Le stesse promesse, gli stessi rischi. E lo stesso errore di fondo: confondere lo strumento con la soluzione.
Cinque aziende americane (Amazon, Alphabet, Meta, Microsoft e Oracle) spenderanno tra 660 e 690 miliardi di dollari in infrastruttura AI nel 2026. Un aumento del 69% rispetto all’anno precedente. Goldman Sachs stima che il capex AI annuo raggiungerà 765 miliardi nel corso di quest’anno e 1,6 trilioni entro il 2031. Nello scorso anno, il capex AI ha già contribuito per oltre un terzo a tutta la crescita del PIL americano nel primo semestre del 2025.
Eppure, nello stesso periodo, un report del MIT Media Lab ha rilevato che, nonostante 30-40 miliardi di investimento enterprise in AI generativa, il 95% delle organizzazioni ha riportato zero ritorno misurabile.
700 miliardi di spesa.
95% di rendimento zero.
Il divario tra questi due numeri è fondamentale, ed è la ragione per cui in tanti stanno già parlando di bolla dell’AI.
Capiamo insieme il perché, per analizzare cosa sta funzionando del mercato AI, e cosa no.
Un treno in corsa
Le ferrovie americane del XIX secolo connettevano continenti, spostavano merci, costruivano città. Il loro impatto economico è stato fondamentale. Eppure tra il 1870 e il 1900 le compagnie ferroviarie hanno bruciato quantità enormi di capitale degli investitori. Si costruiva più di quanto il mercato potesse assorbire. I prezzi dei titoli si impennavano ben oltre la loro reale valutazione dell’epoca. E così, quando la correzione è arrivata, ha azzerato fortune intere.
La tecnologia era giusta. L’unica cosa sbagliata era la tempistica dell’investimento, troppo proiettata al futuro. E di conseguenza: la narrativa che giustificava l’investimento era costruita sull’entusiasmo per ciò che la ferrovia avrebbe fatto, non sull’evidenza di ciò che stava già facendo.
La struttura del ciclo AI attuale presenta le stesse problematiche. Le valutazioni corrono avanti ai ricavi. OpenAI vale 730 miliardi di dollari e proietta perdite cumulative di 140 miliardi fino al 2029. Nvidia ha raggiunto una capitalizzazione di 4,5 trilioni. Le prime cinque aziende dell’S&P 500 rappresentano oggi il 30% dell’intero indice: la concentrazione più alta degli ultimi cinquant’anni. Tra il 15 e il 25% del valore totale dell’S&P 500 oggi è attribuibile alle aspettative sull’AI. Se quelle aspettative si dovessero rivelare sbagliate (quantomeno, riguardo ai tempi), quei punti di indice evaporerebbero, e l’intero mercato statunitense collasserebbe.
Un calcolo distorto
Tutti parlano di bolla di internet, paragonandola alla situazione dell’AI. C’è una variabile però che rende questa bolla diversa da tutte quelle precedenti: la pressione geopolitica. L’amministrazione Trump ha inquadrato l’AI come una corsa tra nazioni, un terreno di competizione con la Cina in cui restare indietro rappresenterebbe (come era stato al tempo della luna contro l’URSS) una sconfitta strategica. Proprio per questo, il progetto Stargate ha impegnato 500 miliardi di dollari in infrastruttura AI americana.
Quando l’investimento diventa questione di sicurezza nazionale, il calcolo del ritorno economico cambia natura. I governi non ottimizzano per il ROI trimestrale. Le aziende che operano in questo clima sentono una pressione implicita a investire indipendentemente dall’evidenza di rendimento, perché non investire segnala debolezza strategica. Questo amplifica la distorsione: il capex cresce non solo per aspettative economiche ma per paura di essere esclusi da un vantaggio competitivo percepito.
Il risultato è un ciclo di investimento parzialmente scollegato dalla logica del mercato. E i cicli scollegati dalla logica del mercato si correggono sempre, prima o poi, con strumenti del mercato.
Il costo reale dell’AI
Ad aprile 2026, Bryan Catanzaro, vicepresidente di Nvidia, ha affermato pubblicamente ciò che molti avevano realizzato già da tempo: “Per il mio team, il costo del compute è di gran lunga superiore al costo dei dipendenti”. Uno studio MIT del 2024 ha trovato che l’automazione AI è economicamente conveniente solo nel 23% dei lavori: per il restante 77% i lavoratori umani costano meno.
Il CTO di Uber, Praveen Neppalli Naga, ha dichiarato di aver bruciato l’intero budget AI del 2026 in quattro mesi. I costi dei software AI sono aumentati tra il 20 e il 37% in un anno. Gartner prevede che, nonostante i costi di inferenza calino del 90% entro il 2030, i modelli agentici consumeranno così tanti più token per ogni task che i costi enterprise continueranno a salire.
Il paradosso è che la stessa azienda che produce i chip che alimentano l’AI ammette che per il proprio team l’AI costa più dei dipendenti. Eppure la narrativa pubblica di quel settore continua a descrivere l’AI come il percorso più efficiente verso la produttività.
Forse stiamo semplicemente usando lo strumento giusto nel modo sbagliato.
L’AI non è per tutto
L’AI non è la risposta giusta a qualsiasi domanda.
Come preparare una buona carbonara. Cosa vuol dire la parola «stocastico». Qual è la capitale del Chad. Miliardi di query di questo tipo vengono processate ogni giorno da sistemi che consumano energia equivalente a quella di intere città; che richiedono infrastrutture da centinaia di miliardi; che sono progettati per rispondere a problemi di complessità molto più alta. Insomma, stiamo usando un calcolatore da trilioni di dollari per fare 2+2. Per secoli, un libro ha sempre svolto lo stesso lavoro meglio, più velocemente, con zero consumo energetico.
Per ogni domanda la cui risposta è stabile, verificata e scritta, dizionari, enciclopedie e Wikipedia risultano più precisi, più rapidi da consultare e meno costosi a livello di infrastruttura.
Questa tendenza a sostituirli con un sistema generativo è un sintomo di abitudine. Ed è un’abitudine salata.
L’AI è uno strumento straordinario per i problemi che richiedono sintesi, ragionamento su dati complessi, elaborazione di pattern non lineari, decisioni che attraversano domini diversi. Per tutti gli altri problemi, la soluzione esiste già. E spesso è stampata sulla carta.
La differenza tra chi genera ritorni e chi no
La domanda che un CEO dovrebbe porsi non è “stiamo usando l’AI?” ma: “per quali decisioni l’AI produce un risultato che nessun altro strumento produce meglio?”
La differenza tra quel 5% di organizzazioni che generano ritorni misurabili tramite l’Intelligenza Artificiale e quel 95% che non li genera riguarda il metodo.
Un sistema di governance dell’AI in azienda risponde a tre domande prima di qualsiasi implementazione. Quale problema specifico questo strumento risolve meglio di qualsiasi alternativa esistente? Come si misura il risultato in termini economici verificabili? Cosa si smette di fare, o cosa si fa diversamente, quando lo strumento funziona come previsto? In assenza di queste risposte, l’investimento in AI è una spesa priva di direzione. E la spesa senza direzione, moltiplicata per un’industria intera, produce i numeri che stiamo vedendo.
L’AI non è una bolla: è solo uno strumento che viene utilizzato in modo ancora maturo. Eppure, lo stesso può essere detto per le ferrovie americane nel 1873, quando il mercato si è corretto del 30% in sei mesi.
Perciò, bisogna fare attenzione. Perché la tecnologia sopravvive alla correzione, ma il capitale bruciato, no.
Nuove Connessioni (FAQ)
L’AI è solo una bolla?
Ogni grande tecnologia (come le ferrovie, l’elettricità o internet) ha attraversato una fase di sovracapitalizzazione prima di generare ritorni diffusi. La domanda non è se la tecnologia è reale, ma se le valutazioni attuali incorporano già vent’anni di adozione che non è ancora avvenuta. Il divario tra il capex investito e i ritorni misurabili oggi suggerisce che almeno una parte di quel valore sia anticipazione, non realtà. Le anticipazioni si correggono.
Un’azienda italiana di medie dimensioni dovrebbe rallentare gli investimenti in AI?
Dovrebbe smettere di investire in AI come risposta all’entusiasmo del momento e iniziare a investire in AI come risposta a problemi specifici. La distinzione è pratica: identificare due o tre processi aziendali dove l’AI produce un output verificabilmente migliore di qualsiasi alternativa, misurare il risultato in termini economici, scalare solo ciò che regge quella misurazione. Tutto il resto, incluse le query che troverebbero risposta in un manuale, in un foglio Excel o in una telefonata, non richiede AI. Richiede disciplina.
Il fatto che l’AI costi più dei dipendenti è un problema temporaneo o strutturale?
In parte temporaneo: i costi di inferenza scenderanno significativamente nel tempo. In parte strutturale: i modelli agentici più capaci consumano esponenzialmente più token per task rispetto ai modelli semplici, il che potrebbe neutralizzare la riduzione dei costi unitari con l’aumento del consumo per query. Gartner prevede che i costi enterprise dell’AI continueranno a salire anche quando i costi di infrastruttura scendono, per questo motivo. Il punto di pareggio tra costo AI e costo umano dipenderà dalla specifica funzione, non da una legge generale. Chi governa questa distinzione funzione per funzione, invece di applicarla uniformemente, avrà un vantaggio strutturale.