Il dibattito sul ritorno degli investimenti in AI è tornato, con cifre più grandi e conseguenze potenzialmente più pesanti. Tre anni fa David Cahn, partner di Sequoia, fu tra i primi a mettere un numero sulla spesa della Silicon Valley in infrastruttura AI. Nel 2023, partendo dai circa 50 miliardi di dollari di ricavi annui di Nvidia sulle GPU e aggiungendo i costi operativi dei data center e i margini degli operatori, deduceva che servissero 200 miliardi di ricavi per ripagare l’investimento iniziale.
I nuovi numeri
Sommando tre anni di hyperscaling, Cahn arriva a una nuova stima: 1,5 trilioni di dollari di spesa in infrastruttura AI per il 2026. In totale, calcola che l’industria dovrà generare 3 trilioni di ricavi per giustificare chip e spese per i data center — e potrebbe essere una sottostima, dati i costi crescenti della memoria e l’uso di chip specifici per l’inference. Dall’altra parte del bilancio, Anthropic avrebbe raggiunto circa 60 miliardi di ARR, mentre OpenAI avrebbe incassato circa 13 miliardi nel 2025 (a novembre 2025 dichiarava 20 miliardi di ARR). Il divario da colmare resta ampio.
Il rischio del payoff lento
Torsten Slok, chief economist di Apollo, osserva che gli hyperscaler — Google, Meta, Microsoft e Amazon — prevedono tutti una forte accelerazione del free cash flow nel 2028, quando si aspettano il ritorno dei chip acquistati. Ma cosa succede se non arriva? Slok segnala una dinamica già in atto: sempre più organizzazioni si spostano su modelli open weight più economici, spesso cinesi, invece di quelli dei frontier lab, e i prezzi dei token complessivamente scendono. L’ultimo modello di OpenAI, secondo Sam Altman, è il 54% più efficiente sui token nei task di coding: un bene per chi teme il costo dei propri agenti AI, ma potenzialmente un problema per chi costruisce token factory, se gli utenti non aumentano in modo massiccio il consumo complessivo.
La preoccupazione di Slok è sistemica: se gli hyperscaler non centrassero gli obiettivi di cash flow, con “così tanto in gioco su così pochi nomi”, un payoff più lento non sarebbe solo un problema di settore, ma rischierebbe di spingere l’economia verso la recessione e l’S&P 500 verso una correzione. È il contesto da tenere presente mentre si indirizzano i propri agenti AI verso token più economici.
- La stima di Sequoia fissa a 3 trilioni di dollari i ricavi necessari per giustificare la spesa in infrastruttura AI.
- Il calo dei prezzi dei token e l’efficienza crescente dei modelli riducono i costi per l’utente ma comprimono i ricavi attesi dai fornitori.
- La concentrazione della spesa su pochi hyperscaler rende il rischio del ROI un tema macroeconomico, non solo settoriale.
Fonte: Can AI answer the $3 trillion question? — https://techcrunch.com/2026/07/09/can-ai-answer-the-3-trillion-question/
Hai qualcosa da aggiungere? Unisciti alla discussione.