di Alessandro Pompei –

I costi operativi dell’Intelligenza Artificiale superano di diversi ordini di grandezza i ricavi generati dai singoli abbonamenti degli utenti. Questo disavanzo è attualmente sostenuto dai grandi investitori e dai fondi di venture capital, i quali iniziano tuttavia a manifestare crescenti preoccupazioni sul reale ritorno del capitale impiegato.
Sullo sfondo riaffiora lo spettro della bolla delle dot-com dei primi anni 2000, che tra il 2000 e il 2003 cancellò oltre 9.000 miliardi di dollari di capitalizzazione di mercato tra NYSE e NASDAQ, portando al fallimento o alla svendita di circa 8.000 società del settore.
Nonostante i significativi progressi nell’efficienza algoritmica, l’assorbimento complessivo di risorse hardware, energetiche e software è cresciuto a tassi ben più rapidi. Il passaggio dai semplici modelli di chat testuale del 2023 ai complessi ecosistemi di agenti autonomi, in cui più modelli cooperano in parallelo per gestire compiti specifici, può comportare un incremento del fabbisogno computazionale fino a 35 volte superiore.
Si innesca così un evidente paradosso: se da un lato l’avanzamento dei semiconduttori migliora l’efficienza energetica per singolo calcolo, dall’altro la scala mastodontica dei data center e la crescita esponenziale delle query moltiplicano la domanda aggregata di energia, spingendo i consumi elettrici a livelli senza precedenti.
È emblematico come le aspettative generate dall’introduzione di ogni nuova generazione di modelli abbiano spesso trovato riscontro in progressi meramente incrementali anziché rivoluzionari. Sebbene i vertici di OpenAI, a partire dal CEO Sam Altman, abbiano costantemente prospettato impatti trasformativi, il susseguirsi degli aggiornamenti ha evidenziato per lo più affinamenti architetturali e interventi di ottimizzazione, delineando una fase di rendimenti decrescenti rispetto ai significativi balzi prestazionali delle origini.
In generale, la regressione delle capacità degli LLM risulta particolarmente evidente per chi impiega l’intelligenza artificiale nel supporto alla programmazione. Inoltre, nonostante le elevate valutazioni attribuite a realtà di vertice come Anthropic o OpenAI, tali aziende continuano ad accumulare perdite per decine di miliardi di dollari; per la sola OpenAI, si prevede che il disavanzo raggiunga circa 14 miliardi di dollari nel corso del 2026.
La promessa iniziale mirava a rendere la tecnologia tanto indispensabile da risultare insostituibile, consentendo in seguito l’applicazione di tariffe elevate. Si trattava di una strategia analoga a quella delle origini di Uber: offrire un servizio a prezzi estremamente bassi per azzerare la concorrenza e affermarsi come monopolista di riferimento all’aumentare della penetrazione di mercato.
A differenza di tale modello, però, le Big Tech statunitensi attive nell’IA registrano una sproporzione critica tra costi di erogazione e ritorni economici: nel 2026, a fronte di circa 12 miliardi di dollari generati dagli abbonamenti nell’intero settore, sono stati stanziati oltre 500 miliardi di dollari unicamente per l’infrastruttura dei data center. Questo pesante disavanzo viene compensato principalmente dall’emissione di obbligazioni e dalla valorizzazione dei titoli azionari, alimentata da un peculiare circuito finanziario.
Inoltre, gli ingenti investimenti nell’hardware destinato all’intelligenza artificiale sono vincolati a una vita utile di frontiera relativamente breve. L’obsolescenza tecnologica impone infatti una frequente rotazione delle GPU di punta ogni due anni circa, mentre i chip più avanzati vengono impiegati per il pre-training dei modelli di punta, per poi essere riallocati in compiti di seconda e terza linea (come l’inferenza ad alto volume, il fine-tuning aziendale, i carichi di lavoro batch o gli ambienti di test a basso costo), consentendo ai grandi provider cloud di spalmare l’ammortamento a bilancio su un arco effettivo di 4, massimo 6 anni.
A sostenere il comparto interviene un sistema di investimenti a ciclo chiuso. Da un lato, Nvidia alloca ingenti capitali in aziende del settore che finiscono per acquistare i suoi stessi sistemi di calcolo e servizi server; dall’altro, più in piccolo ma similmente a Nvidia, anche Microsoft ha investito circa 13-14 miliardi di dollari in OpenAI, principalmente sotto forma di crediti per l’utilizzo dei server Azure. Benché tali impegni si traducano spesso in disponibilità di servizi di calcolo piuttosto che in liquidità pura, il risalto mediatico di queste partnership attrae banche e fondi d’investimento, sostenendo temporaneamente un settore che appare tuttavia ancora lontano dal traguardo della redditività.
A ridurre la probabilità di un rientro dai costi per le grandi aziende tecnologiche statunitensi contribuisce anche la forte concorrenza delle intelligenze artificiali cinesi, le quali offrono servizi sempre più competitivi a prezzi inferiori.
I laboratori cinesi beneficiano, da una parte, di un volume di investimenti molto più contenuto, quantificabile complessivamente in circa 70 miliardi di dollari, contro i quasi 800 miliardi stimati per gli Stati Uniti nel 2026 e destinati a raggiungere i 1.000 miliardi nel 2027; dall’altra, di pratiche di ingegneria inversa condotte tramite gli stessi LLM. È il caso del provvedimento adottato da Anthropic, la quale ha revocato l’accesso a circa 24.000 account associati a diverse entità cinesi, tra cui Moonshot AI (sviluppatrice di Kimi AI), responsabili di interrogare in modo massivo e coordinato Claude per carpirne le dinamiche di funzionamento degli agenti e replicarne l’architettura.
È proprio questa intensa concorrenza ad aver determinato una progressiva riduzione dei costi dei servizi e delle tariffe per token. Tale flessione è testimoniata dall’LLM Token Expenditure Index, indice elaborato da Bloomberg, che rileva un calo dei prezzi di circa il 20% da aprile ad oggi. Questo andamento rischia di ostacolare ulteriormente il percorso verso la sostenibilità economica dell’IA, prolungando la dipendenza del settore dalle iniezioni di capitale da parte degli investitori.
Un ulteriore segnale della sofferenza che attraversa il comparto risiede nel destino del 40% delle startup di intelligenza artificiale fondate nel 2024, risultate ad oggi interamente fallite.
L’intero comparto pare quindi avviarsi verso una severa fase di razionalizzazione.
La combinazione tra una spesa infrastrutturale di centinaia di miliardi di dollari, ma con ricavi effimeri, una rapida svalutazione dell’hardware costosissimo (una singola GPU Nvidia B200, ovvero lo standard attuale, costa circa 35.000 dollari) e una decisa pressione deflazionistica sul costo dei token, alimentata da una concorrenza asiatica sempre più aggressiva e dal ricorso a tecniche di distillazione, ha incrinato la narrativa originaria secondo cui l’espansione computazionale fine a se stessa avrebbe garantito rendite di monopolio immediate.
In questo scenario, il mercato appare destinato a una polarizzazione strutturale: da una parte, i laboratori puri e le startup prive di infrastruttura proprietaria o di un modello di business diversificato rischiano di soccombere all’esaurimento della liquidità speculativa; dall’altra, colossi integrati verticalmente come Alphabet affrontano una delicata transizione interna, costretti a bilanciare l’aumento dei costi di calcolo con il rischio di cannibalizzare i margini consolidati della ricerca pubblicitaria, potendo contare, però, su chip proprietari e riserve di cassa difficilmente replicabili.
Quando la circolarità dei finanziamenti incrociati e l’entusiasmo dei mercati cederanno definitivamente il passo alla disciplina di bilancio, l’intelligenza artificiale non scomparirà, ma si spoglierà dell’aura di bene speculativo per trasformarsi in una componente infrastrutturale di base. A sopravvivere non saranno le promesse di modelli onnicomprensivi sostenuti a debito, ma esclusivamente quelle architetture capaci di convertire l’enorme costo dell’elaborazione in un valore economico reale, misurabile e finalmente sostenibile.