L’intelligenza artificiale viene normalmente raccontata come una rivoluzione del software, dei modelli e della conoscenza, ma dietro questa trasformazione esiste una gigantesca infrastruttura fisica fatta di data center, GPU, energia, reti e capitale. Un’analisi del Financial Times e un recente paper dei Brookings Papers on Economic Activity pongono quindi una domanda meno tecnologica e molto più economica: quanta domanda, quanti ricavi e quale redditività saranno necessari per remunerare una delle più grandi ondate di investimento mai osservate nell’economia americana?

Per comprendere la portata economica della trasformazione dell’intelligenza artificiale occorre allontanarsi, almeno temporaneamente, dai modelli, dai benchmark e dalle applicazioni che utilizziamo quotidianamente e osservare ciò che sta accadendo molto più a monte della catena del valore. La disponibilità crescente di capacità computazionale richiede infatti enormi quantità di capitale fisico: data center specializzati, sistemi di raffreddamento, collegamenti alla rete elettrica, sottostazioni, infrastrutture di trasmissione, networking ad altissima velocità e, soprattutto, quantità sempre maggiori di semiconduttori avanzati, la cui vita economica può essere significativamente più breve rispetto agli edifici che li ospitano.

È da questa prospettiva che Robin Wigglesworth, nell’articolo “What is the AI capex breakeven rate?”, pubblicato da Financial Times Alphaville il 28 settembre 2026, introduce una domanda destinata probabilmente a diventare centrale nei prossimi anni: quanti ricavi deve generare l’ecosistema dell’intelligenza artificiale affinché l’attuale esplosione degli investimenti possa produrre rendimenti economicamente coerenti con il capitale impiegato? Il tema nasce dalla dimensione ormai straordinaria della spesa dei grandi hyperscaler e dal fatto che la stessa corsa infrastrutturale sta iniziando a trasformare anche i mercati del debito, rendendo sempre meno sufficiente osservare l’AI esclusivamente come fenomeno tecnologico.

Il paper “Financing the AI Buildout”, presentato nell’ambito dei Brookings Papers on Economic Activity e redatto da Stijn Van Nieuwerburgh della Columbia Business School, amplia radicalmente questa prospettiva, mostrando come l’attuale fase dell’intelligenza artificiale possa essere interpretata come un nuovo grande ciclo di investimento infrastrutturale, la cui scala relativa potrebbe superare quelle associate negli Stati Uniti alla costruzione dei canali, delle ferrovie, dell’elettrificazione, delle autostrade e perfino delle telecomunicazioni.

La questione, quindi, non è stabilire se l’intelligenza artificiale sia una tecnologia importante, né se genererà valore economico. Il problema più interessante è capire se la velocità con cui quel valore verrà monetizzato sarà sufficiente a remunerare la velocità con cui oggi viene costruita l’infrastruttura necessaria per produrlo.

Da rivoluzione immateriale a gigantesco ciclo di capitale fisico

L’intelligenza artificiale viene frequentemente classificata tra le tecnologie immateriali perché il valore che produce nasce da software, dati, modelli e conoscenza. Dal punto di vista economico, tuttavia, l’attuale fase di sviluppo presenta caratteristiche quasi opposte: l’AI sta diventando una delle attività più capital intensive dell’economia contemporanea, perché addestrare e utilizzare modelli sempre più sofisticati richiede una quantità crescente di hardware specializzato e, soprattutto, di energia.

Van Nieuwerburgh stima che un campus AI da 200 MW richieda circa 8,2 miliardi di dollari di investimento iniziale. Di questa cifra, circa 2,2 miliardi riguardano la struttura del data center, 400 milioni le infrastrutture energetiche incrementali e circa 5,6 miliardi l’hardware IT, il networking, lo storage e l’integrazione dei sistemi; in altre parole, quasi il 68% dell’investimento iniziale è rappresentato dal sistema informatico, mentre soltanto circa un terzo riguarda edificio e infrastrutture energetiche. Questa composizione è fondamentale per comprendere l’economia del fenomeno, perché un edificio industriale o una sottostazione elettrica possono avere una vita utile molto lunga, mentre le GPU e alcuni componenti del sistema di calcolo possono diventare economicamente obsoleti in pochi anni. Lo stesso Brookings paper sottolinea infatti che il confronto con le grandi infrastrutture del passato deve essere effettuato con prudenza: ferrovie, canali e fibra ottica potevano produrre servizi per decenni, mentre le GPU potrebbero diventare economicamente obsolete nell’arco di tre-sei anni, con la conseguenza che una parte significativa della spesa attuale potrebbe richiedere ulteriori cicli di sostituzione prima ancora che l’infrastruttura fisica sottostante abbia terminato una frazione rilevante della propria vita utile. È qui che il tema del ritorno sul capitale diventa molto più complesso rispetto alla semplice osservazione della crescita della domanda di AI: non basta che i data center vengano utilizzati, ma devono essere utilizzati a prezzi e tassi di saturazione sufficienti a remunerare capitale che, in una sua componente decisiva, si deprezza tecnologicamente con estrema rapidità.

Una corsa agli investimenti senza precedenti recenti

Il dato probabilmente più impressionante contenuto nel paper Brookings riguarda la dimensione aggregata dell’investimento. Partendo da informazioni a livello di singolo progetto, l’autore costruisce uno scenario centrale nel quale circa 182,8 GW di nuova capacità statunitense diventano operativi entro il 2032, mentre altri 117,2 GW vengono completati successivamente e una parte considerevole dei progetti annunciati non viene realizzata. Anche assumendo quindi che moltissimi progetti oggi presenti nella pipeline vengano ridimensionati, rinviati o cancellati, l’investimento sostenuto tra il 2025 e il 2032 raggiungerebbe comunque circa 10,3 trilioni di dollari. Rapportato alla dimensione dell’economia americana, questo scenario implica un investimento medio annuo pari al 3,63% del PIL. Il confronto storico riportato dal paper è straordinariamente significativo: le ferrovie avevano assorbito mediamente circa il 2,24% del PIL nel principale periodo di espansione tra il 1870 e il 1890, le autostrade l’1,13%, il boom delle telecomunicazioni e della fibra circa l’1,10%, l’elettrificazione lo 0,50% e i canali lo 0,66%. Naturalmente il confronto non implica che la stima debba necessariamente realizzarsi nella sua interezza, perché lo stesso autore precisa ripetutamente che si tratta di uno scenario, non della previsione che tutti i progetti annunciati verranno completati. La rilevanza del dato risiede piuttosto nell’ordine di grandezza: anche incorporando tassi significativi di mancata realizzazione, il capitale richiesto rimane tale da collocare l’AI accanto ai più importanti cicli infrastrutturali della storia economica americana. Questo permette anche di interpretare diversamente il dibattito sulla cosiddetta “bolla dell’AI”. La domanda non dovrebbe essere semplicemente se gli investimenti siano eccessivi, perché grandi tecnologie general purpose hanno storicamente richiesto enormi infrastrutture complementari prima di produrre pienamente i propri effetti sulla produttività; la domanda più rigorosa è quali livelli di utilizzo, prezzo e ricavi siano necessari per rendere economicamente sostenibile quella capacità una volta costruita.

Il Financial Times prova a calcolare il punto di pareggio

L’articolo del Financial Times parte precisamente da questo problema e utilizza alcune stime di Goldman Sachs per ricostruire la relazione tra capex e ricavi necessari. Secondo le stime richiamate, i maggiori hyperscaler americani sarebbero sulla traiettoria per investire circa 800 miliardi di dollari nel 2026 e il consenso di mercato ipotizzerebbe circa 1,1 trilioni nel 2027; sulla base del capex medio dei due anni, gli analisti stimano che sarebbero necessari circa 300 miliardi di dollari di ricavi AI annuali per raggiungere il semplice break-even economico sugli investimenti. Il problema appare ancora più significativo quando non ci si accontenta del pareggio. Per ottenere un ROIC del 30%, collocato dal FT nella parte inferiore dei rendimenti che gli hyperscaler erano abituati a produrre prima dell’attuale fase di iperscala infrastrutturale, i ricavi AI necessari salirebbero a circa 636 miliardi di dollari l’anno, un valore che il Financial Times descrive come vicino a dieci volte l’attuale run rate considerato nell’analisi. La sensibilità è particolarmente importante perché mostra che parlare genericamente di “break-even dell’AI” può essere fuorviante. Un investimento può non distruggere capitale e tuttavia produrre un rendimento molto inferiore rispetto a quello storicamente richiesto dagli azionisti di imprese come Microsoft, Alphabet, Amazon e Meta; per società valutate anche sulla base della capacità di produrre elevati ritorni sul capitale, il vero benchmark non è necessariamente lo zero economico, ma il costo-opportunità derivante dall’impiego di quantità enormi di capitale in un’attività nuova invece che nei business già esistenti. Il Financial Times estende inoltre il ragionamento dal livello infrastrutturale a quello applicativo. Se gli hyperscaler accettassero rendimenti relativamente contenuti, nell’ordine del 10-20%, e le società software AI raggiungessero margini intorno al 30%, la spesa complessiva necessaria per le applicazioni AI dovrebbe superare 1 trilione di dollari l’anno; qualora invece infrastruttura e software aspirassero a livelli di rendimento più vicini alle performance storiche dei rispettivi settori, la spesa annua di imprese e consumatori dovrebbe avvicinarsi a 2 trilioni di dollari. Il tema diventa quindi molto più ampio rispetto alla redditività dei data center: per remunerare l’intera catena del valore, qualcuno a valle deve essere disposto a sostenere il costo economico dell’infrastruttura attraverso abbonamenti, API, software enterprise, pubblicità, servizi cloud, prodotti AI-enabled o incrementi di produttività sufficientemente elevati da giustificare una spesa di tale dimensione.

Goldman Sachs e Brookings non stanno stimando la stessa cosa

A prima vista, le cifre del Financial Times e quelle del Brookings paper possono sembrare difficili da conciliare. Goldman Sachs, nelle stime riportate dal FT, parla di circa 300 miliardi di dollari di ricavi annuali necessari per il break-even dei principali hyperscaler sugli investimenti considerati, mentre Van Nieuwerburgh arriva a una cifra di 3,725 trilioni di dollari di ricavi annuali maturi nel 2032 nel proprio scenario centrale. Non siamo, tuttavia, davanti a due previsioni incompatibili, perché i due esercizi misurano perimetri, orizzonti e ipotesi economiche differenti. L’analisi richiamata dal Financial Times prende prevalentemente come riferimento il capex degli hyperscaler nel 2026-2027 e ne valuta i ricavi necessari secondo differenti obiettivi di ritorno. Il Brookings paper costruisce invece un modello molto più ampio dell’intero buildout statunitense 2025-2032, attribuisce differenti vite economiche ai componenti dell’infrastruttura, remunera il capitale impegnato durante la fase di costruzione e assume, nello scenario centrale, un rendimento unlevered del 10% e un operating cash-flow margin del 50%. In questo secondo modello, i 182,7 GW di capacità completati tra il 2025 e il 2032 rappresentano un costo iniziale di circa 8,54 trilioni di dollari, che sale a circa 9,61 trilioni considerando la remunerazione del capitale durante la fase di costruzione; per produrre un rendimento unlevered del 10% occorrerebbero circa 1,86 trilioni di cash flow operativo annuale, equivalenti, con un margine del 50%, a circa 3,725 trilioni di ricavi maturi annuali, pari al 9,2% del PIL statunitense stimato per il 2032. Le cifre, quindi, non devono essere utilizzate per cercare un unico “numero corretto”. Sono più utili se lette come stress test differenti sulla stessa questione: la capacità infrastrutturale in costruzione presuppone che l’economia dell’AI cresca molto più rapidamente rispetto ai livelli odierni e mantenga contemporaneamente elevati livelli di utilizzo, prezzi e margini.

Non basta che crescano gli utenti: deve crescere enormemente la monetizzazione

Questo è probabilmente il passaggio nel quale la questione finanziaria diventa strategicamente più interessante anche per chi non investe direttamente in data center. L’AI ha già raggiunto una diffusione straordinaria, ma l’utilizzo di una tecnologia e la sua capacità di sostenere una gigantesca infrastruttura economica non sono la stessa cosa. Una parte molto significativa degli utenti consumer utilizza oggi servizi completamente gratuiti o fortemente sovvenzionati, mentre molte imprese stanno ancora sperimentando strumenti AI senza avere completamente identificato il ritorno economico dei propri use case. Il Financial Times evidenzia precisamente questa tensione osservando quanto sia difficile trasferire integralmente sui consumatori il costo di un prodotto quando questi ultimi sono stati abituati a utilizzarlo gratuitamente o quasi gratuitamente. Perché l’attuale buildout produca i ritorni attesi, la crescita deve quindi avvenire contemporaneamente lungo più dimensioni: devono aumentare il numero di utilizzatori paganti, la spesa media, il valore delle applicazioni enterprise, la quantità di workload trasferiti sul cloud AI e la capacità delle imprese di monetizzare economicamente i miglioramenti di produttività generati dalla tecnologia. Allo stesso tempo, occorre che la riduzione dei prezzi del compute non sia così rapida da comprimere i margini proprio mentre viene immessa sul mercato una quantità enorme di nuova capacità. Questa tensione è particolarmente importante perché il progresso tecnologico può produrre effetti opposti sull’economia dell’infrastruttura. Modelli più efficienti e chip più performanti possono rendere l’AI meno costosa e favorirne l’adozione, ma possono anche ridurre la quantità di compute necessaria per ottenere un determinato risultato; se la crescita della domanda indotta dalla riduzione dei costi non compensasse l’aumento dell’efficienza, una parte delle infrastrutture oggi progettate potrebbe risultare meno utilizzata di quanto previsto nei business plan.

Il vero rischio non è soltanto costruire troppo, ma costruire asset che invecchiano troppo rapidamente

Il Brookings paper dedica particolare attenzione al rischio di obsolescenza tecnologica, che distingue l’attuale ciclo di investimenti da gran parte delle infrastrutture tradizionali. Un campus AI può avere strutture fisiche destinate a durare decenni, ma il suo valore economico dipende da hardware, sistemi di raffreddamento, densità dei rack e architetture di interconnessione che stanno evolvendo a velocità molto maggiore. La conseguenza è un potenziale disallineamento tra la durata dei finanziamenti e la vita economica delle attività sottostanti: il debito può avere scadenze molto lunghe mentre la competitività tecnologica dell’hardware potrebbe deteriorarsi molto prima, soprattutto se nuove generazioni di chip, modelli più efficienti, edge computing o differenti architetture di inference riducessero la domanda delle strutture più datate. A questo si aggiunge il rischio di esecuzione. I grandi campus necessitano contemporaneamente di elettricità, trasmissione, autorizzazioni, hardware avanzato e componenti spesso prodotti da un numero molto limitato di fornitori; ritardi nelle connessioni alla rete, aumento dei prezzi dell’energia, opposizione locale o problemi nella disponibilità di GPU e memorie possono ritardare l’avvio dei ricavi mentre il capitale è già stato impegnato. Da una prospettiva finanziaria, questa combinazione è particolarmente delicata perché il servizio del debito rimane sostanzialmente fisso, mentre ricavi, utilization rate e valori residui degli asset sono molto più incerti.

Quando il cash flow degli hyperscaler non basta più

La dimensione raggiunta dagli investimenti sta già producendo un altro cambiamento fondamentale: la trasformazione della struttura finanziaria dell’AI. Oracle, Microsoft, Amazon, Meta e Alphabet hanno aumentato complessivamente il capex da circa 97 miliardi di dollari nel 2020 a oltre 400 miliardi nel 2025, con una proiezione superiore agli 800 miliardi nel 2026. Secondo il paper, proprio nel 2026 il capex aggregato delle cinque società dovrebbe superare per la prima volta il loro operating cash flow combinato, segnando il passaggio da una fase nella quale l’espansione poteva essere finanziata principalmente attraverso la straordinaria generazione di cassa delle Big Tech a una fase nella quale sarà necessario coinvolgere quantità crescenti di capitale esterno. È un cambiamento di grande rilievo perché modifica non soltanto il finanziamento dell’AI, ma anche la distribuzione dei rischi. Storicamente gli hyperscaler potevano costruire direttamente i propri data center, finanziarli attraverso utili trattenuti o normale debito corporate e mantenere proprietà, rischi e infrastrutture prevalentemente all’interno dello stesso perimetro societario; oggi cresce invece il ruolo di developer specializzati, REIT, fondi infrastrutturali, private equity, banche, private credit e veicoli di finanza strutturata. Secondo le stime di Morgan Stanley richiamate da Van Nieuwerburgh, oltre metà dei circa 2,9 trilioni di dollari necessari per soddisfare la crescita incrementale della domanda di compute degli hyperscaler tra il 2025 e il 2028 potrebbe provenire da capitale esterno, con il private credit chiamato a fornire una quota particolarmente rilevante del debito. La conseguenza è che una parte crescente dell’economia dell’AI inizia a essere finanziata attraverso strutture sempre più simili alla project finance e all’infrastructure finance tradizionale, con una differenza sostanziale: gli asset sottostanti sono esposti a un tasso di cambiamento tecnologico enormemente superiore.

Il caso Hyperion: come la finanza rende possibile la scala

Il paper utilizza il progetto Hyperion di Meta come esempio particolarmente efficace della nuova architettura finanziaria. Il progetto riguarda circa 2 GW di capacità e un investimento complessivo di circa 30 miliardi di dollari; Meta, inizialmente proprietaria dell’intero progetto, ha ceduto una quota dell’80% a Blue Owl per circa 2,5 miliardi, mentre la joint venture risultante ha raccolto circa 27 miliardi di dollari di debito nell’ottobre 2025. Il livello di leverage del progetto è straordinariamente elevato: circa 27 miliardi di debito su 30 miliardi di valore degli asset, corrispondenti a un rapporto debito/asset prossimo al 90%, con un debt service coverage ratio di appena 1,12 volte. Questo non significa che Meta presenti sul proprio bilancio aziendale un livello analogo di indebitamento, ed è precisamente qui che emerge l’interesse della struttura: il progetto viene finanziato attraverso special-purpose vehicle separati, sostenuti economicamente dalla qualità creditizia e dagli impegni contrattuali dell’hyperscaler. La finanza strutturata consente quindi alle Big Tech di espandere enormemente la capacità computazionale preservando, almeno in parte, una struttura patrimoniale corporate relativamente asset-light. Ma il rischio economico non scompare: viene ricollocato, distribuito tra proprietari dell’infrastruttura, creditori, investitori e soggetti che fanno affidamento sui flussi contrattuali prodotti dall’hyperscaler. Lo stesso Brookings paper sottolinea che la motivazione economica di queste strutture non è necessariamente ottenere capitale più economico. Nel caso Hyperion, il debito del veicolo è stato collocato a un rendimento del 6,58%, almeno 100 punti base superiore rispetto a quanto Meta avrebbe probabilmente pagato su debito corporate comparabile; la convenienza consiste soprattutto nel preservare capacità di bilancio, intensità di capitale e metriche finanziarie dell’impresa operativa.

Il rischio non scompare dal bilancio: diventa meno visibile

Questo passaggio apre una questione particolarmente importante per investitori e regolatori. Quando edifici, capacità elettrica, hardware e impegni contrattuali vengono distribuiti attraverso joint venture, lease, garanzie, debito di progetto, SPV e private credit, la leva economica complessiva può diventare significativamente superiore a quella immediatamente visibile osservando soltanto il bilancio consolidato dell’hyperscaler. Van Nieuwerburgh richiama stime di Moody’s secondo cui gli hyperscaler avrebbero circa 970 miliardi di dollari di lease commitment, di cui circa 660 miliardi relativi a leasing futuri non ancora riflessi nei bilanci, e sottolinea che la separazione tra proprietà degli asset, utilizzatori della capacità e investitori finali aumenta la complessità nell’identificare dove risiedano effettivamente i rischi di domanda, rifinanziamento e valore residuo. Il tema non consiste nel sostenere che il finanziamento off-balance-sheet sia di per sé problematico. Come osserva lo stesso paper, queste strutture possono svolgere una funzione economica legittima, allargando la base dei capitali disponibili e distribuendo il rischio tra soggetti con differenti orizzonti e preferenze. Il problema nasce quando la complessità della struttura rende difficile comprendere quanto rischio sia effettivamente concentrato sugli stessi tenant, sugli stessi scenari di domanda e sugli stessi valori residui degli asset. In altri termini, l’AI potrebbe diventare non soltanto una nuova categoria di investimento tecnologico, ma anche una nuova grande classe di credito infrastrutturale.

Un ecosistema sempre più circolare

Un ulteriore elemento di attenzione riguarda la crescente interdipendenza tra i soggetti che partecipano alla catena del valore. Chip designer, cloud provider, model developer, hyperscaler, operatori di data center e investitori infrastrutturali sono collegati attraverso contratti, partecipazioni, garanzie e finanziamenti che possono rendere le esposizioni più correlate di quanto appaiano analizzando ogni singola transazione separatamente. Il paper cita, ad esempio, una facility da 500 miliardi di dollari costituita nell’agosto 2026 da grandi operatori finanziari per finanziare l’acquisto di chip NVIDIA, nella quale la stessa NVIDIA avrebbe fornito una garanzia sul valore residuo pari al 25%, arrivando potenzialmente a sostenere fino a 125 miliardi di dollari di backstop. L’esempio mostra bene la circolarità potenziale di un sistema nel quale il produttore dominante dell’hardware contribuisce a sostenere finanziariamente la domanda dei clienti che acquistano quell’hardware. Questi meccanismi possono essere perfettamente razionali e contribuire ad accelerare l’adozione, ma rendono ancora più importante distinguere tra domanda finale indipendente e domanda sostenuta, almeno in parte, dallo stesso ecosistema finanziario che beneficia della crescita infrastrutturale. È una distinzione che diventerà sempre più importante nel valutare la solidità dei ricavi AI.

Il vero break-even non è soltanto finanziario

Finora il ragionamento potrebbe sembrare rivolto prevalentemente agli investitori, ma possiede una conseguenza molto più ampia per tutte le imprese che stanno introducendo l’AI. Affinché migliaia di miliardi di dollari di investimento infrastrutturale producano rendimenti adeguati, le imprese a valle devono essere in grado di trasformare l’intelligenza artificiale in valore economico misurabile. Il costo sostenuto dagli hyperscaler diventa infatti ricavo soltanto se qualcun altro è disposto a pagarlo, direttamente attraverso servizi e software oppure indirettamente attraverso modelli di business che monetizzano la capacità computazionale. Questo collega la macroeconomia dell’AI alla microeconomia dei singoli use case. Se una società paga centinaia di migliaia o milioni di euro per piattaforme, API, agenti e infrastrutture ma utilizza l’AI prevalentemente per aumentare la quantità di contenuti prodotti senza migliorare ricavi, margini, cycle time, qualità o capacità decisionale, difficilmente potrà sostenere indefinitamente livelli crescenti di spesa. L’intera economia dell’AI dipende quindi, in ultima analisi, da una domanda estremamente concreta: l’AI produce per il cliente finale un valore superiore al prezzo che deve pagare per utilizzarla? È lo stesso problema che abbiamo osservato, su scala organizzativa, nell’adozione degli agenti: utilizzare più AI non significa necessariamente creare più valore; ciò che conta è la capacità di ridisegnare processi e modelli economici affinché il costo della tecnologia sia più che compensato dall’incremento della performance.

Non è necessariamente una bolla, ma è certamente una scommessa sulle dimensioni future del mercato

Sarebbe semplicistico utilizzare questi numeri per concludere automaticamente che l’AI si trovi in una bolla destinata a scoppiare. Lo stesso Brookings paper evita una conclusione di questo tipo e precisa che non vi sono elementi sufficienti per affermare che il settore rappresenti già un rischio sistemico imminente; una crescita molto forte delle applicazioni, un’elevata utilization della capacità e continui miglioramenti nelle performance dei modelli potrebbero sostenere l’infrastruttura prevista e generare flussi di cassa stabili. Ciò che il paper mette in evidenza è invece la sensibilità del sistema alle aspettative. La combinazione tra domanda futura incerta, cambiamento tecnologico estremamente rapido, vincoli nell’esecuzione e leverage crescente rende il downside più significativo nel caso in cui le aspettative vengano riviste. Il Financial Times giunge, con un approccio differente, a una conclusione analoga: le ipotesi possono essere modificate intervenendo su costi di costruzione, domanda, prezzi dei token, margini dei differenti layer o dimensione effettiva del capex, e la crescita attuale dei ricavi rappresenta certamente un elemento a favore degli scenari più ottimistici; tuttavia, dato il volume degli investimenti programmati, i ricavi AI devono crescere enormemente e rapidamente affinché l’economia complessiva della corsa al capitale rimanga coerente. La distinzione tra “bolla” e “grande investimento rischioso” è quindi essenziale. Le ferrovie hanno trasformato l’economia anche quando molti investitori ferroviari hanno perso denaro; la fibra ottica costruita durante il boom delle telecomunicazioni ha successivamente sostenuto una parte enorme dell’economia digitale nonostante il crollo di numerosi operatori che l’avevano finanziata. Una tecnologia può quindi cambiare il mondo e contemporaneamente produrre rendimenti insufficienti per una parte degli investitori che ne hanno finanziato troppo presto o troppo costoso l’infrastruttura.

La domanda strategica: chi catturerà il valore?

Questo conduce probabilmente alla domanda più interessante per il management. Anche assumendo che l’intelligenza artificiale produca enormi incrementi di produttività nell’economia, non è affatto automatico che il valore venga catturato dai soggetti che hanno effettuato gli investimenti infrastrutturali. Una parte del surplus potrebbe essere trasferita ai clienti attraverso la riduzione dei prezzi del compute. Una parte potrebbe essere catturata dai produttori di chip. Una parte dalle applicazioni verticali. Una parte potrebbe trasformarsi in maggiore produttività per le imprese utilizzatrici e una parte potrebbe essere trasferita ai consumatori attraverso servizi migliori e più economici. La domanda sul ritorno dell’AI non riguarda quindi soltanto quanto valore verrà creato, ma in quale punto della catena del valore verrà catturato. Se la capacità computazionale diventasse progressivamente una commodity, gli hyperscaler potrebbero produrre enormi volumi con margini inferiori rispetto al passato; se invece le infrastrutture rimanessero scarse e concentrate, la redditività del compute potrebbe rimanere elevata ma rallentare l’adozione a valle. Analogamente, se i modelli diventassero sempre più intercambiabili, il valore potrebbe migrare verso applicazioni, dati proprietari, distribuzione e integrazione nei processi aziendali. Per questo il tema del capex AI non è separabile dalla futura struttura competitiva dell’industria.

Una nuova disciplina del capitale anche per le imprese utilizzatrici

Le dimensioni dell’investimento infrastrutturale dovrebbero indurre anche le aziende che utilizzano l’intelligenza artificiale ad adottare una maggiore disciplina nella valutazione dei propri investimenti. Nella prima fase dell’AI generativa era ragionevole sperimentare diffusamente, accettando che molti progetti avessero un valore prevalentemente esplorativo; man mano che il costo della tecnologia diventa una voce strutturale, sarà invece necessario collegare ogni investimento a metriche economiche più robuste. Ciò significa distinguere tra use case che aumentano semplicemente la produttività individuale e use case che modificano realmente il valore prodotto da un workflow, tra applicazioni che riducono un costo e applicazioni che creano ricavi, tra progetti che richiedono grandi quantità di compute e attività nelle quali modelli più piccoli o soluzioni tradizionali producono risultati sufficienti. L’AI non dovrebbe essere immune alle normali regole dell’allocazione del capitale soltanto perché rappresenta una tecnologia strategica. Al contrario, proprio la dimensione degli investimenti necessari a monte rende ancora più importante che, a valle, le imprese sviluppino una vera economia dell’AI, misurando costi completi, ritorni, utilizzo, qualità, rischi e alternative.

Anche la finanza dell’AI deve diventare più trasparente

Il Brookings paper conclude ponendo particolare attenzione al tema della misurazione e della trasparenza. L’infrastruttura fisica dell’AI è oggi distribuita tra edifici, sistemi energetici, reti e semiconduttori, mentre l’esposizione finanziaria corrispondente è distribuita tra bilanci corporate, leasing, joint venture, garanzie, debito di progetto e special-purpose vehicle; limitarsi a osservare il capex riportato dagli hyperscaler significa quindi cogliere soltanto una parte del fenomeno. Il paper non propone di eliminare le strutture off-balance-sheet, ma sottolinea l’esigenza di rendere più visibili project debt, partecipazioni, lease commitment futuri, garanzie di valore residuo, concentrazione dei tenant e ipotesi sul recupero degli asset specializzati. La questione diventerà progressivamente rilevante anche per la stabilità finanziaria perché il rischio non dipende soltanto dal volume complessivo del credito, ma dal grado nel quale banche, assicurazioni, fondi di private credit e veicoli di cartolarizzazione risultino esposti agli stessi tenant e alle stesse ipotesi sulla crescita della domanda AI. Più la finanza dell’AI si sviluppa fuori dai bilanci tradizionali, maggiore diventa quindi la necessità di comprendere chi sopporta realmente il rischio quando la capacità costruita viene utilizzata meno del previsto o quando gli asset perdono valore più rapidamente delle ipotesi iniziali.

Conclusioni: la prossima fase dell’AI sarà giudicata dal ritorno sul capitale

Per alcuni anni il dibattito sull’intelligenza artificiale è stato dominato dalle performance dei modelli, dalla crescita degli utenti e dalla velocità con la quale nuove capacità potevano essere sviluppate. Questi elementi continueranno a essere importanti, ma l’enorme quantità di capitale ormai impegnata nella costruzione dell’infrastruttura introduce una seconda fase nella quale la domanda fondamentale sarà progressivamente economica: quanto valore monetizzabile produce realmente tutta questa capacità computazionale? Il Financial Times mostra quanto rapidamente debbano crescere i ricavi degli hyperscaler e del software AI perché gli investimenti generino rendimenti coerenti con le aspettative del mercato; il Brookings paper mostra quanto più grande diventi la questione quando la stessa analisi viene estesa all’intera infrastruttura americana, includendo capital recovery, vite economiche differenti, finanziamento esterno e rischi distribuiti lungo una rete sempre più complessa di contratti e veicoli. La conclusione non è che gli investimenti siano necessariamente eccessivi. Potrebbero rivelarsi perfettamente coerenti con un’economia nella quale l’AI diventa una tecnologia general purpose utilizzata in quasi ogni processo produttivo, così come l’elettricità o Internet hanno progressivamente permeato settori che inizialmente non sembravano direttamente collegati alla loro infrastruttura. Ma l’ordine di grandezza dei numeri impedisce di considerare sufficiente una generica crescita dell’adozione. Servono ricavi enormemente superiori, utilizzo elevato delle infrastrutture, capacità di mantenere pricing power mentre l’offerta di compute aumenta, vite economiche dell’hardware sufficientemente lunghe e, soprattutto, applicazioni capaci di produrre un valore economico reale per imprese e consumatori. È qui che la trasformazione dell’intelligenza artificiale incontra la disciplina più antica dell’economia d’impresa: il capitale, prima o poi, deve essere remunerato. La vera domanda dei prossimi anni non sarà quindi soltanto quanto velocemente miglioreranno i modelli, ma quanto velocemente l’economia reale riuscirà a trasformare quelle capacità in ricavi, produttività e cash flow sufficienti a sostenere l’infrastruttura costruita per renderle possibili. Se questo passaggio avverrà, l’attuale corsa ai data center potrà essere ricordata come la costruzione dell’infrastruttura di base di una nuova fase dell’economia mondiale. Se invece domanda e monetizzazione cresceranno più lentamente del capitale investito, potremmo scoprire ancora una volta una regola già osservata in molte grandi rivoluzioni tecnologiche: una tecnologia può essere straordinariamente importante e, contemporaneamente, essere stata finanziata troppo aggressivamente.

Le fonti

Il presente contributo prende avvio dall’articolo “What is the AI capex breakeven rate?”, di Robin Wigglesworth, pubblicato da Financial Times Alphaville il 28 settembre 2026. L’articolo analizza le stime relative ai ricavi necessari per remunerare il crescente capex degli hyperscaler e mette a confronto differenti esercizi economici sul break-even e sui ritorni richiesti agli investimenti AI. L’analisi è stata sviluppata principalmente sulla base del paper “Financing the AI Buildout”, di Stijn Van Nieuwerburgh, Columbia Business School, predisposto per i Brookings Papers on Economic Activity – Fall 2026. Il lavoro quantifica l’ordine di grandezza dell’infrastruttura fisica necessaria allo sviluppo dell’AI negli Stati Uniti, ne analizza la crescente dipendenza da capitale esterno e da strutture quali lease, joint venture, project debt, private credit, securitization e special-purpose vehicle e studia i rischi derivanti da leverage, concentrazione della domanda, obsolescenza tecnologica, vincoli energetici e incertezza sui valori residui.