In questo momento, un terzo del mercato azionario USA ruota attorno a 7 aziende che offrono servizi di intelligenza artificiale. I loro prodotti e le loro promesse occupano da mesi le prime pagine, polarizzando investimenti e ridisegnando le aspettative su produttività e lavoro.

Tra i messaggi più seducenti di questa campagna di marketing permanente c’è l’idea che l'IA possa rimpiazzare intere fasce di mansioni, lasciando agli umani un ruolo di controllo e supervisione: un modello noto come “human in the loop” (HITL). https://en.wikipedia.org/wiki/...

Questa narrativa "dimentica" che i LLM attuali richiedono infrastrutture colossali, consumi energetici crescenti e un esercito invisibile di lavoratori che sorvegliano, correggono e nutrono gli algoritmi. E lo fa intenzionalmente, perché rovina la "vendibilità" della storia.

Rovina la retorica di crescita perpetua costruita da pochi colossi già saturi nei propri settori, che oggi presentano l’IA come nuova frontiera di espansione. La promessa è la stessa di sempre: ridurre il personale, spostando il potere contrattuale lontano dai lavoratori.

Una prospettiva che, da sempre, incanala l’entusiasmo degli investitori. Stavolta però, a differenza di altre ondate di automazione del passato, affiora un problema economico concreto, che definisce l’intero fenomeno e che rischia di avere conseguenze devastanti sul settore.

La prima cosa da considerare è che le aziende che producono IA non stanno cavalcando un’onda innovativa priva di ostacoli: la narrativa della crescita perpetua cozza con un dato strutturale innegabile: i mercati principali su cui operano queste aziende sono ormai saturi.

Inoltre, a differenza delle fasi pionieristiche del web o dell’e-commerce, in cui ogni nuovo cliente migliorava gli economics unitari, qui la promessa di crescita viene proiettata su un'adiacenza (la IA generativa) capex-intensive, energivora e soggetta a rendimenti decrescenti:

più modelli, più dati e più potenza non garantiscono margini migliori, mentre aumentano i costi (addestramento, inferenza, hardware) e i rischi legali (copyright, privacy, responsabilità), come testimoniato dalle tante cause milionarie che stanno devastando i conti delle "big 7".

Ne risulta un paradosso: per sostenere target di ricavo sempre più ambiziosi in mercati esausti l'IA propone una narrativa basata sul presupposto che si possano sostituire mansioni umane con sistemi che, per funzionare, richiedono sempre più supervisione, cura e intervento umano.

Il secondo punto da considerare, anch'esso quasi del tutto assente nel dibattito odierno sul tema, è la totale insostenibilità del comparto AI. Le big 7 bruciano quantità impressionanti di denaro in modo strutturale, indipendentemente dal momento di lancio o dal periodo iniziale.

Non si tratta di un classico scenario da startup in perdita nei primi anni, con spese elevate che poi si ammortizzano man mano che l’attività cresce, ma di un modello economico intrinsecamente deficitario, che fatica a generare margini positivi anche quando il prodotto è diffuso.

Ogni nuovo cliente non migliora i conti ma li peggiora, perché i costi variabili crescono più rapidamente dei ricavi. Nel caso dell'IA generativa ogni interazione aggiuntiva richiede potenza di calcolo, energia, acqua e larghezza di banda, con costi crescenti e poco comprimibili.

A complicare il quadro, ogni nuova generazione di modelli comporta un salto nei requisiti: dataset più vasti da acquisire e ripulire, infrastrutture più costose, GPU migliori, consumi in aumento: invece di ridursi, il cost-per-user tende a crescere con l’evoluzione del prodotto.

Il contrasto con le grandi piattaforme digitali storiche è evidente: motori di ricerca, social network o marketplace hanno beneficiato di economie di scala classiche, dove il cost-per-user era in discesa: gestire 100 mln di utenti non costava 100 volte più che gestirne 1 mln.

Nell’IA generativa accade l’opposto: più utenti significa più capacità di calcolo da mantenere attiva, più modelli da aggiornare e più infrastruttura da alimentare, con un impatto diretto e lineare (talvolta esponenziale) sui costi.

Non serve una laurea in economia per rendersi conto che si tratta di una situazione paradossale e priva di prospettive a lungo termine, fotografata magistralmente da Edward Zitron con l'espressione “dogshit unit-economics”.

Uno scenario che ribalta completamente il paradigma economico su cui si fondano i mercati IT: invece di scalare a costi decrescenti, il settore dell'IA cresce a costi espansivi, il che lo rende fragile di fronte a cali di liquidità, contrazioni negli investimenti o altri rischi.

Si tratta dunque di un modello che non ha alcuna chance di raggiungere una redditività soddisfacente. E cosa succede quando ci si rende conto che un investimento non ha modo di raggiungere il break-even point e non offre prospettive di generare utili nel prossimo futuro?

Per prima prima cosa si prova a prendere tempo con l'ingegneria contabile, alterando la percezione di ricavi e marginalità per coprire il baratro di cassa. Un pattern ricorrente (non a caso utilizzatissimo dal settore AI) è lo scambio incrociato di valore tra partner:

ad esempio, un grande fornitore cloud (MS Azure) concede capienza di calcolo a una AI company (OpenAI) come parte di un investimento strategico; l’azienda di IA (che in questo modo contiene i costi) la registra come costo operativo, il fornitore come ricavo del proprio business.

La medesima cifra finisce così per comparire in tre voci diverse (investimento, costo, ricavo), gonfiando il quadro aggregato senza che vi sia un corrispondente flusso di cassa. E', in buona sostanza, lo stratagemma contabile utilizzato in questi anni da Microsoft e OpenAI.

Una dinamica simile coinvolge NVIDIA: molti operatori di data-center, per espandersi rapidamente, hanno ipotecato i lotti di GPU come collaterale per ottenere credito, riportando nei bilanci il valore di quelle schede sia come attività sia come garanzia di finanziamento.

In questo modo il patrimonio apparente si gonfia, ma non aumenta la liquidità effettiva né la capacità di generare utili. Questa "danza contabile" consente di presentare ricavi e asset superiori a quanto effettivamente incassato, e di mascherare perdite operative croniche.

Finché il capitale continua ad affluire e il credito resta facile, la finzione regge; quando la liquidità si restringe, il castello di carte diventa evidente e la situazione è destinata a collassare. Questo "trucchetto" si accompagna ad altri stratagemmi analoghi, tra cui:

- Ricavi annualizzati a partire dal mese migliore, che proiettano su base annua picchi non ripetibili. - Ampio uso di metriche “adjusted” (EBITDA rettificato, ricavi normalizzati, esclusioni selettive di voci di costo) che attenuano l’impatto delle perdite operative.

- Crediti di fornitura scambiati come contropartite economiche, che migliorano i numeri contabili più di quanto migliorino la liquidità. - Riclassificazioni e partite tra parti correlate che rendono poco trasparente capire chi stia effettivamente pagando cosa (e quando).

L’effetto complessivo è una narrazione di crescita sostenuta da ricavi non interamente monetari, che maschera perdite croniche e rinvia il confronto con i fondamentali (quanto "costa" davvero un utente?). Finché i capitali affluiscono e il credito è abbondante, il gioco regge.

Sfortunatamente, i numeri non riconciliati con la cassa prima o poi presentano il conto: è sufficiente un colpo di vento - tassi in aumento, investitori che tirano il freno, clienti che tagliano la spesa, crediti di fornitura che scadono - per far crollare il castello di carte.

Un altro aspetto spesso trascurato nel dibattito sull’IA riguarda l’enorme apparato fisico (dai costi elevatissimi) necessario per mantenerla in funzione: data center, decine di migliaia di GPU di fascia alta, consumi di energia e acqua, personale per manutenzione.

Per sostenere questi costi molti operatori del settore (sia produttori di IA che aziende che forniscono capacità di calcolo) hanno fatto ricorso a finanziamenti garantiti dai loro stessi asset, ad es. ipotecando le GPU acquistate e usandole come collateral per ottenere prestiti.