Il 27 gennaio 2025, il titolo Nvidia ha subito il calo giornaliero più forte della sua storia: meno 17% in una sola seduta, quasi 600 miliardi di dollari di capitalizzazione bruciati in poche ore. La causa era un annuncio arrivato dalla Cina: la startup DeepSeek aveva rilasciato R1, un modello di ragionamento capace di competere con i sistemi americani più avanzati, addestrato a una frazione del costo.
La logica del mercato sembrava ovvia.
Se l’AI diventa più efficiente, servono meno chip costosi per addestrarla e farla funzionare.
Ma meno domanda di GPU significa meno fatturato per Nvidia. E così, il titolo crolla.
Eppure, tredici mesi dopo, nessun hyperscaler ha tagliato un dollaro dai propri piani di spesa sull’AI.
Anzi, li hanno tutti aumentati.
Scopriamo il perché.
Un principio economico vecchio centosessant’anni
Nel 1865 l’economista inglese William Stanley Jevons pubblicò The Coal Question, un’analisi sui consumi di carbone nell’Inghilterra industriale.
La sua osservazione era controintuitiva: nonostante le macchine a vapore diventassero sempre più efficienti nell’uso del carbone, il consumo totale di carbone cresceva.
Jevons scrisse una frase che oggi suona profetica:
È una completa confusione di idee supporre che l’uso economico del combustibile sia equivalente a un consumo diminuito.
Il principio che porta il suo nome dice esattamente il contrario di quello che l’intuizione (come abbiamo visto) suggerisce: quando una risorsa diventa più efficiente da usare, il suo consumo complessivo aumenta, invece di diminuire.
Perché l’efficienza abbassa il costo, il costo più basso allarga il numero di usi possibili, e il numero di usi possibili finisce per consumare più risorse di quante l’efficienza ne avesse fatte risparmiare.
Cosa ha detto il mercato dopo DeepSeek
Satya Nadella, CEO di Microsoft, ha reagito all’annuncio di DeepSeek scrivendo pubblicamente:
“Il paradosso di Jevons colpisce ancora. Quando l’AI diventerà più efficiente e accessibile, vedremo il suo utilizzo esplodere, trasformandola in una commodity di cui non potremo mai avere abbastanza.”
Diversi analisti hanno condiviso questa lettura, incluso Hamish Low di Enders Analysis, che ha definito la reazione del mercato decisamente esagerata: poter usare il calcolo in modo molto più efficiente non è affatto negativo per la domanda di calcolo.
I dati successivi hanno confermato questa lettura.
Nel corso del 2025 il costo per ottenere un punteggio comparabile su un benchmark AI complesso è crollato da 4.500 dollari per task a 11,64 dollari. Un’efficienza che dovrebbe, secondo l’intuizione comune, ridurre la spesa complessiva. Invece, l’utilizzo dell’AI ha superato di gran lunga i guadagni di efficienza, esattamente come il paradosso di Jevons avrebbe previsto.
Il dato che chiude la discussione
Se il paradosso di Jevons fosse rimasto un argomento puramente teorico, sarebbe rimasto confinato ai social media. Invece i numeri reali di spesa lo hanno confermato senza ambiguità.
Le cinque maggiori aziende cloud e AI degli Stati Uniti — Microsoft, Alphabet, Amazon, Meta e Oracle — hanno pianificato per il 2026 una spesa combinata in infrastruttura compresa tra 660 e 690 miliardi di dollari. Quasi il doppio rispetto al 2025. La spesa aggregata era di circa 380 miliardi nel 2025: in diciotto mesi è quasi raddoppiata, proprio nel periodo successivo allo shock DeepSeek che avrebbe dovuto, secondo l’intuizione iniziale del mercato, ridurla.
La controvoce: perché non tutti sono d’accordo
Vale la pena riportare anche chi non condivide questa lettura, perché il dibattito è reale e non risolto.
Madhavi Venkatesan, docente di economia alla Northeastern University, ha sollevato un’obiezione: il paradosso di Jevons descrive l’aumento della domanda per una risorsa, ma non garantisce che quell’aumento sia sostenibile o giustificato economicamente.
Un’analisi più critica pubblicata su Investing.com sostiene che il paradosso di Jevons, se analizzato nel suo contesto storico corretto, non supporta una tesi rialzista per i titoli tecnologici legati all’AI: suggerirebbe, piuttosto, implicazioni decisamente più ribassiste di quanto i sostenitori bullish vogliano ammettere.
Il punto critico è questo: il paradosso di Jevons descrive cosa succede quando la domanda aggregata risponde a un calo di prezzo. Non garantisce automaticamente che la domanda futura giustifichi gli investimenti fatti oggi. Può esserci più utilizzo dell’AI e contemporaneamente una sovraccapacità di infrastruttura costruita troppo in anticipo rispetto a quella domanda.
Le due cose non si escludono a vicenda.
Perché questo principio conta
Il paradosso di Jevons non è solo una curiosità da analisti finanziari. Descrive un meccanismo che si applica a qualsiasi tecnologia che riduce il costo di un’azione precedentemente costosa.
Quando un’azienda introduce strumenti AI che riducono il costo di produzione di materiale, di analisi dei dati, di assistenza clienti, l’intuizione comune suggerisce che la spesa complessiva su quelle attività si riduca. Il paradosso di Jevons suggerisce il contrario: l’abbassamento del costo per unità tende ad aumentare il volume totale di quell’attività, perché diventa conveniente farne molta di più.
Questo ha conseguenze sulla gestione del brand e della comunicazione. Se il costo di produrre materiale crolla grazie all’AI, il volume di materiale prodotto da ogni azienda aumenta. Se aumenta per tutti contemporaneamente, il mercato dell’attenzione si affolla. È lo stesso meccanismo che abbiamo descritto a proposito della saturazione di Instagram: più produzione, meno segnale per unità di materiale.
Le aziende che capiscono questo principio non rispondono all’abbassamento dei costi aumentando il volume indiscriminatamente. Rispondono usando il margine risparmiato per aumentare la qualità e la distintività di ciò che producono, sapendo che il mercato si sta affollando esattamente nella direzione opposta.
Jevons, oggi
DeepSeek ha accelerato la corsa agli investimenti in AI, applicando (consapevolmente o non) un principio economico verificato da centosessant’anni di storia industriale.
Il paradosso di Jevons non garantisce che ogni investimento attuale in infrastruttura AI sia razionale. La controvoce accademica ha ragione a ricordarlo. Ma spiega perché l’intuizione più ovvia (più efficienza uguale meno spesa) sia quasi sempre quella sbagliata di fronte a una tecnologia che abbassa il costo di qualcosa che il mondo vuole ancora, in quantità crescenti.
Chi governa un’azienda nell’era dell’AI dovrebbe applicare lo stesso principio alla propria strategia. L’efficienza non riduce mai semplicemente i costi. Ridefinisce cosa diventa possibile fare con il margine che libera. E quella possibilità, quasi sempre, finisce per essere usata.
Nuove Connessioni (FAQ)
Se l’AI abbassa i costi della nostra comunicazione, non dovremmo semplicemente spendere meno sul resto?
Solo se l’obiettivo è risparmiare, non competere. Il paradosso di Jevons dice che il margine liberato dall’efficienza non resta inutilizzato: viene reinvestito in più volume, dai concorrenti se non da te. Se tutti producono più materiale a costo più basso, il mercato dell’attenzione si affolla per tutti contemporaneamente. La scelta reale non è tra spendere meno e spendere come prima. È tra usare quel margine per fare più rumore o per costruire più qualità.
Come si distingue un investimento in AI giustificato da una bolla, se anche gli ottimisti ammettono che la domanda futura è incerta?
Guardando se l’investimento riduce un costo che il mercato vuole ancora pagare in quantità crescenti, o se crea capacità in attesa di una domanda che potrebbe non materializzarsi. La differenza tra Nvidia nel 2025 e una infrastruttura costruita in eccesso è che la domanda di calcolo per l’AI, finora, ha sempre superato l’offerta. Il rischio reale non è il paradosso di Jevons in sé: è confondere “la domanda aggregata crescerà” con “ogni singolo investimento attuale è dimensionato correttamente”.
La nostra azienda non ha il budget di Microsoft o Amazon. Questo principio ha senso anche per una PMI?
Sì, e si applica più alla scala dei contenuti e dei processi che alla scala del capitale. Se un tool AI riduce il costo di produrre un’analisi di mercato da una settimana a un’ora, la tentazione è produrne dieci volte tante. Il principio di Jevons suggerisce che è esattamente quello che accadrà, in tutto il mercato. La domanda che conta per una PMI non è se investire in AI, ma cosa fare con il tempo che l’AI restituisce: produrre più output mediocre o usare quel tempo per alzare la qualità di ciò che già funziona.