte del costo necessario per costruire e servire il prodotto. Per Nvidia quella stessa GPU è il prodotto.

Un frontier lab può teoricamente migliorare l’economia della propria infrastruttura aumentando l’utilizzo commerciale della capacità già disponibile. Nvidia ha invece interesse a che la domanda complessiva di acceleratori continui a crescere.

È per questo che la seduta di ieri è stata interessante.

Non significa necessariamente che gli investitori credano alla fine del boom dell’AI. Significa che il mercato ha iniziato a distinguere tra chi monetizza l’intelligenza artificiale e chi monetizza l’espansione della capacità necessaria a costruirla.

Finora le due curve sembravano destinate a salire insieme. Il pacing introduce almeno teoricamente la possibilità che si separino.

Neppure Nvidia deve necessariamente perdere

Ed ecco il secondo paradosso. Un’AI che avanza più lentamente sul fronte delle capability potrebbe continuare a espandersi molto rapidamente sul fronte dell’utilizzo.

Agenti, applicazioni enterprise, coding, cybersecurity, ricerca scientifica e servizi AI richiedono inference. E più quei sistemi vengono utilizzati, più compute consumano.

Se davvero l’inference finirà per rappresentare una quota crescente della domanda dei data center, rallentare il training non significa necessariamente spegnere i cluster. Potrebbe significare cambiare ciò per cui vengono utilizzati.

Per Nvidia la differenza è enorme. Nel primo scenario il pacing riduce strutturalmente la domanda di acceleratori. Nel secondo cambia il mix dei workload ma la domanda complessiva di compute continua a crescere.

Durante l’All-In Summit Jensen Huang ha condiviso pubblicamente una telefonata con Donald Trump, che ha liquidato come una “hoax” gli allarmi sull’AI e le richieste di nuovi vincoli. Huang non si è associato al fronte del pacing e ha continuato a descrivere l’AI come una corsa destinata a espandersi attraverso imprese, industrie e territori. Per Nvidia, in altre parole, il problema non è soltanto quale parte del compute verrà utilizzata per training o inference: è che la domanda complessiva continui a crescere.

Wall Street deve quindi imparare una nuova equazione

Fino a pochi giorni fa il mercato ragionava su un’equazione abbastanza semplice: più capacità, più compute, più investimenti, più ricavi.

Il pacing introduce almeno due possibili traiettorie: la prima è che la frontiera rallenta ma la capacità viene spostata dall’addestramento all’utilizzo; la seconda che il rallentamento riduce la domanda complessiva di compute e nuovi investimenti.

Probabilmente nessuna delle due descriverà da sola ciò che accadrà.

Dipenderà da quanto durerà il pacing, quali modelli coinvolgerà, quanto training verrà effettivamente rinviato, quanta capacità potrà essere riallocata, quanto rapidamente crescerà la domanda di inference e soprattutto se gli 800 miliardi di capex programmati per il 2026 troveranno workload sufficientemente redditizi.

Il problema, quindi, non è più soltanto quanto compute costruirà l’industria dell’AI. È capire se riuscirà a monetizzarlo abbastanza velocemente da giustificare il capitale già impegnato.

Il vero rischio non è rallentare

Per tre anni il mercato ha finanziato una corsa nella quale quasi ogni aumento di capacità sembrava giustificare quello successivo: più modelli, più GPU, più data center, più energia, più capitale.

Adesso i CEO che guidano quella stessa corsa stanno dicendo che potrebbe essere necessario introdurre dei checkpoint.

Wall Street deve quindi rispondere a una domanda che fino alla settimana scorsa quasi non esisteva: quanto vale un’infrastruttura costruita sull’ipotesi di un’accelerazione permanente se la frontiera comincia a procedere per checkpoint?

La risposta potrebbe essere meno drammatica di quanto suggerisca il rosso dei semiconduttori. Perché rallentare il prossimo modello non significa necessariamente utilizzare meno quello attuale. Potrebbe significare utilizzare diversamente la capacità già costruita, spostando una parte dell’economia dell’AI dalla corsa al training verso la monetizzazione attraverso l’inference.

Ma una conseguenza appare già evidente. Il pacing ha trasformato la safety da questione per ricercatori e regolatori in una variabile finanziaria.

Da questo momento, ogni volta che qualcuno proporrà di rallentare la frontiera, Wall Street farà inevitabilmente una seconda domanda. Non soltanto è più sicuro ma chi ci guadagna e chi paga il conto?