Matt McLennan afferma che la concentrazione sull'AI ha reso i mercati compiacenti
Matt McLennan ha reso più netto il conflitto che circonda i titoli dell'AI: il loro successo ha reso gli investitori meno attenti al rischio, nonostante una concentrazione di mercato senza precedenti.
Il gestore value di First Eagle Investments ha discusso questa preoccupazione con Vonnie Quinn a Bloomberg Brief il 5 agosto. La sua tesi mette in discussione un assunto rassicurante alla base del rally dell'AI. Gli investitori hanno considerato i solidi utili del settore tecnologico, l'espansione della spesa per le infrastrutture e le posizioni competitive dominanti come prove del fatto che la concentrazione sia sicura.
Questa logica contiene un pericoloso ribaltamento. Le società che attirano più capitale possiedono spesso business eccezionali, ma la loro popolarità può comunque indebolire i rendimenti futuri. Prezzi elevati lasciano meno margine per le delusioni, mentre la concentrazione negli indici diffonde le conseguenze tra portafogli ritenuti diversificati.
McLennan non sostiene che l'intelligenza artificiale sia priva di valore economico. Mette in discussione il prezzo che gli investitori pagano per quel valore e la fiducia incorporata in tali prezzi. La distinzione conta perché una tecnologia valida, un'azienda redditizia e un investimento interessante sono tre cose diverse.
Il dibattito va inoltre oltre i gestori di fondi attivi. Chiunque detenga un indice ponderato per capitalizzazione di mercato possiede una quota maggiore di una società man mano che il suo valore di mercato aumenta. Questo processo meccanico può accrescere l'esposizione senza una nuova valutazione di quotazione, concorrenza o tenuta tecnologica.
Il risultato è un mercato modellato da due idee contrapposte. I leader dell'AI possono continuare a generare una crescita reale degli utili, ma il loro crescente peso negli indici può anche rendere il mercato complessivo più fragile.
L'avvertimento di McLennan riguarda il prezzo, non il potenziale dell'AI
L'affermazione centrale non è che l'AI fallirà, ma che gli investitori hanno smesso di pretendere una protezione sufficiente contro il fallimento.
Nell'intervista a Bloomberg, McLennan ha collegato la compiacenza del mercato all'intensa concentrazione attorno all'intelligenza artificiale. La sua preoccupazione riflette l'attenzione più ampia di First Eagle nell'evitare perdite permanenti di capitale.
Una perdita permanente di capitale differisce da un calo temporaneo dei prezzi. Si verifica quando un investitore paga troppo per flussi di cassa futuri che non arrivano mai, senza lasciare una via realistica per tornare al valore originario.
McLennan guida il team Global Value di First Eagle Investments. Il suo processo si concentra su aziende resilienti, bilanci prudenti e su ciò che gli investitori value chiamano margine di sicurezza. Tale margine è la differenza tra il prezzo di mercato di un'attività e una stima prudente del suo valore intrinseco.
L'entusiasmo per l'AI può ridurre quel margine. Gli investitori spesso proiettano una crescita elevata molto nel futuro, per poi sottovalutare i rischi competitivi, normativi ed esecutivi. Un'azienda può soddisfare previsioni ambiziose e generare comunque rendimenti deboli se la sua valutazione iniziale era sufficientemente esigente.
La filosofia value di First Eagle parte dal rischio di una compromissione permanente causata dal pagare troppo. Questo quadro spiega perché McLennan possa rispettare il potenziale dell'AI pur restando cauto sui titoli ad essa associati.
La distinzione separa inoltre la sua argomentazione da una semplice previsione di bolla. Dichiarare l'esistenza di una bolla suggerisce che i prezzi siano ampiamente scollegati dalla realtà economica. La posizione di McLennan è più precisa: un ristretto gruppo di aziende di successo ha attirato aspettative e capitali tali da lasciare meno protezione contro le sorprese.
Tali sorprese non devono distruggere la tesi sull'AI. Una crescita più lenta dei ricavi, margini più bassi, ammortamenti in aumento o un potere di determinazione dei prezzi più debole possono cambiare gli esiti degli investimenti. Tassi d'interesse più elevati possono inoltre ridurre il valore attuale dei profitti lontani nel tempo.
Anche una revisione modesta può contare quando le valutazioni presuppongono già una leadership sostenuta. Gli investitori non stanno solo scommettendo sull'espansione della domanda di AI. Stanno scommettendo che i leader di oggi cattureranno una quota sufficiente di tale espansione da giustificare i loro attuali valori di mercato.
È qui che entra in gioco la compiacenza. I forti rendimenti passati possono far sembrare minore l'incertezza, anche se l'intervallo dei possibili esiti sottostanti resta ampio. L'aumento dei prezzi diventa così una prova della narrativa che li ha prodotti.
Il processo può autoalimentarsi. Performance migliori attirano più capitale, più capitale aumenta i pesi negli indici e pesi maggiori portano ulteriori acquisti passivi. Nessuno di questi passaggi verifica autonomamente i flussi di cassa a lungo termine che sostengono il prezzo.
McLennan ha sollevato preoccupazioni simili in passato. In una conversazione con il NYSE, ha descritto enormi flussi verso un piccolo gruppo di società growth dopo diversi anni di rendimenti concentrati.
Ha inoltre individuato un'opportunità dall'altra parte. Le aziende difensive e meno di moda possono diventare relativamente interessanti quando gli investitori le liquidano come banali. Si tratta di un'osservazione sulle valutazioni, non di una previsione secondo cui i leader tecnologici crolleranno immediatamente.
La tempistica resta impossibile da conoscere. I mercati concentrati possono restare concentrati e gli asset costosi possono diventare ancora più costosi. L'avvertimento di McLennan riguarda l'esposizione e la preparazione, non un preciso picco di mercato.
La concentrazione del mercato trasforma la fiducia nell'AI in rischio di portafoglio
Un indice diversificato può contenere centinaia di aziende pur dipendendo in modo rilevante solo da poche di esse.
La ponderazione per capitalizzazione di mercato assegna posizioni maggiori alle aziende con valori di borsa più elevati. Gli investitori che utilizzano questa struttura non detengono ogni società in egual misura. I leader esercitano quindi un'influenza molto maggiore sui rendimenti rispetto ai componenti più piccoli.
Questo modello ha funzionato particolarmente bene mentre le grandi aziende tecnologiche sovraperformavano. Ha offerto agli investitori una maggiore esposizione alle imprese che producevano i guadagni più forti, senza richiedere una selezione attiva dei titoli.
Lo stesso modello crea un rischio di concentrazione. Un'inversione in alcune aziende leader può sopraffare le performance positive altrove. Un'ampia proprietà in termini di numero di società non garantisce un'esposizione equilibrata per fattore economico.
L'AI rafforza il legame tra i titoli leader. I progettisti di chip vendono processori utilizzati dai fornitori cloud. I fornitori cloud costruiscono infrastrutture per gli sviluppatori di modelli. Le piattaforme consumer impiegano quei modelli vendendo al contempo servizi ai clienti aziendali.
Queste aziende restano attività distinte, ma le loro storie di crescita dipendono sempre più da una spesa per l'AI interconnessa. Una riduzione della domanda di infrastrutture può quindi influenzare diverse parti della catena.
Goldman Sachs Asset Management ha riferito che i dieci maggiori titoli dell'S&P 500 rappresentavano il 36,5% dell'indice nella sua analisi sulla concentrazione del 2026. Nvidia, Apple e Microsoft figuravano tra i pesi principali.
L'analisi sulla concentrazione ha inoltre offerto un importante contrappunto. Il predominio delle grandi aziende non produce automaticamente una crisi, in particolare quando le imprese leader generano utili solidi e mantengono bilanci sani.
Questa evidenza impedisce conclusioni semplicistiche. Gli attuali leader dell'AI non sono società speculative prive di ricavi, clienti o scala operativa. Molti dispongono di infrastrutture preziose, distribuzione, dati e attività esistenti che generano cassa.
Tuttavia, la qualità non elimina il rischio di prezzo. Un'azienda forte può diventare un investimento debole quando la sua valutazione anticipa un'esecuzione quasi impeccabile. La concentrazione aumenta il costo quando diverse aspettative di questo tipo vengono riviste contemporaneamente.
Gli investimenti nell'AI collegano inoltre le decisioni di spesa aziendale alla leadership di mercato. Gli hyperscaler, ovvero i maggiori operatori cloud globali, stanno spendendo molto in processori, data center, reti ed elettricità.
Gli investitori si aspettano generalmente che tale spesa crei ricavi e produttività durevoli. Resta incerto quanto rapidamente i nuovi ricavi supereranno il costo complessivo di gestione e sostituzione dell'infrastruttura.
L'ammortamento merita particolare attenzione. I server per l'AI possono diventare economicamente obsoleti prima che una struttura convenzionale raggiunga la fine della propria vita utile. Cicli hardware più rapidi possono aumentare il costo ricorrente per restare competitivi.
La concorrenza può anche trasferire valore economico lontano dagli attuali leader. Il calo dei prezzi dei modelli può favorire gli acquirenti di software limitando al contempo i rendimenti dei fornitori di modelli. I chip personalizzati possono ridurre la dipendenza dai fornitori commerciali, sebbene tali progetti comportino rischi propri.
Ciò significa che un investitore può prevedere correttamente una diffusa adozione dell'AI, ma prevedere erroneamente dove si accumuleranno i profitti. L'adozione tecnologica e i rendimenti per gli azionisti seguono percorsi diversi.
Lo storico sostiene la cautela. Ferrovie, reti di telecomunicazioni e Internet commerciale hanno creato un enorme valore economico. Gli investitori che hanno pagato prezzi eccessivi per alcuni partecipanti hanno comunque subito perdite durature.
Le aziende dell'AI differiscono in modo sostanziale da quei precedenti, quindi il confronto ha dei limiti. La lezione utile riguarda l'intensità di capitale e le aspettative. Infrastrutture importanti possono attirare troppo capitale prima che domanda e prezzi diventino chiari.
La concentrazione rende questa incertezza rilevante per più che semplici specialisti della tecnologia. Conti pensionistici, portafogli pensionistici e fondi azionari generalisti possono ereditare la stessa esposizione attraverso i pesi dei benchmark.
È questa la pressione che l'argomentazione di McLennan esercita sugli investitori passivi. Devono decidere se l'ampia proprietà di indici offra ancora la diversificazione che si aspettano, oppure se sia opportuno un ulteriore bilanciamento.
Perché la compiacenza del mercato dell'AI può autoalimentarsi
Il rally dell'AI ha creato un ciclo di retroazione in cui la forza dei prezzi attrae capitale, producendo ulteriore forza dei prezzi.
Il meccanismo inizia con performance aziendali concrete. La domanda di elaborazione avanzata aumenta i ricavi delle aziende di chip, degli operatori cloud e dei fornitori di reti. Gli investitori premiano i partecipanti più forti con valutazioni più elevate.
Tali valutazioni più elevate aumentano la posizione di ciascuna azienda negli indici ponderati per capitalizzazione di mercato. I fondi che replicano questi indici devono mantenere l'esposizione corrispondente. Il nuovo denaro che entra in tali fondi indirizza quindi una quota maggiore verso gli stessi leader.
La forte performance dei benchmark incoraggia poi maggiori investimenti indicizzati. Mette inoltre sotto pressione i gestori attivi che detengono posizioni minori nei leader. Restare indietro rispetto a un benchmark può provocare riscatti da parte dei clienti, anche quando la cautela del gestore si rivela infine giustificata.
Il rischio di carriera modifica i comportamenti. Un gestore di portafoglio può perdere clienti evitando un titolo costoso che continua a salire. Possedere lo stesso titolo di tutti gli altri può sembrare più sicuro perché qualsiasi inversione influenzerà insieme concorrenti e benchmark.
Quella sicurezza è sociale, non finanziaria. L'esposizione condivisa riduce la penalità reputazionale dell'avere torto da soli. Non riduce la possibilità sottostante di una perdita di capitale.
Gli incentivi aziendali possono rafforzare il ciclo. L'aumento del prezzo delle azioni rende più attraente la remunerazione basata su azioni e più facile finanziare acquisizioni. Può inoltre rafforzare la fiducia di clienti, fornitori e dipendenti.
Le aziende possono quindi investire in modo più aggressivo, sostenendo la narrativa di crescita originaria. I concorrenti devono rispondere con una propria spesa, aumentando ulteriormente la domanda di infrastrutture per l'AI.
Il ciclo non richiede partecipanti irrazionali. Ogni decisione può sembrare ragionevole se considerata singolarmente. Il rischio emerge dal modo in cui tali decisioni interagiscono.
Un provider cloud investe perché i clienti vogliono capacità per l'AI. Un fornitore di chip si espande perché i provider cloud effettuano ordini. Un fondo indicizzato acquista perché i valori delle aziende sono aumentati. Un investitore acquista il fondo perché i suoi rendimenti recenti sono stati solidi.
Nel loro insieme, queste azioni possono rendere il mercato meno sensibile alle valutazioni. Possono anche nascondere il dissenso, perché gli acquisti guidati dai benchmark non esprimono una posizione sui futuri utili di una specifica azienda.
State Street Global Advisors ha descritto i forti utili legati all'AI come una forza importante alla base della concentrazione negli indici. La sua ricerca sulla concentrazione sottolinea inoltre che la concentrazione richiede analisi, anziché portare automaticamente a una conclusione ribassista.
Il circuito di retroazione può continuare finché gli utili convalidano la spesa. I problemi emergono quando un anello si indebolisce. I clienti potrebbero ritardare le implementazioni, i provider cloud potrebbero moderare i piani di investimento o la nuova capacità potrebbe ridurre i prezzi.
Un cambiamento non deve essere drastico. Le azioni growth ricavano una parte sostanziale del loro valore da profitti attesi molti anni nel futuro. Piccole variazioni nelle ipotesi di crescita o di tasso di sconto possono quindi produrre cambiamenti più ampi nel prezzo.
Gli investitori affrontano anche un problema di misurazione. I ricavi dell'AI possono essere difficili da separare dalle più ampie vendite di cloud, pubblicità o software. La spesa in conto capitale appare chiaramente nei bilanci, mentre i rendimenti associati possono rimanere distribuiti tra diverse linee di prodotto.
Questa asimmetria incoraggia interpretazioni narrative. I dirigenti possono descrivere l'AI come un fattore di contributo senza divulgare dettagli sufficienti per calcolare un rendimento autonomo. Gli investitori ricorrono quindi a segnali indiretti, come la crescita del cloud o l'utilizzo dei modelli, per stimare i progressi.
Questi segnali sono importanti, ma non rispondono a ogni domanda. L'utilizzo può aumentare mentre i prezzi unitari diminuiscono. I ricavi possono crescere mentre i costi infrastrutturali aumentano più rapidamente. I guadagni di produttività possono favorire più i clienti che i provider.
Il mercato dipende quindi da una sequenza di ipotesi. La domanda di AI deve rimanere forte, le piattaforme leader devono difendere le proprie posizioni e l'economia dell'infrastruttura deve migliorare. Le valutazioni attuali determinano quanto margine d'errore gli investitori possono assorbire.
L'argomentazione di McLennan sulla compiacenza prende di mira proprio questo margine d'errore. Quando gli investitori ritengono che i leader siano vincitori pressoché inevitabili, richiedono una compensazione minore per l'incertezza.
I forti utili complicano la tesi ribassista
La concentrazione è una vulnerabilità, ma non dimostra che le azioni AI siano scollegate dalle loro attività.
Qualsiasi valutazione seria deve confrontarsi con l'argomento più forte contro la cautela di McLennan. Le principali aziende tecnologiche hanno prodotto utili sostanziali, dispongono di relazioni consolidate con i clienti e finanziano gli investimenti attraverso grandi attività operative.
Questa base distingue il mercato attuale dalle aziende più fragili dell'epoca dot-com. Molte precedenti azioni internet dipendevano da finanziamenti esterni e modelli di business non testati. Oggi le maggiori aziende tecnologiche vendono prodotti maturi su scala globale.
Anche i loro vantaggi competitivi sono concreti. Gli operatori cloud controllano vaste reti di calcolo. I progettisti di chip possiedono competenze specialistiche e sistemi software. Le piattaforme consumer raggiungono miliardi di utenti attraverso servizi esistenti.
L'AI può rafforzare questi vantaggi. Un'azienda dotata di distribuzione può mettere nuovi strumenti direttamente davanti ai clienti. Un'azienda con flussi di cassa può finanziare infrastrutture costose mentre i rivali più piccoli faticano a eguagliarla.
La tesi dell'adozione va oltre i chatbot da prima pagina. Le aziende utilizzano il machine learning per programmazione, assistenza clienti, pubblicità, logistica, rilevamento delle frodi, ricerca e ricerca interna. Queste applicazioni possono sostenere una domanda ricorrente anche se l'entusiasmo dei consumatori oscilla.
Anche la ricerca sull'adozione nelle grandi aziende suggerisce che l'implementazione rimane incompleta. Uno studio del 2026 che ha esaminato le aziende dell'S&P 500 ha rilevato livelli variabili di integrazione dell'AI fino al 2025. Ciò lascia spazio a un'ulteriore adozione, sebbene l'adozione da sola non garantisca i profitti dei provider.
La tesi rialzista si basa quindi su qualcosa di più dell'entusiasmo. Combina utili esistenti, elevati costi di switching, ampia distribuzione e un lungo potenziale percorso di crescita.
La concentrazione di mercato può anche riflettere una concentrazione economica. Se un piccolo gruppo di aziende genera una quota elevata dei profitti totali, grandi pesi negli indici non sono necessariamente un errore. Possono rappresentare la struttura dell'economia sottostante.
La storia offre esempi di gruppi dominanti durati più a lungo di quanto gli scettici si aspettassero. La leadership non deve necessariamente invertirsi solo perché è diventata evidente.
Gli investitori dovrebbero inoltre distinguere la concentrazione assoluta dall'opportunità relativa. Evitare ogni grande azione tecnologica può introdurre un rischio proprio. Un portafoglio può perdere aziende capaci di comporre valore durevolmente mentre detiene imprese più economiche con un'economia in deterioramento.
Il quadro di First Eagle affronta questa tensione separando il valore da un basso multiplo di valutazione. Un'azienda non è interessante semplicemente perché sembra economica. La domanda rilevante è se i suoi flussi di cassa, la resilienza e il prezzo creino probabilità favorevoli.
Lo stesso ragionamento si applica ai leader dell'AI. Un multiplo elevato può essere giustificato da una crescita durevole, ma solo dopo aver considerato concorrenza, necessità di reinvestimento e incertezza.
L'MSCI Global Artificial Intelligence Index offre un'altra prospettiva sull'esposizione tematica. La sua metodologia seleziona aziende da diversi universi geografici e utilizza un punteggio di rilevanza AI. I pesi dei singoli componenti sono limitati al 10 percento.
Quella metodologia dell'indice AI illustra una risposta alla concentrazione. Un limite massimo può ridurre la dipendenza da una singola azienda mantenendo l'esposizione al tema più ampio.
Tuttavia, tale costruzione non elimina i rischi comuni. Diverse aziende AI possono comunque dipendere dallo stesso ciclo di spesa, dalle condizioni di finanziamento e dalle aspettative dei clienti.
La diversificazione per ticker può quindi sovrastimare la diversificazione per causa economica. Gli investitori devono identificare quali partecipazioni si basano sulle stesse ipotesi.
L'argomento ribassista può anche spingersi troppo oltre trattando la spesa in conto capitale come intrinsecamente inefficiente. Gli investimenti infrastrutturali possono generare capacità preziosa, competenze proprietarie e minori costi unitari. Il loro rendimento diventa visibile solo nel tempo.
McLennan non può dimostrare che il mercato abbia raggiunto il picco semplicemente identificando la compiacenza. La fiducia degli investitori è difficile da misurare e i segnali di valutazione sono strumenti scadenti per il timing di breve periodo.
Il suo avvertimento va considerato soprattutto come una questione di portafoglio. Quanto dell'esito di un investitore dipende dal fatto che diverse aziende interconnesse soddisfino aspettative impegnative?
Questa domanda rimane utile anche quando la tesi rialzista è corretta. La gestione del rischio riguarda le conseguenze dell'avere torto, non soltanto la probabilità assegnata a ciascuno scenario.
Il vero rischio è un ciclo condiviso di spesa per l'AI
Il pericolo maggiore non è un singolo prodotto fallito, ma una rivalutazione sincronizzata tra chip, infrastruttura cloud e software.
L'esposizione al mercato dell'AI appare spesso diversificata tra diversi settori. Un portafoglio potrebbe detenere progettisti di semiconduttori, produttori di apparecchiature, operatori di data center, utility, piattaforme cloud e sviluppatori di applicazioni.
Eppure queste aziende possono condividere un unico fattore sottostante: le aspettative di una spesa in conto capitale sostenuta per l'AI. Quando tale fattore cambia, partecipazioni apparentemente separate possono muoversi insieme.
La domanda di chip si colloca all'inizio della catena. Le aziende cloud acquistano processori e apparecchiature di rete per costruire capacità. Gli sviluppatori di modelli e le imprese affittano o utilizzano poi tale capacità.
Se la domanda finale cresce come previsto, l'utilizzo aumenta e i provider possono distribuire i costi fissi su un maggior numero di carichi di lavoro. Ciò migliora l'economia dell'intero sistema.
Se l'implementazione richiede più tempo, la capacità inutilizzata può mettere sotto pressione i rendimenti. I provider potrebbero tagliare i prezzi per attrarre carichi di lavoro, mentre i clienti ritardano gli impegni perché l'hardware futuro promette prestazioni migliori.
Il disallineamento temporale conta. L'infrastruttura spesso deve essere costruita prima che la domanda diventi certa. Le aziende assumono quindi impegni rilevanti sulla base di previsioni anziché di ordini completati.
Elettricità e costruzione aggiungono ulteriori vincoli. I nuovi data center richiedono connessioni alla rete, sistemi di raffreddamento, terreni e apparecchiature specializzate. I ritardi possono aumentare i costi anche quando la domanda rimane sana.
A livello applicativo, la pressione competitiva può ridurre rapidamente i prezzi. Gli sviluppatori possono cambiare modelli, combinare provider o usare alternative aperte. Prestazioni migliori non si traducono sempre in un potere di determinazione dei prezzi durevole.
L'adozione nelle imprese introduce un'altra incertezza. Una dimostrazione riuscita non equivale a un'implementazione in produzione. Le aziende devono affrontare sicurezza, accesso ai dati, affidabilità, integrazione e flussi di lavoro dei dipendenti.
Anche i lavoratori della conoscenza hanno bisogno di prove che gli output dell'AI siano fondati su un contesto utile. Una base di conoscenza AI ben organizzata può migliorare l'accesso ai materiali di origine, ma non elimina la necessità di verifica.
Queste barriere pratiche possono rallentare il riconoscimento dei ricavi senza interrompere l'adozione. Questo percorso più lento rimane comunque rilevante quando i prezzi di mercato presuppongono una monetizzazione rapida.
Un ciclo di spesa condiviso può invertirsi attraverso diversi canali. Le aziende cloud possono ridurre le previsioni di spesa in conto capitale. I clienti aziendali possono dilatare le decisioni d'acquisto. La diminuzione dei prezzi dei modelli può indebolire le proiezioni di ricavi.
La regolamentazione può aggiungere costi, anche se è improbabile che influenzi tutti i partecipanti allo stesso modo. Controversie sul copyright, requisiti di privacy e regole di sicurezza possono modificare l'economia dell'addestramento e dell'implementazione.
Le restrizioni geopolitiche creano un'altra fonte di incertezza. I controlli sulle esportazioni possono limitare i mercati indirizzabili per i chip avanzati, mentre le politiche della catena di approvvigionamento possono aumentare i costi di produzione.
La concorrenza rimane la pressione più ampia. Il mercato può identificare correttamente l'AI come un importante cambiamento di piattaforma, sovrastimando però il profitto disponibile per gli attuali fornitori. Nuove architetture possono ridurre la domanda di componenti specifici.
I guadagni di efficienza creano un'ambiguità simile. L'inferenza meno costosa, ovvero il calcolo necessario per eseguire un modello addestrato, può aumentare l'utilizzo complessivo. Può anche ridurre i ricavi per attività.
Questa è la classica tensione tra costi inferiori e domanda in espansione. Gli investitori hanno bisogno di prove che mostrino quale effetto prevalga.
La sezione sui rischi della tesi di McLennan dovrebbe quindi rimanere circoscritta. La concentrazione non significa che tutte le aziende AI diminuiranno insieme. Bilanci, prodotti e basi clienti differenti continuano a contare.
Né l'elevata spesa in conto capitale dimostra che seguirà un crollo. Identifica un punto in cui le aspettative possono essere verificate attraverso risultati finanziari osservabili.
La domanda cruciale è se i rendimenti in termini di cassa si amplino insieme agli investimenti. La crescita dei ricavi deve infine sostenere ammortamenti, costi operativi e costo opportunità del capitale.
Senza tale evidenza, gli investitori fanno forte affidamento sulle previsioni del management e sulla fiducia del mercato. È proprio l'ambiente in cui la compiacenza può diventare costosa.
L'intervista di Bloomberg a McLennan lascia tre segnali da osservare
Spesa in conto capitale, monetizzazione e ampiezza del mercato mostreranno se la fiducia nell'AI rimane sostenuta dai risultati.
Il primo segnale è la guidance sugli investimenti in conto capitale degli hyperscaler durante il prossimo ciclo di risultati. Gli investitori dovrebbero confrontare la spesa pianificata con la domanda cloud, i ricavi dei servizi AI e i commenti del management sull'utilizzo della capacità.
L’aumento della spesa accompagnato da una domanda più forte sosterrebbe la tesi rialzista. Indicherebbe che gli investimenti nelle infrastrutture stanno seguendo i clienti, anziché limitarsi ad anticiparli.
Un aumento della spesa senza una monetizzazione più chiara rafforzerebbe le preoccupazioni di McLennan. Suggerirebbe che il mercato continua a premiare gli investimenti prima che le aziende dimostrino rendimenti adeguati.
Un rallentamento della spesa richiede un’interpretazione attenta. Potrebbe segnalare una domanda più debole, mettendo sotto pressione i fornitori di infrastrutture. Potrebbe anche riflettere una maggiore efficienza dopo un periodo di costruzione insolitamente intenso.
Il secondo segnale è il rapporto tra i ricavi dell’AI e i costi infrastrutturali totali. Agli investitori serve più del numero di utenti, dei lanci di modelli o dei volumi di elaborazione.
Hanno bisogno di prove che i ricavi incrementali possano sostenere ammortamenti, energia, networking e la continua sostituzione dell’hardware. Margini in miglioramento indebolirebbero la tesi della compiacenza, perché convaliderebbero una quota maggiore delle aspettative del mercato.
Prezzi in calo insieme a un utilizzo in aumento produrrebbero un risultato contrastante. Potrebbero espandere il mercato ritardando al contempo i profitti. L’effetto sarebbe diverso per i fornitori di chip, i provider cloud e le aziende di applicazioni.
La qualità dell’informativa sarà importante. Le aziende che separano ricavi, costi e capacità legati all’AI possono ridurre l’incertezza. Dichiarazioni generiche sulla domanda aiutano meno quando la spesa raggiunge una scala significativa.
Il terzo segnale è l’ampiezza del mercato, ossia quanto diffusamente i guadagni siano distribuiti tra aziende e settori. Una crescita degli utili più ampia ridurrebbe la dipendenza da pochi leader legati all’AI.
L’ampiezza può migliorare attraverso due percorsi. Altri settori possono produrre rendimenti più forti, oppure le principali aziende tecnologiche possono fermarsi mentre il resto del mercato le raggiunge.
Entrambi gli sviluppi renderebbero l’esposizione agli indici meno concentrata. Offrirebbero inoltre ai gestori attivi maggiori opportunità al di fuori dei più grandi titoli growth.
Un’ampiezza più ristretta rafforzerebbe la tesi di McLennan. Se i guadagni degli indici continueranno a dipendere dalle stesse aziende, i portafogli diventeranno più sensibili ai loro utili e ai loro piani di capitale.
Gli investitori non dovrebbero trattare questi segnali come istruzioni automatiche di trading. Ogni misura può cambiare per diverse ragioni e le reazioni di mercato a breve termine spesso oscurano la tendenza sottostante.
L’approccio migliore è verificare ripetutamente la narrativa. La domanda di AI genera rendimenti in termini di cassa? Questi rendimenti raggiungono più aziende? I prezzi attuali lasciano spazio ai normali problemi di esecuzione?
L’avvertimento di McLennan riguarda in definitiva la disciplina. L’AI può restare una delle tecnologie più importanti del periodo, mentre le sue azioni di punta diventano investimenti difficili a determinati prezzi.
Per i lettori che seguono la storia attraverso Bloomberg o i feed Bloomberg di RSSHub, le prossime prove decisive arriveranno dai bilanci finanziari, non da un’altra previsione sicura di sé. Spesa, margini e ampiezza del mercato determineranno se la concentrazione riflette un’economia durevole o una cautela in diminuzione.
La domanda pratica è semplice: quanta delusione può assorbire il vostro portafoglio? Esaminate quali partecipazioni condividono le stesse ipotesi sulla spesa per l’AI, quindi seguite se i risultati operativi giustificano tale esposizione collettiva.
