Barclays afferma che i laboratori AI versano quasi il 40% dei ricavi ai giganti del cloud

Secondo Barclays, le aziende che sviluppano modelli AI versano circa 35-40 dollari ogni 100 dollari di ricavi ad AWS, Microsoft Azure e Google Cloud. Questa stima rende il boom dell'AI una storia più complessa su chi riesca a catturarne il valore economico.

L'analisi è stata riportata il 30 agosto da diverse testate, incluso un lancio di 36Kr. Descrive l'inferenza, ovvero il calcolo eseguito ogni volta che un modello distribuito elabora una richiesta, come un importante trasferimento di ricavi dai laboratori AI agli operatori cloud.

Secondo quanto riferito, Barclays stima che i fornitori cloud trattengano da 10 a 20 dollari di utile operativo per ogni 100 dollari guadagnati da un laboratorio AI. Ciò implica margini operativi compresi tra il 35% e il 45% sui relativi ricavi infrastrutturali.

L'aspetto sorprendente non è che le aziende AI abbiano bollette informatiche elevate. Il ribaltamento sta nel fatto che il miglioramento dell'economia dei modelli non ha eliminato le aziende cloud dalla catena del valore. I laboratori AI e gli hyperscaler stanno diventando redditizi sulle stesse richieste, ma i proprietari dell'infrastruttura incassano comunque per primi la loro quota.

Questo crea la tensione centrale dietro i numeri. OpenAI, Anthropic e altri sviluppatori di modelli vogliono trasformare l'intelligenza in un prodotto software ad alto margine. AWS, Azure e Google Cloud forniscono gran parte della capacità di calcolo necessaria per erogarlo.

L'affermazione dei 40 dollari cambia il modo in cui leggere i ricavi dell'AI

I ricavi di un laboratorio AI possono crescere rapidamente, mentre una quota ampia e ricorrente se ne va immediatamente in spesa per l'infrastruttura.

La stima di Barclays parte da un ipotetico fatturato di 100 dollari per un laboratorio AI. Secondo i resoconti che descrivono la ricerca, circa 35-40 dollari sono destinati alla capacità di inferenza fornita dalle tre maggiori piattaforme cloud.

Questo pagamento copre l'hardware e i sistemi coinvolti nell'erogazione delle risposte dei modelli. Tali sistemi includono acceleratori, apparecchiature di rete, storage, energia, raffreddamento e il software usato per pianificare i carichi di lavoro.

La stima non significa che ogni azienda AI paghi la stessa percentuale. I costi di un laboratorio dipendono dall'architettura del modello, dal mix di clienti, dalle condizioni contrattuali, dai tassi di utilizzo, dall'hardware e dalla capacità di gestire una propria infrastruttura.

Un agente di coding che lavora su un ampio repository può consumare molti più token di una breve conversazione con un chatbot consumer. Un'implementazione aziendale con requisiti di latenza rigorosi può inoltre comportare costi diversi rispetto a un'attività di sintesi in background.

La cifra va intesa più come un modello di settore che come un rendiconto certificato di una specifica azienda. Secondo quanto riferito, Barclays ha definito l'analisi un “AI Labs & Hyperscaler Unit Economics Primer”, ma il rapporto istituzionale completo non è disponibile pubblicamente.

Questa lacuna di accesso è importante. I lettori non possono esaminare in modo indipendente ogni ipotesi alla base della stima di 35-40 dollari, inclusi volume dei carichi di lavoro, ammortamento dell'hardware, sconti contrattuali ed efficienza dei modelli.

I resoconti pubblici concordano in linea generale sulle cifre principali. Un diverso riepilogo di Barclays attribuisce anch'esso alla ricerca della banca la quota infrastrutturale di 35-40 dollari e l'utile operativo di 10-20 dollari.

Tuttavia, resoconti ripetuti possono comunque provenire dallo stesso documento sottostante. Non dovrebbero essere trattati come conferme indipendenti dei calcoli del modello.

Ciononostante, la stima offre un quadro utile per comprendere l'economia dell'AI. I ricavi dichiarati da un fornitore di modelli non equivalgono al valore trattenuto dopo l'inferenza.

Il software tradizionale può servire un utente aggiuntivo a un costo incrementale relativamente basso. L'AI generativa deve eseguire un calcolo sostanziale ogni volta che un utente chiede una risposta, genera un'immagine o delega un'attività a un agente.

Gli sviluppatori di modelli possono ridurre tale costo tramite quantizzazione, caching, batching, routing e modelli specializzati più piccoli. Possono inoltre negoziare capacità a costi inferiori o implementare sistemi personalizzati.

Eppure, una maggiore efficienza non riduce automaticamente la spesa infrastrutturale complessiva. Costi più bassi possono incoraggiare gli utenti a effettuare più richieste, mentre gli agenti possono generare lunghe sequenze di chiamate ai modelli senza un input umano continuo.

Questo effetto di rimbalzo cambia il significato della riduzione dei costi per token. Il costo di un'unità di intelligenza può diminuire mentre il numero totale di unità acquistate cresce molto più rapidamente.

Il modello di Barclays cattura questa differenza tra efficienza unitaria e domanda aggregata. I laboratori AI possono diventare più efficienti nel servire ogni richiesta, mentre i fornitori cloud continuano a vendere una quantità totale di calcolo maggiore.

Ecco perché l'affermazione dei 40 dollari crea una reale tensione. Suggerisce che il livello dei modelli stia migliorando senza sottrarsi alla dipendenza dal livello infrastrutturale.

Perché i margini dell'inferenza AI sono cresciuti così rapidamente

Il miglioramento dei margini riportato riflette un'erogazione dei modelli meno costosa, un migliore utilizzo e ricavi più elevati, non la scomparsa dei costi di calcolo.

Secondo quanto riferito, Barclays stima che i margini sull'inferenza a pagamento siano saliti dalle basse doppie cifre del 2025 a circa il 50%-65%, o più, nel 2026. Il miglioramento anno su anno riportato nel margine lordo rettificato raggiunge i 30-50 punti percentuali.

Per inferenza a pagamento si intende l'uso di modelli collegato ai ricavi, come chiamate API, abbonamenti o prodotti aziendali. Il margine lordo misura i ricavi rimanenti dopo il costo diretto della fornitura di tale utilizzo.

Diversi meccanismi possono far crescere rapidamente quel margine. I nuovi acceleratori elaborano più lavoro, mentre un software migliore mantiene tali acceleratori occupati per una quota maggiore della giornata.

I fornitori di modelli usano inoltre il caching per evitare di ricalcolare informazioni ripetute. Il batching combina richieste compatibili, distribuendo i costi infrastrutturali su un maggior numero di output.

La quantizzazione riduce la precisione numerica usata per rappresentare i parametri di un modello. Può abbassare i requisiti di memoria e calcolo, sebbene una quantizzazione aggressiva possa incidere sulla qualità dell'output.

La distillazione addestra un modello più piccolo a riprodurre comportamenti selezionati di uno più grande. Il modello risultante può essere meno costoso da gestire per attività che non richiedono la massima capacità.

Il routing aggiunge un ulteriore livello di efficienza. Un servizio può indirizzare le richieste semplici a modelli più piccoli e riservare i costosi sistemi di frontiera ai problemi difficili.

Il mix dei ricavi conta quanto l'efficienza tecnica. Contratti aziendali, carichi di lavoro di coding ad alto valore e prodotti basati sull'utilizzo possono generare più ricavi per una data quantità di infrastruttura.

Le cifre di Barclays indicano che le aziende di modelli hanno compiuto progressi significativi su entrambi i lati del calcolo. Sembrano guadagnare più ricavi dalle richieste a pagamento, riducendo al contempo il costo di calcolo associato a ciascuna risposta utile.

Tuttavia, un margine lordo del 50%-65% non equivale alla redditività a livello aziendale. I laboratori AI pagano ancora per addestramento, ricerca, dipendenti, dati, sistemi di sicurezza, distribuzione e operazioni generali.

La spesa per l'addestramento è particolarmente importante perché il modello riportato si concentra sull'economia dell'inferenza. La costruzione della prossima generazione di modelli può richiedere un bacino separato di risorse di calcolo molto prima che quel modello generi ricavi.

Anche gli incentivi alle vendite possono complicare il quadro. Utilizzo gratuito, accesso incluso nei pacchetti, crediti promozionali e contratti di spesa minima possono influenzare il rapporto tra ricavi rilevati e domanda effettiva.

Il miglioramento stimato sostiene quindi una conclusione più circoscritta. Secondo quanto riferito, l'erogazione di modelli a pagamento sta diventando un'attività sostenibile ad alto margine, anche dopo costi cloud significativi.

Si tratta di un cambiamento rilevante rispetto all'idea che ogni query AI aggiuntiva aumenti necessariamente le perdite di un fornitore. Non dimostra che ogni grande laboratorio abbia raggiunto una redditività netta sostenibile.

Margini più elevati possono inoltre attirare una concorrenza più intensa. I fornitori di modelli potrebbero ridurre le tariffe API, includere più utilizzo negli abbonamenti o impiegare risorse di calcolo aggiuntive per migliorare la qualità delle risposte.

Secondo quanto riferito, Barclays prevede che i margini dell'inferenza diminuiscano gradualmente con l'intensificarsi della concorrenza sui modelli di frontiera e la maggiore disponibilità di offerta di calcolo. Questa previsione segue una normale logica di mercato.

Se più fornitori possono offrire un'intelligenza comparabile, i clienti acquisiscono potere negoziale. Parte dei guadagni di efficienza viene quindi trasferita agli acquirenti anziché rimanere al laboratorio.

La stessa pressione può manifestarsi attraverso il design del prodotto. I fornitori possono consentire contesti più lunghi, più passaggi degli agenti e ulteriore ragionamento all'interno degli abbonamenti esistenti.

Queste aggiunte migliorano il prodotto ma consumano più calcolo. Possono trasformare l'efficienza dell'hardware in un servizio migliore prima che diventi un profitto duraturo.

Questo è il meccanismo alla base del ribaltamento riportato. I laboratori AI hanno migliorato i propri margini, eppure la concorrenza può convertire parte di tale guadagno in prezzi più bassi e carichi di lavoro più pesanti.

I giganti del cloud vengono pagati indipendentemente dal modello che vince

AWS, Azure e Google Cloud occupano una posizione favorevole perché la concorrenza tra modelli può aumentare la domanda di infrastruttura nell'intero mercato.

Un laboratorio AI deve convincere i clienti che i propri modelli offrano prestazioni, affidabilità o integrazione migliori. Un fornitore cloud può trarre vantaggio dalla competizione tra più laboratori, tutti bisognosi di maggiore calcolo.

Questa configurazione assomiglia a un pedaggio infrastrutturale, sebbene anche le aziende cloud affrontino costi sostanziali e rischi di investimento. Devono acquistare attrezzature e costruire data center prima che la domanda futura diventi certa.

Le recenti comunicazioni finanziarie mostrano perché gli investitori prendano sul serio la posizione del cloud. Amazon ha riferito che AWS ha generato 42,2 miliardi di dollari di vendite nel secondo trimestre del 2026, in aumento del 37% rispetto all'anno precedente.

AWS ha prodotto 16,6 miliardi di dollari di utile operativo trimestrale, rispetto ai 10,2 miliardi di un anno prima. Queste cifre implicano un margine operativo del segmento di circa il 39%.

Amazon ha inoltre dichiarato che il suo business AWS AI aveva superato un tasso di ricavi annuali di 25 miliardi di dollari. L'azienda ha descritto tale attività come in crescita a percentuali a tre cifre su base annua nei suoi risultati trimestrali.

Questi risultati non isolano i ricavi dell'inferenza dagli altri servizi AWS. Non dimostrano neppure la specifica allocazione di Barclays per i laboratori AI.

Mostrano però che una grande piattaforma cloud può espandersi rapidamente producendo al contempo un sostanziale utile operativo. AWS ha rappresentato la maggior parte dell'utile operativo dei segmenti di Amazon nel trimestre.

Microsoft offre una prospettiva diversa perché non pubblica Azure come segmento di rendicontazione separato. La sua divisione Intelligent Cloud include Azure insieme a prodotti server e aziendali.

Microsoft ha dichiarato che i ricavi di Azure e di altri servizi cloud sono cresciuti del 43% nel trimestre conclusosi il 30 giugno 2026. I ricavi annuali di Azure hanno superato i 100 miliardi di dollari e sono cresciuti del 41%, secondo la sua earnings call.

Il segmento Intelligent Cloud ha registrato 39,3 miliardi di dollari di ricavi trimestrali e 16 miliardi di dollari di utile operativo. Il suo margine operativo è rimasto vicino al 41%.

Microsoft ha inoltre riferito che la domanda dei clienti continuava a superare la capacità cloud disponibile. L'azienda ha aggiunto 31 data center nel trimestre e 88 nell'anno fiscale.

Queste cifre supportano il lato della domanda della tesi di Barclays. La capacità rimane preziosa perché i clienti sono pronti a utilizzare la nuova infrastruttura non appena diventa disponibile.

Rivelano anche il lato dei costi. Il margine lordo del cloud di Microsoft è diminuito mentre l’azienda espandeva l’infrastruttura AI in anticipo rispetto alla domanda e supportava il crescente utilizzo dei prodotti.

Il margine lordo di Microsoft Cloud è sceso al 65% nell’ultimo trimestre, dal 68% di un anno prima. Questa attività include molto più di Azure, quindi la cifra non può rappresentare la redditività pura dell’infrastruttura AI.

Google Cloud presenta una terza struttura. Google vende infrastruttura e applicazioni cloud, sviluppando al contempo modelli Gemini e Tensor Processing Units personalizzate.

Alphabet ha riportato ricavi di Google Cloud pari a 13,6 miliardi di dollari nel secondo trimestre del 2025, in crescita del 32%. Il reddito operativo ha raggiunto 2,8 miliardi di dollari, portando il segmento a un margine operativo del 20,7% nei suoi risultati cloud.

Le tre aziende combinano quindi diversi ruoli economici. Vendono infrastruttura di base, database gestiti, piattaforme di modelli, applicazioni aziendali e accesso a modelli proprietari o di terze parti.

Questa ampiezza aumenta la loro opportunità di catturare valore. Un fornitore cloud può ricavare entrate dall’acceleratore, dallo storage, dal networking, dal database, dal livello di sicurezza e dal servizio AI gestito dietro una singola applicazione.

Lo sviluppatore del modello conserva comunque una leva importante. I modelli più performanti attraggono utenti, influenzano la progettazione delle applicazioni e possono negoziare grandi accordi di capacità con diversi fornitori.

OpenAI e Anthropic hanno ampliato le loro relazioni infrastrutturali oltre una singola piattaforma. Una maggiore diversificazione dei fornitori può ridurre la dipendenza operativa e migliorare il potere negoziale.

Anche i fornitori cloud competono tra loro. AWS sviluppa Trainium e Inferentia, Google offre TPU e Microsoft progetta i propri acceleratori continuando al contempo a implementare hardware esterno.

I chip personalizzati possono ridurre i costi e differenziare ciascuna piattaforma. Possono anche legare più strettamente i carichi di lavoro al software e all’ambiente operativo di un fornitore.

La competizione principale non è quindi AWS contro Azure o Google Cloud. È quella tra laboratori AI che cercano margini simili a quelli del software e proprietari dell’infrastruttura che incassano una quota ricorrente dei ricavi dei modelli.

La concorrenza tra i tre cloud sostiene questa dinamica, ma non la sostituisce. Anche un laboratorio che utilizza più fornitori continua a pagare il lavoro di calcolo sottostante.

Cosa non dimostra la stima di Barclays

Le cifre riportate descrivono una struttura industriale plausibile, ma non forniscono dati economici verificati per ciascun laboratorio AI o piattaforma cloud.

La prima incertezza riguarda i dati sottostanti. Barclays è una grande istituzione finanziaria, ma il rapporto completo e la sua metodologia non sono disponibili in una pagina pubblica aperta.

Le sintesi pubbliche forniscono il risultato del modello senza esporre ogni dato di input. Ciò rende difficile verificare la stima rispetto a diversi volumi di token, ipotesi di utilizzo e accordi di capacità.

La seconda incertezza riguarda il perimetro contabile. AWS riporta ricavi e reddito operativo per segmento, ma il suo segmento comprende molto più dell’inferenza AI.

Google Cloud combina inoltre infrastruttura e applicazioni Workspace. Il segmento Intelligent Cloud di Microsoft è più ampio di Azure, mentre Microsoft Cloud include diversi prodotti aggiuntivi.

I margini operativi cloud riportati non possono essere attribuiti direttamente all’inferenza AI. Spese di ricerca condivise, costi aziendali e ammortamenti hardware possono inoltre rientrare in diverse categorie contabili.

Un fornitore cloud potrebbe riportare un forte margine di segmento pur guadagnando meno sulla capacità AI appena implementata. Servizi maturi di storage, database e calcolo convenzionale possono sostenere il risultato complessivo.

Può verificarsi anche il contrario. Una piattaforma può accettare margini inferiori nel breve termine mentre riempie nuova capacità e costruisce una base clienti più ampia.

La terza incertezza riguarda i trasferimenti interni e le relazioni strategiche. Un’azienda di modelli può ricevere investimenti dallo stesso fornitore cloud che le vende capacità di calcolo.

Crediti cloud, accesso preferenziale, accordi di condivisione dei ricavi e investimenti azionari possono rendere meno chiaro un semplice rapporto cliente-fornitore. La fattura nominale per l’infrastruttura potrebbe non cogliere l’intera economia per nessuna delle due parti.

La quarta incertezza riguarda la variazione dei carichi di lavoro. Una breve richiesta testuale, un’attività di generazione di immagini e un agente software di lunga durata non hanno costi di inferenza comparabili.

I modelli possono anche impiegare calcolo aggiuntivo prima di produrre una risposta. I sistemi di ragionamento spesso scambiano una maggiore spesa di inferenza con prestazioni migliori nei compiti difficili.

Con l’uso che si sposta verso agenti autonomi, il numero di chiamate al modello per azione dell’utente può aumentare drasticamente. Una persona può avviare un solo lavoro mentre il software esegue molte ricerche, valutazioni e revisioni.

Ciò rende il controllo dei costi un problema di progettazione dell’applicazione, non solo un problema del modello. Gli sviluppatori devono decidere quando una risposta di qualità superiore giustifica calcolo aggiuntivo.

Gli acquirenti aziendali affrontano un problema simile. Un basso prezzo per token non garantisce una fattura totale bassa quando un’applicazione viene eseguita per migliaia di dipendenti e processi automatizzati ripetuti.

Gli acquirenti dovrebbero monitorare il costo per attività completata anziché soltanto il costo per token. Il modello più economico non è sempre meno costoso se richiede più tentativi, maggiore supervisione o ulteriore lavoro a valle.

Questa distinzione è importante anche nella valutazione delle dichiarazioni sulla produttività. Un sistema che spende di più per l’inferenza può comunque offrire un’economia migliore se risparmia abbastanza tempo dei dipendenti o evita errori costosi.

Gli sviluppatori che realizzano sistemi interni possono conservare le decisioni alla base di tali implementazioni in una base di conoscenza tecnica ricercabile. Questo archivio aiuta i team a confrontare nel tempo qualità dei modelli, completamento delle attività e costi operativi.

La quinta incertezza riguarda il comportamento dei prezzi. La diminuzione dei costi di inferenza non garantisce margini in espansione quando i fornitori riducono aggressivamente i prezzi.

I modelli aperti possono esercitare ulteriore pressione sulle API proprietarie. Le aziende possono distribuire alcuni modelli aperti su infrastruttura noleggiata o di proprietà privata, pur assumendosi in tal caso maggiori responsabilità operative.

Anche i fornitori cloud specializzati possono competere per i carichi di lavoro AI. Possono offrire accesso interessante agli acceleratori, contratti flessibili o sistemi progettati attorno a una gamma più ristretta di attività.

Queste alternative indeboliscono l’idea che tre hyperscaler cattureranno permanentemente la stessa percentuale dei ricavi AI. Non eliminano la necessità di finanziare chip, energia, networking e capacità dei data center.

Secondo quanto riportato, Barclays prevede che i margini effettivi dei laboratori AI supereranno alcune delle proprie stime. Rimane un giudizio di modellazione piuttosto che una divulgazione verificata dai laboratori coinvolti.

La stima dovrebbe quindi essere considerata come una mappa della catena del valore. Mostra dove probabilmente fluiscono i ricavi, ma non può stabilire quale azienda disponga della migliore economia unitaria.

Tre segnali metteranno alla prova la tesi sui profitti del cloud

La prossima fase sarà decisa dai margini comunicati, dalla diversificazione dell’infrastruttura e dalla quantità di calcolo inclusa nei prodotti AI.

Il primo segnale è la redditività del cloud durante la continua espansione della capacità. AWS, Microsoft e Google devono dimostrare che la crescente domanda di AI può sostenere i margini mentre la spesa per l’infrastruttura resta elevata.

I risultati di Amazon offrono un benchmark relativamente chiaro perché AWS pubblica ricavi e reddito operativo del segmento. Gli investitori possono confrontare la futura crescita di AWS con il margine del segmento e la spesa di cassa di Amazon.

Microsoft merita un’analisi separata. La crescita di Azure può restare forte anche se il margine lordo del cloud più ampio diminuisce, perché Microsoft sta costruendo capacità e supportando un maggiore utilizzo dell’AI.

Le metriche per gli investitori dell’azienda hanno riportato un margine lordo di Microsoft Cloud del 65% nell’ultimo trimestre. Le future comunicazioni mostreranno se i guadagni di efficienza compensano il costo di una più intensa adozione dell’AI.

Se i margini cloud rimangono stabili mentre crescono i ricavi legati all’AI, la tesi di Barclays diventa più solida. Indicherebbe che i fornitori di infrastruttura possono assorbire grandi investimenti senza rinunciare alla propria economia.

Un calo sostenuto dei margini indebolirebbe la tesi. Suggerirebbe che concorrenza, ammortamenti, energia e nuova capacità consumano una quota maggiore dei ricavi AI rispetto a quanto il modello presume.

Il secondo segnale è se i principali laboratori AI sposteranno carichi di lavoro di inferenza significativi oltre AWS, Azure e Google Cloud. La diversificazione può includere fornitori specializzati, strutture di proprietà o accordi più estesi per hardware personalizzato.

Un laboratorio non deve abbandonare gli hyperscaler per acquisire leva negoziale. Gli bastano alternative credibili per il successivo blocco di capacità.

I contratti a lungo termine conteranno più degli annunci. La prova fondamentale è dove vengono effettivamente eseguiti i nuovi carichi di lavoro di produzione, non dove un’azienda svolge una prova tecnica limitata.

Secondo quanto riportato, Barclays prevede che alcuni progetti infrastrutturali sostenuti da clienti con impegni contrattuali sottrarranno quota ai tre maggiori fornitori. Se ciò accadesse, il trasferimento stimato da 35 a 40 dollari potrebbe distribuirsi maggiormente.

I giganti del cloud potrebbero rispondere con tariffe più basse, chip personalizzati, finanziamenti o un’integrazione software più profonda. Ogni risposta potrebbe preservare il volume dei carichi di lavoro riducendo al contempo il margine guadagnato su di essi.

Se i principali laboratori continueranno a firmare i maggiori impegni di produzione con le stesse tre piattaforme, la posizione del cloud resterà intatta. Una diversificazione dei fornitori senza migrazione dei carichi di lavoro cambierebbe poco.

Il terzo segnale riguarda quanta inferenza i fornitori includono in ciascun prodotto. Le aziende di modelli possono preservare i margini attraverso fatturazione basata sull’utilizzo, limiti più rigorosi e instradamento verso sistemi meno costosi.

Possono invece competere offrendo contesti più lunghi, più azioni degli agenti e maggiore sforzo di ragionamento per lo stesso abbonamento. Questa strategia può aumentare il valore per il cliente comprimendo al contempo i margini.

Gli acquisti aziendali di AI renderanno questo segnale più facile da osservare. Gli acquirenti valutano sempre più insieme il completamento riuscito delle attività, la latenza, la sicurezza e una spesa prevedibile.

Un prodotto che riduce il costo di inferenza senza mantenere la qualità dell’output non creerà valore duraturo. Un prodotto che migliora la qualità senza controllare il consumo totale può diventare difficile da scalare.

I team dovrebbero tracciare scelta del modello, prompt, output, approvazioni e risultati aziendali in un unico flusso di lavoro ripetibile. Un flusso di lavoro AI strutturato può aiutare a rivelare se l’uso aggiuntivo del modello migliori davvero il lavoro finito.

La stima di Barclays riformula in definitiva il dibattito sui profitti dell’AI. Secondo le cifre riportate, i laboratori di modelli non stanno più semplicemente bruciando denaro su ogni richiesta a pagamento.

Neppure i fornitori cloud sono venditori passivi. Finanziano e gestiscono i sistemi fisici che rendono possibile ogni richiesta, quindi raccolgono una quota sostanziale dei ricavi dei modelli.

La domanda decisiva è se i laboratori AI possano ridurre questa quota dell’infrastruttura più rapidamente di quanto la concorrenza li costringa a spendere i risparmi. Occorre osservare i prossimi risultati trimestrali del cloud, i principali contratti di capacità e le modifiche ai limiti di utilizzo dei prodotti.

Questi segnali mostreranno se quasi 40 dollari su ogni 100 resteranno un pedaggio cloud duraturo o diventeranno una caratteristica temporanea della costruzione dell’infrastruttura AI.