La crescita dell’intelligenza artificiale continua a richiedere quantità molto elevate di capitale, ma la dimensione degli investimenti sta rendendo sempre più centrale la capacità di trasformare la nuova potenza di calcolo in ricavi, margini e flussi di cassa. Secondo Morgan Stanley Research, i capital expenditure dei cinque maggiori gruppi tecnologici statunitensi potrebbero passare da quasi 800 miliardi di dollari nel 2026 a circa 1.200 miliardi nel 2027 e 1.400 miliardi nel 2028.
È su questo scenario che si concentra New Constructs, società specializzata nella ricerca finanziaria e nell’analisi delle valutazioni, secondo cui la capacità infrastrutturale e la creazione di valore economico devono essere considerate separatamente. Il tema riguarda direttamente hyperscaler, fornitori di modelli e aziende clienti, perché insieme alla capacità disponibile stanno aumentando anche i costi associati all’utilizzo dell’AI.
Indice degli argomenti
La capacità di calcolo deve tradursi in valore
Secondo David Trainer, Ceo di New Constructs, la quantità di infrastruttura disponibile rappresenta soltanto una parte dell’equazione. Chip, server, data center, energia e accesso ai modelli general purpose sono elementi necessari allo sviluppo dell’intelligenza artificiale, mentre la sostenibilità economica degli investimenti dipende dai risultati prodotti.
“L’infrastruttura AI è un input, non un vantaggio competitivo di per sé”, afferma Trainer. “Il compito dell’investitore è determinare se un’azienda possiede un vantaggio che i concorrenti non possono replicare e se quel vantaggio sta producendo rendimenti superiori al costo del capitale”.
La questione riguarda soprattutto il rapporto fra capex e redditività. Secondo New Constructs, gli investimenti dovrebbero tradursi in risultati osservabili: riduzione dei costi, crescita dei ricavi, miglioramento dei margini o capacità di offrire prodotti e servizi differenziati. La potenza di calcolo acquistata diventa quindi economicamente rilevante quando sostiene un vantaggio competitivo capace di generare flussi di cassa sufficienti a remunerare il capitale impiegato.
Il tema sta assumendo un peso crescente anche sui mercati finanziari. La velocità con cui Big Tech sta aumentando la capacità disponibile ha infatti portato gli investitori a valutare con maggiore attenzione il rapporto fra capitale impiegato e ritorni attesi. Un’analisi Reuters di luglio basata sulle stime di consenso Lseg indicava che Microsoft, Alphabet, Amazon, Meta e Oracle potrebbero arrivare nel 2027 a spendere complessivamente in capex più di quanto generato in free cash flow.
Gartner: 64 miliardi per modelli e piattaforme nel 2026
La domanda rimane intanto in forte espansione. Gartner prevede che la spesa mondiale per modelli e piattaforme AI raggiungerà 64,3 miliardi di dollari nel 2026, con un incremento del 63,4% rispetto ai 39,3 miliardi del 2025. La crescita più elevata, pari al 210%, è attesa per i modelli linguistici specifici per dominio e per le altre soluzioni di intelligenza artificiale generativa specializzata.
Alla crescita dei budget corrisponde però una maggiore attenzione alla loro gestione. “I budget aziendali per l’AI sono sottoposti a un controllo più attento, con una maggiore attenzione all’efficienza di utilizzo, al controllo dei costi e ai risultati misurabili”, spiega Arunasree Cheparthi, Senior Principal Research Analyst di Gartner.
Secondo la società di analisi, la spesa sta progressivamente premiando i provider capaci di dimostrare valore in termini di costo, latenza, prestazioni e affidabilità. Acquistano quindi importanza strumenti di valutazione, trasparenza dei prezzi e monitoraggio dell’utilizzo, destinati a consentire alle imprese di capire come e dove vengono consumate le risorse.
L’AI agentica aumenta il peso dei consumi
A rendere più complessa la gestione economica contribuisce la diffusione dell’agentic AI, basata su sistemi capaci di svolgere attività con un grado crescente di autonomia e di attivare ulteriori processi e agenti.
Jack Gold, fondatore e principal analyst di J. Gold Associates, osserva che queste attività avvengono alla velocità delle macchine e possono generare decine o centinaia di migliaia di token per singola transazione, ripetendo le operazioni centinaia o migliaia di volte nell’arco di una giornata. La conseguenza è un aumento rapido dei consumi quando gli agenti vengono distribuiti su ampia scala.
Il costo diventa così uno dei criteri considerati dalle aziende nella scelta delle piattaforme. La concorrenza fra Microsoft, Google, OpenAI, Anthropic e gli altri operatori si sta estendendo alla capacità di offrire modelli con differenti rapporti tra prestazioni e prezzo, insieme a strumenti che consentono di prevedere e controllare i consumi.
Google, per esempio, ha evidenziato la domanda per la famiglia di modelli Flash, orientata a combinare prestazioni e costi contenuti. Microsoft sta invece ampliando le funzionalità di Cost Management per consentire ai clienti di tracciare l’utilizzo, applicare limiti basati su policy, impostare alert e adottare differenti livelli di fatturazione.
Solo il 22% delle organizzazioni ha scalato l’AI
Il problema della misurazione assume ancora maggiore rilievo osservando il livello di maturità raggiunto dalle imprese. Secondo un’indagine Gartner pubblicata il primo settembre e condotta su 1.303 responsabili aziendali, soltanto il 22% delle organizzazioni ha già esteso con successo l’AI a più business unit oppure adottato un approccio “AI first”.
La propensione alla spesa rimane comunque elevata. Nel 2025 i responsabili delle diverse funzioni aziendali hanno destinato in media circa il 12% dei propri budget all’intelligenza artificiale e l’85% prevede di aumentare queste risorse nel 2026. Allo stesso tempo, l’11% delle organizzazioni dichiara di non conoscere l’ammontare speso dalla propria funzione per l’AI durante lo scorso anno.
“Questa mancanza di visibilità finanziaria aumenta il rischio con l’accelerazione della spesa”, sottolinea Tina Nunno, Distinguished Vice President e Gartner Fellow. “Senza una misurazione disciplinata direttamente collegata ai risultati aziendali, le organizzazioni rischiano risorse sprecate e aspettative disattese”.
I dati Gartner evidenziano anche una marcata differenza tra le organizzazioni che misurano sistematicamente i risultati e quelle che dispongono di strumenti meno strutturati. Le imprese classificate come high performer, che monitorano il Roi delle iniziative e riallocano le risorse dai progetti meno efficaci, dichiarano ritorni positivi nell’81% delle iniziative considerate.
Dati proprietari e workflow diventano fattori di differenziazione
Nell’analisi di New Constructs, la progressiva disponibilità di modelli e capacità di calcolo sposta inoltre una parte della competizione verso dati proprietari, workflow, sistemi di valutazione e regole applicative.
Il presupposto è che modelli accessibili a più operatori offrano possibilità tecnologiche simili. La differenziazione può quindi derivare dalla qualità delle informazioni disponibili all’interno delle aziende e dalla capacità di applicarle a problemi specifici.
“I modelli pubblici apprendono da informazioni a cui tutti possono accedere. I dati che gli altri non possiedono sono il punto nel quale un’azienda può costruire un vantaggio”, sostiene Trainer.
In questa prospettiva, il valore economico dell’intelligenza artificiale dipende sempre più dall’integrazione tra tecnologia e processi aziendali. L’infrastruttura consente di eseguire modelli sempre più complessi; dati, applicazioni e workflow determinano invece quali attività possono produrre maggiore efficienza, nuovi ricavi o miglioramenti dei margini.
Dagli investimenti infrastrutturali alla gestione economica dell’AI
L’evoluzione del mercato sta così facendo emergere due esigenze complementari. Gli hyperscaler devono ottenere ritorni adeguati dai capitali destinati a data center, chip, reti ed energia; le aziende clienti devono controllare quanto spendono per modelli, token e agenti e collegare questi costi a risultati verificabili.
La stessa Gartner prevede che, nel lungo periodo, saranno avvantaggiati i fornitori capaci di aiutare le imprese a decidere dove e come utilizzare l’intelligenza artificiale, scegliendo gli strumenti più adatti, monitorandone le prestazioni, applicando policy e controllando i costi.
La crescita della capacità infrastrutturale rimane quindi uno dei principali fattori di sviluppo del mercato. La sostenibilità finanziaria di questa espansione dipenderà dalla quantità di utilizzo effettivamente generato, dai margini ottenibili dai provider e dal valore che le aziende riusciranno a ricavare dalle applicazioni.
Come sintetizza Trainer, “migliaia di miliardi di dollari di spesa per l’AI sono costi che devono ancora essere recuperati”. Per hyperscaler e clienti enterprise, la capacità di misurare questo passaggio sta diventando una componente centrale delle strategie di sviluppo.
Partecipa alla community