Con OpenAI che discute piani infrastrutturali da mille miliardi di dollari e la capitalizzazione di mercato di Nvidia alle stelle, la domanda che tutti si pongono è inevitabile: siamo in una bolla dell'AI?
Con così tanto capitale che inonda il mercato, è naturale chiedersi se la speculazione abbia spinto le valutazioni oltre la realtà. Tuttavia, considerare l'"AI" come un'entità unica e monolitica è un errore. Per capire il reale scenario finanziario, bisogna sfogliare gli strati dello stack tecnologico.
Analizzando il settore per comparti — applicazioni, inferenza e training — diventa chiaro che aree diverse appaiono "gonfiate" in misura molto diversa tra loro.
(Avvertenza: questa analisi ha finalità puramente educative e non costituisce consulenza di investimento.)
1. Il livello applicativo: il gigante addormentato
Contrariamente all'hype attorno all'hardware, esiste attualmente un significativo sottoinvestimento nel livello applicativo.
La logica è semplice: le applicazioni costruite sopra l'infrastruttura AI (come le API degli LLM) devono, per definizione, finire per generare più valore dell'infrastruttura stessa. Perché? Perché sono le applicazioni a generare i ricavi necessari a pagare i fornitori di infrastruttura.
Stiamo attualmente osservando "germogli" in vari settori, in particolare in quelli che adottano flussi di lavoro agentici. Nonostante questo, molti investitori di venture capital restano cauti. Si sentono a proprio agio nell'investire un miliardo di dollari in infrastrutture (dove la ricetta del successo è chiara) ma faticano a individuare i vincitori nello spazio applicativo.
C'è il timore che le applicazioni "wrapper" vengano spazzate via dagli aggiornamenti dei modelli frontier. Tuttavia, il potenziale delle applicazioni agentiche su misura è enorme, e quest'area è probabilmente destinata a vedere la crescita più sostenibile nel prossimo decennio.
2. Infrastruttura per l'inferenza: vincolata dall'offerta
Mentre il training fa notizia, l'inferenza (la potenza di calcolo necessaria per eseguire effettivamente i modelli) si trova di fronte a un collo di bottiglia critico.
I fornitori di infrastruttura faticano a soddisfare la domanda esplosiva di generazione di token. È un classico "buon problema" da avere: il mercato è vincolato dall'offerta, non dalla domanda.
Cosa alimenta questa fame di token? Gli agenti per la scrittura di codice.
Strumenti come Claude Code, Codex di OpenAI e i tool a riga di comando di Google stanno avanzando rapidamente. Man mano che questi agenti diventano più capaci, gli sviluppatori vi fanno sempre più affidamento, spingendo verso l'alto la domanda aggregata di inferenza.
Non stiamo più semplicemente chattando con dei bot: abbiamo software che scrive software. Questo richiede una capacità di calcolo enorme. Pur esistendo il rischio di un eccesso di costruzione nel lungo periodo, in questo momento la società ha bisogno di più capacità di inferenza per sostenere la prossima generazione di strumenti di produttività.
3. Infrastruttura per il training: la zona ad alto rischio
Questo è il settore che merita la massima cautela.
Miliardi vengono riversati nel training di modelli frontier di grandi dimensioni, ma quest'area comporta il rischio più alto di bolla. Perché?
• La minaccia dell'open source: se i modelli a pesi aperti continuano a guadagnare quote di mercato, le aziende che spendono miliardi in training proprietario potrebbero non vedere un ROI interessante.
• L'indebolimento dei vantaggi competitivi: i miglioramenti algoritmici e hardware rendono ogni anno più economico addestrare i modelli. Il "vantaggio tecnologico" si sta assottigliando.
Se marchi come ChatGPT e reti di distribuzione come Gemini di Google godono di posizioni difensive solide, il puro business del training dei modelli sta diventando sempre più difficile da monetizzare rispetto alla spesa in conto capitale richiesta.
Il vero pericolo: un crollo del sentiment
Le prospettive fondamentali di lungo periodo per l'AI restano estremamente solide. Tuttavia, c'è uno scenario negativo distinto che va considerato.
Se il settore dell'infrastruttura per il training — il comparto più rischioso — dovesse subire un collasso dovuto a un eccesso di investimenti, potrebbe innescare un sentiment negativo per l'intero settore dell'AI. Potremmo assistere a un deflusso irrazionale di capitali anche dai comparti sani e ad alto potenziale, come applicazioni e inferenza.
Conclusione: la macchina che pesa
Warren Buffett, citando Benjamin Graham, disse in modo celebre: "Nel breve periodo, il mercato è una macchina che vota, ma nel lungo periodo è una macchina che pesa."
Nel breve termine, i prezzi sono guidati dai voti (sentiment ed hype). È difficile prevedere quando, o se, il sentiment cambierà. Ma nel lungo periodo, il mercato pesa il valore intrinseco. I fondamentali dell'AI — la sua capacità di scrivere codice, risolvere problemi e agire con autonomia — pesano molto in termini di valore intrinseco.
A prescindere dalle oscillazioni di breve periodo o dalle bolle in settori specifici, il piano resta lo stesso: continuare a costruire.