La tesi di Ed Zitron sulla bolla dell’AI incontra il boom di spesa delle Big Tech

L’ultima argomentazione di Ed Zitron sulla bolla dell’AI è arrivata su Google News nel pieno di una spesa record per le infrastrutture e di un dibattito sempre più acceso sul fatto che la domanda possa giustificarne il costo.

La conversazione di Blood in the Machine non annuncia un nuovo modello né un round di finanziamento. Coglie qualcosa di più rilevante: lo scetticismo si è spostato dai margini del settore al suo ciclo quotidiano di notizie.

Zitron sostiene che l’AI generativa resti un prodotto non sostenibile economicamente, sorretto dalla spesa degli hyperscaler, da finanze opache delle aziende private e da promesse di domanda futura. Le Big Tech presentano lo stesso piano di espansione come capacità necessaria per clienti cloud, prodotti consumer e modelli sempre più capaci.

Questo conflitto ora conta più di un’altra vittoria nei benchmark. Microsoft, Alphabet, Amazon, Meta e i loro fornitori stanno impegnando capitali prima che chiunque possa conoscere il rendimento complessivo delle infrastrutture lungo il loro ciclo di vita.

La domanda centrale non è se l’AI funzioni. Molti sistemi producono già codice utile, riassunti, immagini, risultati di ricerca e analisi scientifiche. La domanda è se questi utilizzi possano sostenere gli investimenti, il consumo energetico e i costi operativi continuativi che li rendono possibili.

La tesi della bolla diventa più forte quando le aziende nascondono l’economia unitaria o sostituiscono statistiche di adozione a ricavi duraturi. Si indebolisce quando costi inferiori sbloccano domanda e le attività esistenti assorbono con successo gli investimenti nell’AI.

Entrambi gli sviluppi stanno avvenendo contemporaneamente. Per questo lo stato attuale della bolla dell’AI richiede una contabilità più attenta, non una semplice etichetta di boom o crollo.

Cosa ha realmente cambiato la conversazione su Ed Zitron

Il cambiamento importante è che la struttura finanziaria dell’AI è diventata la storia stessa, anziché lo sfondo di un altro lancio di prodotto.

Zitron sostiene da anni che il settore confonda la capacità tecnica con un business sostenibile. La sua tesi si concentra sui costi ricorrenti di calcolo, sugli enormi requisiti di capitale e sulla limitata trasparenza dei fornitori privati di modelli.

Blood in the Machine affronta l’AI attraverso il lavoro, il potere aziendale e l’automazione. Una conversazione tra la pubblicazione e Zitron parte quindi da una posizione scettica. Non è un briefing neutrale per investitori.

Questo contesto conta perché l’apparizione su Google News può far sembrare un’intervista un evento aziendale circoscritto. L’evento di fondo è editoriale: un critico di primo piano sta valutando se le promesse finanziarie del boom corrispondano ai suoi risultati operativi.

L’affermazione più forte di Zitron riguarda la distanza tra la spesa del settore e i rendimenti comunicati. Le aziende riportano regolarmente crescita del cloud, abbonamenti, utilizzo o domanda senza isolare i profitti dell’AI generativa.

Ciò non dimostra che questi prodotti perdano denaro. Mostra che gli osservatori esterni spesso non dispongono dei dati necessari per valutarli separatamente.

Una divisione cloud può crescere mentre i suoi più recenti carichi di lavoro AI restano costosi. Un assistente consumer può attirare milioni di utenti senza coprire le spese di inferenza e sviluppo. Uno strumento di coding può offrire una produttività reale pur operando all’interno di un sussidio strategico più ampio.

L’inferenza è il costo di eseguire un modello addestrato quando qualcuno invia una richiesta. L’addestramento crea il modello, ma l’inferenza diventa una spesa continuativa con l’espansione dell’utilizzo.

Il software tradizionale spesso gode di elevati margini incrementali dopo lo sviluppo. L’AI generativa presenta una curva dei costi più complessa, perché ogni risposta consuma calcolo, memoria, networking ed elettricità.

Tuttavia, questo confronto può diventare troppo semplice. I fornitori di modelli stanno riducendo i costi di inferenza grazie a chip migliori, modelli più piccoli, ottimizzazione software, caching e infrastrutture specializzate.

Il settore può quindi perdere denaro su un carico di lavoro oggi e migliorarne l’economia in seguito. Può anche ridurre i prezzi più rapidamente di quanto calino i costi, mantenendo lo stesso problema di margini.

Il vero contributo dell’intervista non è una diagnosi definitiva della bolla. Offre una sfida verificabile: mostrare da dove provengono i ricavi dell’AI, quanto costa erogarli e come questi aspetti economici migliorino con la scala.

I lettori dovrebbero applicare questo test in modo diverso a ogni azienda. Nvidia vende apparecchiature di calcolo scarse. Microsoft e Google vendono capacità cloud. OpenAI e Anthropic vendono accesso ai modelli e applicazioni. I loro rischi sono collegati, ma non identici.

Un crollo in uno strato non eliminerebbe ogni applicazione utile. Cambierebbe prezzi, condizioni di finanziamento, contratti e quali aziende controllano l’infrastruttura sopravvissuta.

Questa distinzione separa un’analisi seria della bolla da una previsione secondo cui tutta la tecnologia AI scomparirà.

Perché Google News si riempie di argomentazioni sulla bolla dell’AI

Il dibattito sulla bolla cresce perché gli impegni infrastrutturali diventano sempre più difficili da separare dalle prestazioni aziendali.

Per diversi anni, gli investitori hanno premiato le aziende che dimostravano accesso a modelli, chip e capacità dei data center. Ora il mercato si aspetta prove che queste risorse generino ricavi sostenuti o proteggano le attività esistenti.

Microsoft illustra questa tensione. Il suo rapporto annuale 2025 ha registrato $64,6 miliardi in aggiunte a immobili e attrezzature, in aumento rispetto ai $44,5 miliardi dell’anno precedente.

L’azienda ha affermato che gli investimenti in infrastrutture cloud e AI avrebbero continuato ad aumentare i costi operativi. Ha inoltre avvertito che tali investimenti potrebbero ridurre i margini operativi.

Queste comunicazioni non supportano una narrativa di crollo immediato. Microsoft ha generato $136,2 miliardi di flusso di cassa operativo nello stesso esercizio fiscale, conferendole una notevole capacità di investimento.

Mostrano però perché l’onere della prova stia aumentando. Un incumbent redditizio può finanziare più a lungo un esperimento costoso rispetto a una startup, ma il capitale paziente non garantisce un rendimento interessante.

Alphabet presenta un conflitto simile su una scala pianificata più ampia. L’azienda ha riportato $91,4 miliardi di spese in conto capitale nel 2025, perlopiù destinate a infrastrutture tecniche.

Durante la sua call sui risultati 2025, Alphabet ha previsto spese in conto capitale per il 2026 tra $175 miliardi e $185 miliardi.

L’azienda ha dichiarato che circa il 60 percento del suo investimento nel 2025 è stato destinato ai server. Il restante 40 percento ha coperto data center e apparecchiature di networking.

Alphabet ha inoltre affermato che ammortamenti e costi operativi più elevati avrebbero pesato sul conto economico. Gli ammortamenti sono saliti da $15,3 miliardi nel 2024 a $21,1 miliardi nel 2025.

Questi numeri rafforzano l’argomentazione di Zitron perché l’infrastruttura non scompare dopo che un’azienda diffonde un comunicato stampa. I server invecchiano, gli edifici richiedono energia e gli ammortamenti raggiungono i bilanci nel tempo.

Tuttavia, Alphabet ha anche segnalato una domanda significativa da parte dei clienti cloud. Ha affermato che oltre la metà della sua capacità di calcolo per il machine learning nel 2026 servirà il business cloud.

Questa affermazione offre alla tesi ottimista una base misurabile. Se i clienti continuano ad acquistare capacità, l’infrastruttura sostiene un motore di ricavi consolidato anziché una singola applicazione speculativa.

Il problema è l’attribuzione. I ricavi di Google Cloud comprendono database, storage, networking, sicurezza, software per la produttività e calcolo tradizionale insieme all’AI.

Gli investitori non possono ancora attribuire ogni dollaro speso nei data center all’AI generativa. Né possono presumere che ogni vendita cloud sarebbe avvenuta senza i nuovi modelli.

La copertura di Google News tende a comprimere questa incertezza in titoli contrapposti. Una storia considera la spesa record una prova della domanda. Un’altra considera la stessa spesa una prova della bolla.

Nessuna delle due inferenze è sufficiente. Le spese in conto capitale rivelano convinzione ed esposizione, non il rendimento finale.

Il dibattito resterà in primo piano perché la decisione di spesa viene prima. Le prove più chiare su utilizzo, prezzi, ammortamenti e fidelizzazione dei clienti arrivano più tardi.

Questo divario temporale è il luogo in cui crescono le bolle. È anche il luogo in cui iniziano i cicli infrastrutturali di successo.

Il vero avversario è la promessa dell’AI contro la sua economia

Il conflitto principale non è Ed Zitron contro Silicon Valley; è la promessa di scala del settore contro l’economia necessaria per sostenerla.

Le aziende AI promettono che un’adozione più ampia distribuirà i costi fissi di sviluppo su un numero maggiore di clienti. Si aspettano inoltre che hardware e software migliori riducano il costo di ogni risposta.

La prima parte assomiglia all’economia del software convenzionale. La seconda riconosce che l’AI generativa resta legata a risorse fisiche durante l’uso.

La scala può aiutare attraverso accordi di acquisto più ampi, un migliore utilizzo dei chip e data center più efficienti. Può danneggiare quando i sistemi di ragionamento popolari consumano più calcolo per ogni risposta.

I modelli di ragionamento generano e valutano passaggi intermedi prima di restituire un risultato. Questo processo può migliorare le prestazioni, ma spesso richiede più token e tempo di elaborazione.

L’economia risultante dipende dalla progettazione del carico di lavoro. Una breve richiesta di classificazione è diversa da un lungo compito di ricerca. La generazione di codice è diversa dalla creazione di immagini. La chat consumer è diversa da un agente enterprise connesso a sistemi interni.

Un unico costo medio non può descriverli tutti. Questa complessità rende ugualmente inaffidabili le ampie affermazioni sulla redditività universale o sulle perdite universali.

La controargomentazione più forte del settore deriva dal calo dei prezzi dell’inferenza. L’AI Index di Stanford ha rilevato che i costi di inferenza di livello GPT-3.5 sono diminuiti di oltre 280 volte tra novembre 2022 e ottobre 2024.

Questo miglioramento è sostanziale. Significa che un’applicazione un tempo apparentemente impossibile può diventare accessibile senza modificare l’esperienza utente di base.

Costi inferiori possono anche aumentare il consumo. Gli sviluppatori potrebbero inviare più richieste, utilizzare contesti più lunghi o assegnare modelli a compiti che in precedenza richiedevano revisione manuale.

Questo effetto di rimbalzo complica la storia ottimista. Una maggiore efficienza non riduce automaticamente il fabbisogno infrastrutturale totale quando l’utilizzo cresce più rapidamente di quanto diminuiscano i costi unitari.

Complica anche la tesi della bolla. Una categoria di prodotti con un’economia in rapido miglioramento non può essere giudicata solo in base alla sua prima struttura di costi.

La distinzione più utile è tra efficienza tecnica ed efficienza aziendale. L’efficienza tecnica misura l’output per unità di calcolo. L’efficienza aziendale misura il profitto lordo e il valore per il cliente per ogni dollaro speso.

Un fornitore può migliorare la prima danneggiando la seconda attraverso sconti aggressivi. Può anche migliorare l’efficienza aziendale indirizzando i modelli verso attività ad alto valore.

Lo sviluppo software offre un esempio concreto. Un assistente di coding che fa risparmiare diverse ore durante una migrazione complessa può giustificare una spesa di calcolo considerevole.

Un assistente che crea boilerplate inaffidabile può spostare il lavoro verso revisione e debugging. Un utilizzo elevato esagererebbe quindi l’adozione senza confermare il valore economico.

Lo stesso test si applica alla ricerca enterprise. Un modello che trova una policy nascosta o una clausola contrattuale può ridurre il tempo di ricerca. Una risposta imprecisa può creare rischi legali o operativi.

I team hanno bisogno di materiale sorgente tracciabile, procedure di valutazione e revisione umana. Una base di conoscenza AI ricercabile può supportare questo processo, ma non elimina la necessità di giudizio.

È qui che il dibattito sulla bolla dell’AI diventa pratico per gli acquirenti. Le aziende non dovrebbero chiedersi se l’AI sia trasformativa in generale. Dovrebbero misurare se un flusso di lavoro definito migliori dopo aver considerato errori e supervisione.

L’industria vuole far credere ai clienti che la scala risolverà l’economia del settore. La critica di Zitron chiede se la scala non finisca invece per amplificare costi che le aziende non hanno reso noti con chiarezza.

Entrambe le parti ora hanno elementi di prova. Nessuna delle due ne ha abbastanza per affermare quale sarà l’esito finale.

Cosa i numeri della bolla AI ancora non dimostrano

I grandi livelli di spesa rivelano l’esposizione, ma non dimostrano né che un crollo sia imminente né che l’investimento sia razionale.

Diagnosticare una bolla richiede più di asset costosi e linguaggio promozionale. Di solito implica prezzi o impegni di finanziamento che non possono essere sostenuti da plausibili flussi di cassa futuri.

Gli hyperscaler quotati restano redditizi grazie ad attività consolidate. Pubblicità, software cloud, commercio e franchise di sistemi operativi possono assorbire investimenti nell’AI per anni.

Questo rende il ciclo attuale diverso da un insieme di startup che dipendono esclusivamente da finanziamenti esterni. Rende anche più difficile osservare la reale economia del settore.

I ricavi esistenti possono sovvenzionare la sperimentazione. L’AI può inoltre rafforzare quei prodotti esistenti senza comparire come voce separata.

Google potrebbe migliorare i sistemi pubblicitari con il machine learning, offrendo al contempo Gemini. Microsoft potrebbe proteggere le relazioni con Azure offrendo accesso ai modelli, anche se un assistente ha margini ridotti.

Meta potrebbe usare l’infrastruttura AI per raccomandazioni e pubblicità accanto ai prodotti generativi. Amazon può vendere capacità di calcolo sperimentando al contempo con i propri modelli e applicazioni.

Un critico può ragionevolmente sostenere che le aziende usino attività legacy redditizie per nascondere investimenti speculativi. Un ottimista può ragionevolmente sostenere che i ritorni integrati siano l’intera strategia.

Nessuna delle due posizioni può essere risolta contando soltanto gli abbonamenti ai chatbot.

Gli sviluppatori privati di modelli creano un problema di verifica distinto. Divulgano dati selezionati su ricavi, valutazione, utilizzo e partnership senza pubblicare bilanci finanziari completi sottoposti a revisione.

I ricavi dichiarati possono crescere rapidamente mentre crescono anche le perdite. I ricavi contrattualizzati possono differire da quelli rilevati. Gli impegni di calcolo possono estendersi su anni e includere termini rinegoziabili.

I lettori dovrebbero quindi considerare le proiezioni trapelate come affermazioni, non come risultati già conseguiti. La stessa cautela vale per le previsioni di bancarotta inevitabile.

La critica di Zitron è più persuasiva quando individua flussi di cassa non corrispondenti, finanziamenti circolari o dipendenze non dichiarate. È meno persuasiva quando ogni applicazione utile diventa prova di spreco.

I sistemi AI forniscono chiaramente valore in alcuni contesti. La domanda difficile riguarda la dimensione, la durata e la distribuzione di quel valore.

La tecnologia ha anche un valore strategico che la rendicontazione finanziaria può cogliere indirettamente. Un’azienda può spendere in modo difensivo per impedire ai clienti di passare a una piattaforma rivale.

La spesa difensiva può essere razionale anche quando un prodotto autonomo produce profitti modesti. Può anche innescare una corsa agli armamenti in cui ogni partecipante ottiene rendimenti scarsi.

La storia offre esempi da entrambe le parti. Le aziende di telecomunicazioni costruirono troppa fibra durante l’era dot-com, causando gravi perdite ma lasciando dietro di sé infrastrutture utili.

Il cloud computing ha richiesto anni di investimenti prima di diventare un importante centro di profitto. L’esistenza di precedenti sovrainvestimenti non determina quale analogia si adatti all’AI.

Anche la tesi scettica necessita di un chiaro meccanismo di fallimento. Un’elevata spesa in conto capitale da sola non costringerà aziende redditizie a fermarsi.

La pressione si accumulerebbe attraverso una minore domanda cloud, un utilizzo debole, prezzi in calo, ammortamenti in aumento, stress finanziario o resistenza dei clienti. Probabilmente dovrebbero comparire insieme diversi segnali.

Una delusione isolata su un modello non basterebbe. Il fallimento di una startup privata non porrebbe necessariamente fine agli investimenti degli hyperscaler.

Al contrario, un solido trimestre nel cloud non convaliderebbe ogni data center. Un’applicazione produttiva non giustificherebbe ogni valutazione dei modelli.

Le prove attuali sostengono una conclusione più circoscritta: il settore ha assunto impegni enormi prima che siano disponibili rendimenti trasparenti.

Si tratta di un rischio reale. Definirlo un crollo garantito va oltre le prove disponibili.

Chi subirà maggiore pressione se la spesa rallenta

Le prime vittime di un ridimensionamento della spesa AI sarebbero fornitori altamente esposti e progetti infrastrutturali finanziati, non ogni utente dell’AI.

La catena di fornitura dell’AI comprende aziende con protezioni molto diverse. Gli hyperscaler generano cassa da operazioni diversificate. Le startup dei modelli dipendono più direttamente dal sostegno degli investitori e dalle partnership di calcolo.

Gli sviluppatori di data center possono dipendere da un numero ristretto di clienti. I fornitori di chip beneficiano quando tali clienti competono per acceleratori scarsi.

Fornitori di energia, vendor di networking, produttori di memoria, specialisti del raffreddamento e aziende di costruzione si trovano più a valle nella stessa catena di investimenti.

Un rallentamento si propagherebbe quindi in modo disomogeneo. Gli acquirenti potrebbero rinviare nuovi campus continuando a gestire i sistemi installati. Potrebbero spostare i carichi di lavoro verso modelli più piccoli anziché abbandonare l’AI.

Potrebbero anche chiedere prezzi più bassi ai fornitori di modelli. Questa risposta aiuterebbe i clienti aziendali comprimendo però i margini dei fornitori.

Nvidia rappresenta il simbolo più evidente del boom, poiché i suoi acceleratori rendono possibile gran parte dell’attuale capacità di addestramento e inferenza. Tuttavia, la sua economia differisce da quella di un laboratorio di modelli.

Una vendita di chip crea ricavi rilevati per il fornitore. L’acquirente si assume poi il rischio di utilizzo e ammortamento.

Questa distinzione conta nel valutare la bolla AI. Un’applicazione non redditizia può comunque generare vendite di hardware redditizie durante la fase di espansione.

Il rischio arriva quando i clienti concludono che la capacità aggiuntiva non produrrà ricavi sufficienti. Gli ordini possono rallentare prima che scompaiano le applicazioni esistenti.

I fornitori cloud pubblici affrontano un calcolo diverso. Possono noleggiare l’infrastruttura a clienti esterni, usarla internamente o reindirizzarla tra i carichi di lavoro.

Questa flessibilità riduce il rischio legato a un singolo prodotto. Non elimina la possibilità di capacità in eccesso o rendimenti deboli.

I laboratori AI privati subiscono una pressione più intensa perché il calcolo è centrale sia per l’erogazione dei prodotti sia per la ricerca. L’aumento dell’utilizzo può far crescere insieme ricavi e spese operative.

Il loro potere contrattuale dipende dalla qualità dei modelli, dalla fedeltà dei clienti e dall’accesso a fornitori infrastrutturali concorrenti. Le partnership possono ridurre il fabbisogno immediato di cassa creando al contempo obblighi a lungo termine.

Gli acquirenti aziendali affrontano un rischio meno visibile. Possono diventare dipendenti da strumenti i cui prezzi, modelli o termini cambiano mentre i fornitori cercano margini sostenibili.

Un progetto pilota può sembrare interessante con prezzi promozionali. Un’implementazione in produzione deve reggere un maggiore utilizzo, requisiti di conformità, costi di valutazione e cambiamenti del fornitore.

Anche i knowledge worker sostengono costi di passaggio quando l’AI si integra nelle routine quotidiane. La sostituzione di un modello può modificare la qualità dell’output, il comportamento o la compatibilità con i prompt esistenti.

I team dovrebbero conservare documenti sorgente, note esportabili e flussi di lavoro indipendenti dal fornitore. Un sistema personale di gestione della conoscenza può ridurre la dipendenza da un’unica interfaccia di modello.

Questo non richiede di rifiutare gli strumenti AI. Significa trattare i modelli come componenti sostituibili anziché come archivi permanenti della memoria organizzativa.

Se la spesa rallenta, le applicazioni utili dovrebbero sopravvivere grazie a modelli più economici, sistemi più circoscritti e approvvigionamenti più disciplinati. I prodotti deboli sostenuti soprattutto da sussidi degli investitori subiranno maggiore pressione.

Questo esito assomiglierebbe a una correzione di mercato piuttosto che alla scomparsa dell’intelligenza artificiale.

L’aggiustamento più duro colpirebbe le aziende le cui valutazioni richiedono una crescita ininterrotta. Colpirebbe anche i progetti finanziati sulla base di ipotesi ottimistiche di capacità.

L’avvertimento di Zitron è quindi rilevante oltre gli azionisti. La sovracostruzione può influire sulla pianificazione energetica, sulle infrastrutture locali, sull’occupazione e sui contratti con i clienti.

Tuttavia, la distribuzione del rischio resta più importante della dimensione nei titoli. Un hyperscaler, una startup di modelli e un acquirente di software non stanno facendo la stessa scommessa.

Cosa dovrebbero osservare i lettori di Google News

Tre segnali mostreranno se la tesi della bolla si sta rafforzando: utilizzo, margini legati all’AI e un cambiamento duraturo nella spesa in conto capitale.

Il primo segnale è l’utilizzo dei data center. Le aziende oggi sottolineano i vincoli dell’offerta e la domanda dei clienti.

Osservate un cambiamento in questo linguaggio. Progetti rinviati, contratti di locazione più brevi, capacità di acceleratori disponibile o backlog cloud più deboli suggerirebbero che la domanda attesa non sta arrivando.

Un utilizzo elevato sosterrebbe la tesi opposta. Mostrerebbe che i clienti stanno assorbendo capacità anche prima che ogni carico di lavoro raggiunga margini maturi.

L’utilizzo da solo non può dimostrare la redditività. Rivela però se la sovracostruzione sta diventando visibile nell’infrastruttura fisica.

Il secondo segnale è la divulgazione dei margini legati ai servizi AI. Gli investitori hanno bisogno di più dei conteggi degli utenti, dei volumi di token o della crescita cloud generalizzata.

Hanno bisogno di prove sui costi di erogazione, sugli sconti, sulla fidelizzazione dei clienti e sul rapporto tra crescita dei ricavi e spesa computazionale.

Il margine lordo misura i ricavi rimanenti dopo i costi diretti di erogazione. Fornisce una visione più chiara dell’economia dei modelli rispetto alla valutazione o ai ricavi annualizzati.

Le aziende quotate potrebbero non isolare queste cifre. Gli sviluppatori privati hanno requisiti di divulgazione ancora minori.

Questa assenza manterrebbe viva la critica di Zitron. Margini trasparenti e in miglioramento indebolirebbero la versione più forte della sua argomentazione sulla bolla.

Il terzo segnale è una riduzione sostenuta della spesa in conto capitale pianificata presso diversi hyperscaler. Un singolo campus rinviato significherebbe poco, poiché autorizzazioni, energia e attrezzature possono modificare le tempistiche di un progetto.

Riduzioni coordinate indicherebbero che i team dirigenziali vedono rendimenti più deboli o capacità sufficiente. Aumenti continui mostrerebbero fiducia, ma non necessariamente una conferma.

Anche la qualità della spesa conta. Le aziende possono reindirizzare il capitale verso inferenza, chip proprietari, networking o edifici a lunga durata.

Uno spostamento verso hardware specializzato e più economico potrebbe migliorare l’economia senza ridurre la spesa totale. Uno spostamento verso campus speculativi potrebbe aumentare l’esposizione a lungo termine.

I lettori dovrebbero inoltre distinguere il giornalismo dall’aggregazione. Google News può rivelare che il dibattito sulla bolla AI si sta diffondendo, ma il suo titolo non convalida nessuna delle due parti.

Le fonti sottostanti, i documenti depositati e le definizioni finanziarie contano più del numero di storie simili in un feed.

La critica di Zitron merita attenzione perché richiede contabilità dove il settore spesso offre aspirazioni. Le sue conclusioni meritano lo stesso scrutinio che egli applica alle affermazioni aziendali.

Anche la tesi ottimista necessita di disciplina. Costi di inferenza in calo, domanda cloud in crescita e applicazioni utili non garantiscono che le valutazioni odierne sopravviveranno.

L’esito probabile non è un unico verdetto netto. Alcune infrastrutture produrranno forti rendimenti, altre saranno svalutate e alcuni prodotti sovvenzionati diventeranno più costosi.

Gli sviluppatori dovrebbero osservare i prezzi dei modelli e la disponibilità di capacità. Gli acquirenti aziendali dovrebbero misurare i risultati dei flussi di lavoro e i costi di passaggio. I knowledge worker dovrebbero preservare l’accesso alle informazioni sottostanti.

La questione della bolla AI diventa concreta quando i lettori smettono di chiedersi se l’AI sia reale. La domanda migliore è quali ricavi restino dopo che sussidi, sconti e costi infrastrutturali diventano visibili.

Seguite il prossimo ciclo di risultati con questo criterio. Confrontate la spesa in conto capitale con utilizzo, ammortamento e margini AI dichiarati, anziché con l’adozione nei titoli.

Se queste misure migliorano insieme, la tesi del crollo più forte si indebolisce. Se la spesa aumenta mentre i rendimenti restano opachi, l’avvertimento di Ed Zitron acquista peso.

È questo il segnale da seguire, oltre il prossimo titolo di Google News.