Jon Gray contesta lo scetticismo sui lenti ritorni dell'AI

Jon Gray ha contestato la crescente richiesta di ritorni immediati dall'AI, definendo questa impazienza “un po' fuori luogo” nonostante le crescenti preoccupazioni su spesa e flusso di cassa.

La tesi del presidente di Blackstone, riportata in un articolo di Business Insider distribuito tramite google news, si basa su un orizzonte di investimento più lungo. I data center richiedono anni di pianificazione, costruzione, approvvigionamento energetico e locazione ai clienti prima che la loro redditività diventi chiara.

Questa posizione entra in contrasto con un messaggio più netto dei mercati pubblici. Gli investitori vogliono sempre più che Alphabet, Amazon, Meta, Microsoft e Oracle colleghino la spesa in conto capitale per l'AI a ricavi, margini e flusso di cassa libero misurabili.

Gray non è un osservatore neutrale in questo dibattito. Blackstone ha posto data center, infrastrutture energetiche e altri asset legati all'AI al centro della propria strategia di investimento. I suoi risultati gli offrono elementi a sostegno dell'ottimismo, ma l'esposizione dell'azienda le conferisce anche un chiaro interesse finanziario nel mantenimento delle costruzioni.

La vera discussione non riguarda quindi l'esistenza di domanda per l'AI. L'attuale crescita del cloud e gli impegni infrastrutturali dimostrano già una domanda sostanziale. Il dissenso riguarda tempistiche, concentrazione e la capacità delle costruzioni attuali di generare rendimenti accettabili dopo costi di finanziamento e operativi.

La tesi di Jon Gray sui ritorni dell'AI riguarda il fattore tempo

Gray chiede agli investitori di valutare l'infrastruttura AI come un asset industriale di lunga durata, non come una funzionalità software che dovrebbe ripagarsi entro un trimestre.

I materiali pubblici di Blackstone descrivono un ciclo di spesa pluriennale che coinvolge chip, data center, apparecchiature di raffreddamento e generazione di elettricità. Questi asset devono esistere prima che i fornitori cloud possano vendere la capacità di calcolo che creano.

Questa sequenza rende incomplete le prime valutazioni dei rendimenti. La spesa per la costruzione appare immediatamente, mentre i ricavi arrivano dopo che gli edifici ricevono energia, i server vengono installati e i clienti iniziano a utilizzare la capacità contrattualizzata.

Un data center può inoltre ospitare diverse generazioni di apparecchiature informatiche. La vita economica dell'edificio e della connessione elettrica può quindi estendersi oltre la vita utile dei suoi primi chip.

La posizione di Gray acquista credibilità dal portafoglio di Blackstone. Durante la conference call sui risultati del secondo trimestre, il management ha affermato che l'AI stava guidando gli investimenti nelle infrastrutture digitali ed energetiche. Blackstone ha inoltre riferito che nove dei suoi dieci maggiori guadagni trimestrali sugli investimenti erano collegati ad attività legate all'AI.

L'azienda ha dichiarato che la sua strategia combinata per le infrastrutture digitali aveva generato un rendimento annuo netto del 18% dall'avvio. Questo dato riguarda una strategia di investimento di Blackstone, non l'intero mercato dell'AI, e non dovrebbe essere considerato una prova universale.

Blackstone ha evidenziato QTS, l'operatore di data center acquisito prima del lancio di ChatGPT. Secondo il midyear outlook dell'azienda, la capacità locata di QTS era cresciuta di quindici volte nell'arco di cinque anni.

Quell'esperienza plasma il ragionamento di Gray. Blackstone ha impegnato capitale prima che la domanda per l'AI generativa diventasse evidente, per poi beneficiarne quando i grandi clienti cloud hanno cercato maggiore capacità di calcolo.

Tuttavia, una singola piattaforma di successo non può risolvere la questione più ampia dei rendimenti. Prezzi di ingresso, disponibilità di energia, strutture di finanziamento, contratti con gli inquilini e tempi di costruzione differiscono tra gli asset.

I guadagni di Blackstone riflettono anche la sua posizione nella catena di fornitura. Un proprietario con contratti di locazione a lungo termine può ottenere rendimenti interessanti anche quando i prodotti AI dell'inquilino restano meno redditizi del previsto.

Questa distinzione è importante. I proprietari di infrastrutture vendono capacità scarsa, mentre le aziende cloud devono trasformare tale capacità in ricavi ricorrenti dai clienti. Gli sviluppatori di applicazioni affrontano un'ulteriore sfida, perché devono generare abbastanza ricavi da coprire il costoso accesso ai modelli e alla capacità di calcolo.

Il commento originale va inteso soprattutto come una difesa del capitale paziente. Gray non sostiene che ogni modello AI, data center o azienda software avrà successo.

La sua tesi più circoscritta afferma che gli investitori stanno valutando un'espansione incompleta prima che gran parte della sua capacità sia entrata in servizio. Su questo punto, la tempistica delle costruzioni gli dà ragione.

Eppure, la stessa tempistica può nascondere errori. Un progetto ritardato da vincoli energetici può perdere la sua finestra di domanda più favorevole. Una struttura progettata intorno all'hardware attuale potrebbe richiedere aggiornamenti costosi prima del previsto.

Il tempo è quindi al contempo la difesa di Gray e il suo rischio. L'attesa consente alla domanda contrattualizzata di trasformarsi in ricavi, ma offre anche ai concorrenti il tempo di aggiungere capacità e ridurre i prezzi.

Perché google news si riempie di dubbi sulla spesa per l'AI

Lo scetticismo degli investitori si è intensificato perché gli impegni di capitale crescono più rapidamente di quanto le aziende riescano a comunicare i rendimenti associati.

I maggiori fornitori cloud raramente riportano ricavi e profitti dell'AI come voci separate. L'attività AI rientra invece in attività più ampie di cloud, pubblicità, software o infrastrutture.

Questa struttura contabile rende difficili i calcoli diretti dei rendimenti. Google Cloud include carichi di lavoro cloud convenzionali insieme ai servizi AI, mentre il segmento cloud di Microsoft combina Azure con altri prodotti.

Amazon Web Services affronta lo stesso problema di attribuzione. Meta utilizza gran parte della propria infrastruttura internamente, dove l'AI supporta raccomandazioni, pubblicità, strumenti per i contenuti e sviluppo dei prodotti.

Un'analisi degli utili ha rilevato che i margini del cloud offrono indizi, ma non possono isolare i rendimenti degli investimenti nell'AI. I carichi di lavoro cloud tradizionali restano molto redditizi e possono mascherare un'economia dell'AI più debole.

I dati sulla spesa sono più facili da osservare. Reuters ha riferito che le stime di consenso delle spese in conto capitale per Microsoft, Alphabet, Amazon, Meta e Oracle sono salite da circa 485 miliardi di dollari a gennaio a circa 730 miliardi entro luglio 2026.

La stessa analisi del flusso di cassa ha previsto che le cinque aziende potrebbero spendere più in spese in conto capitale di quanto genereranno in flusso di cassa libero nel 2027.

Queste stime includono investimenti non legati all'AI, perché le aziende non separano in modo coerente la spesa per l'AI. Tuttavia, i dirigenti hanno indicato server, data center, reti e capacità cloud correlate come principali fattori di spesa.

La pressione appare diversa per ogni azienda. Microsoft ha riportato 35,8 miliardi di dollari di flusso di cassa operativo trimestrale, registrando al contempo 37,5 miliardi di dollari di spese in conto capitale, inclusi i leasing finanziari.

Amazon ha riferito che il flusso di cassa operativo degli ultimi dodici mesi aveva raggiunto 148,5 miliardi di dollari, mentre il flusso di cassa libero era sceso a 1,2 miliardi. Le spese in conto capitale di Oracle nell'esercizio 2026 hanno raggiunto 55,7 miliardi di dollari, a fronte di 32 miliardi di dollari di flusso di cassa operativo.

Questi dati non dimostrano che la spesa fallirà. Spiegano perché gli investitori non accettano più la crescita della capacità come prova sufficiente.

In origine, gli azionisti pubblici valutavano molte aziende tecnologiche come piattaforme leggere in termini di asset. I ricavi da software e pubblicità potevano crescere senza un corrispondente aumento di fabbriche, attrezzature o scorte.

L'AI cambia quel modello. La crescita dei ricavi dipende sempre più da strutture fisiche, chip specializzati, sistemi di raffreddamento, apparecchiature di trasmissione ed elettricità affidabile.

Il risultato assomiglia a un ibrido tra economia del software e infrastrutture industriali. Questa combinazione può produrre vantaggi duraturi, ma riduce anche la flessibilità e assorbe liquidità prima che la domanda diventi certa.

Questa è la tensione alla base dell'attuale copertura di google news. Gray vede infrastrutture che sosterranno anni di domanda di calcolo. Gli scettici vedono enormi impegni fissi la cui redditività resta difficile da misurare.

Le due posizioni non sono completamente opposte. Gli investitori possono credere che la domanda di AI crescerà, pur chiedendosi se ogni dollaro delle costruzioni attuali genererà un rendimento adeguato.

Questa distinzione spiega perché le reazioni del mercato sono diventate selettive. Le aziende che mostrano crescita nel cloud e margini stabili ricevono più pazienza di quelle che dipendono fortemente dal debito o da clienti concentrati.

Il dibattito è andato oltre la domanda se i dirigenti credano nell'AI. Gli investitori ora vogliono prove che la spesa incrementale produca ricavi incrementali senza indebolire permanentemente margini o rendimenti per gli azionisti.

Il capitale paziente per le infrastrutture incontra la pressione trimestrale del mercato

Il conflitto principale contrappone il modello di investimento di lunga durata di Gray agli investitori pubblici che chiedono prove finanziarie nel breve termine.

Blackstone raccoglie fondi concepiti per detenere asset privati per periodi prolungati. Può strutturare investimenti attorno a contratti di locazione lunghi, flussi di cassa contrattualizzati e sviluppo graduale.

Le aziende tecnologiche quotate rispondono a un orologio diverso. Ogni rapporto sugli utili offre agli azionisti un'altra occasione per confrontare le spese in conto capitale con crescita del cloud, reddito operativo e flusso di cassa libero.

Questa differenza può far apparire corrette entrambe le parti. Un investimento privato in un data center può dare buoni risultati nell'arco di un decennio, riducendo al contempo il flusso di cassa di un fornitore cloud nei suoi primi anni.

Il modello di Gray beneficia anche della scarsità. Terreni idonei, connessioni alla rete elettrica, attrezzature, autorizzazioni e operatori esperti restano limitati nei principali mercati dei data center.

Blackstone afferma che il tempo necessario per assicurarsi l'elettricità in alcune località è passato da circa un anno a sette anni o più. La scarsità può sostenere canoni di locazione e valori degli asset per i proprietari che già controllano siti alimentati.

Per gli hyperscaler, la stessa scarsità aumenta i costi. Un fornitore cloud può pagare di più per elettricità, costruzione, reti e attrezzature, perché ritardare la capacità rischia di far perdere clienti.

Questo crea un incentivo insolito. Per i dirigenti tecnologici, investire troppo poco può apparire più pericoloso di una spesa eccessiva temporanea.

Un cliente che non riesce a ottenere sufficiente capacità di calcolo può trasferire i carichi di lavoro altrove, costruire sistemi interni o firmare un contratto a lungo termine con un concorrente. Le relazioni perse possono persistere anche dopo il miglioramento dell'offerta.

Moody’s ha descritto questa preoccupazione come esistenziale dal punto di vista degli hyperscaler. La sua analisi ha anche avvertito che costruzioni aggressive possono creare capacità in eccesso e rendimenti più deboli.

La spesa per i data center generalmente precede i ricavi con un ampio margine. I progetti richiedono pianificazione, costruzione, messa in servizio, installazione delle apparecchiature e distribuzione presso i clienti prima di diventare pienamente produttivi.

Questo ritardo sostiene la critica di Gray all'impazienza. Sarebbe irragionevole aspettarsi che una struttura in costruzione generi lo stesso rendimento di un asset maturo e completamente locato.

Tuttavia, gli investitori non stanno valutando solo edifici incompleti. Stanno valutando se i team manageriali siano in grado di prevedere la domanda con sufficiente accuratezza da evitare una sovracostruzione sincronizzata.

Alphabet, Amazon, Meta, Microsoft e Oracle si stanno espandendo contemporaneamente. Fornitori cloud specializzati e progetti sovrani aggiungono un ulteriore livello di offerta pianificata.

Se tutti i partecipanti utilizzano previsioni di crescita simili, possono costruire collettivamente più capacità di quanta i clienti riescano ad assorbire. I prezzi del cloud scenderebbero, mentre ammortamenti, interessi e spese elettriche rimarrebbero.

Jason Helfstein di Oppenheimer ha riassunto la preoccupazione in termini diretti: se il settore crea troppa capacità, il suo prezzo diminuirà. Questo è il rischio classico nei mercati ad alta intensità di capitale.

Le telecomunicazioni offrono un confronto storico rilevante. Gli investimenti nella fibra alla fine degli anni Novanta crearono un’infrastruttura che alla fine divenne essenziale, eppure numerosi investitori subirono perdite perché la capacità arrivò prima della domanda redditizia.

Internet non fu una tecnologia fallimentare. Molti singoli progetti e aziende generarono comunque rendimenti modesti.

L’infrastruttura AI può seguire lo stesso esito diviso. La società potrebbe utilizzare molta più capacità di calcolo, mentre alcuni proprietari potrebbero scoprire di aver pagato troppo o finanziato progetti in modo eccessivamente aggressivo.

Goldman Sachs ha stimato che la spesa degli hyperscaler per l’AI dovrebbe raggiungere 700 miliardi di dollari nel 2026 per eguagliare il picco delle telecomunicazioni della fine degli anni Novanta in rapporto all’economia. Le sue prospettive di investimento rilevano inoltre che i grandi provider dispongono di una notevole capacità patrimoniale.

La scala riduce quindi il rischio di difficoltà finanziarie immediate per le aziende più solide. Non garantisce che la prossima unità di capacità generi lo stesso rendimento della precedente.

L’argomentazione di Gray è più convincente quando si applica a infrastrutture scarse, coperte da contratti e possedute da investitori ben capitalizzati. Diventa più debole quando viene generalizzata a progetti speculativi, operatori con forte leva finanziaria e applicazioni non dimostrate.

L’impazienza del mercato non è semplicemente una visione a breve termine. È un tentativo di distinguere infrastrutture durevoli da capacità costruita su ipotesi che non sono ancora state verificate.

L’assenza di dati sui rendimenti lascia un reale divario di verifica

L’ottimismo di Gray non può risolvere il problema centrale perché né Blackstone né gli hyperscaler forniscono una visione completa della redditività dell’AI.

Blackstone può riportare le performance di strategie infrastrutturali selezionate e singole società in portafoglio. Questi risultati mostrano come i suoi asset si siano comportati nell’ambito di contratti e strutture proprietarie specifiche.

Non rivelano il rendimento ottenuto dai clienti cloud che utilizzano tali strutture. Né mostrano se le applicazioni di AI generativa possano sostenere i prezzi necessari lungo l’intera catena di fornitura.

Le comunicazioni degli hyperscaler presentano il limite opposto. Mostrano ricavi consolidati, margini, flussi di cassa e spese in conto capitale, ma raramente isolano il contributo dell’infrastruttura AI.

Questo lascia gli investitori a combinare segnali indiretti. Osservano la crescita del cloud, il portafoglio ordini, l’utilizzo, i margini operativi, gli ammortamenti, gli impegni di leasing e i commenti del management.

Ogni segnale presenta debolezze. Il portafoglio ordini può includere contratti che si estendono per molti anni e i clienti possono negoziare calendari di implementazione prima che i ricavi vengano rilevati.

L’utilizzo può migliorare mentre i prezzi diminuiscono. La crescita del cloud può riflettere la domanda tradizionale di database, archiviazione e networking, anziché quella dell’AI generativa.

I margini possono inoltre restare stabili perché servizi legacy redditizi compensano le perdite dei carichi di lavoro AI più recenti. Senza comunicazioni a livello di segmento, solidi risultati del cloud non dimostrano rendimenti AI attraenti.

La concentrazione dei clienti crea un’altra incertezza. La ricerca tecnologica di HSBC ha stimato che OpenAI e Anthropic rappresentino circa la metà dei portafogli ordini legati all’AI comunicati da diversi grandi provider cloud.

La quota esatta è difficile da verificare perché i provider divulgano dettagli limitati sui clienti. Tuttavia, questa possibilità è importante poiché entrambi i laboratori dipendono dal continuo investimento esterno e da grandi impegni infrastrutturali.

Un mercato concentrato può apparire più solido di quanto non sia. I ricavi infrastrutturali di un provider possono provenire da un cliente la cui spesa è finanziata da un’altra azienda nella stessa rete di investimenti.

Questi rapporti non sono automaticamente circolari o insostenibili. Gli investitori strategici possono finanziare razionalmente gli sviluppatori di modelli e al tempo stesso vendergli capacità di calcolo.

Tuttavia, tali accordi complicano l’analisi della domanda. Gli investitori devono determinare quanta parte dell’utilizzo provenga da clienti paganti indipendenti, anziché da capitale riciclato all’interno di un piccolo gruppo.

La visione scettica si estende anche oltre gli hyperscaler. Le aziende segnalano sperimentazioni con l’AI, ma la sperimentazione non si trasforma sempre in un’implementazione su larga scala.

Un progetto pilota può dimostrare valore tecnico senza coprire i costi di integrazione, sicurezza, formazione, governance e inferenza. Le aziende possono ridurre l’utilizzo quando tali costi superano i risparmi misurabili.

Blackstone riferisce che circa la metà delle società del suo portafoglio è passata a qualche forma di adozione dell’AI. Ciò offre una prospettiva utile su diverse aziende, ma le fasi di adozione non equivalgono a rendimenti finanziari.

Il dato mancante più importante è il profitto incrementale. Gli investitori devono sapere se l’AI genera ricavi o risparmi oltre quanto le aziende avrebbero ottenuto senza l’infrastruttura aggiuntiva.

Questo calcolo richiede un controfattuale, ossia una stima dei risultati senza l’investimento. Le aziende raramente ne pubblicano uno e gli osservatori esterni non possono costruirlo con precisione.

Un sistema di raccomandazione può migliorare i ricavi pubblicitari utilizzando nuovo hardware AI. Eppure gli stessi ricavi potrebbero anche riflettere prezzi più elevati, crescita dell’audience o modifiche non correlate al prodotto.

Un assistente di programmazione AI può aumentare gli abbonamenti software. Il suo contributo dipende comunque dalla fidelizzazione dei clienti, dai costi di calcolo, dalle spese di supporto e dalla possibile cannibalizzazione dei prodotti esistenti.

Questo divario di verifica lascia a entrambe le parti spazio per selezionare prove favorevoli. Gray può indicare la crescita dei leasing e i rendimenti infrastrutturali. I critici possono indicare il calo del flusso di cassa libero e le comunicazioni limitate.

Nessuno dei due dimostra l’esito finale. Lo sviluppo è ancora in corso e gran parte della capacità rilevante non è operativa da abbastanza tempo da stabilire un’economia stabile.

Per i lettori che arrivano da google news, questa incertezza è più importante del disaccordo nel titolo. La disputa non può essere risolta soltanto con la fiducia.

Le prove dovranno infine emergere nei ricavi ricorrenti, nell’utilizzo sostenuto, nella stabilità dei prezzi, nel miglioramento dei margini e nella generazione di cassa dopo i costi del capitale.

Finché queste cifre non diventeranno visibili, il commento di Gray rimarrà una tesi d’investimento plausibile anziché una conclusione verificata sull’intera economia dell’AI.

Dove il caso di Jon Gray affronta la prova più difficile

Il rischio maggiore non è che la domanda di AI scompaia, ma che offerta, finanziamento ed economia dei clienti non riescano ad allinearsi.

La domanda di capacità di calcolo può crescere rapidamente mentre gli investitori ottengono comunque rendimenti deludenti. Il prezzo pagato per gli asset e il costo del finanziamento determinano chi cattura il valore.

Elevati oneri per interessi possono annullare il vantaggio di solidi ricavi da leasing. I ritardi di costruzione possono generare costi prima che una struttura inizi a fatturare ai clienti.

L’energia è un altro vincolo. I data center necessitano di elettricità affidabile e nuovi progetti di trasmissione o generazione possono richiedere più tempo delle stesse strutture di calcolo.

Gli sviluppatori con potenza elettrica assicurata possono godere di maggiore leva sui prezzi. Chi ne è privo può ritrovarsi con terreni e attrezzature costosi in attesa della connessione alla rete.

Anche le comunità e le autorità di regolamentazione influenzano i tempi. Le preoccupazioni includono le tariffe elettriche per le famiglie, il consumo d’acqua, il rumore, le emissioni e la concorrenza per il suolo.

Nuovi requisiti possono trasferire i costi infrastrutturali verso gli operatori dei data center. Ciò può proteggere i residenti, riducendo però i rendimenti dei progetti o ritardando la costruzione.

I cicli delle apparecchiature aggiungono ulteriore incertezza. I processori avanzati possono diventare commercialmente datati molto più rapidamente di edifici, sottostazioni e sistemi di raffreddamento.

I proprietari devono progettare strutture che supportino le future densità hardware. Un edificio che non possa accogliere nuovi requisiti di alimentazione e raffreddamento potrebbe richiedere investimenti aggiuntivi.

I rapidi guadagni di efficienza creano un’altra tensione. Chip più efficienti possono ridurre il costo di calcolo per attività, incoraggiando un maggiore utilizzo attraverso prezzi più bassi.

Tuttavia, l’efficienza può anche ridurre il numero di macchine necessarie per un carico di lavoro fisso. La domanda deve espandersi abbastanza rapidamente da assorbire tali guadagni.

La concorrenza riguarda ogni livello. Nvidia fornisce gran parte dell’hardware per il calcolo accelerato, mentre le aziende cloud sviluppano i propri processori per ridurre costi e dipendenza dai fornitori.

Google utilizza da tempo le tensor processing units, processori specializzati progettati per carichi di lavoro di machine learning. Anche Amazon e Microsoft offrono chip AI progettati internamente.

L’hardware personalizzato può migliorare l’economia degli hyperscaler. Può anche indebolire le ipotesi alla base di strutture o accordi di finanziamento ottimizzati attorno a uno specifico processore esterno.

La maggiore pressione nel breve termine potrebbe ricadere sugli operatori con leva finanziaria anziché sulle più grandi aziende tecnologiche. Gli hyperscaler possono sostenere la spesa con ricavi diversificati e grandi flussi di cassa.

I fornitori di infrastrutture più piccoli dipendono spesso dal debito, dal finanziamento delle apparecchiature o da un numero limitato di locatari. Un contratto ritardato o un problema di rifinanziamento può avere un effetto molto maggiore.

S&P Global Ratings stima che cinque grandi provider cloud spenderanno circa 750 miliardi di dollari in spese in conto capitale nel 2026, pari a circa il 38% dei loro ricavi. La sua valutazione del credito prevede che il flusso di cassa si riprenda con la crescita dei ricavi AI.

L’agenzia avverte inoltre che la qualità creditizia di lungo periodo dipende dalla crescita dei ricavi più rapida degli impegni di capitale. Questa condizione coglie il test centrale con maggiore precisione rispetto ad affermazioni generiche su una bolla dell’AI.

L’argomentazione di Gray regge se la domanda resta superiore all’offerta utilizzabile e i contratti di lungo periodo trasformano la scarsità in flusso di cassa. Si indebolisce se i costi di finanziamento aumentano mentre la capacità diventa intercambiabile.

Si indebolisce inoltre se i principali clienti AI non riescono a finanziare i propri impegni attraverso i ricavi operativi. La domanda di infrastrutture diventa allora dipendente dalla continua raccolta di capitale anziché da un utilizzo autosostenibile.

La sfida per i lettori è evitare di trattare l’AI come un unico mercato uniforme. Un asset energetico redditizio, una struttura interamente locata, un servizio cloud e un chatbot per consumatori hanno economie diverse.

Il successo di Blackstone in uno strato non dimostra la redditività in ogni strato. Al contrario, una debole economia delle applicazioni non rende automaticamente non redditizio un data center coperto da contratto.

Questo esito frammentato è più probabile di un semplice verdetto di boom o bust. Le piattaforme solide possono ottenere rendimenti attraenti, mentre i progetti più deboli si ristrutturano, si consolidano o chiudono.

L’argomento di Gray sull’impazienza dovrebbe quindi essere applicato selettivamente. Il tempo aiuta gli asset sostenuti da domanda reale e finanziamenti disciplinati. Il tempo non corregge un prezzo di ingresso eccessivo o un cliente inaffidabile.

Cosa dovrebbero osservare ora i lettori di google news

I prossimi tre segnali mostreranno se Gray è in anticipo, ha ragione o sta trascurando un divario crescente tra costruzione e domanda redditizia.

In primo luogo, osservate il flusso di cassa libero insieme alle spese in conto capitale nel prossimo ciclo di risultati degli hyperscaler. La sola crescita dei ricavi non risolverà la questione.

La prova più forte a favore di Gray sarebbe l’espansione dei ricavi AI o cloud mentre i margini operativi restano stabili e il flusso di cassa inizia ad assorbire i nuovi costi di capitale.

Il modello opposto indebolirebbe la sua tesi. Una spesa che continua ad aumentare mentre il flusso di cassa libero diminuisce accrescerebbe la pressione per progetti rinviati, minori riacquisti di azioni o più finanziamenti esterni.

Gli investitori dovrebbero confrontare le spese in conto capitale con il flusso di cassa operativo anziché considerare ciascuna cifra isolatamente. Dovrebbero inoltre tenere conto dei leasing finanziari, che possono spostare gli impegni infrastrutturali al di fuori di confronti più semplici basati sulla spesa di cassa.

In secondo luogo, osservate la trasformazione dei portafogli ordini comunicati in ricavi rilevati. I grandi contratti sostengono la tesi infrastrutturale solo quando i clienti implementano i carichi di lavoro ed effettuano pagamenti continuativi.

Le prove utili includono un maggiore utilizzo, l’accelerazione delle vendite cloud e minori riferimenti a vincoli di capacità. Prezzi stabili o in miglioramento suggerirebbero che la domanda supera ancora l’offerta utilizzabile.

I ritardi nelle implementazioni manderebbero un messaggio diverso. Lo stesso farebbe un calo dei prezzi causato dal rilascio simultaneo di capacità da parte di diversi fornitori.

La composizione della clientela conta quanto il portafoglio ordini complessivo. Una più ampia adozione da parte delle imprese ridurrebbe la dipendenza da OpenAI, Anthropic e da un ristretto gruppo di acquirenti fortemente finanziati.

In terzo luogo, occorre osservare come cambia il finanziamento. Emissioni di debito, joint venture, cessioni di asset e strutture di finanziamento private mostrano chi si sta assumendo il rischio di costruzione.

Il capitale esterno può avere senso, perché i data center sono asset di lunga durata. Abbinarli a finanziamenti di lungo periodo può evitare alle aziende tecnologiche di dover finanziare direttamente ogni progetto.

Il finanziamento diventa più preoccupante quando nasconde la leva finanziaria o trasferisce il rischio a veicoli che dipendono da ipotesi ottimistiche sui tassi di utilizzo. Gli investitori dovrebbero esaminare garanzie, obblighi di locazione e concentrazione degli inquilini.

Questi segnali dovrebbero emergere con maggiore chiarezza nell'arco di diversi trimestri di risultati, non da un singolo titolo. Questa tempistica sostiene una parte del messaggio di Gray, preservando al contempo il diritto del mercato di pretendere prove.

La sua dichiarazione respinge l'idea di un verdetto trimestrale su un ciclo infrastrutturale pluriennale. Non elimina la necessità di tappe intermedie lungo il percorso.

La domanda più utile, quindi, non è se gli investitori siano troppo impazienti. È se le aziende riescano a dimostrare progressi costanti prima che la pazienza diventi una scusa.

I lettori possono seguire questi progressi attraverso il flusso di cassa, il portafoglio ordini convertito e la qualità del finanziamento. Questi indicatori riveleranno più di un'altra ondata di annunci ottimistici sull'AI.

Tenete questi tre indicatori accanto al prossimo titolo di google news sulla spesa per l'AI. Se migliorano tutti insieme, l'argomentazione di Gray a favore della pazienza si rafforza. Se divergono, lo scetticismo del mercato apparirà sempre più giustificato.