Barclays traccia ogni $100 di ricavi dall'AI, e i provider cloud ne incassano quasi $40

Barclays ha mappato ogni $100 guadagnati dalle aziende di modelli AI e ha rilevato che i provider cloud incassano circa $35-$40 attraverso i costi di inferenza. Questa stima colloca AWS, Microsoft Azure e Google Cloud vicino al centro dell'emergente struttura dei profitti del settore.

La conclusione deriva da un rapporto sull'economia unitaria dell'AI datato 28 agosto 2026. Un report cinese pubblicato il 30 agosto ha riassunto l'analisi e i suoi due modelli ipotetici di laboratori AI.

Il dato principale sembra una vittoria diretta per l'infrastruttura cloud. Tuttavia, Barclays prevede anche che i margini delle aziende di modelli miglioreranno, man mano che l'inferenza diventa più efficiente e l'addestramento assorbe una quota minore dei ricavi.

Questo crea il conflitto centrale. I provider cloud ricevono attualmente una parte consistente dei ricavi dei modelli, ma la loro quota può diminuire mentre il mercato dell'AI continua a espandersi.

Non si tratta semplicemente di una sfida tra aziende software e fornitori di infrastrutture. La questione è quale livello conserverà il vantaggio economico mentre l'AI passa dall'addestramento costoso all'uso continuativo in produzione.

Cosa ha rilevato Barclays in ogni $100 di ricavi dall'AI

La bolletta cloud rimane una delle voci più rilevanti sui ricavi dei modelli AI, anche dopo sostanziali miglioramenti nell'efficienza dell'inferenza.

Barclays ha costruito due laboratori frontier ipotetici per mostrare come i modelli di business e le politiche contabili rimodellino i margini dichiarati. Si tratta di modelli analitici, non di bilanci finanziari divulgati da aziende nominate.

Il Lab A riceve circa il 70% dei ricavi dalle API e il 30% dagli abbonamenti. Il Lab B inverte questo mix, ricevendo l'80% dagli abbonamenti e il 20% dalle API.

Per ogni $100 guadagnati dal Lab A, il provider cloud associato riceve circa $35 di ricavi. Barclays stima che circa $11,80 diventino utile operativo, rappresentando un margine vicino al 34%.

Il Lab B produce un risultato diverso. Il suo partner cloud riceve circa $41 per ogni $100, incluso un accordo strategico di condivisione dei ricavi.

In quello scenario, il provider cloud trattiene circa $19,10 come utile operativo. Il margine risultante raggiunge approssimativamente il 47%.

Questi esempi sostengono la conclusione ampiamente ripetuta secondo cui i provider cloud catturano circa $35-$40 per ogni $100 di ricavi dei laboratori AI. Trattengono inoltre all'incirca $10-$20 come utile operativo.

L'esito esatto dipende da più fattori rispetto al solo consumo di calcolo. Mix di prodotti, accordi con i partner, allocazione dell'addestramento e riconoscimento dei ricavi modificano tutti la distribuzione apparente.

Il Lab A rileva i ricavi API indiretti al lordo. Il Lab B registra ricavi comparabili al netto oppure esclude l'attività gestita dal proprio partner.

Il riconoscimento lordo registra una quota maggiore della transazione come ricavo prima delle spese associate. Il riconoscimento netto registra soltanto la quota trattenuta dall'azienda.

Barclays paragona questa divisione contabile alla differenza storica tra Uber e Lyft. Transazioni sottostanti simili possono produrre bilanci molto diversi quando le aziende le riportano in modo differente.

Questa avvertenza conta perché le aziende AI private forniscono dati finanziari standardizzati limitati. Confrontare ricavi principali o margini lordi senza correggere le politiche di riconoscimento può creare un quadro fuorviante.

I due laboratori presentano anche margini lordi rettificati diversi. Barclays assegna al Lab A un margine vicino al 55% e al Lab B circa il 38%, una differenza di 17 punti percentuali.

Il laboratorio più orientato alle API ottiene risultati migliori in parte perché i clienti API diretti pagano in base al consumo di token. Questa struttura collega più strettamente i ricavi al lavoro computazionale svolto.

I prodotti in abbonamento creano un altro rischio. Una tariffa fissa deve coprire utenti con modelli di consumo molto diversi, comprese sessioni intensive di programmazione e attività agent di lunga durata.

I limiti di utilizzo possono proteggere il provider, ma incidono anche sulla fidelizzazione. Alzare i limiti può attrarre clienti, spostando però una maggiore quota dei costi di inferenza sull'azienda del modello.

Barclays stima che prodotti in abbonamento come Claude Code e Codex generino margini di inferenza intorno al 70%. Secondo quanto riferito, i margini di inferenza delle API dirette superano l'80%.

Questi dati descrivono il contributo dell'inferenza, non la redditività completa di un'azienda AI. Escludono o allocano separatamente spese rilevanti quali addestramento, ricerca, vendite e amministrazione.

Il quadro dei $100 è quindi una mappa, non una media di settore verificata. Il suo valore deriva dal mostrare dove si sposta il denaro e quali ipotesi cambiano il risultato.

Perché l'economia dell'inferenza sta migliorando ora

Le aziende AI stanno guadagnando margine perché ogni risposta utile richiede meno infrastruttura, mentre la domanda commerciale sostiene una monetizzazione continuativa.

Per inferenza si intende l'esecuzione di un modello addestrato per rispondere a una richiesta, generare codice o completare un'attività agent. Diventa una spesa ricorrente ogni volta che i clienti utilizzano un prodotto AI.

L'addestramento segue uno schema diverso. Concentra enormi costi computazionali prima che un modello raggiunga i clienti, anche se il post-training e il miglioramento continuo rendono meno netta tale distinzione.

Barclays stima che i margini dell'inferenza a pagamento siano saliti da percentuali a basse doppie cifre nel 2025 a un intervallo tra il 50% e il 65%, o superiore, nel corso del 2026. I margini lordi rettificati sono migliorati di 30-50 punti percentuali.

Diversi cambiamenti tecnici sostengono questo spostamento. La quantizzazione riduce la precisione numerica usata da un modello, tagliando requisiti di memoria e calcolo e cercando al contempo di preservare la qualità dell'output.

La decodifica speculativa consente a un sistema più piccolo di proporre token che un modello più grande può verificare in gruppi. Le previsioni riuscite riducono il tempo e l'hardware necessari alla generazione.

Un routing migliore invia inoltre le richieste più semplici a modelli più piccoli. Il caching evita calcoli ripetuti, mentre il batching consente all'hardware di elaborare più richieste insieme.

L'utilizzo dell'hardware conta quanto la progettazione del modello. Un acceleratore costoso inattivo continua a generare spese di ammortamento, finanziamento, energia e strutture.

I maggiori operatori possono distribuire carichi di lavoro variabili tra regioni, clienti e prodotti. Questa scala offre ai provider cloud un vantaggio importante rispetto ai laboratori AI più piccoli che gestiscono cluster dedicati.

Tuttavia, anche gli sviluppatori di modelli beneficiano dell'efficienza. Ogni miglioramento nei token per unità di calcolo può ampliare il loro margine o sostenere un maggiore utilizzo allo stesso costo.

Google ha riferito di aver ridotto del 78% i costi unitari di serving di Gemini nel 2025 grazie all'ottimizzazione dei modelli, a miglioramenti nell'utilizzo e all'efficienza infrastrutturale. I suoi risultati cloud illustrano come gli operatori verticalmente integrati possano migliorare più livelli simultaneamente.

Microsoft ha descritto un'attenzione simile durante l'esercizio fiscale 2026. L'azienda ha riportato un miglioramento del 40% nel throughput di inferenza dei suoi modelli Copilot più utilizzati in un trimestre.

Un successivo aggiornamento sull'infrastruttura ha indicato che il throughput dei carichi di lavoro Copilot era quadruplicato dall'inizio dell'anno. Microsoft ha attribuito tali progressi all'ottimizzazione di silicio, sistemi e software.

Questi miglioramenti non riducono automaticamente le bollette dei clienti. I provider possono trattenere i guadagni di efficienza, usarli per migliorare la qualità dell'output o sostenere carichi di ragionamento più esigenti.

I modelli di ragionamento spesso generano più token intermedi prima di produrre una risposta. Gli agent possono richiamare ripetutamente i modelli durante la ricerca, la scrittura di codice, la verifica dei risultati e la revisione del lavoro.

Di conseguenza, costi unitari inferiori possono produrre un consumo totale più elevato. Questo effetto di rimbalzo rende l'efficienza dell'inferenza preziosa sia per le aziende AI sia per i provider cloud.

La domanda aziendale aggiunge un ulteriore livello. L'analista Barclays Ross Sandler ha collegato il miglioramento dei margini ai clienti enterprise e ai flussi di lavoro agentici, diventati acquisti importanti.

Questa valutazione rimane una previsione, non un verdetto universale dei clienti. Le aziende differiscono ancora ampiamente per adozione, scala di implementazione, requisiti di sicurezza e rendimenti misurabili.

Tuttavia, gli agent in produzione possono consumare più dei soli token del modello. Richiedono database, archiviazione, networking, gestione delle identità, monitoraggio e stato persistente delle attività.

Questi servizi di supporto rafforzano la posizione del cloud. Un laboratorio può ottimizzare l'inferenza del modello mentre i suoi clienti acquistano un pacchetto infrastrutturale più ampio dalla stessa piattaforma cloud.

Questa dinamica spiega perché il cloud possa incassare quasi $40 mentre i laboratori AI migliorano comunque i propri margini. L'efficienza amplia il bacino disponibile prima che la concorrenza determini chi lo trattiene.

I provider cloud vincono il round attuale, ma finanziano l'intera competizione

AWS, Azure e Google Cloud catturano ricavi AI ricorrenti perché assorbono l'onere del capitale prima che le aziende di modelli possano servire i clienti.

Il modello Barclays si concentra sui flussi operativi, ma il livello infrastrutturale inizia con impegni iniziali enormi. I data center richiedono terreni, energia, raffreddamento, networking, processori e lunghi tempi di costruzione.

Microsoft ha riportato spese in conto capitale pari a $37,5 miliardi nel secondo trimestre del suo esercizio fiscale 2026. Circa due terzi hanno riguardato asset a vita più breve, principalmente GPU e CPU.

L'azienda ha inoltre affermato che la domanda dei clienti continuava a superare l'offerta disponibile. La sua performance cloud ha mostrato la crescita dei ricavi Azure insieme alla pressione derivante dai continui investimenti nell'infrastruttura AI.

I ricavi di Intelligent Cloud di Microsoft sono aumentati del 29% durante quel trimestre. L'utile operativo è salito del 28%, sebbene la percentuale di margine lordo del segmento sia diminuita su base annua.

Questa combinazione rappresenta il compromesso del cloud. La domanda di AI produce una rapida crescita dei ricavi, ma soddisfarla richiede apparecchiature aggiuntive che possono ammortizzarsi più rapidamente di edifici o terreni.

Alphabet aveva pianificato tra $175 miliardi e $185 miliardi di spesa in conto capitale nel corso del 2026. Ha dichiarato che il denaro avrebbe sostenuto Google DeepMind, i prodotti consumer e la domanda dei clienti Cloud.

Google Cloud ha chiuso il 2025 con un tasso annualizzato di ricavi superiore a $70 miliardi. Alphabet ha inoltre riportato un portafoglio ordini cloud da $240 miliardi e una forte domanda di prodotti AI.

Amazon affronta lo stesso ciclo di investimenti. I suoi materiali per gli azionisti affermano che gran parte della prevista spesa in conto capitale AWS per il 2026 sosterrà capacità monetizzate nel 2027 e nel 2028.

Amazon ha inoltre dichiarato di avere impegni dei clienti che coprono una parte sostanziale della capacità pianificata. Il suo documento per gli azionisti presenta questa visibilità della domanda come sostegno alla prosecuzione della spesa.

Queste aziende possono finanziare l'infrastruttura usando la liquidità generata da attività consolidate. La pubblicità nella ricerca sostiene Alphabet, il software enterprise sostiene Microsoft e il commercio contribuisce a finanziare Amazon.

Le aziende di modelli indipendenti non dispongono della stessa base diversificata. Spesso dipendono da finanziamenti azionari, partnership cloud strategiche, impegni anticipati o altri accordi strutturati.

Questa dipendenza offre ai provider cloud una leva economica che va oltre i margini per token. Controllano l'allocazione della capacità quando la domanda supera l'offerta e influenzano quali modelli raggiungono i clienti enterprise.

I marketplace e le piattaforme di modelli gestiti rafforzano ulteriormente questo ruolo. Un'azienda può acquistare l'accesso ai modelli attraverso una relazione cloud esistente anziché stipulare contratti diretti con ogni laboratorio.

Il provider cloud controlla quindi fatturazione, identità, governance, disponibilità regionale e integrazione tecnica. Il modello diventa un componente all’interno di un più ampio account aziendale.

Tuttavia, la cifra di quasi 40 dollari non va confusa con una rendita economica pura. I fornitori cloud devono sostenere i costi di chip, energia, manutenzione, rete, personale, finanziamenti e sostituzione dell’hardware.

Barclays stima profitti operativi compresi tra 10 e 20 dollari ogni 100 dollari di ricavi dei laboratori. I restanti incassi cloud finanziano questi rilevanti costi infrastrutturali.

Il modello afferma inoltre che la condivisione dei ricavi con i partner gonfia l’apparente margine cloud nel Lab B. Escludendo questo accordo, il profitto del provider cloud per token equivale a quello del Lab A.

Questa distinzione cambia l’interpretazione. Il risultato più forte del Lab B non dimostra necessariamente un’economia infrastrutturale superiore.

Riflette invece, in parte, un trasferimento negoziato tra partner strategici. Barclays prevede che quel particolare meccanismo di condivisione dei ricavi venga gradualmente eliminato dopo il 2028.

L’attuale vantaggio del cloud poggia quindi su tre fondamenta: capacità scarsa, grandi impegni di capitale e contratti che collegano gli sviluppatori di modelli ai fornitori di infrastruttura.

Tutte e tre possono cambiare. La capacità può diventare più abbondante, possono entrare operatori specializzati e i grandi laboratori possono finanziare infrastrutture dedicate al di fuori dei contratti cloud tradizionali.

Cosa non dimostra il modello dei 100 dollari

Barclays offre un utile quadro economico, ma le sue proiezioni dipendono da stime di aziende private, laboratori ipotetici e scelte contabili.

La ricerca Barclays sottostante è stata riassunta pubblicamente, ma il modello completo degli analisti non è ampiamente disponibile come set di dati sottoposto a revisione. I lettori dovrebbero considerare le sue cifre come stime.

I due profili di laboratorio sono deliberatamente semplificati. Le aziende reali combinano abbonamenti consumer, accordi aziendali, API dirette, marketplace cloud, licenze e partnership strategiche.

Negoziano inoltre tariffe hardware e condizioni di capacità differenti. Un’azienda con un impegno pluriennale può affrontare condizioni economiche diverse da quelle di uno sviluppatore più piccolo che acquista capacità su richiesta.

L’architettura del modello introduce un’altra variabile. Alcuni sistemi usano architetture sparse mixture-of-experts, mentre altri attivano più parametri per ogni richiesta.

Anche la forma del carico di lavoro conta. Brevi attività di classificazione, lunghe sessioni di programmazione, generazione di immagini e agenti autonomi di ricerca comportano costi molto diversi.

Persino il significato di un token varia tra famiglie di modelli e modalità. Confrontare i prezzi nominali dei token non può rivelare il costo per completare la stessa attività utile.

L’allocazione dell’addestramento produce un’ulteriore fonte di incertezza. Un laboratorio può contabilizzare come costo, capitalizzare o distribuire i costi di sviluppo in modo diverso tra periodi di rendicontazione e linee di prodotto.

Barclays stima che la spesa per l’addestramento abbia rappresentato circa il 48% dei ricavi dei laboratori di IA nel 2026. Prevede che tale quota scenda al 35% nel 2027 e al 30% nel 2028.

La direzione è plausibile perché i ricavi possono crescere più rapidamente dei programmi di addestramento. Tuttavia, la competizione di frontiera può anche incoraggiare cicli di addestramento più grandi e frequenti.

Una ricerca indipendente ha rilevato che il costo dei cicli di addestramento più intensivi dal punto di vista computazionale è cresciuto di circa 2,4 volte all’anno dal 2016. Lo studio sui costi di addestramento ha previsto cicli di frontiera da miliardi di dollari se questa tendenza storica fosse continuata.

Quel lavoro precede il modello Barclays del 2026 e misura una questione diversa. Mostra comunque perché il calo dei costi di addestramento come percentuale dei ricavi non è garantito.

I ricavi possono inoltre diventare più difficili da confrontare con la crescita delle API indirette. Un laboratorio può registrare l’intero pagamento del cliente, mentre un altro registra solo la quota che trattiene.

Questo può far apparire un’azienda più grande o più redditizia senza riflettere un prodotto sottostante migliore. Barclays avverte specificamente che i confronti futuri richiederanno attente rettifiche contabili.

Le relazioni strategiche creano un’ulteriore distorsione. Un’azienda cloud può investire in uno sviluppatore di modelli ricevendo al contempo spesa infrastrutturale o condivisione dei ricavi da quello sviluppatore.

Questi accordi sono commercialmente legittimi, ma complicano qualsiasi netta distinzione tra ricavi del fornitore, rendimenti degli investimenti e domanda indipendente dei clienti.

La rendicontazione finanziaria a livello cloud non può risolvere completamente il problema. AWS riporta un segmento distinto, ma Microsoft non divulga i ricavi di Azure come cifra separata in dollari.

Google Cloud include infrastruttura, servizi di piattaforma, applicazioni e altre offerte aziendali. Nessuno di questi segmenti isola i profitti derivanti dall’inferenza dei modelli di frontiera.

I margini dichiarati dal 34% al 47% negli esempi Barclays non possono quindi essere verificati direttamente rispetto ai conti cloud pubblici. Restano allocazioni modellate.

La concorrenza può fare pressione su entrambi i lati. Le aziende di modelli possono ridurre i prezzi per difendere l’utilizzo, mentre i fornitori cloud possono scontare la capacità per aggiudicarsi grandi impegni.

I modelli aperti possono inoltre spostare la domanda verso l’infrastruttura senza preservare i ricavi dello sviluppatore originario. Le aziende possono ospitare tali modelli attraverso una piattaforma cloud o un fornitore specializzato.

Allo stesso tempo, i laboratori proprietari possono distribuire i carichi di lavoro tra più fornitori. Possono usare acceleratori personalizzati, cluster dedicati o cloud alternativi per migliorare il proprio potere negoziale.

Il titolo dovrebbe quindi rimanere circoscritto. Barclays stima che i fornitori cloud raccolgano attualmente quasi 40 dollari ogni 100 dollari di ricavi delle aziende di modelli secondo strutture rappresentative.

Non dimostra che ogni laboratorio paghi la stessa percentuale. Né stabilisce che le aziende cloud manterranno tale quota indefinitamente.

I tre segnali che decideranno chi terrà i prossimi 100 dollari

La prossima fase dipenderà dall’intensità dell’addestramento, dall’infrastruttura dedicata e dal divario tra investimenti cloud e ricavi IA effettivamente realizzati.

Il primo segnale è la spesa per l’addestramento come percentuale dei ricavi dei laboratori. Barclays prevede che questo rapporto diminuisca drasticamente fino al 2028.

Se il rapporto raggiungerà il 35% previsto nel 2027, le aziende di modelli avranno prove più solide che i ricavi stanno superando i costi di sviluppo di frontiera.

Questo esito rafforzerebbe l’ipotesi di una maggiore redditività dei laboratori. Ridurrebbe inoltre gli incassi totali del cloud rispetto a ogni dollaro di ricavo dei modelli.

Se l’intensità dell’addestramento resterà vicina ai livelli del 2026, ne seguirà la conclusione opposta. Il settore dipenderebbe ancora fortemente da costosi cicli di sviluppo nonostante margini di inferenza migliori.

Il secondo segnale è l’arrivo di capacità dedicata al di fuori delle tre piattaforme cloud dominanti. Barclays prevede che la quota del cloud tradizionale rimanga sostanzialmente stabile per due anni.

Dopo il 2028, l’infrastruttura precedentemente contrattualizzata o finanziata dovrebbe diventare una fonte di calcolo più rilevante per i laboratori di IA. Questa previsione merita un attento esame molto prima dell’apertura degli impianti.

I soli annunci forniscono prove deboli. Investitori e clienti dovrebbero verificare se i progetti si assicurano energia, chip, finanziamenti, connessioni di rete e team operativi.

Dovrebbero inoltre monitorare se i laboratori trasferiscono i carichi di lavoro di produzione su tale capacità. I cluster di addestramento non diventano automaticamente sistemi di inferenza affidabili e geograficamente distribuiti.

Se le strutture dedicate gestiranno un traffico di produzione sostanziale, il tasso di acquisizione cloud vicino ai 40 dollari dovrebbe diminuire. Le aziende di modelli internalizzerebbero maggiori responsabilità infrastrutturali e potenziali margini.

Assorbirebbero però anche il rischio di utilizzo e l’esposizione al capitale. Possedere capacità migliora l’economia solo quando i carichi di lavoro mantengono l’hardware costoso costantemente produttivo.

Il terzo segnale è la relazione tra la spesa in conto capitale degli hyperscaler e la redditività del cloud. Microsoft, Alphabet e Amazon stanno impegnando somme enormi prima che tutta la capacità produca ricavi.

Una forte crescita del cloud accompagnata da margini stabili o in miglioramento sosterrebbe l’argomentazione di Barclays. Dimostrerebbe che i fornitori di infrastruttura possono trasformare la domanda di IA in profitti operativi duraturi.

Una crescita più lenta o una persistente compressione dei margini la indebolirebbero. Tali risultati suggerirebbero che concorrenza, ammortamenti o costi energetici assorbono più valore di quanto presupponga il modello dei 100 dollari.

L’adozione aziendale fornisce il filo conduttore. Le aziende cloud hanno bisogno di più di pochi laboratori di frontiera per giustificare infrastrutture costruite su questa scala.

Microsoft ha dichiarato che la domanda ha superato l’offerta disponibile durante l’esercizio fiscale 2026. Alphabet ha riferito che i clienti IA hanno utilizzato più prodotti rispetto ai clienti cloud non IA, espandendo i ricavi oltre il puro calcolo.

Queste affermazioni diventeranno più credibili se i clienti rinnoveranno gli impegni e porteranno i progetti pilota in produzione. L’utilizzo deve persistere dopo l’esaurimento dei budget iniziali per la sperimentazione.

Per sviluppatori e acquirenti aziendali, questa contesa economica influenza la progettazione dei prodotti. Un flusso di lavoro con chiamate ripetute al modello può creare un onere infrastrutturale maggiore di quanto suggerisca la sua interfaccia.

I team dovrebbero valutare il costo totale dell’attività, inclusi tentativi ripetuti, recupero delle informazioni, archiviazione, monitoraggio e revisione umana. Il token più economico non è sempre il risultato completato più economico.

I knowledge worker affrontano una questione simile. Gli abbonamenti agli agenti possono sembrare semplici, pur nascondendo un consumo infrastrutturale variabile dietro limiti di utilizzo e politiche di servizio mutevoli.

Mantenere una registrazione interna di risultati, decisioni e materiale di riferimento può ridurre richieste ripetute non necessarie. Una base di conoscenza IA consultabile aiuta inoltre i team a riutilizzare il lavoro completato.

Barclays prevede che i ricavi globali dei laboratori di IA salgano da 137 miliardi di dollari nel 2026 a 690 miliardi nel 2028. Questa previsione rimane aggressiva e non dovrebbe essere considerata un fatto acquisito.

Anche un risultato inferiore potrebbe generare una domanda cloud sostanziale. La questione decisiva non è se il mercato crescerà, ma quale livello trasformerà tale crescita in profitto trattenuto.

Osservate le prossime comunicazioni finanziarie per rilevazione standardizzata dei ricavi, costi di inferenza, allocazione dell’addestramento e impegni contrattuali. Una maggiore trasparenza può verificare ipotesi che laboratori ipotetici non possono risolvere.

Osservate inoltre se gli sviluppatori di IA continuano a celebrare il miglioramento dei margini mentre firmano accordi infrastrutturali più grandi. Questa combinazione dimostrerebbe che i guadagni di efficienza stanno stimolando maggiori consumi.

La cifra vicina ai 40 dollari si comprende meglio come un’istantanea del potere negoziale nel 2026. I fornitori cloud finanziano infrastrutture scarse, mentre le aziende di modelli controllano prodotti e relazioni con i clienti.

Quale parte tratterrà una quota maggiore dei prossimi 100 dollari dipenderà dall’esecuzione, non da una regola permanente. Seguite questi tre segnali prima di considerare l’attuale distribuzione come la struttura del settore di domani.