L’ecosistema finanziario dell’AI è diventato una rete chiusa da 50 trilioni di dollari

L’intelligenza artificiale non è più soltanto una storia tecnologica, né una semplice scommessa sulle future capacità dei modelli. È diventata una gigantesca architettura finanziaria nella quale produttori di chip, hyperscaler, laboratori AI, operatori di data center, neocloud e società infrastrutturali comprano, vendono, finanziano e garantiscono l’un l’altro. Una nuova analisi di Sona Asset Management, ripresa dal Financial Times e da Axios, prova a mettere ordine in questa rete e arriva a un dato che merita più attenzione delle solite discussioni sulla presunta bolla: il sistema analizzato comprende 255 società quotate, con una capitalizzazione complessiva di circa 50 trilioni di dollari e quasi 6 trilioni di debito (fonte Axios).

Il numero più interessante, tuttavia, non è il valore aggregato. È la struttura delle connessioni. In un’analisi complementare, Sona ha identificato 176 operazioni per circa 3,6 trilioni di dollari che coinvolgono 202 entità; circa 120 presentano forme considerate altamente circolari, nelle quali gli stessi nomi possono comparire contemporaneamente come investitori, clienti, fornitori o controparti finanziarie. Il problema, quindi, non consiste semplicemente nel fatto che nell’AI ci siano molti soldi. Consiste nel fatto che una parte crescente di quei soldi sembra muoversi all’interno dello stesso circuito (fonte Financial Times).

La formula utilizzata dagli analisti è volutamente finanziaria: esposizioni opache e concentrate, controparti collegate attraverso relazioni difficili da mappare e domanda che viene in parte sostenuta dagli stessi bilanci che dipendono da quella domanda. È una configurazione che ricorda, almeno nella struttura delle interdipendenze, alcuni meccanismi osservati nel mercato immobiliare e creditizio prima della crisi del 2008. Il paragone va però maneggiato con attenzione. Questa volta non ci sono milioni di famiglie indebitate con mutui che possono perdere simultaneamente casa e reddito, e il cuore dell’ecosistema AI comprende società enormemente redditizie, con grandi riserve di liquidità e accesso privilegiato ai mercati del credito.

La vulnerabilità appare piuttosto un anello più avanti rispetto al nucleo costituito da Microsoft, Meta, Nvidia e dagli altri grandi operatori. Qui entrano in gioco i neocloud e le piattaforme che costruiscono e gestiscono data center finanziati con livelli di debito molto più elevati, margini più sottili e flussi di cassa meno robusti. Il caso di CoreWeave è emblematico: secondo i dati riportati nell’analisi, circa il 67% dei suoi ricavi dipende da Microsoft. Applied Digital, invece, ricava circa il 56% dei propri ricavi da Oracle e un ulteriore 30% da CoreWeave. La dipendenza diventa quindi transitiva: una società dipende da un’altra che dipende da una terza. In un foglio Excel tutto questo appare come una serie di righe; in una crisi di liquidità diventa una rete.

Questo è il punto finanziariamente più interessante dell’intera vicenda. Il rischio non nasce necessariamente dal fallimento di Nvidia o Microsoft, eventualità che richiederebbe uno shock di dimensioni enormi. Può nascere molto più banalmente da una decisione marginale presa da un grande cliente. Se un hyperscaler riduce o rinvia un investimento, rinegozia un contratto, cambia tecnologia o decide che una determinata capacità di calcolo non è più necessaria, l’effetto può propagarsi lungo una catena di imprese che hanno costruito debito e capacità produttiva proprio sulla previsione di quella domanda.

La finanza dell’AI sta inoltre diventando più creativa, che è il modo elegante con cui il settore finanziario descrive il momento in cui il debito comincia a cercare nuovi posti dove nascondersi. Il Financial Times ha riportato che Big Tech sta utilizzando garanzie sul valore residuo di chip e data center per sostenere fino a 300 miliardi di dollari di debito AI senza necessariamente registrare tutta l’esposizione direttamente nei propri bilanci. Nvidia, Broadcom e Meta figurano tra le società che hanno utilizzato strutture di questo tipo.

Non significa automaticamente che ci sia una nuova crisi finanziaria all’orizzonte. Significa che il bilancio economico dell’AI è più difficile da leggere di quanto suggeriscano le capitalizzazioni di mercato. Una garanzia non è debito nel senso più semplice del termine, ma può diventarlo economicamente quando l’asset garantito perde valore e la controparte non è più in grado di sostenere l’operazione. È una distinzione che nei periodi di euforia sembra sofisticata; durante una crisi diventa improvvisamente molto concreta.

Il secondo elemento da osservare è il costo del capitale. S&P ha già segnalato un deterioramento della qualità creditizia degli hyperscaler mentre la spesa per infrastrutture AI continua a crescere. Amazon, per esempio, avrebbe raccolto circa 100 miliardi di dollari sul mercato obbligazionario nel 2026. Axios osserva inoltre che il finanziamento complessivo raccolto dai principali hyperscaler ha raggiunto 255,34 miliardi di dollari già nei primi mesi del 2026, oltre il doppio dell’intero ammontare raccolto nel 2025.

Qui entra in scena una variabile molto meno spettacolare di AGI, superintelligenza e robot autonomi, ma infinitamente più capace di influenzare i CFO: il tasso d’interesse. Un data center costruito con capitale quasi gratuito può sembrare un’infrastruttura strategica. Lo stesso data center finanziato a costi molto più elevati deve produrre una quantità diversa di cassa per essere economicamente razionale. Se contemporaneamente il prezzo del compute scende rapidamente, la combinazione può diventare scomoda: costo del capitale in aumento, ammortamento accelerato degli acceleratori e pressione sui prezzi del servizio.

È qui che la velocità dell’innovazione tecnologica può trasformarsi, curiosamente, in un problema finanziario. Una GPU acquistata oggi è un asset produttivo; ma se una nuova generazione offre un rapporto prezzo/prestazioni radicalmente migliore, il valore economico della generazione precedente può comprimersi molto prima della sua vita contabile. Per un hyperscaler con enorme capacità finanziaria questo può rappresentare un costo di transizione. Per un neocloud fortemente indebitato può diventare un problema di solvibilità.

La cosa più interessante è che il mercato non sembra considerare oggi questo scenario come imminente. Anzi, il 21 settembre i titoli legati all’AI hanno contribuito alla crescita di Wall Street, con Nvidia, AMD, Micron e altri nomi tecnologici nuovamente sostenuti dagli investitori. Questo rende la questione ancora più interessante: il rischio sistemico non richiede che tutti credano che l’AI sia una frode. È sufficiente che una parte delle assunzioni finanziarie incorporate nei prezzi si dimostri troppo ottimistica.

Anche la discussione politica sulla regolamentazione dell’AI va letta dentro questo contesto economico. L’idea che rallentare lo sviluppo dell’intelligenza artificiale possa provocare una contrazione degli investimenti, dei mercati e dell’economia americana è diventata parte del dibattito negli Stati Uniti, mentre l’amministrazione Trump ha mantenuto una linea fortemente contraria a un rallentamento imposto dalla regolazione. Il punto economicamente rilevante non è stabilire se questa posizione sia corretta, ma riconoscere che l’AI è ormai abbastanza grande da trasformare una decisione tecnologica o regolatoria in una variabile macroeconomica.

La differenza rispetto alla crisi dei mutui è dunque sostanziale. Nel 2008 il problema era una macchina finanziaria che trasformava debito immobiliare in prodotti finanziari sempre più complessi, distribuendo il rischio fino a renderne difficile la localizzazione. Nel 2026 il rischio nasce da una macchina industriale che costruisce infrastrutture reali, ma le finanzia attraverso una rete sempre più sofisticata di debito, equity, contratti, garanzie e partecipazioni incrociate. Il sistema non sta vendendo aria. Sta costruendo data center, acquistando energia, installando GPU, affittando capacità computazionale e sviluppando modelli. Proprio per questo il problema è più sottile: gli asset esistono davvero, ma nessuno sa con assoluta certezza quale sarà il loro valore economico tra tre generazioni di chip.

La frase più importante dell’analisi Sona potrebbe quindi essere anche la meno spettacolare: il rischio finanziario maggiore si trova probabilmente non nel centro dell’ecosistema, ma negli anelli immediatamente esterni. È lì che leva finanziaria, dipendenza da pochi clienti, margini sottili e tecnologia a rapida obsolescenza si sovrappongono. Il centro può continuare a prosperare mentre la periferia comincia a scricchiolare.

Il modello economico dell’AI presenta così una caratteristica tipica delle grandi bolle infrastrutturali: finché la domanda cresce, la circolarità sembra efficienza. Il cliente finanzia il fornitore, il fornitore compra infrastruttura, l’infrastruttura genera capacità, la capacità alimenta nuovi ricavi e quei ricavi giustificano ulteriori finanziamenti. Quando la domanda accelera, il circuito produce crescita. Quando rallenta, lo stesso circuito può produrre correlazione.

L’AI, insomma, non è diventata troppo grande per fallire. È diventata abbastanza interconnessa perché un errore locale possa avere conseguenze molto più grandi del bilancio della società che lo commette. La differenza è fondamentale. Non serve immaginare il collasso di OpenAI, Microsoft o Nvidia per mettere alla prova il sistema. Potrebbe bastare che il denaro diventi più costoso, che il prezzo del compute scenda più rapidamente del previsto o che un hyperscaler decida di rinviare un investimento. La Silicon Valley ama parlare di intelligenza artificiale come della tecnologia che cambierà tutto. Nel frattempo, la finanza sta costruendo una rete nella quale anche un piccolo cambiamento nelle aspettative può cambiare molte cose contemporaneamente.