I costi dei data center AI di Bernstein raggiungono 39,5 miliardi di dollari per GW, ma l’ammortamento è l’avvertimento più importante

I costi dei data center AI secondo Bernstein raggiungono ora una stima di 39,5 miliardi di dollari per gigawatt per l’architettura Vera Rubin di Nvidia. Eppure, l’investimento indicato nel titolo non è la parte più rilevante dell’analisi. Il peso duraturo deriva dall’ammortamento di miliardi di dollari in server, apparecchiature di rete, memoria e sistemi di alimentazione prima che l’hardware perda il proprio valore economico.

La stima colloca diverse architetture di acceleratori in una fascia compresa tra 34,6 e 39,5 miliardi di dollari per gigawatt. Il design ASIC personalizzato Jalapeno di OpenAI, secondo quanto riportato, si colloca vicino all’estremità inferiore, mentre la piattaforma Vera Rubin NVL72 di Nvidia raggiunge quella superiore. Questo divario relativamente contenuto mette in discussione l’idea che scegliere un acceleratore più economico possa trasformare l’economia di un intero impianto.

Il lavoro precedente di Bernstein valutava un gigawatt di capacità AI intorno ai 35 miliardi di dollari, al di sotto della stima di Nvidia, pari a 50-60 miliardi di dollari. I suoi calcoli più recenti affinano le ipotesi sui componenti, ma il conflitto strategico resta invariato. Le aziende tecnologiche perseguono una maggiore capacità di calcolo, mentre i costi contabili iniziano ad accumularsi non appena le apparecchiature entrano in funzione.

I costi dei data center AI di Bernstein raggiungono 39,5 miliardi di dollari per gigawatt

L’ultima stima di Bernstein mostra che la scelta dell’acceleratore modifica la composizione dei costi, ma non rende economica l’infrastruttura AI su scala gigawatt.

Un rapporto riassunto il 10 ottobre ha collocato l’investimento totale per un gigawatt di capacità tra 34,6 e 39,5 miliardi di dollari. Il calcolo comprende più di un edificio vuoto collegato alla rete elettrica. Include acceleratori, server, memoria, storage, rete, raffreddamento, alimentazione di backup e i sistemi elettrici necessari per sostenere rack di calcolo ad alta densità.

La stima più alta si applica alla prevista architettura Vera Rubin NVL72 di Nvidia. Secondo quanto riportato, Bernstein ha ridotto la propria stima del costo di un rack Rubin da 9,1 milioni di dollari a 7,52 milioni di dollari. Si tratta di un calo di circa il 17% rispetto al modello precedente della società.

La revisione riflette ipotesi inferiori per la memoria ad alta larghezza di banda e la capacità di storage NAND, secondo la stima dell’infrastruttura pubblicata. La memoria ad alta larghezza di banda, comunemente abbreviata in HBM, colloca memoria veloce vicino a un acceleratore affinché i modelli possano spostare dati senza attendere lo storage più lento.

La riduzione è rilevante perché la memoria è diventata una componente sostanziale di ogni server AI. Tuttavia, ipotesi più basse sulla memoria non eliminano i costi circostanti. Più rack richiedono comunque switch, schede di interfaccia di rete, hardware di conversione dell’energia, apparecchiature di raffreddamento, trasformatori e generatori.

L’architettura Jalapeno di OpenAI, secondo quanto riportato, si trova all’estremità inferiore della fascia di Bernstein. Jalapeno è descritta come un circuito integrato specifico per applicazione, o ASIC, progettato per un carico di lavoro più ristretto rispetto a un acceleratore general purpose. I chip personalizzati possono ridurre alcuni margini dei fornitori e ottimizzare le prestazioni per attività selezionate.

Ciononostante, la differenza totale tra le configurazioni meno e più costose è inferiore a 5 miliardi di dollari per gigawatt. È meno del 15% della stima superiore. Il risultato suggerisce che la selezione dei chip modifica più la destinazione della spesa che la scala dell’impegno.

Questo punto era già visibile nella precedente analisi di Bernstein sui sistemi GB200 di Nvidia. Quel lavoro stimava la costruzione complessiva intorno ai 35 miliardi di dollari per gigawatt, con i processori grafici responsabili di circa il 39% della spesa in conto capitale. La rete rappresentava all’incirca il 13%, mentre i sistemi meccanici ed elettrici si avvicinavano a un terzo.

Gli acceleratori restano quindi la maggiore categoria individuale, ma non costituiscono l’intero data center. Un prezzo inferiore dell’acceleratore non elimina le apparecchiature che forniscono energia, dissipano calore e collegano migliaia di processori.

Bernstein aveva precedentemente stimato che un rack GB200 NVL72 costasse approssimativamente 5,9 milioni di dollari. Circa 3,4 milioni erano destinati all’hardware di calcolo, mentre 2,5 milioni coprivano l’infrastruttura fisica associata. Queste cifre, riportate in una precedente ripartizione dei costi, dimostrano perché i confronti basati solo sui prezzi dei chip possano fuorviare gli investitori.

Anche l’unità richiede un’interpretazione attenta. Un gigawatt descrive un enorme carico elettrico continuo, non una tradizionale sala server. A pieno utilizzo, rappresenta una domanda elettrica sufficiente a rendere il progetto una questione di infrastruttura regionale.

La stima di Bernstein sui data center fornisce quindi un denominatore comune per i sistemi concorrenti. Nvidia, gli sviluppatori di ASIC personalizzati, gli operatori cloud e i fornitori di infrastrutture possono tutti descrivere un’efficienza superiore. Tuttavia, gli investitori devono ancora chiedersi quanta capacità di calcolo produttiva e quanti ricavi generi ogni gigawatt completo.

Questa domanda crea la tensione centrale. Per anni il settore ha considerato l’accesso agli acceleratori e all’elettricità come i vincoli determinanti. L’analisi di Bernstein suggerisce che il prossimo vincolo sia capire se gli operatori possano guadagnare abbastanza prima che le apparecchiature installate diventino obsolete dal punto di vista finanziario e tecnico.

L’ammortamento, non l’elettricità, crea il peso ricorrente maggiore

L’elettricità attira l’attenzione pubblica, ma l’ammortamento determina quanto rapidamente l’infrastruttura AI debba generare ricavi duraturi.

L’ammortamento è il processo contabile che distribuisce il costo di un’attività lungo la sua vita utile prevista. Non richiede un nuovo esborso di cassa ogni trimestre. Tuttavia, riduce gli utili dichiarati e rappresenta il consumo di apparecchiature acquistate con capitale reale.

Il precedente modello Vera Rubin di Bernstein illustra la scala. Con un prezzo dell’elettricità di 0,15 dollari per kilowattora, un impianto da un gigawatt sosterrebbe circa 1,3 miliardi di dollari di spesa energetica annua. Lo stesso modello produceva circa 7,9 miliardi di dollari di ammortamento annuo con una vita utile dell’hardware di sei anni.

Queste cifre provenivano da un’analisi di giugno che allora stimava l’infrastruttura totale Vera Rubin in 47 miliardi di dollari per gigawatt. Da allora Bernstein ha ridotto la sua stima dei rack, quindi l’esatto onere di ammortamento cambierebbe. Il rapporto spiega comunque l’avvertimento della società: i costi di proprietà possono superare la bolletta elettrica anche per un impianto che consuma un gigawatt.

Il modello di costo Rubin sottostante ipotizzava 3.557 rack da 220 kilowatt ciascuno. Assegnava circa 32 miliardi di dollari alle apparecchiature legate ai rack e altri 15 miliardi all’infrastruttura fisica. Il suo piano di sei anni trasformava tale impegno iniziale in una spesa continuativa sugli utili.

Una vita contabile di sei anni non garantisce che ogni acceleratore resti competitivo per sei anni. Un server può continuare a funzionare dopo che sistemi più recenti offrono prestazioni migliori per watt o costi di inferenza inferiori. Questo divario tra vita fisica e utilità economica è il rischio reale.

Se l’hardware di nuova generazione riduce drasticamente il costo di produrre una risposta AI, i proprietari di sistemi più vecchi subiscono pressioni per ridurre i prezzi di noleggio. I loro piani di ammortamento restano in vigore, a meno che le aziende non estendano le vite utili o registrino svalutazioni. Nessuna delle due scelte crea maggiore domanda per le apparecchiature più vecchie.

L’estensione della vita utile riduce l’ammortamento annuo e sostiene gli utili nel breve termine. Presuppone inoltre che le apparecchiature resteranno produttive più a lungo. Un’azienda che effettua questo adeguamento in modo troppo aggressivo può rinviare il riconoscimento di un peggioramento dell’economia.

Una svalutazione segue il percorso opposto. Riconosce che un’attività non recupererà il proprio valore contabile attraverso i flussi di cassa futuri. L’onere non è monetario quando viene registrato, ma rivela che le precedenti spese in conto capitale renderanno meno del previsto.

Questo meccanismo distingue i costi di ammortamento dell’AI da una normale bolletta delle utility. L’elettricità aumenta con l’utilizzo, quindi un cluster poco utilizzato consuma meno energia. L’ammortamento prosegue anche quando i server attendono clienti, software o capacità di rete.

L’utilizzo diventa quindi cruciale. Un cluster pienamente occupato può distribuire l’ammortamento su più esecuzioni di addestramento, token generati o contratti cloud. Un impianto sottoutilizzato sostiene gran parte dello stesso peso di proprietà generando al contempo meno ricavi.

Il problema dei tempi è altrettanto importante. Le aziende di solito impegnano denaro in terreni, apparecchiature elettriche, chip e costruzione prima che il cluster completato inizi a servire i clienti. I ritardi possono lasciare capitale immobilizzato senza ricavi corrispondenti, mentre alcune attività installate iniziano già a invecchiare.

AllianceBernstein ha descritto un pericolo correlato come un “vuoto” informativo. Le evidenze sui ricavi possono rimanere incomplete per un periodo più breve del ciclo di ammortamento. Gli investitori devono quindi valutare spese di lungo periodo senza sapere se l’adozione si amplierà abbastanza rapidamente.

Questa preoccupazione non dimostra che la spesa sia inutile. La domanda di addestramento e inferenza AI può crescere rapidamente, e i sistemi più recenti possono elaborare molto più lavoro. Significa però che la crescita dei ricavi, l’utilizzo e l’efficienza dell’hardware devono arrivare insieme.

L’ammortamento modifica inoltre il modo in cui i lettori dovrebbero interpretare i margini cloud. Un fornitore può segnalare una domanda AI in crescita e subire comunque pressioni sui margini quando nuove attività entrano in servizio. Flusso di cassa, reddito operativo e utili rettificati possono raccontare storie diverse perché ciascuno tratta gli investimenti in capitale in modo differente.

Il peso può spostarsi tra le aziende senza scomparire. Uno sviluppatore di modelli che noleggia capacità di calcolo evita di possedere ogni server, ma il suo fornitore cloud incorpora poi ammortamento e finanziamento nel contratto. Un operatore cloud può ricorrere a veicoli speciali o leasing, ma un altro investitore possiede comunque le attività.

La questione centrale non è quindi se qualcuno possa finanziare il prossimo cluster. È se l’intera catena possa generare una produzione economica sufficiente prima che un’altra generazione di hardware ristabilisca lo standard competitivo.

Nvidia e i chip AI personalizzati affrontano la stessa realtà del capitale

La principale competizione non è Nvidia contro un singolo chip personalizzato; è la promessa di una capacità di calcolo in espansione contro la realtà di un’infrastruttura soggetta ad ammortamento.

La posizione di Nvidia la rende il beneficiario più visibile dell’ondata di spesa. I suoi acceleratori, prodotti di rete, software e sistemi su scala rack intercettano diversi livelli di una distribuzione. Prestazioni di sistema più elevate possono inoltre giustificare configurazioni più costose quando i clienti attribuiscono valore al tempo necessario per addestrare o servire un modello.

Gli ASIC personalizzati offrono una proposta diversa. Google, Amazon, Microsoft, Meta e i laboratori AI hanno sviluppato chip progettati per i propri carichi di lavoro. Questi sistemi possono eliminare alcuni margini dei chip commerciali e adattare più strettamente l’hardware al software interno.

Le stime di Bernstein implicano che nessuna delle due strade sfugga al conto più ampio. Un acceleratore personalizzato può costare meno, ma l’operatore potrebbe distribuire più rack con il budget disponibile. Ogni rack necessita comunque di memoria, rete, distribuzione dell’energia, raffreddamento e un sito fisico.

Il risultato ricorda il paradosso di Jevons, secondo cui l’efficienza riduce il costo di utilizzo di una risorsa e stimola un consumo aggiuntivo. Migliori prestazioni per dollaro possono ridurre il costo di un carico di lavoro, incoraggiando al tempo stesso gli sviluppatori a eseguire modelli più grandi, usare contesti più lunghi o servire più richieste.

Questa dinamica favorisce i fornitori di infrastrutture, ma complica l’idea che l’efficienza ridurrà automaticamente il fabbisogno di capitale. Il settore può trasformare i guadagni di efficienza in maggiore capacità di calcolo anziché in una riduzione della spesa complessiva.

Le stime di Nvidia mostrano quanto questi calcoli restino incerti. L’azienda aveva in precedenza indicato una fascia compresa tra 50 e 60 miliardi di dollari per gigawatt, mentre una precedente analisi di Bernstein collocava una capacità comparabile intorno ai 35 miliardi di dollari. Il divario riflette diverse generazioni hardware, definizioni e ipotesi sull’infrastruttura inclusa.

Broadcom e AMD hanno descritto un’opportunità indirizzabile per gli acceleratori di circa 15-20 miliardi di dollari per gigawatt. Questa cifra non rappresenta il costo di un intero data center completato. Descrive l’opportunità nei semiconduttori all’interno del progetto più ampio.

Queste misurazioni vengono spesso ripetute come se rispondessero alla stessa domanda. Non è così. Una stima può coprire gli acceleratori, un’altra un rack completo e un’altra ancora può includere la generazione di energia o il finanziamento.

L’ultima fascia di Bernstein è utile perché confronta architetture complete con una metodologia unica. Non è un preventivo di costruzione universale. I prezzi dei terreni, l’accesso alla rete, i sistemi energetici, gli obiettivi di utilizzo, il finanziamento e la manodopera locale possono tutti modificare il risultato finale.

I confronti tra architetture devono anche considerare l’output utile. Un cluster più costoso può essere conveniente se addestra un modello prima o serve un numero significativamente maggiore di richieste. Un cluster più economico può deludere se il supporto software, l’affidabilità o la domanda dei clienti ne limitano l’utilizzo.

Si prevede che Vera Rubin migliori sostanzialmente le prestazioni di calcolo rispetto alla generazione Blackwell di Nvidia. Il precedente modello di Bernstein stimava 2.520 petaflop FP8 per rack Rubin, rispetto ai 720 petaflop di Blackwell. FP8 è un formato numerico a otto bit che accelera i calcoli AI accettando una precisione inferiore rispetto ai formati più grandi.

Il throughput grezzo non si traduce direttamente in lavoro fatturabile. L’architettura del modello, la capacità di memoria, il sovraccarico delle comunicazioni, l’ottimizzazione del software e il tempo di attività influenzano la quota delle prestazioni dichiarate che raggiunge effettivamente i clienti.

La strada dei chip personalizzati introduce un altro compromesso. Gli operatori ottengono controllo sulla progettazione hardware e possono potenzialmente ridurre i margini dei fornitori. Si assumono però anche il rischio di sviluppo, il lavoro di integrazione software e la sfida di mantenere una roadmap competitiva.

Nvidia distribuisce questi costi su molti clienti e supporta il proprio hardware con un ambiente software maturo. Questo può ridurre il rischio di implementazione anche quando il prezzo d’acquisto è più elevato. Un hyperscaler con una domanda interna sufficiente può giustificare la scelta opposta.

La stima di Bernstein sul data center, quindi, non identifica un vincitore semplice. Mostra che nessuna delle due architetture cambia l’ordine di grandezza. Il risultato finanziario dipende in misura maggiore dall’utilizzo, dai ricavi e dalla velocità di sostituzione dell’hardware.

Per questo il principale avversario va inteso come l’espansione della capacità di calcolo contrapposta al recupero del capitale. Nvidia e gli ASIC personalizzati rappresentano percorsi diversi attraverso la stessa pressione. Entrambi devono produrre abbastanza lavoro di valore prima che l’ammortamento assorba il rendimento atteso.

Cosa Non Dimostra la Stima di 39,5 Miliardi di Dollari

Il calcolo di Bernstein espone la struttura dei costi, ma non può stabilire il futuro utilizzo, la vita utile o i rendimenti degli investimenti.

La stima raggiunge il pubblico attraverso sintesi di ricerca proprietaria, anziché tramite una distinta base ingegneristica pienamente accessibile. I lettori possono esaminare le ipotesi principali, ma non possono verificare in modo indipendente ogni componente o prezzo dei fornitori.

Questa limitazione conta perché il modello è cambiato. L’analisi di Bernstein di giugno collocava l’infrastruttura Vera Rubin vicino a 47 miliardi di dollari per gigawatt e un rack a 9,1 milioni di dollari. La sintesi di ottobre ha ridotto la stima del rack a 7,52 milioni di dollari e l’investimento totale a 39,5 miliardi di dollari.

Una revisione del rack del 17 per cento nell’arco di alcuni mesi dimostra quanto il modello sia sensibile alle ipotesi su memoria, storage e configurazione. Non invalida la nuova stima. Suggerisce però di non trattare 39,5 miliardi di dollari come una legge immutabile dell’infrastruttura AI.

Il numero più basso non dimostra nemmeno che i rendimenti siano migliorati. Se le tariffe di noleggio di mercato calano insieme ai costi hardware, gli operatori potrebbero trasferire i risparmi ai clienti. La concorrenza può trasformare una riduzione dei costi in inferenza meno costosa anziché in margini più alti.

Le stime sulla vita utile creano un’altra incertezza. Sei anni forniscono un comodo piano di ammortamento, ma gli acceleratori AI competono in un ciclo di prodotto molto più rapido. Alcuni sistemi più vecchi continueranno a essere preziosi per l’inferenza, il fine-tuning o carichi di lavoro meno esigenti. Altri possono diventare antieconomici prima, a causa del consumo energetico o dei requisiti software.

Le aziende possono prolungare la vita dell’hardware più vecchio spostandolo verso carichi di lavoro meno esigenti. Un cluster che non addestra più il più grande modello di frontiera potrebbe comunque servire modelli più piccoli o job batch. La domanda residua e i prezzi per tali attività restano incerti.

Anche i costi dell’energia variano ampiamente. La precedente stima annuale di 1,3 miliardi di dollari di Bernstein utilizzava 0,15 dollari per kilowattora. Una struttura con energia contrattualizzata a costi inferiori spenderebbe meno, mentre le regioni con vincoli possono affrontare costi più elevati per l’elettricità e gli aggiornamenti della rete.

Un gigawatt di capacità connessa non corrisponde sempre a un gigawatt di carico IT continuo. Manutenzione, ridondanza, sovraccarico di raffreddamento, efficacia nell’uso dell’energia e calendari di messa a regime influenzano il consumo. I confronti richiedono definizioni coerenti di energia dalla rete, carico critico e carico degli acceleratori.

Il finanziamento complica ulteriormente il quadro. Due progetti con apparecchiature identiche possono produrre rendimenti diversi quando uno si basa sulla liquidità aziendale e un altro utilizza debito costoso. Gli interessi sono separati dall’ammortamento, ma entrambi devono in ultima analisi essere sostenuti dai ricavi.

La struttura dei finanziamenti diventa più importante man mano che la spesa supera i bilanci aziendali più solidi. La più ampia analisi AI capex di AllianceBernstein ha avvertito che l’aumento del debito e del finanziamento dei fornitori può ridurre la qualità dei finanziamenti.

La stessa analisi ha stimato circa 400 miliardi di dollari di spesa per la costruzione di data center nel corso del 2025. Ha inoltre collocato gli investimenti previsti degli hyperscaler fino al 2027 oltre 1.000 miliardi di dollari. Questi totali mostrano perché piccoli cambiamenti nell’utilizzo o nella vita degli asset possano incidere sugli utili dell’intero settore.

La domanda resta la variabile decisiva mancante. I contratti firmati offrono maggiore certezza rispetto alle previsioni, ma anche i contratti richiedono una valutazione. Durata, diritti di risoluzione, concentrazione dei clienti, pagamenti anticipati e supporto creditizio determinano se i ricavi promessi corrispondono al rischio dell’asset.

Alcuni operatori possono proteggersi attraverso contratti di locazione a lungo termine che trasferiscono ai locatari i costi dell’elettricità e altre spese operative. Questa struttura migliora la visibilità per il proprietario dell’immobile. Non garantisce che il locatario guadagni abbastanza dalla capacità di calcolo.

L’analisi non può inoltre determinare quanto crescerà l’adozione dell’AI. Gli sviluppatori di modelli stanno creando sistemi di coding, strumenti di ricerca, generatori di media, prodotti pubblicitari e agenti aziendali. I ricavi per utente e il costo per attività restano indefiniti.

Per gli acquirenti aziendali, costi di inferenza inferiori possono accelerare l’adozione. Più organizzazioni possono portare i sistemi AI dagli esperimenti ai flussi di lavoro regolari. I team dovranno comunque misurare se tali sistemi risparmiano lavoro, migliorano l’output o creano nuovi ricavi.

I lavoratori della conoscenza affrontano una disciplina simile. L’accesso a maggiore capacità di calcolo non produce automaticamente decisioni migliori. Le organizzazioni hanno bisogno di informazioni affidabili, processi utilizzabili e modi per conservare i risultati. Una base di conoscenza AI ricercabile può aiutare a preservare il contesto, ma non cambia l’economia dell’infrastruttura.

La conclusione scettica è circoscritta ma importante. Bernstein ha fornito un plausibile quadro dei costi, non la prova di una bolla AI né la prova che i chip personalizzati supereranno Nvidia. La stima identifica la soglia che i ricavi futuri devono superare.

Tre Segnali Mostreranno Se l’Investimento Può Ripagarsi

La prossima fase sarà giudicata in base a ammortamento, utilizzo e qualità dei ricavi, piuttosto che dagli annunci di ulteriori gigawatt.

Il primo segnale è la crescita dell’ammortamento degli hyperscaler. Amazon, Microsoft, Alphabet, Meta e Oracle comunicano l’ammortamento attraverso i bilanci e i commenti sugli utili. Gli investitori dovrebbero confrontare tali oneri con i ricavi cloud e il reddito operativo.

L’aumento dell’ammortamento è previsto durante un’ondata di costruzioni. Il segnale d’allarme appare quando l’ammortamento cresce costantemente più rapidamente dei ricavi sostenuti dai nuovi asset. Questo andamento rafforzerebbe l’ipotesi che il recupero del capitale sia diventato il vincolo principale.

Le modifiche alla vita utile meritano uguale attenzione. Estendere la vita dei server può ridurre la spesa annuale e aumentare gli utili riportati senza modificare il flusso di cassa corrente. Le aziende dovrebbero spiegare perché gli acceleratori più vecchi restino produttivi e come vengano riassegnati.

Il secondo segnale è l’utilizzo effettivo dei nuovi cluster Rubin e ASIC personalizzati. Gli annunci di ordini mostrano domanda di apparecchiature, ma l’occupazione e i volumi dei carichi di lavoro rivelano se la capacità completata genera denaro.

I fornitori cloud possono offrire evidenze tramite conversione del backlog, ricavi dei servizi AI, calendari di implementazione e tendenze dei margini. Le aziende di modelli possono fornire prove più forti attraverso l’utilizzo a pagamento anziché tramite misure generiche di utenti registrati o token generati.

Se i sistemi Rubin entreranno in servizio con un utilizzo elevato e un costo inferiore per unità di output utile, l’estremità superiore della fascia di Bernstein diventerà più facile da sostenere. Se la capacità entrerà gradualmente a regime, l’ammortamento inizierà a pesare contro la tesi di investimento.

I chip personalizzati affrontano lo stesso test. Un costo della struttura più basso aiuta solo quando software e domanda mantengono l’hardware occupato. Un forte utilizzo sosterrebbe l’affermazione che l’integrazione verticale crea risparmi duraturi. Un utilizzo debole dimostrerebbe che costi inferiori dei componenti non possono compensare la capacità inutilizzata.

Il terzo segnale è il rapporto tra ricavi contrattualizzati e obblighi di finanziamento. Il settore utilizza sempre più contratti di locazione, debito, veicoli a scopo speciale, pagamenti anticipati dei clienti e accordi con i fornitori per finanziare l’infrastruttura.

Queste strutture possono accelerare la costruzione e distribuire il rischio. Possono anche rendere l’economia più difficile da seguire. Gli investitori dovrebbero monitorare durata dei contratti, concentrazione dei clienti, costi degli interessi, clausole di risoluzione e la differenza temporale tra pagamenti e consegna degli asset.

AllianceBernstein sostiene che il settore necessiti di prove di una crescita diffusa dei ricavi prima che il ciclo di ammortamento superi la visibilità. La sua preoccupazione non riguarda semplicemente la valutazione complessiva delle aziende AI. Riguarda il periodo in cui la spesa è certa ma la traiettoria dei ricavi resta poco chiara.

Un risultato più solido includerebbe margini cloud in espansione nonostante un ammortamento più elevato, maggiore utilizzo dei cluster completati e una copertura più lunga dei ricavi contrattualizzati. Questi sviluppi indebolirebbero l’idea che la costruzione abbia superato la domanda.

Un risultato più debole combinerebbe ritardi nelle implementazioni, estensioni della vita utile, prezzi di noleggio in calo e una conversione del backlog più lenta. Questa combinazione rafforzerebbe l’avvertimento di Bernstein, anche se le aziende continuassero ad annunciare nuovi progetti.

La lezione più ampia è che la disponibilità di energia è solo il requisito d’ingresso. Una volta che un’azienda si assicura terreni, elettricità, raffreddamento e acceleratori, acquisisce un secondo problema. Deve trasformare quella capacità in output economico ricorrente abbastanza rapidamente da recuperare l’investimento.

I costi dei data center per l'AI stimati da Bernstein rendono visibile quella scadenza. La differenza tra 34,6 e 39,5 miliardi di dollari conta, ma non è la variabile decisiva. I ricavi generati prima che l'hardware perda valore economico determineranno se il prossimo gigawatt diventerà un'infrastruttura produttiva o un costoso onere contabile.

I lettori dovrebbero ora guardare oltre le dimensioni di ciascun campus annunciato. Osservate gli ammortamenti nei risultati trimestrali, il tasso di utilizzo quando i nuovi sistemi entrano in servizio e la solidità dei contratti che sostengono la costruzione. Questi tre segnali riveleranno se il boom delle infrastrutture per l'AI stia costruendo una piattaforma informatica duratura o stia prendendo in prestito crescita da hardware che invecchia più rapidamente del suo modello di business.