AI Bubble o Rivoluzione Reale? I Dati sugli Investimenti e i Ricavi

Cos'è: Un'analisi della struttura economica dell'ecosistema AI: chi sta investendo, chi sta guadagnando davvero, e quanto divario esiste tra il capitale impiegato e i ricavi generati. Il punto di partenza è il famoso articolo di Sequoia Capital del giugno 2024 che ha calcolato il "buco" da $500B tra capex AI e revenue dell'application layer.

Il contesto: $200 miliardi investiti in AI nel 2023-2024

Tra il 2023 e il 2024, l'ecosistema AI ha attratto volumi di capitale senza precedenti nella storia tecnologica recente. Le stime più conservative indicano oltre $200 miliardi di investimenti totali — sommando venture capital in AI startup, capex di hyperscaler per infrastruttura GPU, acquisizioni strategiche e investimenti aziendali in strumenti AI. Alcune stime più ampie, che includono gli annunci di capex futuri di Microsoft, Google, Amazon e Meta, portano il numero vicino ai $500 miliardi considerando l'orizzonte 2023-2025.

Per dare una misura della scala: l'intero mercato globale del venture capital nel suo anno record (2021) aveva movimentato circa $620 miliardi in tutti i settori. Il solo segmento AI nel 2024 ha attratto circa un terzo di tutto il VC globale. OpenAI ha chiuso un round da $6,6 miliardi a valutazione $157 miliardi nell'ottobre 2024. Anthropic ha raccolto $7,3 miliardi dal 2023 al 2024 tra Amazon e Google. xAI di Elon Musk ha raccolto $6 miliardi nel 2024.

A questi numeri si aggiunge il capex straordinario degli hyperscaler. Microsoft ha annunciato $80 miliardi di investimenti in infrastruttura AI per il solo 2025. Meta ha dichiarato $60-65 miliardi. Google e Amazon si muovono su ordini di grandezza simili. L'infrastruttura GPU — server, data center, raffreddamento, connessioni di rete — è il collo di bottiglia e il principale destinatario di questi capitali.

La domanda da $600 miliardi di Sequoia

Nel giugno 2024, il partner di Sequoia Capital David Cahn ha pubblicato un articolo intitolato "AI's $600B Question" che ha avuto una circolazione enorme nell'ecosistema tech e finanziario. Il ragionamento di Cahn era semplice nella struttura ma potente nelle implicazioni.

NVIDIA, il principale produttore di GPU per AI training e inference, stava fatturando circa $30 miliardi per trimestre — ovvero circa $120 miliardi annui — quasi interamente a hyperscaler e laboratori AI che acquistavano GPU H100 e H200. Questo era il costo visibile dell'infrastruttura AI, ma i data center richiedono anche server, storage, networking, raffreddamento, energia: Cahn ha stimato che per ogni dollaro di GPU acquistato, il costo totale di infrastruttura sia almeno 2-3 volte superiore.

Partendo da queste premesse, Cahn ha stimato che il settore AI stesse bruciando circa $200 miliardi annui solo in costi operativi di infrastruttura (capex + opex amortizzato). Per giustificare questo livello di spesa secondo un modello economico standard — con multipli di revenue ragionevoli per il settore software — servirebbero almeno $600 miliardi di fatturato annuo dall'application layer AI. All'epoca della pubblicazione, la stima credibile del fatturato totale dei prodotti AI era nell'ordine dei $100 miliardi annui — dominato da abbonamenti ChatGPT, API OpenAI, Microsoft Copilot, Google Gemini, e simili.

Il gap era di circa $500 miliardi. Non necessariamente una bolla — Cahn stesso ha esplicitato che il gap potrebbe chiudersi se l'AI produce le applicazioni killer che ancora non esistono — ma un segnale che o la spesa in infrastruttura è sopravvalutata, o i ricavi dell'application layer devono crescere di 5-6 volte in pochi anni.

Chi sta facendo davvero soldi: la struttura a tre livelli

Per capire chi guadagna nell'ecosistema AI, è utile suddividerlo in tre layer con dinamiche economiche molto diverse.

Il layer infrastrutturale — GPU, server, data center — è dominato da NVIDIA in modo schiacciante. Con margini lordi superiori al 75% e una quota di mercato nelle GPU per AI training che supera il 90%, NVIDIA è l'unico attore che guadagna in modo certo e massiccio dall'AI boom. AMD insegue con le GPU MI300, ma il gap tecnico e l'ecosistema software CUDA rimangono una barriera significativa. I produttori di chip custom (Google TPU, Amazon Trainium, Meta MTIA) stanno cercando di ridurre la dipendenza da NVIDIA ma i volumi rimangono nettamente inferiori.

Il layer foundational — modelli di base e piattaforme API — comprende OpenAI, Anthropic, Google DeepMind, Meta (con Llama open-source), Mistral, e altri. I ricavi di OpenAI per il 2024 sono stimati intorno a $3,5-4 miliardi annui — significativi ma largamente insufficienti a giustificare una valutazione di $157 miliardi con i multipli standard. La dinamica di questo layer è quella dei mercati winner-takes-most: pochi modelli capturino la maggior parte dei ricavi, ma le barriere all'entrata stanno calando rapidamente con la proliferazione dei modelli open-source.

Il layer applicativo — prodotti SaaS costruiti su modelli esistenti — è quello dove i ricavi sono ancora più distribuiti e meno consolidati. GitHub Copilot (Microsoft) è probabilmente il prodotto AI con più utenti paganti fuori da ChatGPT. Cursor, Perplexity, Harvey (per il legale), Doktor (per la medicina), e centinaia di altri vertical stanno costruendo su API di foundational model. La maggior parte non ha ancora raggiunto la profittabilità.

L'analogia delle ferrovie: chi si arricchisce nell'infrastruttura

L'analogia storica più usata per capire la struttura economica dell'AI è quella delle ferrovie americane del XIX secolo. La costruzione della rete ferroviaria transcontinentale tra il 1860 e il 1890 è stata una delle maggiori distruzioni di capitale della storia economica americana: la maggior parte delle compagnie ferroviarie è fallita o ha prodotto rendimenti disastrosi per gli investitori. La ferrovia era reale, trasformativa, e necessaria — ma chi ci ha investito direttamente spesso ha perso.

Chi si è arricchito sono stati i proprietari delle terre adiacenti alle stazioni, le città che sono cresciute lungo i binari, i produttori di acciaio (Carnegie), e poi — una generazione dopo — le industrie che la ferrovia ha reso possibili. La lezione non è che l'infrastruttura non valesse nulla: è che il valore economico dell'infrastruttura viene catturato da attori che spesso non sono quelli che l'hanno costruita.

Nel caso dell'AI: NVIDIA è probabilmente più simile ai produttori di pale durante la corsa all'oro che ai cercatori d'oro. Gli hyperscaler che costruiscono infrastruttura GPU possono o non possono recuperare l'investimento, a seconda di quanto crescono i ricavi dell'application layer. Le applicazioni verticali sono ancora nella fase della ricerca del gold vein.

Scenari: consolidamento, commoditizzazione, o killer app?

L'incertezza economica sull'AI si risolve in tre scenari principali, non mutuamente esclusivi.

Il primo è il consolidamento: solo 2-3 foundational model provider sopravvivono (probabilmente OpenAI, Google, e uno tra Anthropic e Meta), il mercato si razionalizza, i ricavi crescono ma gli investitori del periodo 2023-2025 subiscono perdite significative. È il pattern classico delle bolle tecnologiche con una tecnologia reale sottostante: la tecnologia sopravvive, molti investimenti no.

Il secondo è la commoditizzazione dei modelli fondazionali, spinta dall'open-source (Llama, Mistral, DeepSeek): i foundational model diventano un'utility a basso margine, il valore migra verso lo strato applicativo o verso l'infrastruttura specializzata. In questo scenario NVIDIA rimane molto solida, i laboratori chiusi soffrono, e il valore finisce alle aziende che costruiscono le applicazioni verticali migliori.

Il terzo è la killer app: emerge un'applicazione AI così pervasiva e a così alto valore per utente da generare da sola decine di miliardi di ricavi annui. L'agente AI autonomo per lavoro d'ufficio, l'assistente medico di diagnosi, il sistema educativo personalizzato — se uno di questi raggiunge scala di massa, il gap da $500B di Sequoia può chiudersi. I precedenti storici suggeriscono che le killer app delle piattaforme precedenti (Internet, mobile) sono arrivate, ma spesso con 5-10 anni di ritardo rispetto al ciclo di investimento iniziale.

---