INCHIESTA | I SOLDI DELL’AI — 05
L’infrastruttura viene costruita oggi. La domanda che dovrà remunerarla deve ancora crescere.
Data center, GPU, reti ed energia vengono finanziati sulla base di una domanda di intelligenza artificiale che dovrà crescere per molti anni. I ricavi stanno aumentando rapidamente, Microsoft ha già superato i 37 miliardi di dollari di annual run rate nell’AI e Google Cloud cresce dell’82%, ma l’infrastruttura corre ancora più veloce. Dopo aver seguito il denaro che circola tra Big Tech, Nvidia e gli AI Lab, Rivista.AI prova a cercare quello che arriva davvero dall’esterno. Perché alla fine qualcuno dovrà pagare per tutto questo compute.
89 miliardi di dollari. È quanto Nvidia ha fatturato in un solo trimestre, quello terminato il 26 luglio 2026, con il business Data Center.
Il fatturato complessivo della società ha raggiunto 96,2 miliardi di dollari e il Data Center è cresciuto del 117% rispetto all’anno precedente. Per Jensen Huang la spiegazione è semplice: il compute è diventato revenue.
Ed è difficile contestargli i numeri: qualcuno sta comprando tutte quelle GPU, costruendo i server che le contengono, pagando i data center nei quali vengono installate e firmando contratti pluriennali per utilizzare la capacità computazionale che producono.
Il denaro esiste, la domanda più difficile è capire da dove arriva, perché non tutti i dollari che attraversano l’economia dell’intelligenza artificiale raccontano la stessa storia.
Il primo cliente dell’AI è ancora l’AI
Nella puntata precedente de “I soldi dell’AI” abbiamo seguito il denaro mentre cominciava a girare dentro l’ecosistema.
Amazon investe in Anthropic, che compra capacità AWS. Nvidia investe in OpenAI e nei neocloud che costruiscono infrastrutture basate sui suoi acceleratori. Microsoft investe in OpenAI, che acquista servizi Azure e i grandi clienti anticipano denaro ai provider di compute, che utilizzano quei contratti per finanziare nuovi data center.
Non c’è nulla di necessariamente anomalo, sono investimenti strategici, contratti commerciali, prepagamenti, equity, debito e commitment.
Ma hanno una caratteristica comune: una parte importante della domanda di infrastruttura AI proviene ancora da soggetti che appartengono allo stesso ecosistema che sta costruendo quell’infrastruttura.
In buona sostanza, icliente di Nvidia è il cloud, il cliente del cloud può essere un AI Lab, l’AI Lab può essere finanziato dal cloud provider e il cloud provider può essere finanziato dai mercati sulla base della crescita futura dell’AI.
E alla fine del circuito troviamo nuovamente la stessa domanda, quella di compute. Ma il compute non è il prodotto finale, è il mezzo di produzione.
Una fabbrica gigantesca in cerca dei propri prodotti
Questa distinzione cambia completamente la prospettiva. Un data center AI non produce valore economico semplicemente perché esiste così come una GPU non produce un ritorno finanziario perché viene installata e un token non produce necessariamente valore perché viene generato.
L’infrastruttura deve essere utilizzata per creare qualcosa per cui un soggetto esterno alla catena sia disposto a pagare abbastanza, che sia software, automazione, pubblicità, ricerca, farmaci, servizi finanziari, coding, robotica e via dicendo. Qualcosa, insomma, che trasformi il compute in cash flow proveniente dall’economia reale.
È qui che si trova forse la domanda più importante dell’intera corsa all’intelligenza artificiale che non è quanto compute riusciremo a costruire ma quanto valore riusciremo a venderci sopra.
2,7 trilioni. Ma attenzione a cosa stiamo contando
Gartner stima che la spesa mondiale collegata all’AI raggiungerà circa 2,7 trilioni di dollari nel 2026, quasi il 50% in più rispetto al 2025.
È un numero gigantesco, ma contiene una distinzione fondamentale. Una parte enorme di quella cifra riguarda infrastruttura: server AI, semiconduttori, networking, dispositivi, IaaS e capacità dei data center.
Già nella precedente previsione di maggio Gartner stimava 1.431 miliardi di dollari di AI Infrastructure nel 2026, oltre la metà della spesa AI complessiva prevista allora. E spiegava esplicitamente che la crescita era ancora guidata soprattutto da technology vendor e hyperscaler, mentre le imprese dovevano ancora dispiegare pienamente il proprio potenziale di spesa.
Proviamo poi a guardare un’altra cifra. La spesa end-user mondiale per AI models e AI platforms dovrebbe raggiungere circa 64,3 miliardi di dollari nel 2026.
Il contrasto tra le due grandezze racconta qualcosa, ovvero che l’economia dell’AI sta ancora investendo enormemente nella capacità che servirà alla domanda futura.
Stiamo costruendo prima che arrivi tutto il traffico
Infrastrutturalmente non è un comportamento assurdo. A pensarci bene, le reti vengono costruite prima che tutto il traffico esista, le centrali elettriche prima che tutta l’energia venga consumata e le ferrovie prima che tutti i passeggeri comprino il biglietto.
Internet stesso ha richiesto enormi investimenti anticipati in fibra, router, server e backbone. Quindi il problema non è quello di costruire prima della domanda è quanto prima.
E, soprattutto, quale crescita della domanda sia incorporata nel prezzo degli asset che stiamo costruendo.
Nel 2026 Microsoft, Alphabet, Amazon, Meta e Oracle stanno accelerando il Capex AI a una scala che fino a poco tempo fa sarebbe sembrata difficilmente immaginabile. Le ultime stime raccolte da Rivista.AI indicano circa 788 miliardi di dollari di Capex complessivo per l’anno e oltre un mille miliardi nel 2027.
Certo, non tutto quel Capex è AI, ma una quota sempre maggiore serve a costruire l’infrastruttura che dovrà sostenerla. Ed è qui che compare il problema del tempo.
I ricavi stanno arrivando
Sarebbe altrettanto sbagliato raccontare questa storia come se la monetizzazione dell’AI non esistesse. Esiste e cresce molto rapidamente.
Microsoft dichiarava già a marzo che il proprio business AI aveva superato 37 miliardi di dollari di annual revenue run rate, più che raddoppiato in un anno.
Alphabet ha registrato nel secondo trimestre una crescita dell’82% di Google Cloud, con backlog arrivato a 514 miliardi di dollari. Gemini Enterprise è utilizzato da quasi il 90% delle Fortune 100 e Google sostiene che i clienti stiano aumentando l’utilizzo oltre gli impegni contrattuali del 50%.
OpenAI, secondo documenti finanziari riportati dal Financial Times, prevede circa 36 miliardi di dollari di ricavi nel 2026.
La domanda quindi non è se l’AI generi ricavi, li genera già. La domanda è se quei ricavi cresceranno abbastanza velocemente da raggiungere la scala dell’infrastruttura costruita per servirli.
Il denominatore che manca
È qui che arriviamo al cuore del problema. Abbiamo una quantità crescente di numeratori tra capex, GPU, gigawatt, data center, backlog, commitment, token, utenti, valutazioni, contratti.
Ma per misurare la sostenibilità economica della corsa all’AI manca ancora un denominatore condiviso. Quanto valore economico esterno viene generato per ogni dollaro investito nell’infrastruttura?
Non è semplice calcolarlo. Anzi, oggi probabilmente non è possibile farlo in maniera rigorosa a livello di ecosistema, perché le aziende comunicano metriche differenti. Microsoft fornisce un AI revenue run rate, Google incorpora gran parte dell’AI dentro Search, Cloud e Workspace, Meta monetizza l’intelligenza artificiale soprattutto indirettamente, attraverso advertising e engagement, Amazon la incorpora in AWS e nei propri servizi, OpenAI e Anthropic sono società private e Nvidia vende infrastruttura a tutti.
E molti degli stessi dollari possono comparire in punti diversi della catena economica, ed è precisamente per questo che bisogna evitare di sommarli.
Il problema del fatturato interno
Torniamo al nostro Money Flow Map (vedi tabella presente nella 4^ puntata). Se OpenAI raccoglie capitale e utilizza quel capitale per acquistare compute da Microsoft, Oracle o CoreWeave, il pagamento è economicamente reale e diventa fatturato per chi fornisce il compute.
Ma non rappresenta ancora necessariamente domanda finale proveniente dall’esterno dell’ecosistema. Perché OpenAI dovrà a sua volta generare abbastanza ricavi dai propri clienti per sostenere quella spesa. E se un neocloud costruisce un data center sulla base di un contratto pluriennale con un AI Lab, il contratto può permettergli di ottenere finanziamenti. Ma l’AI Lab dovrà monetizzare i modelli.
Il circuito può quindi finanziare la costruzione dell’offerta per molto tempo, non può però sostituire indefinitamente la domanda finale.
OpenAI rende visibile il problema
È forse OpenAI a rendere più leggibile questa distanza. Secondo i documenti finanziari riportati dal Financial Times, l’azienda prevede che i ricavi possano passare da circa 36 miliardi di dollari nel 2026 a 350 miliardi nel 2030.
È una crescita enorme. Ma nello stesso periodo OpenAI prevede quasi 280 miliardi di dollari di free cash flow negativo cumulato e una spesa complessiva che potrebbe raggiungere circa 856 miliardi.
Non significa che il modello non funzioni, significa che il modello presuppone una cosa molto precisa: la domanda futura deve diventare enormemente più grande di quella attuale.
Il capitale finanzia la distanza temporale tra le due ed è proprio questa, in fondo, la funzione economica di gran parte degli investimenti che stiamo osservando: comprare oggi il compute che si presume verrà monetizzato domani.
Anche Big Tech comincia a sentirne il peso
Gli hyperscaler hanno un vantaggio che OpenAI e Anthropic non hanno. Possono finanziare l’espansione dell’AI attraverso enormi business esistenti come advertising, cloud, e-commerce, search e social network.
Sono macchine da cash flow che possono permettersi di investire prima che tutti i nuovi ricavi AI arrivino, ma neppure per loro il capitale è gratuito.
Reuters ha calcolato a luglio che la crescita degli investimenti sta comprimendo progressivamente il free cash flow delle cinque grandi società analizzate, Microsoft, Alphabet, Amazon, Meta e Oracle. Secondo le stime di consensus utilizzate nell’analisi, nel 2027 il loro Capex aggregato potrebbe superare il free cash flow complessivo.
Per ogni dollaro incrementale di operating cash flow, secondo quell’analisi, potrebbero arrivare 1,57 dollari di nuova spesa.
Attenzione: tutto questo non è necessariamente insostenibile, ma sposta l’onere della prova, più capitale viene anticipato oggi, maggiore deve essere il cash flow prodotto domani.
Il segnale dei margini
Microsoft offre già un piccolo indizio. Nel fiscal 2026 il margine lordo di Microsoft Cloud è sceso al 66%. La società attribuisce parte della pressione proprio agli investimenti nell’infrastruttura AI e alla crescita dell’utilizzo dei prodotti AI.
È una dinamica importante. L’AI può aumentare i ricavi e contemporaneamente comprimere i margini se il costo del compute necessario per generarli rimane elevato.
Per questo non basta chiedere quanti utenti utilizzano Copilot, Gemini o ChatGPT, ma chiedere quanto pagano, quanto utilizzano, quanto costa servire quell’utilizzo e quale margine rimane dopo aver pagato chip, energia, data center e capitale.
Sono domande molto meno spettacolari di un benchmark, ma probabilmente decideranno molto di più il valore economico dell’AI.
L’impresa deve ancora entrare davvero in campo
Qui compare però anche l’argomento più forte contro una lettura pessimistica: la domanda finale potrebbe essere soltanto all’inizio.
Gartner osservava a maggio che fino a quel momento la spesa AI era stata guidata principalmente da technology company e hyperscaler, mentre le imprese dovevano ancora esprimere pienamente il proprio potenziale di spesa.
Il mercato end-user di modelli e piattaforme AI, pur partendo da una base molto più piccola dell’infrastruttura, è previsto crescere del 63,4% nel 2026, da 39,3 a 64,3 miliardi di dollari. La sola spesa per foundation generative AI models dovrebbe più che raddoppiare.
Questa è la scommessa dell’intero settore ovvero che l’AI segua una curva nella quale l’offerta deve essere costruita prima che la domanda maturi completamente.
Se quella domanda arriverà, una parte dell’apparente sovracapacità di oggi potrebbe apparire domani semplicemente come infrastruttura costruita in anticipo. Se arriverà più lentamente, il problema cambierà natura.
La domanda deve crescere. Ma deve crescere bene
Non basta infatti che aumenti l’utilizzo, deve aumentare la domanda pagante e non basta neppure quella. Deve crescere a prezzi e margini sufficienti a remunerare il capitale impiegato.
È una distinzione essenziale. Un miliardo di utenti che utilizzano gratuitamente un servizio AI rappresentano adozione mentre un’impresa che sostituisce una parte dei propri processi con agenti AI e paga milioni di dollari l’anno rappresenta domanda economica.
Entrambe possono essere strategicamente importanti, ma soltanto la seconda contribuisce direttamente a ripagare l’infrastruttura, ed è proprio qui che iniziano a emergere segnali interessanti.
Gartner osserva che i budget AI aziendali sono sottoposti a un controllo crescente su costi, utilizzo e risultati misurabili. I clienti stanno spostando la spesa verso provider capaci di dimostrare valore, performance e affidabilità. È il passaggio dall’AI come esperimento all’AI come conto economico.
La domanda da mille miliardi
Possiamo allora tornare all’inizio. Nvidia fattura 89 miliardi di dollari in un trimestre vendendo principalmente l’infrastruttura necessaria alla corsa all’AI. Gli hyperscaler si avviano verso centinaia di miliardi di Capex annuale, i data center richiedono gigawatt di nuova capacità elettrica. OpenAI prevede centinaia di miliardi di spesa nei prossimi anni, gli AI cloud raccolgono debito, i fondi infrastrutturali costruiscono campus e le utility progettano centrali.
Tutto questo può essere perfettamente razionale, ma presuppone che, dall’altra parte della catena, cresca qualcosa di ancora più importante: il cliente, che non è Nvidia, non è Microsoft, non è Amazon, non è OpenAI, non è Anthropic o un fondo che finanzia un data center.
Un soggetto che compra un prodotto o un servizio perché l’intelligenza artificiale gli restituisce più valore di quanto costa. Quello è il denaro che alla fine chiude il circuito.
Separare il denaro interno da quello esterno
Il lavoro più difficile dell’intera inchiesta I soldi dell’AI è proprio questo: non stabilire se il settore sia una bolla o quando finirà il boom, ma separare progressivamente due grandezze: il denaro che finanzia l’ecosistema dall’interno e il denaro che entra nell’ecosistema dall’economia reale.
Il primo può costruire capacità, finanziare data center, acquistare GPU, sostenere valutazioni, anticipare contratti e permettere agli AI Lab di crescere prima di essere profittevoli.
Il secondo deve, prima o poi, remunerare tutta la prima parte. Ed è esattamente qui che si trova il vero test economico dell’intelligenza artificiale.
La macchina è stata costruita prima del mercato
Non sarebbe la prima volta. La storia delle grandi infrastrutture tecnologiche è piena di periodi nei quali il capitale ha costruito capacità molto prima che esistesse abbastanza domanda per utilizzarla. E stato così per le ferrovie, per l’elettricità, le telecomunicazioni, Internet e alcune di queste infrastrutture hanno cambiato il mondo.
Ma una rivoluzione tecnologica non garantisce automaticamente una buona allocazione del capitale. Da questo punto di vista, la domanda non è se useremo più AI, perché probabilmente è così.
La domanda è quanta ne useremo, quanto saremo disposti a pagarla, quali margini produrrà e soprattutto quanto velocemente quei ricavi raggiungeranno l’enorme infrastruttura costruita in anticipo per servirli.
Perché data center, GPU, centrali elettriche e reti vengono costruiti oggi, il debito viene contratto oggi, il capitale viene immobilizzato oggi, i costi iniziano oggi, mentre gran parte dei ricavi necessari a giustificarli appartiene al futuro.
Tra questi due momenti c’è tutta la scommessa finanziaria dell’intelligenza artificiale, perchè alla fine, tutta questa AI dovrà essere pagata da qualcuno che non sta costruendo AI e quello sarà il momento in cui capiremo quanto vale davvero.