Gli investitori hanno assistito a un aumento della volatilità nell’ultima settimana, trainato dalla crescente cautela nei confronti del settore dell’intelligenza artificiale (AI), in particolare dei produttori di chip (vedi sotto). Le azioni del gruppo dei Magnificent 7 — Alphabet (Google), Amazon, Apple, Meta Platforms (Facebook), Microsoft, Nvidia e Tesla — stanno ora per essere affiancate da Broadcom (capitalizzazione > 2.000 miliardi di dollari), Micron Technology (>1.000 miliardi di dollari) e AMD (~900 miliardi di dollari). A queste si aggiungeranno presto SpaceX (quotazione attesa, valutazione stimata ~2.000 miliardi di dollari), Anthropic (>1.000 miliardi di dollari stimati) e OpenAI (>1.000 miliardi di dollari stimati).
Una volta che queste società saranno quotate e incluse negli indici azionari, il mercato statunitense diventerà di fatto un’esposizione diretta al tema dell’AI, poiché il peso complessivo delle aziende con una significativa esposizione al settore potrebbe raggiungere quasi il 50% della ponderazione totale dell’indice. Tale peso è ancora maggiore se si guarda oltre le società mega-capitalizzate e si includono molti produttori di chip e fornitori di infrastrutture fondamentali per il funzionamento dei moderni data center (ad esempio fornitori di sistemi di interconnessione, aziende di costruzione, raffreddamento, energia, ecc.).
È probabile quindi che i Magnificent 7 diventino i “Fabulous 13” (o assumano un’altra denominazione altrettanto accattivante).
Non dovrebbe quindi sorprendere che la volatilità sia destinata a rimanere elevata. Negli ultimi anni il tema dell’AI non ha soltanto guidato i rendimenti degli indici azionari, ma ha anche rappresentato quasi tutta la crescita economica statunitense, grazie al rapido sviluppo delle infrastrutture dei data center. Di seguito analizziamo alcuni dei fattori alla base della volatilità e perché è probabile che questa continui nel breve termine.
Analizzando le ipotesi alla base delle operazioni legate all’AI, emerge che la redditività dei data center è particolarmente sensibile a variabili come il ciclo di vita dei chip utilizzati e il costo per megawatt necessario alla costruzione di un data center (le dimensioni dei data center vengono generalmente misurate in base al consumo energetico più che alla superficie fisica).
Utilizzando alcune ipotesi di base sugli investimenti in conto capitale (capex) dell’AI, Goldman Sachs ha recentemente valutato la sensibilità del settore rispetto ad alcuni fattori chiave.
Il problema del capitale
Recentemente Google ha raccolto 80 miliardi di dollari tramite un aumento di capitale, preceduto da oltre 200 miliardi di dollari di emissioni obbligazionarie. SpaceX dovrebbe raccogliere oltre 75 miliardi di dollari attraverso la tanto attesa IPO prevista a breve. Gli analisti prevedono che anche altre società hyperscaler come Microsoft, Meta Platforms e Amazon cercheranno presto nuovi finanziamenti azionari per sostenere i loro massicci programmi di sviluppo infrastrutturale. Sia Anthropic sia OpenAI hanno depositato in via confidenziale la documentazione per una possibile IPO nei prossimi mesi (probabilmente in autunno). Al momento non sappiamo quanto capitale intendano raccogliere, ma considerando il loro enorme fabbisogno finanziario è ragionevole ipotizzare che 75 miliardi di dollari ciascuna rappresentino probabilmente una stima prudenziale. Anthropic ha raccolto oltre 125 miliardi di dollari attraverso otto round di finanziamento, incluso un recente round Series H da 65 miliardi di dollari. OpenAI ha raccolto oltre 180 miliardi di dollari, compreso un recente round da 122 miliardi.
È probabile che i mercati privati abbiano ormai raggiunto il limite per quanto riguarda ulteriori investimenti. Gli investitori privati cercheranno probabilmente di realizzare i propri investimenti piuttosto che continuare a finanziare ulteriormente il settore AI. Questo significa che sarà il mercato pubblico a dover finanziare centinaia di miliardi di dollari di nuovi investimenti azionari. Inoltre, i mercati obbligazionari saranno chiamati a sostenere diversi trilioni di dollari di finanziamenti per i progetti infrastrutturali legati all’AI. A nostra conoscenza, mai nella storia dei mercati è stato richiesto di finanziare una quantità così elevata di investimenti concentrati in un periodo così breve.
Una delle principali differenze tra il boom dell’AI e quello delle società dot-com (oltre al fatto che oggi le aziende più grandi sono già redditizie) è l’enorme intensità di capitale richiesta dall’intelligenza artificiale. Occorre ricordare che le società dot-com erano invece caratterizzate da modelli estremamente leggeri dal punto di vista degli asset.
Il problema del modello di business
Si prevede che, una volta resi pubblici i documenti relativi alle IPO di Anthropic e OpenAI, gli investitori potranno finalmente comprendere meglio come queste società intendano generare profitti e come siano interconnesse finanziariamente con concorrenti e partner. Molti investitori istituzionali sono preoccupati dal livello di relazioni incrociate all’interno dell’ecosistema AI. Molte aziende ricoprono contemporaneamente il ruolo di investitori, clienti, fornitori e finanziatori. Uno dei principali rischi di queste strutture è che, se una di queste società (ad esempio OpenAI) dovesse incontrare difficoltà, potrebbe trascinare con sé molte altre aziende collegate. Relazioni simili, seppur meno concentrate, esistevano anche durante la bolla delle dot-com e molti dei principali operatori furono duramente colpiti dalla correzione successiva. Società come Cisco Systems e Juniper Networks riuscirono a sopravvivere a malapena, mentre aziende come Nortel Networks, WorldCom e 3Com fallirono o furono vendute per valori irrisori.
Il problema della determinazione dei prezzi
Nei prossimi mesi, fattori come il tokenmaxxing e l’AI agentica saranno probabilmente oggetto di grande attenzione. Per riferimento: “Nell’intelligenza artificiale, un token è l’unità fondamentale e atomica di dati che un modello AI legge e genera. Invece di elaborare parole intere, i modelli AI suddividono testi, codice o altri dati in queste unità più piccole. Un token può essere una parola intera, una parte di parola, un singolo carattere, un segno di punteggiatura o persino un emoji” (Fonte: Nvidia).
Il tokenmaxxing è la pratica attraverso cui alcune aziende hanno incoraggiato i dipendenti a utilizzare il maggior numero possibile di token, al fine di giustificare i loro enormi investimenti nell’AI. Tuttavia, aziende AI come Microsoft e Anthropic hanno recentemente iniziato a modificare i propri modelli di business, rendendo il tokenmaxxing una pratica potenzialmente molto rischiosa. Queste società stanno infatti passando da modelli di fatturazione a prezzo fisso a modelli basati sul consumo effettivo di token. La ragione di questa transizione è che, nonostante il drastico calo del costo per token (>99%), i costi operativi dei modelli moderni sono aumentati a tal punto che molte aziende stanno perdendo enormi quantità di denaro per ogni richiesta elaborata.
È stato stimato che i fornitori di AI spendano tra 3,30 e 5,00 dollari in costi computazionali per ogni dollaro di ricavi generato. Questo ha prodotto perdite straordinarie (si veda l’esempio relativo a OpenAI). Il tokenmaxxing, insieme alla crescita dell’AI agentica (cioè l’utilizzo di agenti AI per svolgere attività operative), ha determinato un enorme aumento del numero di token consumati. Di conseguenza, le aziende stanno iniziando ad addebitare i clienti sulla base del numero di token utilizzati. Un consulente AI ha recentemente rivelato che una società non identificata avrebbe “accidentalmente” speso 500 milioni di dollari in un solo mese utilizzando il modello Claude di Anthropic a seguito delle modifiche dei prezzi. Anche Uber ha dichiarato di aver superato l’intero budget annuale destinato all’AI in meno di quattro mesi a causa del cambiamento nei modelli tariffari.
Il problema della commoditizzazione
Sempre più investitori temono che l’AI sia in realtà una commodity incapace di mantenere un potere di prezzo nel lungo periodo. Di conseguenza, i margini potrebbero non raggiungere mai i livelli necessari a giustificare le valutazioni elevate attualmente attribuite dal mercato. Le principali evidenze a sostegno di questa tesi includono il crollo dei costi delle API, la rapida convergenza delle prestazioni dei modelli open source, la riduzione dei tempi necessari ai concorrenti per replicare i modelli più avanzati e lo spostamento dell’attenzione degli sviluppatori dal modello AI stesso verso le applicazioni e i livelli proprietari di dati. Se questa interpretazione dovesse affermarsi presso il mercato più ampio, è probabile che assisteremo a una significativa fase di selezione e consolidamento del settore.
Conclusioni per gli investitori
Dal nostro punto di vista, con l’aumentare dell’attenzione su questi fattori è probabile che la volatilità dei mercati aumenti ulteriormente. Non vi è dubbio che l’AI avrà un impatto profondo sulla società. Tuttavia, come molte tecnologie emergenti, sarà necessario tempo per determinare quali modelli siano realmente sostenibili nel lungo periodo. Man mano che il mercato passa da poche modalità di investimento nel tema AI a un numero molto più ampio di opportunità, inizieranno probabilmente a emergere vincitori e perdenti. Le aziende capaci di costruire vantaggi competitivi difendibili (moat) avranno successo, mentre quelle costrette a competere in un mercato dominato dalle commodity vedranno ridursi drasticamente valutazioni e accesso al capitale. Questo cambiamento strutturale potrebbe generare livelli significativi di volatilità.
Il fatto che il mercato azionario statunitense e l’economia americana siano diventati così dipendenti da un singolo tema implica un aumento dei rischi, che prima o poi saranno riflessi nelle valutazioni. È ancora troppo presto per prevedere con certezza quali saranno i vincitori e i perdenti, ma gli investitori dovrebbero monitorare attentamente i segnali emergenti. È possibile che modelli AI più economici e specializzati per settore o industria acquisiscano maggiore rilevanza qualora i costi dei grandi modelli linguistici (LLM) continuassero ad aumentare. Molte aziende utilizzatrici finali semplicemente non dispongono dei budget né delle prove necessarie per giustificare l’aumento della spesa derivante dalla tariffazione basata sui token. Questo, a sua volta, potrebbe portare a un rallentamento della crescita del settore.