La crescita dei server AI affronta un test infrastrutturale più severo

Bernstein ha alzato le proprie previsioni sui server con l'accelerazione della spesa, ma il titolo di Google News nasconde un conflitto tra la domanda e l'infrastruttura necessaria per soddisfarla.

Il rapporto originale di Investing.com è stato pubblicato il 20 settembre 2025. Secondo il documento, Bernstein prevedeva che il mercato globale dei server raggiungesse i 450 miliardi di dollari nel 2026. La società di brokeraggio collegava tale previsione a budget più elevati da parte di Microsoft, Alphabet, Amazon, Meta, Oracle e operatori cloud più recenti.

Questa previsione rialzista dispone ora di maggiori evidenze a sostegno, ma affronta anche un test più difficile. La domanda di server si è estesa oltre l'addestramento di grandi modelli AI. Inferenza, acceleratori personalizzati, storage, networking e processori convenzionali competono tutti per componenti, elettricità e capacità di costruzione.

Nvidia resta al centro dell'espansione grazie ai suoi sistemi GPU. Tuttavia, Google, Amazon, Meta e Microsoft stanno investendo anche in circuiti integrati specifici per applicazione, o ASIC, progettati per carichi di lavoro più circoscritti. Ciò crea la sfida decisiva del mercato: gli impegni di spesa contro la capacità fisica di trasformarli in capacità di calcolo operativa.

Cosa diceva effettivamente la previsione Bernstein riportata da Google News

La previsione di Bernstein non era semplicemente l'ipotesi che le aziende avrebbero acquistato più server. Sosteneva che la spesa in conto capitale avrebbe supportato un ciclo infrastrutturale insolitamente ampio.

Il rapporto originale affermava che le stime di consenso per le spese in conto capitale del 2026 erano aumentate di quasi il 20% da luglio 2025. Bernstein prevedeva che il bacino di investimenti coperto crescesse a un tasso annuo composto del 26% dal 2024 al 2027, raggiungendo circa 500 miliardi di dollari.

Le spese in conto capitale, solitamente abbreviate in capex, comprendono asset di lunga durata come edifici, server, apparecchiature di rete e sistemi energetici. Una previsione capex in aumento rappresenta quindi più di ordinativi di chip più elevati. Indica che gli operatori prevedono di installare e utilizzare una capacità di calcolo sostanzialmente maggiore.

Bernstein ha inoltre stimato che i data center in arrivo e in costruzione rappresentassero circa 770 miliardi di dollari di investimenti complessivi. I progetti citati includevano l'espansione Stargate di Oracle in Texas, il sistema Colossus di xAI nel Tennessee e strutture Amazon che utilizzano i suoi acceleratori Trainium.

La società di brokeraggio ha tradotto questa pipeline di costruzioni in una previsione di 450 miliardi di dollari per il mercato globale dei server nel 2026. Prevedeva che i server GPU di fascia alta, definiti nel rapporto come sistemi contenenti l'equivalente di otto GPU, crescessero di circa il 55% nel 2025 e del 35% nel 2026.

Le spedizioni di rack hanno fornito un'altra misura concreta. Bernstein ha modellato un aumento da 30.000 rack nel 2025 a 56.000 nel 2026, sostenuto dai sistemi GB200 e GB300 di Nvidia. Un rack combina processori, networking, distribuzione dell'alimentazione, interfacce di raffreddamento e hardware di supporto in un'unità distribuibile in un data center.

Le previsioni originali sui server sottolineavano anche gli acceleratori personalizzati. Bernstein prevedeva che gli ASIC rappresentassero quasi il 45% delle spedizioni di acceleratori AI basati su CoWoS nel 2026.

CoWoS è un metodo avanzato di packaging che collega processori e memoria ad alta larghezza di banda all'interno di un package strettamente integrato. La sua capacità è importante perché gli operatori cloud non possono distribuire acceleratori senza packaging, memoria, schede e assemblaggi server adeguati.

Bernstein ha citato oltre 10 miliardi di dollari in nuovi ordini AI per Broadcom come prova della crescente domanda di chip personalizzati. Ha inoltre evidenziato Wiwynn e Accton, produttori taiwanesi coinvolti in sistemi server e di networking per grandi clienti cloud.

Le previsioni di consenso citate nel rapporto indicavano che i ricavi di Wiwynn e Accton sarebbero aumentati rispettivamente del 130% e dell'111%. Tali stime riflettevano il valore che attraversa la catena di fornitura, non soltanto un numero crescente di macchine identiche.

Questa distinzione è importante nell'interpretazione del titolo. I ricavi dei server possono aumentare perché i fornitori spediscono più sistemi, perché ciascun sistema diventa più costoso o perché il mix di prodotti si sposta verso rack AI complessi. La proiezione di Bernstein di 450 miliardi di dollari combinava tutte e tre le forze.

Il rapporto conteneva anche un segnale favorevole sul fronte dell'offerta. Bernstein ha affermato che le carenze di T-glass, un materiale specializzato utilizzato nei substrati avanzati per semiconduttori, apparivano “meno preoccupanti del previsto”. Il miglioramento delle rese dei fornitori sembrava ridurre un rischio immediato per la produzione dei sistemi Nvidia.

Tuttavia, la previsione non garantiva che ogni progetto annunciato sarebbe diventato operativo nei tempi previsti. Stabiliva le basi della spesa. L'esecuzione dipendeva ancora da chip, memoria, networking, raffreddamento, elettricità, autorizzazioni e clienti disposti a utilizzare la capacità risultante.

La spesa per l'infrastruttura AI è andata oltre l'addestramento con GPU

Il sostegno più forte alla tesi di Bernstein è che la domanda AI ora coinvolge più tipi di server, non soltanto i cluster GPU più costosi.

I primi investimenti nell'AI generativa erano fortemente concentrati sull'addestramento. L'addestramento utilizza grandi gruppi di acceleratori per costruire o perfezionare un modello elaborando ampi dataset. Questo carico di lavoro ha creato una domanda straordinaria di GPU Nvidia e memoria ad alta larghezza di banda.

L'inferenza è diversa. Esegue un modello addestrato per rispondere a prompt, generare contenuti multimediali, classificare contenuti o completare un'attività automatizzata. Con l'aumento dell'utilizzo, l'inferenza può richiedere una base installata più grande e persistente rispetto a cicli di addestramento periodici.

Gli agenti AI aggiungono un ulteriore livello. Un agente può chiamare modelli, recuperare informazioni, usare strumenti software e ripetere passaggi finché non completa un'attività. Anche una semplice richiesta utente può attivare più chiamate al modello, ricerche nei database e operazioni di calcolo convenzionali.

Questo schema distribuisce la domanda tra acceleratori e server general-purpose. Le CPU preparano i dati, coordinano le richieste, gestiscono lo storage, autenticano gli utenti e svolgono il lavoro prima e dopo l'esecuzione del modello. Le apparecchiature di rete spostano le informazioni tra ogni fase.

TrendForce ha previsto a gennaio che le spedizioni di server AI nel 2026 sarebbero cresciute di oltre il 28% su base annua. Si attendeva che le spedizioni globali complessive di server, inclusi i sistemi convenzionali, aumentassero del 12,8%.

L'azienda ha attribuito parte di questa crescita a Google e Microsoft, che acquistano più server general-purpose per il traffico di inferenza di Gemini e Copilot. Le sue previsioni sulle spedizioni AI indicavano anche le sostituzioni di macchine acquistate durante l'espansione cloud dal 2019 al 2021.

Questo crea un ciclo di spesa più ampio di quanto suggerisca una narrativa incentrata solo sulle GPU. Un provider cloud può installare un rack di acceleratori, aggiungere server CPU per preparare le richieste, espandere lo storage e aggiornare la propria rete interna. La struttura deve poi fornire energia sufficiente e rimuovere il calore prodotto.

La previsione Bernstein riportata da Google News ha quindi colto un importante cambiamento direzionale. L'infrastruttura AI aveva iniziato a passare dall'addestramento concentrato dei modelli a un sistema di produzione stratificato al servizio di carichi di lavoro quotidiani.

La portata dei budget cloud sostiene questa interpretazione. Nel febbraio 2026, le indicazioni aziendali raccolte da Axios suggerivano che i principali hyperscaler avrebbero potuto spendere circa 610 miliardi di dollari nel corso dell'anno. Tale punto medio era circa tre volte l'importo speso due anni prima.

Gli hyperscaler sono grandi operatori cloud che costruiscono infrastrutture in più regioni e servono molti clienti. Le loro decisioni d'acquisto influenzano la produzione di semiconduttori, la progettazione delle apparecchiature, lo sviluppo energetico e la situazione finanziaria dei produttori di server.

La stima della spesa degli hyperscaler non corrisponde perfettamente ai ricavi dei server. Questi budget comprendono edifici, terreni, networking, sistemi energetici e altre apparecchiature. Ciononostante, mostrano che il segnale della domanda alla base dell'analisi di Bernstein non è scomparso.

La spesa raggiunge anche nuovi fornitori di infrastruttura. I neocloud sono specializzati nel noleggio di capacità di calcolo accelerata, spesso basata su sistemi Nvidia. Possono aumentare rapidamente la capacità disponibile, ma la loro economia dipende dai costi di finanziamento, dall'utilizzo, dalla disponibilità hardware e dalla concentrazione dei clienti.

I grandi operatori cloud dispongono di un vantaggio diverso. Possono indirizzare i carichi di lavoro verso i propri chip e distribuire gli investimenti tra servizi esistenti. Google può collegare le Tensor Processing Units a Google Cloud, Gemini, pubblicità, ricerca e sviluppatori esterni di modelli.

Amazon può combinare i processori Trainium e Inferentia con la più ampia piattaforma AWS. Microsoft può ottimizzare l'infrastruttura per i servizi Azure e Copilot. Meta può distribuire silicio personalizzato per enormi carichi di lavoro interni di raccomandazione e pubblicità.

Questa diversità rende più plausibile una crescita continua dei server. Rende anche il mercato più difficile da misurare con un singolo conteggio di rack, poiché architetture diverse integrano il calcolo in modi differenti.

I chip AI personalizzati mettono sotto pressione la posizione predefinita di Nvidia

La pressione competitiva centrale non riguarda più il fatto che l'infrastruttura AI crescerà. Riguarda quale architettura catturerà ogni nuovo dollaro di quella crescita.

Nvidia ha affermato la piattaforma predefinita per l'AI accelerata grazie a GPU, networking, sistemi e ambiente software CUDA. CUDA offre agli sviluppatori strumenti e librerie per eseguire lavoro computazionale sui processori Nvidia.

Questa base software rende Nvidia difficile da sostituire. Un chip concorrente deve offrire prestazioni accettabili, forniture affidabili, software efficiente e un numero sufficiente di sviluppatori disponibili. Un costo hardware inferiore non può compensare mesi di lavoro ingegneristico o una scarsa affidabilità produttiva.

Le aziende cloud hanno comunque forti ragioni per sviluppare ASIC. Un acceleratore personalizzato può eliminare funzionalità non necessarie per un determinato carico di lavoro. Può inoltre ottimizzare il movimento della memoria, il consumo energetico, i formati numerici e le connessioni alla rete aziendale.

Google ha perseguito questa strategia attraverso le proprie Tensor Processing Units, che l'azienda offre tramite Google Cloud per carichi di lavoro di addestramento e inferenza. Amazon dispone di Trainium per l'addestramento dei modelli e Inferentia per l'inferenza. Meta ha sviluppato i propri acceleratori, mentre Microsoft ha introdotto chip per carichi di lavoro interni e cloud.

TrendForce inizialmente prevedeva che i server AI basati su ASIC rappresentassero il 27,8% delle spedizioni del 2026. Ha descritto questa quota come la più alta dal 2023 e si attendeva che i sistemi con chip personalizzati crescessero più rapidamente dei sistemi GPU.

Questa previsione collocava le GPU al 69,7% delle spedizioni. Nvidia manteneva quindi la posizione maggioritaria, anche con l'avanzata delle architetture personalizzate. Il cambiamento significativo non era una sostituzione immediata delle GPU. Era l'emergere di alternative credibili per carichi di lavoro ad alto volume.

La differenza tra la stima di Bernstein di quasi il 45% e quella di TrendForce di circa il 28% merita attenzione. Bernstein si riferiva specificamente alle spedizioni di acceleratori AI basati su CoWoS, mentre TrendForce discuteva la quota delle spedizioni di server AI. Questi denominatori misurano aspetti diversi.

Un conteggio di acceleratori, package avanzati e server non può essere considerato intercambiabile. Un server può contenere diversi acceleratori, mentre i sistemi a scala rack combinano numeri variabili di tray di calcolo. Anche le definizioni dei prodotti differiscono tra le società di ricerca.

Questo è uno dei motivi per cui un breve titolo di Google News può sovrastimare la certezza. “Spedizioni di server” sembra un'unità standardizzata, ma il mercato comprende macchine CPU convenzionali, server a otto GPU, piattaforme a scala rack e sistemi personalizzati.

La direzione di fondo rimane coerente. Gli ASIC stanno assumendo un ruolo più ampio perché i provider cloud vogliono diversificare l’approvvigionamento e avere maggiore controllo sui costi operativi. Le GPU restano l’opzione flessibile per nuovi modelli, software in evoluzione e clienti che richiedono una piattaforma consolidata.

I chip personalizzati offrono le prestazioni migliori quando i carichi di lavoro sono prevedibili e sufficientemente ampi da giustificare i costi di progettazione. Un’azienda cloud che esegue miliardi di operazioni di inferenza simili può distribuire tali costi su un utilizzo significativo. Un acquirente più piccolo in genere non può farlo.

Questo crea una divisione del lavoro, anziché un semplice vincitore. Nvidia può rimanere essenziale per l’addestramento all’avanguardia e il calcolo accelerato generalista, mentre i chip personalizzati assorbono carichi di inferenza selezionati.

I produttori di server devono rispondere a entrambe le traiettorie. Hanno bisogno di progetti per le architetture rack Nvidia e di sistemi costruiti attorno al silicio di proprietà dei cloud provider. I requisiti di rete, raffreddamento, alimentazione e validazione variano da cliente a cliente.

La pressione si estende a Intel e AMD. I cluster AI necessitano ancora di CPU host, controller di storage, funzioni di sicurezza e calcolo generalista. Tuttavia, i processori Grace di Nvidia e i chip Arm progettati dai cloud provider possono conquistare attività un tempo assegnate automaticamente ai sistemi x86.

Il mercato si sta quindi espandendo, ma sta diventando meno uniforme. La crescita non garantisce che ogni fornitore mantenga la propria quota, i prezzi o i margini.

Le previsioni si scontrano con la realtà dei componenti e dell’energia

La domanda non è più l’unico vincolo serio. Il boom dei server deve attraversare una catena di fornitura e un sistema elettrico che non possono espandersi alla velocità del software.

Ad aprile 2026, TrendForce aveva rivisto le proprie previsioni complessive sulle spedizioni di server. L’azienda ha affermato che la crescita dell’intero anno sarebbe rimasta intorno al 13%, in calo rispetto a una precedente aspettativa vicina al 20%.

La revisione non rifletteva uno scarso interesse dei clienti. I fornitori stavano dando priorità ai componenti destinati ai sistemi AI a maggior valore, lasciando i server convenzionali con tempi di consegna più lunghi. Schede a circuito stampato e CPU registravano ritardi prossimi a un anno.

I circuiti integrati per la gestione dell’alimentazione, o PMIC, regolano la tensione e distribuiscono l’elettricità all’interno dei sistemi elettronici. I server AI richiedono una densità di potenza molto più elevata, quindi i fornitori hanno destinato una maggiore capacità produttiva a questi prodotti.

TrendForce prevedeva che i tempi di consegna dei PMIC per i server generalisti si sarebbero estesi da 21-26 settimane a 35-40 settimane. Anche i chip dei controller di gestione della scheda madre, che monitorano e amministrano i server, dovevano affrontare attese più lunghe.

I tempi di consegna dei BMC erano attesi in aumento da 11-16 settimane a 21-26 settimane. L’avviso sui componenti della società mostrava come la domanda di AI possa sostenere un segmento limitandone al tempo stesso un altro.

Questa è la principale difficoltà nell’interpretare l’aumento delle previsioni di spedizione. Gli ordini possono crescere più rapidamente delle consegne. I ricavi possono aumentare mentre la crescita delle unità non raggiunge le precedenti aspettative. Una carenza può anche spostare la produzione verso sistemi costosi, aumentando il valore di mercato senza una corrispondente espansione fisica.

I chip personalizzati introducono un ulteriore rischio legato alle tempistiche. Meta, Amazon e altri operatori devono validare nuovi processori, schede, reti e software prima di realizzare implementazioni su larga scala. TrendForce ha leggermente ridotto la quota attesa dei server ASIC da quasi il 28% a circa il 27%, poiché la messa a punto potrebbe ritardare le spedizioni.

Le piattaforme Nvidia hanno esigenze di integrazione proprie. I sistemi su scala rack richiedono raffreddamento a liquido, rete ad alta velocità, distribuzione dell’alimentazione specializzata e installazione precisa. La consegna dei singoli processori non significa che un operatore possa servire immediatamente i clienti.

L’elettricità rappresenta il limite fisico più rilevante. Gartner ha previsto che il consumo globale di elettricità dei data center aumenterà del 26% nel 2026, passando da 447 terawattora a 565 terawattora.

Secondo le previsioni, i server ottimizzati per l’AI hanno consumato circa 95 terawattora nel 2025. Il loro consumo era atteso raggiungere 175 terawattora nel 2026, con un incremento di circa l’84%.

Gartner prevedeva che i server AI avrebbero consumato 258 terawattora nel 2027. Ciò porterebbe il loro consumo elettrico a superare per la prima volta quello dell’hardware convenzionale per data center.

La domanda di raffreddamento cresce insieme alla domanda di calcolo. Gartner ha previsto che i sistemi di raffreddamento dei data center consumeranno 195 terawattora nel 2026, in aumento del 22,6% rispetto all’anno precedente.

Le sue previsioni sui data center hanno identificato la disponibilità di energia come un vincolo determinante. Un rack di server completato non produce alcun risultato utile se l’operatore non dispone di un edificio alimentato, capacità di raffreddamento o connessione alla rete elettrica.

I vincoli energetici variano anche in base alla località. Un cloud provider può disporre di capacità inutilizzata in una regione e trovarsi in una lista d’attesa pluriennale presso il gestore elettrico in un’altra. I clienti possono richiedere una località specifica per ragioni di latenza, regolamentazione o residenza dei dati, limitando il valore della capacità remota.

Uso dell’acqua, potenziamenti della rete, opposizione locale e autorizzazioni possono ritardare i progetti dopo l’avvio degli ordini di apparecchiature. Gli operatori stanno esplorando sempre più spesso la generazione in loco, accordi sul nucleare e contratti a lungo termine per le rinnovabili, ma i grandi progetti richiedono anni.

Questi vincoli non invalidano la tesi rialzista di Bernstein. Ne modificano la tempistica e la distribuzione. I fornitori con componenti disponibili, progetti qualificati e accesso a strutture alimentate possono catturare maggiore valore.

Il rischio è che gli impegni finanziari anticipino la capacità effettivamente implementabile. Un’azienda cloud può annunciare un budget prima che il gestore elettrico approvi l’interconnessione. Un produttore di server può acquisire un ordine prima che ogni componente disponga di una fornitura garantita.

Investitori e acquirenti dovrebbero quindi distinguere tre fasi: capex annunciato, apparecchiature spedite e capacità produttiva. La prima misura l’intenzione. La seconda misura l’esecuzione della catena di fornitura. La terza misura se i clienti possono effettivamente eseguire i carichi di lavoro.

Maggiori spedizioni non garantiscono una migliore redditività

Il mercato dei server AI può crescere rapidamente producendo al contempo rendimenti disomogenei per operatori cloud, produttori e clienti.

I sistemi AI contengono processori, memoria, apparecchiature di rete e raffreddamento costosi. Questo elevato costo dei materiali può generare ricavi consistenti per gli assemblatori di server, lasciando loro al contempo margini lordi limitati.

I produttori possono accettare percentuali più ristrette perché il profitto assoluto derivante da un grande ordine rimane significativo. Possono anche aspettarsi che servizi, storage, rete o ordini futuri migliorino il rapporto con il cliente.

Tuttavia, gli acquirenti concentrati detengono un notevole potere negoziale. Microsoft, Amazon, Google, Meta e le grandi neocloud possono richiedere progetti personalizzati, calendari di consegna aggressivi e controlli dettagliati sui costi.

Questi acquirenti affrontano una sfida economica propria. Devono mantenere gli acceleratori installati sufficientemente occupati da giustificare ammortamento, finanziamento, elettricità e manutenzione. L’utilizzo misura quanta capacità di calcolo disponibile svolge lavoro a pagamento o produttivo.

Un mercato cloud affollato può spingere al ribasso le tariffe di noleggio, specialmente per le generazioni di acceleratori più vecchie. I nuovi prodotti Nvidia possono ridurre il valore relativo dei sistemi acquistati appena un anno prima. I chip personalizzati possono inoltre reindirizzare i carichi di lavoro lontano dalle GPU commerciali.

La qualità della domanda conta quindi quanto il suo volume. Contratti di addestramento, servizi AI per i consumatori, abbonamenti aziendali, miglioramenti nella pubblicità e strumenti di produttività interna producono profili di ricavo diversi.

Il rapporto originale di Bernstein collegava la spesa a commenti positivi sulla catena di fornitura e a spedizioni GB200 più fluide. Queste evidenze sostenevano le consegne. Non dimostravano in modo indipendente il rendimento a lungo termine di ogni progetto di data center.

Anche le imprese rimangono selettive. Molte aziende utilizzano servizi AI ospitati anziché possedere grandi cluster. Possono aumentare l’uso dei modelli senza acquistare direttamente server, lasciando la concentrazione dell’infrastruttura nelle mani di pochi provider.

Tali provider possono permettersi un’ampia sperimentazione, ma gli azionisti si aspettano comunque rendimenti. Se i ricavi dell’AI crescono più lentamente dell’ammortamento e dei costi operativi, i team dirigenziali subiranno pressioni per moderare le costruzioni future.

L’esito opposto rafforzerebbe le previsioni. Un utilizzo elevato, ricavi AI in espansione e costi di inferenza in calo giustificherebbero investimenti continui. Una maggiore efficienza può ridurre il costo per attività anche quando il consumo totale di elettricità aumenta.

Questo effetto viene talvolta descritto come domanda di rimbalzo. Quando il calcolo diventa più economico, gli sviluppatori lo usano per più richieste, più utenti o ragionamenti più complessi. L’efficienza può quindi aumentare il consumo aggregato di infrastruttura anziché ridurlo.

I miglioramenti software complicano il calcolo. Modelli più piccoli, quantizzazione, caching e una pianificazione migliore possono ridurre il calcolo per richiesta. La quantizzazione riduce la precisione numerica utilizzata da un modello, diminuendo i requisiti di memoria ed elaborazione.

Tuttavia, le applicazioni possono impiegare questi risparmi per contesti più lunghi, chiamate aggiuntive ai modelli o popolazioni di utenti più ampie. Un agente che verifica più volte il proprio lavoro può usare più inferenza di una risposta convenzionale di chatbot.

Per sviluppatori e acquirenti aziendali, la conseguenza pratica è mista. Più infrastruttura può migliorare la disponibilità e ridurre alcuni costi di calcolo. La frammentazione architetturale può creare scelte più difficili riguardo alle piattaforme cloud, alla portabilità dei modelli e alle prestazioni.

Un carico di lavoro ottimizzato per un acceleratore personalizzato potrebbe non trasferirsi facilmente a un altro provider. L’ambiente software comune di Nvidia riduce parte di questo attrito, rafforzandone il valore strategico anche con la crescita dell’adozione degli ASIC.

Gli acquirenti dovrebbero valutare i costi totali dei carichi di lavoro anziché i soli benchmark dei chip. Rete, movimentazione dei dati, storage, tempo di progettazione, ritardi nelle code e disponibilità di energia incidono tutti sul risultato utilizzabile.

Le previsioni di Bernstein descrivono un mercato in crescita, non una distribuzione uniforme dei profitti. I fornitori con componenti scarsi possono acquisire potere contrattuale. Gli assemblatori possono vedere i ricavi crescere più rapidamente dei margini. Gli operatori cloud possono ottenere capacità assumendosi al contempo maggiori oneri di ammortamento.

Questa è l’inversione fondamentale all’interno del titolo rialzista. Più spedizioni di server confermano che gli investimenti nell’AI restano attivi, ma aumentano anche la quantità di ricavi che i futuri prodotti AI dovranno generare.

Cosa dovrebbero osservare i lettori di Google News

Tre segnali mostreranno se le previsioni di Bernstein rappresentano un’implementazione sostenibile o un ciclo di spesa che anticipa i propri vincoli.

Il primo segnale è la capacità consegnata, non i budget annunciati. Microsoft, Alphabet, Amazon, Meta e Oracle continueranno a comunicare le spese in conto capitale. I lettori dovrebbero confrontare questi totali con i commenti del management sulla capacità alimentata, i calendari di implementazione e la disponibilità per i clienti.

Un budget in aumento rafforza la tesi della domanda solo quando le apparecchiature diventano utilizzabili. Ritardi ripetuti causati da connessioni alla rete, installazioni di raffreddamento o carenze di componenti indebolirebbero le aspettative di spedizione nel breve termine.

Il secondo segnale è il mix tra GPU Nvidia e ASIC progettati dai cloud provider. Le implementazioni rack Nvidia rimangono la misura più chiara della domanda ampia di acceleratori. Le implementazioni di Google TPU, Amazon Trainium, Microsoft Maia e degli acceleratori Meta rivelano se il silicio personalizzato sta conquistando carichi di lavoro ripetibili.

Un’adozione esterna riuscita di TPU o Trainium renderebbe i chip personalizzati qualcosa di più di progetti interni di controllo dei costi. Ritardi nella validazione, scarso supporto software o utilizzo limitato da parte dei clienti rafforzerebbero la posizione predefinita di Nvidia.

I lettori dovrebbero evitare di confrontare percentuali di spedizione incompatibili. Unità di acceleratori, server e rack descrivono livelli diversi del mercato. Le comunicazioni più utili collegheranno l’hardware installato alla capacità disponibile e all’uso effettivo dei carichi di lavoro.

Il terzo segnale è l’efficienza dell’infrastruttura. Le aziende cloud devono dimostrare che i ricavi dall’AI, l’utilizzo o i risparmi operativi crescono di pari passo con i requisiti di capitale. I fornitori di server devono dimostrare che maggiori ricavi dall’AI generano profitti duraturi, anziché volumi privi di ritorni.

Anche il consumo di elettricità rientra in questo segnale. L’energia assicurata tramite accordi di lungo termine conta solo se la generazione e le connessioni alla rete arrivano nei tempi previsti. La dipendenza nel breve termine da reti regionali con capacità limitata può rallentare progetti altrimenti finanziati.

L’impostazione di Google News presenta la revisione di Bernstein come una semplice risposta all’espansione della spesa per l’AI. Il quadro completo è più impegnativo. La spesa è rimasta elevata, l’inferenza sta ampliando la domanda di server e i chip personalizzati stanno diversificando il mercato.

Allo stesso tempo, componenti, elettricità, raffreddamento ed economia determinano quanta di questa domanda si trasformi in capacità produttiva. Sono questi vincoli a decidere chi trae vantaggio dall’espansione e quando.

I titoli del prossimo trimestre sul capex attireranno l’attenzione, ma la domanda più utile è operativa: quanti sistemi sono stati installati, alimentati e utilizzati per attività che generano ricavi?

Osservate questi tre segnali prima di considerare un’altra previsione al rialzo come una conferma di per sé. Se implementazioni, utilizzo e ricavi dall’AI aumentano insieme, la tesi di Bernstein acquista forza. Se i budget crescono mentre i calendari slittano e i ritorni restano poco chiari, il boom dei server sarà comunque reale, ma la sua sostenibilità economica sarà molto meno certa.