Il rischio dell’infrastruttura AI secondo Gartner porta 3.500 miliardi di dollari nella zona delle svalutazioni

Gartner ha collocato oltre 3.500 miliardi di dollari di spesa pianificata in una zona di rischio per l’infrastruttura AI fino al 2030. L’avvertimento mette in discussione l’assunto centrale dell’attuale espansione: che la domanda crescerà abbastanza rapidamente da rendere redditizi data center sempre più costosi.

La società di ricerca prevede che i fornitori di AI spenderanno quasi 1.000 miliardi di dollari in infrastrutture nel corso del 2026. Stima inoltre altri 6.000 miliardi di dollari di investimenti tra il 2027 e il 2030. Tuttavia, i ricavi previsti per il settore restano ben al di sotto del rendimento necessario per giustificare tali asset.

Non si tratta semplicemente dell’ennesima discussione sul fatto che l’intelligenza artificiale sia o meno all’interno di una bolla finanziaria. La previsione sulle svalutazioni di Gartner individua un conflitto misurabile tra spesa in conto capitale e ricavi.

Il conflitto separa inoltre due tipi di proprietari di infrastrutture. Le piattaforme cloud diversificate possono assorbire rendimenti deboli all’interno di attività più ampie. Gli operatori cloud AI specializzati dipendono spesso da capitale preso in prestito, hardware costoso e domanda concentrata presso pochi clienti.

Questa distinzione sottopone i neocloud a una pressione maggiore rispetto ad Amazon Web Services, Microsoft Azure o Google Cloud. Un neocloud è un fornitore specializzato che noleggia capacità di calcolo accelerato, solitamente costruita attorno a processori grafici.

Il rischio dell’infrastruttura AI secondo Gartner riguarda quindi più della contabilità. Mette alla prova quali operatori riescano a sopravvivere contemporaneamente a prezzi più bassi, hardware che invecchia, costi di finanziamento e un’adozione aziendale più lenta.

Il rischio dell’infrastruttura AI secondo Gartner inizia con un divario di 4.900 miliardi di dollari

La conclusione centrale di Gartner è una discrepanza tra i ricavi necessari ai proprietari dell’infrastruttura e quelli che il mercato dovrebbe generare.

Secondo Gartner, i proprietari di data center AI necessitano di ricavi cumulativi per 8.500 miliardi di dollari entro il 2030. Tale importo coprirebbe la spesa in conto capitale annunciata, i costi di finanziamento e un rendimento del 12% sul capitale investito.

Gartner prevede non più di 3.600 miliardi di dollari di ricavi AI attribuibili a imprese e consumatori nello stesso periodo. La differenza è di 4.900 miliardi di dollari, prima ancora di considerare come tali ricavi verranno ripartiti lungo la catena del valore.

I proprietari dell’infrastruttura non riceveranno necessariamente la maggior parte dei ricavi generati dai prodotti AI. Sviluppatori di modelli, aziende software, consulenti, fornitori di applicazioni e distributori ne trattengono tutti una quota.

Gartner prevede che meno della metà dei ricavi AI attribuibili raggiungerà i fornitori che possiedono infrastrutture rilevanti. Molte aziende native dell’AI adottano invece modelli a bassa intensità di asset e affittano la propria capacità di calcolo.

Questa distribuzione rende più serio il divario indicato nel titolo. I proprietari di data center sostengono gli asset e gli obblighi di finanziamento, ma altre aziende possono catturare gran parte dei ricavi delle applicazioni.

Gartner non afferma che 3.500 miliardi di dollari scompariranno con certezza. La società sostiene che tale importo potrebbe essere esposto a svalutazioni se l’attuale traiettoria degli investimenti dovesse proseguire.

Una svalutazione si verifica quando il valore contabile di un asset supera il beneficio economico che può ragionevolmente produrre. Il proprietario ne riduce quindi il valore nei propri bilanci.

La distinzione è importante perché l’esposizione non equivale a una perdita realizzata. I progetti possono essere rinviati, la capacità può essere riconvertita e i piani di spesa possono essere ridotti prima che una svalutazione diventi necessaria.

Tuttavia, tali adeguamenti indicherebbero comunque che le ipotesi iniziali sulla domanda erano troppo ottimistiche. Potrebbero inoltre produrre margini più deboli, progetti cancellati o consolidamento senza una svalutazione formale.

L’originario avvertimento sulle svalutazioni è arrivato mentre gli investitori stavano già mettendo in discussione l’economia dell’espansione dell’AI. La sua portata conferisce a quel dibattito una struttura finanziaria più chiara.

Se gli investimenti continueranno lungo il percorso ipotizzato da Gartner, oltre 4.000 miliardi di dollari di valore degli asset potrebbero affrontare il rischio di svalutazioni entro il 2032. Gartner non prevede che il settore raggiunga il rendimento ipotizzato del 12% prima della fine del 2032.

Questa tempistica estesa cambia la questione che i proprietari di infrastrutture devono affrontare. Devono finanziare diversi anni di espansione prima che i rendimenti attesi raggiungano il capitale impiegato.

Il rischio dell’infrastruttura AI secondo Gartner è dunque un problema di tempistiche e di ricavi. La domanda può crescere rapidamente pur arrivando troppo lentamente per sostenere gli asset costruiti per soddisfarla.

La spesa AI procede più velocemente della domanda comprovata

L’espansione presuppone che i futuri carichi di lavoro AI saranno monetizzati a una scala che l’attuale adozione aziendale non ha ancora dimostrato.

I modelli AI richiedono processori specializzati, memoria ad alta larghezza di banda, apparecchiature di rete, sistemi di raffreddamento, edifici ed elettricità affidabile. La maggior parte di questi componenti deve essere assicurata prima che un fornitore sappia quanto intensamente i clienti li utilizzeranno.

Questa sequenza crea un difficile ciclo di investimento. I fornitori costruiscono prima la capacità, mentre utilizzo, prezzi, fidelizzazione dei clienti e modelli di business software restano incerti.

La capacità non può comparire istantaneamente una volta che la domanda diventa evidente. Lo sviluppo dei data center richiede terreni, autorizzazioni, accordi per l’energia, connessioni alla rete, ordini di apparecchiature, costruzione e collaudi.

Attendere una domanda comprovata può lasciare un fornitore senza capacità sufficiente. Costruire troppo presto può lasciare hardware costoso sottoutilizzato mentre interessi e spese di finanziamento continuano ad accumularsi.

Il settore ha in gran parte scelto il secondo rischio. Le grandi aziende cloud e i fornitori specializzati competono per processori, energia, localizzazioni e clienti prima che il modello dei ricavi raggiunga la maturità.

Questa scelta ha alcune basi razionali. L’addestramento di modelli più grandi consuma risorse computazionali considerevoli. Servire applicazioni AI ampiamente utilizzate può richiedere ancora più capacità, poiché l’inferenza avviene ogni volta che gli utenti inviano richieste.

Anche le imprese stanno passando dagli esperimenti ai sistemi in produzione. Servizio clienti, sviluppo software, analisi documentale, ricerca, sicurezza e attività di ricerca generano tutti carichi di lavoro di inferenza ricorrenti.

Tuttavia, l’uso tecnico non crea automaticamente rendimenti a livello infrastrutturale. I fornitori devono trasformare tale utilizzo in ricavi superiori agli ammortamenti dell’hardware, alle spese per energia, rete, finanziamento, personale e manutenzione.

La concorrenza sui prezzi rende questa conversione più difficile. Gli sviluppatori di modelli hanno ripetutamente migliorato le prestazioni riducendo al contempo il costo delle comuni attività di inferenza. Anche l’ottimizzazione di hardware e software può ridurre il calcolo necessario per ogni risposta.

Questi miglioramenti possono stimolare la domanda. Possono però anche indebolire i ricavi per unità di calcolo più rapidamente di quanto cresca l’utilizzo complessivo.

Ciò crea un noto paradosso tecnologico. Un calcolo meno costoso amplia il mercato, ma i proprietari di infrastrutture necessitano di volumi sufficienti a compensare la riduzione dei prezzi unitari e l’hardware che diventa rapidamente obsoleto.

Ricerche indipendenti avevano già delineato la portata dell’espansione fisica. Un’analisi degli investimenti nel calcolo del 2025 stimava che i data center globali avrebbero richiesto 6.700 miliardi di dollari entro il 2030.

La stima includeva 5.200 miliardi di dollari per strutture che gestiscono carichi di lavoro AI e 1.500 miliardi di dollari per il calcolo tradizionale. Avvertiva inoltre che investimenti eccessivi potrebbero lasciare asset inutilizzati, mentre investimenti insufficienti potrebbero limitare la crescita.

L’analisi di Gartner va oltre, confrontando quell’ondata di costruzioni con ricavi attribuibili e rendimenti richiesti. Il confronto trasforma una previsione di capacità in un test di solvibilità.

Spiegare la spesa AI soltanto attraverso la crescente domanda di modelli ignora questo livello finanziario. Più token, agenti e implementazioni aziendali non garantiscono che il proprietario dell’infrastruttura catturi valore sufficiente.

Il numero più importante non è l’utilizzo complessivo dell’AI. È il margine che rimane dopo che ogni partecipante tra il chip e l’applicazione finale ha trattenuto la propria quota.

Quel margine deve inoltre arrivare prima che l’hardware pertinente perda competitività. Un processore può rimanere funzionante pur diventando economicamente obsoleto rispetto a sistemi più nuovi con migliori prestazioni per watt.

Il rischio dell’infrastruttura AI secondo Gartner cresce quando la capacità si espande più rapidamente dei carichi di lavoro redditizi. Cresce ulteriormente quando hardware più recente riduce il valore delle apparecchiature acquistate nel ciclo precedente.

I neocloud affrontano la versione più difficile del test

I fornitori specializzati di infrastrutture AI combinano ricavi concentrati con asset che possono perdere rapidamente valore economico.

Gartner prevede che oltre l’80% dei fornitori neocloud cesserà di operare in modo indipendente entro il 2030. Questo esito potrebbe includere fallimenti, acquisizioni, fusioni o integrazioni in piattaforme più grandi.

La previsione non significa che l’80% chiuderà semplicemente i battenti. Descrive un mercato che probabilmente si consoliderà quando la pressione sui costi metterà in luce una debole differenziazione.

I neocloud sono emersi perché la domanda di calcolo accelerato superava la capacità disponibile presso le piattaforme cloud tradizionali. Potevano procurarsi processori, assemblare cluster e affittarli a sviluppatori di modelli o clienti aziendali.

Questo modello funziona particolarmente bene quando il calcolo rimane scarso. I clienti tollerano prezzi più elevati, impegni di lunga durata o flessibilità limitata perché l’accesso stesso ha valore.

La scarsità può attenuarsi man mano che entrano in funzione nuove strutture. I clienti possono allora confrontare i fornitori per prezzo, affidabilità, software, rete, copertura geografica e supporto.

Un fornitore che affitta hardware sostanzialmente simile ha una protezione limitata quando i concorrenti offrono gli stessi processori. I contratti possono sostenere i ricavi nel breve termine, ma i rinnovi dipendono dai prezzi futuri e dalle esigenze dei clienti.

Il finanziamento aggiunge un altro punto di pressione. Gli operatori specializzati spesso non dispongono dei ricavi da pubblicità, commercio, software di produttività e cloud consolidato disponibili per le aziende tecnologiche diversificate.

Hanno quindi meno spazio per sovvenzionare l’infrastruttura mentre la domanda si sviluppa. Un impianto ritardato, la perdita di un cliente, un problema di rifinanziamento o un brusco calo dei prezzi possono influire sull’intera attività.

La concentrazione dei clienti può amplificare questi shock. Un grande sviluppatore di modelli può sostenere un’espansione significativa, ma il fornitore diventa vulnerabile se quel cliente riduce la domanda o cambia fornitore.

Anche l’hardware si deprezza economicamente prima di smettere di funzionare. Nuovi acceleratori possono offrire maggiore velocità di addestramento, capacità di memoria, rete o efficienza energetica.

I processori più vecchi possono restare utili per l’inferenza o per carichi di lavoro meno impegnativi. Tuttavia, spostarli in questi mercati significa generalmente accettare canoni di noleggio più bassi.

I data center stessi hanno vite utili più lunghe dei loro server. Tuttavia, un edificio configurato per cluster AI densi può richiedere ulteriore spesa quando cambiano i requisiti di raffreddamento, distribuzione dell’energia o rete.

La tesi di Gartner è più solida dove si sovrappongono leva finanziaria, clienti concentrati e capacità indifferenziata. Questi fattori possono trasformare un calo delle tariffe di noleggio in una svalutazione o ristrutturazione.

La reazione del mercato dopo l’avvertimento ha riflesso questa preoccupazione. Le azioni collegate al calcolo specializzato e alla capacità dei data center sono finite sotto pressione mentre gli investitori rivalutavano i rendimenti attesi.

I movimenti azionari a breve termine non dimostrano la previsione di Gartner. Mostrano però che i mercati dei capitali riconoscono una differenza tra crescita dei ricavi ed economia infrastrutturale duratura.

Una neocloud può contrastare questa pressione assicurandosi contratti a lungo termine, controllando i costi energetici e sviluppando software che aumenta i costi di passaggio per i clienti. Può inoltre specializzarsi in carichi di lavoro in cui conta l'esperienza operativa.

Queste difese richiedono più della disponibilità di processori. Richiedono un servizio differenziato che rimanga prezioso anche quando la capacità di calcolo pura diventa più facile da reperire.

Ecco perché la previsione di Gartner sulle svalutazioni legate all'AI indica un consolidamento. La scala può migliorare gli acquisti, il finanziamento, l'utilizzo e la diversificazione dei clienti, mentre le acquisizioni possono trasferire gli asset verso bilanci più solidi.

Il consolidamento potrebbe preservare gran parte della capacità fisica. Confermerebbe comunque che molti operatori originari non sono riusciti a generare rendimenti indipendenti sufficienti.

Gli hyperscaler hanno più margine per difendere l'espansione

Amazon, Microsoft e Google affrontano la stessa economia delle infrastrutture, ma le loro attività più ampie offrono loro più modi per catturare il valore dell'AI.

Un hyperscaler gestisce infrastrutture di calcolo su scala globale e supporta molti servizi oltre all'AI. Questo portafoglio rende il suo caso d'investimento diverso da quello di un fornitore specializzato.

Le piattaforme cloud possono generare ricavi da storage, database, reti, sicurezza, strumenti per sviluppatori e calcolo convenzionale. I carichi di lavoro AI possono inoltre rafforzare queste attività correlate.

Le piattaforme controllano una parte maggiore del percorso tra infrastruttura e applicazione. Possono noleggiare acceleratori, vendere accesso gestito ai modelli, ospitare i dati dei clienti e fornire strumenti per implementare sistemi AI.

Possono anche utilizzare l'infrastruttura internamente. Ricerca, pubblicità, raccomandazioni, software di produttività, commercio e assistenza clienti generano tutti carichi di lavoro che non compaiono come vendite cloud esterne.

Questa più ampia capacità di catturare valore non elimina il rischio per l'infrastruttura AI individuato da Gartner. Offre agli hyperscaler più opportunità per giustificare la spesa attraverso diverse fonti di ricavo.

Amazon Web Services ha offerto una controargomentazione diretta dopo la pubblicazione delle conclusioni di Gartner. Il responsabile finanziario di AWS, John Felton, ha affermato che la spesa in conto capitale dell'azienda stava sostenendo innovazione significativa e domanda dei clienti.

Ha indicato un portafoglio ordini vicino ai 500 miliardi di dollari riportato per il secondo trimestre. AWS ha dichiarato che la domanda proveniva da grandi imprese, laboratori AI e aziende più piccole.

Secondo il caso di spesa di AWS, l'azienda resta fiduciosa nei propri investimenti perché i clienti si impegnano per un utilizzo a lungo termine. AWS ha riportato ricavi trimestrali di 42,2 miliardi di dollari, in aumento del 36,7% su base annua.

Un portafoglio ordini offre visibilità, ma non risolve completamente la questione dei rendimenti. I contratti possono estendersi per anni, contenere obblighi di servizio e includere carichi di lavoro non correlati a infrastrutture AI specializzate.

La crescita dei ricavi differisce inoltre dal rendimento sul capitale investito. Un'azienda può espandersi rapidamente producendo al contempo un rendimento inferiore al costo e al rischio dei propri investimenti.

Tuttavia, la risposta di AWS identifica la sfida più forte al modello di Gartner. La visibilità sulla domanda e ricavi diversificati possono consentire alle grandi piattaforme di continuare a investire anche in una fase più debole del ciclo.

Gli hyperscaler possono anche rallentare una categoria di costruzioni senza abbandonare le loro più ampie strategie cloud. Possono riallocare l'hardware, rinegoziare le tempistiche di acquisto o dare priorità alle strutture con domanda più forte.

La loro scala di acquisto può ridurre i costi delle attrezzature e del finanziamento. La loro presenza globale può spostare i carichi di lavoro tra regioni quando energia, regolamentazione o capacità locale diventano vincoli.

Gli acceleratori personalizzati offrono un'altra difesa. I chip progettati internamente possono ridurre la dipendenza da un singolo fornitore e migliorare l'economia per specifici carichi di lavoro.

Questa strategia comporta costi propri. Progettare processori, software e reti richiede investimenti continuativi, mentre i clienti si aspettano comunque compatibilità con sistemi ampiamente adottati.

L'avversario centrale di questa storia non è quindi Gartner contro una singola azienda. È la promessa di ricavi del settore contro la realtà economica del capitale impiegato.

Gli hyperscaler dispongono di più difese, ma hanno comunque bisogno che i clienti utilizzino i servizi AI su scala straordinaria. Il loro vantaggio è la capacità di catturare valore lungo un sistema molto più ampio.

Cosa non dimostra l'avvertimento da 3,5 trilioni di dollari

La previsione di Gartner è uno scenario basato su ipotesi di spesa, ricavi e rendimenti, non un prospetto certificato di perdite inevitabili.

L'analisi presume che l'attuale traiettoria degli investimenti continui. I fornitori possono cambiare quella traiettoria quando l'economia dei progetti peggiora.

La costruzione può essere rinviata prima dell'arrivo delle attrezzature. Gli ordini hardware possono essere rivisti, le strutture possono aprire per fasi e le sedi pianificate possono restare non sviluppate.

Anche le carenze di capacità possono sostenere i prezzi più a lungo del previsto. Accesso all'energia, ritardi nelle autorizzazioni, vincoli di fornitura e opposizione locale possono limitare i nuovi progetti prima che il mercato raggiunga l'eccesso di offerta.

Questi vincoli ridurrebbero la quantità di infrastrutture completate esposte a una domanda debole. Potrebbero inoltre rendere più preziosa la capacità funzionante.

La domanda potrebbe superare la previsione dei ricavi di Gartner. Agenti AI, sistemi scientifici, robotica, generazione di media, strumenti di programmazione e automazione aziendale potrebbero creare carichi di lavoro ancora difficili da modellare.

Il settore potrebbe anche sviluppare una monetizzazione migliore. Le imprese potrebbero pagare di più quando i sistemi AI completano lavoro di valore anziché fornire assistenza occasionale.

Questo risultato richiede valore economico misurabile. I clienti aziendali devono infine ottenere guadagni di produttività, ricavi aggiuntivi o costi operativi inferiori che giustifichino spese ricorrenti per l'AI.

Le aziende ad alta intensità di conoscenza affrontano lo stesso test su scala minore. Una knowledge base AI produce valore solo quando le persone possono utilizzarne l'output all'interno di decisioni e flussi di lavoro reali.

I fornitori di infrastrutture dipendono da questo successo a livello applicativo. Se l'AI aziendale rimane una voce di budget sperimentale, la domanda non sosterrà ogni data center attualmente pianificato.

L'efficienza crea un'altra incertezza. Hardware migliore, modelli più piccoli, caching, quantizzazione e software migliorato possono fornire più output dalla stessa infrastruttura.

L'efficienza può aumentare i margini dei fornitori ben utilizzati. Può anche ridurre la capacità totale necessaria per servire un determinato livello di domanda.

L'effetto dipende dall'elasticità, ovvero da quanto intensamente l'utilizzo risponde quando i costi diminuiscono. Se costi inferiori generano molta più domanda, i fornitori possono mantenere occupati i propri sistemi.

Se la domanda cresce lentamente, l'efficienza può rendere ridondante la capacità appena costruita. Lo stesso progresso tecnico può quindi rafforzare le applicazioni indebolendo al contempo i proprietari delle infrastrutture.

Anche l'ipotesi di rendimento del 12% di Gartner merita attenzione. Rappresenta il tasso soglia scelto dall'azienda per il capitale d'investimento, piuttosto che una soglia contabile universale.

Un rendimento richiesto più basso ridurrebbe il divario modellato. Costi di finanziamento più elevati o un maggiore rischio dei progetti lo amplierebbero.

L'attribuzione dei ricavi pone un'altra sfida. L'AI contribuisce a contratti cloud, prodotti pubblicitari, abbonamenti software ed efficienza interna, ma è difficile assegnare con precisione tale valore.

Un modello di attribuzione ristretto potrebbe sottostimare i ricavi sostenuti dall'infrastruttura. Un modello ampio potrebbe attribuire all'AI attività che i sistemi esistenti avrebbero comunque generato.

La cifra di 3,5 trilioni di dollari dovrebbe quindi essere letta come una stima dell'esposizione. Rivela l'entità del disallineamento secondo le ipotesi di Gartner, ma non identifica asset o aziende specifiche.

Questo limite non rende banale l'avvertimento. L'analisi di scenario è utile quando le decisioni d'investimento arrivano anni prima che i loro risultati diventino osservabili.

L'argomento di Gartner sulle svalutazioni dell'AI diventa più forte se la spesa continua mentre utilizzo, margini e ricavi attribuibili restano deboli. Diventa più debole se la domanda redditizia recupera terreno prima che l'ammortamento acceleri.

Tre segnali decideranno se l'avvertimento regge

Utilizzo, rendimenti di cassa e consolidamento mostreranno se l'espansione dell'AI sta creando aziende infrastrutturali durature o capacità inutilizzata.

Il primo segnale è l'utilizzo dichiarato nei data center AI. I fornitori raramente offrono una misura completa e comparabile, ma diversi indicatori operativi possono rivelare la direzione.

Gli investitori dovrebbero osservare prezzi di noleggio, durata dei contratti, concentrazione dei clienti, ritardi nelle implementazioni e il tempo necessario per riempire nuova capacità. Prezzi in calo insieme a nuove disponibilità sosterrebbero l'avvertimento di Gartner.

Un elevato utilizzo da solo non è sufficiente. I fornitori possono riempire le strutture con contratti scontati che non riescono a coprire finanziamento e ammortamento.

Il segnale più forte combinerebbe un elevato utilizzo con prezzi stabili e margini operativi in miglioramento. Questo modello mostrerebbe che i clienti attribuiscono alla capacità un valore sufficiente a sostenerne l'economia.

Il secondo segnale è il rendimento sul capitale investito delle principali piattaforme. La spesa in conto capitale può sostenere la crescita futura, ma la generazione di cassa deve infine dimostrare il rendimento.

Ricavi cloud, margini operativi, flusso di cassa libero, ammortamento, impegni di acquisto e conversione del portafoglio ordini meritano tutti attenzione. Nessun singolo dato può risolvere la questione.

Se la crescita del cloud rimane forte mentre i margini resistono all'aumento dell'ammortamento, la difesa degli hyperscaler acquista credibilità. Se i ricavi crescono mentre i rendimenti di cassa diminuiscono persistentemente, il rischio per l'infrastruttura AI di Gartner diventa più difficile da liquidare.

Il terzo segnale è il consolidamento delle neocloud. Gartner prevede che oltre l'80% di questi fornitori cesserà di operare in modo indipendente entro il 2030.

Acquisizioni, ristrutturazioni, progetti cancellati, modifiche ai covenant e vendite di asset in difficoltà fornirebbero prove iniziali. Lo farebbe anche un forte spostamento verso pochi operatori di scala.

Il consolidamento non deve necessariamente significare che la domanda di AI sia crollata. Può significare che la domanda è rimasta sana mentre i fornitori originari utilizzavano strutture finanziarie insostenibili.

La disponibilità di energia influenzerà tutti e tre i segnali. I data center non possono monetizzare processori privi di elettricità affidabile o connessioni alla rete.

Le prospettive della domanda energetica prevedono che il consumo globale di elettricità dei data center raggiungerà circa 945 terawattora entro il 2030. Si tratta di oltre il doppio del livello recente.

Si prevede che l'AI guiderà gran parte dell'aumento. Tuttavia, i data center concentrano la domanda in località specifiche, dove capacità di trasmissione e generazione possono diventare vincoli vincolanti.

I colli di bottiglia energetici potrebbero proteggere le strutture completate dall'eccesso di offerta. Potrebbero anche bloccare progetti che hanno assicurato terreni e attrezzature senza una connessione praticabile.

La sequenza conta. La previsione di Gartner si rafforza se le aziende continuano a impegnare capitale nonostante rendimenti più deboli e capacità in eccesso visibile.

Si indebolisce se i fornitori tagliano i progetti marginali, migliorano l'utilizzo e trasformano l'adozione aziendale in domanda ricorrente redditizia. La disciplina di spesa potrebbe prevenire svalutazioni senza confutare l'importanza più ampia dell'AI.

I lettori dovrebbero distinguere il successo dell'intelligenza artificiale dal successo di ogni azienda che ne finanzia l'infrastruttura. Una tecnologia utile può comunque attrarre troppo capitale ai prezzi sbagliati.

La stessa distinzione si applicava durante i precedenti boom delle comunicazioni e dell'informatica. Le costruzioni eccessive hanno danneggiato gli investitori, ma l'infrastruttura sopravvissuta ha poi sostenuto servizi di valore.

L'avvertimento di Gartner afferma che il settore si sta avvicinando a quel test prima che l'espansione sia completata. Il suo modello colloca oltre 3,5 trilioni di dollari a rischio lungo la traiettoria attuale.

La prossima domanda non è se l'utilizzo dell'AI continuerà a crescere. Quasi certamente lo farà. La domanda è se i ricavi raggiungeranno i proprietari degli asset abbastanza rapidamente da superare ammortamento, costi di finanziamento e nuova concorrenza.

Osservate ciò che i fornitori riportano, piuttosto che ciò che promettono. Le nuove strutture si stanno riempiendo a prezzi sostenibili? I rendimenti migliorano dopo gli ammortamenti? Gli operatori specializzati restano indipendenti?

Le risposte determineranno se Gartner ha individuato un disallineamento di capitale evitabile o la fase iniziale di un ciclo storico di svalutazioni.