Cosa sta ottenendo Big Tech dalla sua enorme spesa per l'AI

Alphabet e i suoi rivali hanno impegnato centinaia di miliardi nell'AI, senza però offrire agli investitori una misura chiara del rendimento ottenuto. Una domanda del New York Times che circola su Google News coglie la tensione: cosa stanno davvero ottenendo le aziende da tutta questa spesa?

La risposta breve è più capacità cloud, sviluppo dei prodotti più rapido, sistemi pubblicitari più efficaci e ricavi dall'AI in crescita. La risposta più difficile riguarda se questi guadagni produrranno rendimenti duraturi una volta che ammortamenti, costi energetici e sostituzione dell'hardware entreranno nei conti.

Microsoft, Amazon, Meta e Oracle affrontano lo stesso test di Alphabet. Le loro attività sono diverse, ma la loro spesa condivide un presupposto: la domanda di calcolo per l'AI crescerà abbastanza rapidamente da assorbire infrastrutture ordinate anni prima che ogni server inizi a generare ricavi.

Questo presupposto non è fallito. Crescita del cloud, contratti di lungo termine, adozione dei prodotti e carenze di capacità offrono prove che la domanda è reale. Tuttavia, le aziende comunicano pochi ricavi o profitti attribuibili specificamente all'infrastruttura AI.

Questo è il ribaltamento centrale. Big Tech può dimostrare che l'AI aiuta le attività esistenti pur restando incapace di isolare il rendimento del suo più grande ciclo di investimenti. Gli investitori devono valutare la spesa attraverso segnali indiretti anziché una semplice cifra di profitto.

Cosa ha effettivamente cambiato l'ultimo dibattito su Google News

Il dibattito sulla spesa per l'AI si è spostato dall'esistenza della domanda alla capacità di quella domanda di generare ricavi sufficienti.

Per gran parte del boom dell'AI generativa, alle aziende tecnologiche bastava dimostrare che i clienti desideravano accedere a modelli e capacità di calcolo. Le carenze di capacità hanno reso questa argomentazione relativamente semplice. I fornitori cloud potevano indicare clienti in attesa, arretrati di ordini in espansione e utilizzo in aumento.

L'ultimo ciclo di risultati ha alzato l'asticella. Gli investitori ora vogliono sapere se la crescita dei ricavi riuscirà a tenere il passo con le spese in conto capitale, o capex, che coprono asset di lunga durata come server e data center.

Questo cambiamento conta perché le aziende leader non stanno più finanziando una piccola categoria sperimentale. Microsoft ha dichiarato di aspettarsi circa 190 miliardi di dollari di capex nell'anno solare 2026. La previsione includeva circa 25 miliardi di dollari associati ai prezzi più elevati dei componenti.

Microsoft prevedeva inoltre che il capex trimestrale superasse i 40 miliardi di dollari con l'entrata in funzione di nuova capacità. Circa due terzi della spesa recente riguardavano asset dalla vita più breve, soprattutto processori centrali e processori grafici.

Questi componenti sostengono la domanda di calcolo immediata, ma richiedono anche sostituzioni più rapide rispetto agli edifici o ai sistemi elettrici. Un server acquistato oggi non si comporta come l'involucro di un data center progettato per operare per anni.

Amazon ha previsto 200 miliardi di dollari di spesa in conto capitale nel 2026 tra AI, chip, robotica e attività satellitari. Meta ha alzato la propria fascia annuale di capex tra 130 e 145 miliardi di dollari dopo i risultati del secondo trimestre.

Secondo le notizie successive alla pubblicazione dei risultati, Alphabet ha aumentato le proprie previsioni per il 2026 a una fascia compresa tra 180 e 190 miliardi di dollari. Queste previsioni includono investimenti non legati all'AI e non dovrebbero quindi essere considerate totali precisi per l'AI.

Tuttavia, l'infrastruttura tecnica rappresenta una larga parte dell'espansione. Di conseguenza, le stime combinate per Amazon, Alphabet, Microsoft e Meta hanno raggiunto diverse centinaia di miliardi di dollari.

Oracle aggiunge un altro grande programma infrastrutturale. Il suo coinvolgimento è importante perché è diventata un fornitore rilevante per i laboratori di AI, anche se la sua tradizionale attività software differisce dalle piattaforme consumer.

Una stima attuale colloca la spesa di Alphabet, Amazon, Microsoft, Meta e Oracle vicino agli 800 miliardi di dollari quest'anno. Questa cifra rimane una previsione e la categorizzazione varia tra le aziende. Tuttavia, la sua scala spiega perché questa storia di Google News va oltre l'ennesimo riepilogo trimestrale dei risultati.

La spesa è abbastanza grande da influenzare flussi di cassa, indebitamento, sviluppo energetico, forniture di chip e mercati delle costruzioni. Cambia anche il modo in cui gli investitori valutano aziende un tempo apprezzate per l'economia dei loro software a bassa intensità di asset.

Una recente analisi dei flussi di cassa ha rilevato che il capex degli hyperscaler potrebbe superare il loro flusso di cassa libero combinato entro il 2027. Ciò non renderebbe automaticamente gli investimenti non redditizi. Significherebbe che le aziende dovrebbero fare sempre più affidamento su finanziamenti, leasing o minori distribuzioni agli azionisti.

L'evento non è quindi un singolo annuncio di spesa. È l'emergere di un test finanziario più severo lungo un intero ciclo di risultati.

I dirigenti non possono più rispondere descrivendo soltanto le capacità dei modelli. Devono collegare l'infrastruttura a capacità venduta, prodotti migliorati, costi evitati o contratti futuri assicurati.

La crescita del cloud mostra che la spesa sta producendo qualcosa

Big Tech dispone di prove credibili della domanda di AI, ma domanda e rendimento degli investimenti non sono la stessa cosa.

Microsoft offre l'esempio pubblico più chiaro. Nel terzo trimestre dell'esercizio fiscale 2026, i ricavi di Microsoft Cloud hanno raggiunto 54,5 miliardi di dollari, in aumento del 29 per cento rispetto all'anno precedente.

I ricavi di Azure e degli altri servizi cloud sono cresciuti del 40 per cento. Le obbligazioni commerciali di performance residue, una misura dei ricavi contrattualizzati non ancora rilevati, hanno raggiunto 627 miliardi di dollari.

Queste cifre non isolano l'AI generativa. Azure vende database, storage, networking, cybersicurezza e calcolo convenzionale insieme all'addestramento e all'inferenza dei modelli.

Tuttavia, la rapida crescita di Azure è difficile da separare dalla capacità AI che Microsoft ha aggiunto. Il management ha ripetutamente dichiarato che la domanda dei clienti supera l'offerta disponibile, il che indica che parte della nuova infrastruttura può generare ricavi rapidamente.

Microsoft ha inoltre riportato una maggiore adozione nell'intero portafoglio software. Ha integrato le funzionalità Copilot in Microsoft 365, GitHub, prodotti di sicurezza e applicazioni aziendali.

L'azienda ha dichiarato che la sua attività AI era già diventata più grande di alcuni franchise consolidati di Microsoft. Questa affermazione proviene dal management e non dispone di una ripartizione dettagliata dei profitti, ma dimostra che l'AI non è più soltanto una spesa interna per la ricerca.

I suoi risultati cloud mostrano anche perché gli investitori non hanno respinto del tutto la spesa. Ricavi e reddito operativo hanno continuato a crescere mentre l'azienda espandeva l'infrastruttura.

Alphabet propone un'argomentazione simile con una combinazione diversa. Google Cloud vende infrastruttura, servizi dati, software Workspace e accesso alla famiglia di modelli Gemini.

Alla fine del 2025, Alphabet ha dichiarato che i ricavi dei prodotti costruiti sui suoi modelli di AI generativa erano cresciuti di quasi il 400 per cento su base annua. Ha inoltre riportato oltre otto milioni di postazioni Gemini Enterprise a pagamento presso più di 2.800 aziende.

Questi numeri di adozione sono significativi, ma non costituiscono un calcolo del rendimento. Alphabet non comunica separatamente i ricavi di Gemini Enterprise, la relativa spesa di calcolo o il profitto operativo.

Google applica inoltre l'AI all'interno della sua più ampia attività pubblicitaria. Il machine learning può migliorare selezione degli annunci, offerte, misurazione e produzione creativa. Anche miglioramenti modesti possono contare in un'attività con un volume enorme di transazioni.

Meta segue questo modello di rendimento interno in modo più aggressivo. La maggior parte delle persone non paga Meta per un assistente AI. L'azienda utilizza invece l'AI per raccomandare contenuti, indirizzare la pubblicità, automatizzare la creazione delle campagne e aumentare il coinvolgimento.

Meta ha riportato ricavi nel secondo trimestre del 2026 pari a 60,8 miliardi di dollari, in aumento del 28 per cento. Tuttavia, il reddito operativo è diminuito dell'8 per cento e il margine operativo è sceso dal 43 al 31 per cento.

Oneri legali e indennità di licenziamento hanno influenzato questi risultati, quindi il calo non può essere attribuito interamente all'AI. Costi e spese sono comunque aumentati del 55 per cento, illustrando quanto rapidamente il ciclo di investimenti possa mettere sotto pressione la performance riportata.

Mark Zuckerberg ha dichiarato che l'AI stava accelerando l'attività principale di Meta e sostenendo nuovi prodotti. I risultati trimestrali dell'azienda sostengono l'affermazione secondo cui i ricavi restano forti. Non rivelano quanto ricavo incrementale sia derivato dall'AI.

Amazon ha un'altra strada verso la monetizzazione. AWS può vendere accesso ai modelli, chip specializzati, cluster per l'addestramento, storage, database e strumenti per distribuire applicazioni AI.

La sua attività retail può inoltre utilizzare l'AI per previsioni della domanda, logistica, raccomandazioni, pubblicità e servizio clienti. Questi miglioramenti possono ridurre i costi o aumentare la conversione senza comparire in una voce di “ricavi AI”.

Il rendimento pratico è quindi distribuito su più conti. Una parte degli investimenti genera vendite cloud dirette. Una parte migliora un prodotto esistente. Una parte sostiene la ricerca, mentre un'altra fornisce capacità che non è ancora entrata in servizio.

Questa ampiezza è economicamente utile ma analiticamente frustrante. Gli investitori possono vedere l'azienda nel suo complesso migliorare senza sapere se il data center più recente genera un rendimento accettabile.

Le prove respingono comunque l'argomento più semplice della bolla. Queste aziende non stanno costruendo infrastrutture senza clienti, contratti o prodotti.

La questione aperta è se la crescita attuale giustifichi il costo completo dell'infrastruttura, inclusi finanziamento, elettricità, manutenzione e hardware di sostituzione.

La vera sfida è tra promessa e rendimento misurabile

Il conflitto principale non è Alphabet contro Microsoft. È la promessa dell'AI del management contro le prove finanziarie che gli investitori possono verificare.

Confrontare gli hyperscaler può suggerire vincitori, ma non risolve il problema della misurazione. Ogni azienda combina l'AI con attività che avrebbero generato ricavi anche senza l'ultima ondata di investimenti.

La pubblicità nella ricerca di Alphabet utilizzava già il machine learning molto prima dell'arrivo di ChatGPT. I sistemi di raccomandazione di Meta erano centrali per Facebook e Instagram. AWS e Azure erano grandi piattaforme cloud prima dell'impennata della domanda di AI generativa.

Questa storia rende difficile il controfattuale. Un'azienda può riportare profitti in crescita dopo aver speso molto, ma gli analisti non possono osservare quale sarebbe stato il profitto senza quella spesa.

La cifra mancante è il rendimento incrementale sul capitale investito. Il rendimento sul capitale investito, o ROIC, confronta il profitto operativo al netto delle imposte con il capitale impegnato per produrlo.

I dati recenti indicano che il ROIC è rimasto relativamente stabile per diverse aziende tecnologiche leader, nonostante l'impennata degli investimenti infrastrutturali. Meta è un caso più complesso perché la sua redditività ha subito una maggiore pressione.

Un ROIC stabile è rassicurante perché mostra che gli utili esistenti possono ancora sostenere una base di asset molto più ampia. Non prova che gli asset più recenti generino già lo stesso rendimento delle attività più mature.

Una rassegna sul capitale investito ha rilevato che la spesa più recente non aveva ancora seriamente danneggiato questa misura per diversi hyperscaler. Il risultato indebolisce le affermazioni di un collasso finanziario immediato.

Lascia inoltre un'ambiguità critica. I rendimenti potrebbero apparire più forti se le aziende avessero investito meno. In alternativa, potrebbero deteriorarsi in seguito, quando gli ammortamenti dei progetti appena completati raggiungeranno i conti economici.

L'ammortamento ripartisce il costo contabilizzato di un'attività lungo la sua vita utile stimata. Questo rinvio contabile significa che un boom delle costruzioni può incidere sui flussi di cassa prima che l'intero costo emerga nell'utile riportato.

La vita utile dell'hardware è particolarmente importante. Microsoft ha affermato che circa due terzi delle sue spese in conto capitale riguardavano attività a vita più breve, come i processori.

I processori grafici possono restare tecnicamente utili per anni, ma le nuove generazioni offrono spesso maggiore velocità ed efficienza. La pressione competitiva può quindi ridurne la vita economica anche quando l'hardware continua a funzionare.

L'energia è un altro vincolo. Acquistare chip non crea capacità utilizzabile senza elettricità, raffreddamento, rete e l'autorizzazione a collegare una struttura alla rete elettrica.

Un allacciamento elettrico ritardato può lasciare il capitale improduttivo. Al contrario, un data center completamente occupato con clienti sotto contratto può iniziare a generare ricavi poco dopo il lancio.

Le aziende raramente divulgano i tassi di utilizzo dell'hardware AI. Evitano inoltre di pubblicare i margini lordi a livello di prodotto per la maggior parte dei servizi AI.

Ciò lascia gli osservatori esterni dipendenti da misure indirette:

• La crescita dei ricavi cloud indica se la domanda di calcolo è in espansione.

• Il portafoglio ordini indica se i clienti hanno sottoscritto impegni futuri.

• I vincoli di capacità suggeriscono che l'offerta non sta restando inutilizzata.

• L'adozione del software misura se le funzionalità AI raggiungono organizzazioni paganti.

• Il margine lordo rivela se i costi dell'infrastruttura stanno assorbendo una quota maggiore dei ricavi.

• Il flusso di cassa libero mostra quanto denaro rimane dopo gli investimenti in capitale.

Nessuno di questi indicatori risponde da solo alla domanda. Insieme, offrono un quadro più utile che contare gli utenti dei chatbot o ripetere i totali delle spese in conto capitale.

Le prove più solide nel breve termine provengono dalla domanda cloud e dai contratti firmati. Microsoft ha riportato sia una rapida crescita di Azure sia un ampio portafoglio di contratti sottoscritti.

Le prove più deboli riguardano le applicazioni aziendali autonome. Le aziende spesso comunicano utenti, licenze, query o contenuti generati senza mostrare la tenuta dei ricavi e dei profitti.

Questa distinzione spiega perché le affermazioni secondo cui l'AI “si ripaga già da sola” meritano cautela. L'AI può contribuire alla crescita prima che l'intero programma di investimenti generi un rendimento accettabile.

Spiega anche perché l'assenza di una voce separata per i profitti AI non significhi che non vi sia alcun ritorno. Le aziende integrano la tecnologia in pubblicità, servizi cloud, software per la produttività, sicurezza e operazioni interne.

La vera prova richiede tempo. L'infrastruttura deve entrare in servizio, l'utilizzo da parte dei clienti deve maturare e l'ammortamento deve confluire nei bilanci prima che gli investitori possano confrontare utili durevoli e capitale impiegato.

Cosa i Numeri Non Possono Ancora Dimostrare

Le comunicazioni attuali mostrano una trazione commerciale, ma non stabiliscono chi pagherà in ultima analisi l'intera costruzione dell'infrastruttura.

Una preoccupazione riguarda la concentrazione dei clienti. I principali fornitori cloud ricevono una domanda AI significativa da un gruppo limitato di sviluppatori di modelli, tra cui OpenAI e Anthropic.

Questi laboratori dipendono a loro volta da capitale esterno e accordi cloud per finanziare addestramento e inferenza. Il rapporto può diventare circolare quando una società cloud investe in un laboratorio AI che poi spende denaro per la sua infrastruttura.

Questo assetto crea comunque attività economica reale. I server funzionano, gli ingegneri costruiscono prodotti e i clienti utilizzano i modelli. Tuttavia, complica qualsiasi affermazione secondo cui la domanda sia pienamente indipendente e autosostenibile.

Un'analisi dei ricavi AI ha rilevato che Amazon, Alphabet, Microsoft e Meta non divulgano separatamente vendite e profitti attribuibili ai data center AI. Ha inoltre identificato la dipendenza dalla spesa di OpenAI e Anthropic come un rischio di concentrazione.

Microsoft ha fornito un dettaglio insolitamente utile quando ha dichiarato che OpenAI rappresentava circa il 45 percento delle sue obbligazioni di performance commerciale rimanenti in un trimestre. Le obbligazioni di performance rimanenti non sono ricavi correnti, e gran parte di esse sarà rilevata nell'arco di diversi anni.

La cifra mostra comunque come un singolo cliente possa influenzare una metrica da titolo. Un'ampia adozione aziendale è importante perché riduce la dipendenza da pochi laboratori fortemente finanziati.

Una seconda preoccupazione riguarda l'utilizzo. Le aziende costruiscono data center prima di conoscere la combinazione precisa di modelli, chip e carichi di lavoro che i clienti richiederanno.

Se i modelli diventano più efficienti più rapidamente di quanto si espanda l'uso, una parte della capacità pianificata potrebbe rendere meno del previsto. Se la domanda di inferenza cresce ancora più velocemente, la spesa odierna potrebbe apparire contenuta.

L'efficienza agisce quindi in entrambi i sensi. Un costo di calcolo più basso può ridurre le risorse necessarie per una singola attività, ma può anche rendere l'AI accessibile a più utilizzi.

Una terza preoccupazione riguarda il valore del prodotto. I dipendenti possono usare frequentemente un assistente AI senza generare un beneficio misurabile sufficiente a giustificarne il costo organizzativo.

La ricerca controllata offre motivi di ottimismo. Un influente studio sul posto di lavoro ha rilevato che l'accesso a un assistente AI generativo ha aumentato la produttività nel supporto clienti, con guadagni maggiori tra i lavoratori meno esperti.

Lo studio copriva un contesto specifico e non dovrebbe essere generalizzato a ogni professione. Ha mostrato che l'AI può migliorare l'output quando è collegata a un flusso di lavoro definito, dati pertinenti e un compito misurabile.

Le implementazioni aziendali sono spesso più disordinate. I dipendenti lavorano tra email, riunioni, documenti, database e applicazioni specializzate. Autorizzazioni e contesto incompleto possono limitare ciò che un assistente è in grado di fare.

Le organizzazioni sostengono inoltre costi di integrazione, valutazione, sicurezza e formazione. Un abbonamento a un modello rappresenta solo una parte del costo complessivo di implementazione.

Ecco perché i casi d'uso contano più delle generiche affermazioni sull'adozione. Un team di supporto può confrontare i tempi di risoluzione prima e dopo l'implementazione. Un team software può misurare il tempo di revisione, il recupero dagli incidenti o il lavoro completato.

Un'organizzazione commerciale può esaminare il tempo dedicato alla ricerca e i tassi di conversione. I team di prodotto possono confrontare il tempo necessario per sintetizzare interviste, note delle riunioni e documenti di pianificazione.

Questi flussi di lavoro creano prove che un acquirente può verificare. Spiegano anche perché una base di conoscenza AI sia più importante di una generica finestra di chat per alcuni knowledge worker.

Un modello ha bisogno di un contesto accurato e accessibile prima di poter aiutare nel lavoro specifico dell'azienda. Un recupero delle informazioni migliore non garantisce un rendimento, ma collega l'uso dell'AI alle informazioni di cui i dipendenti hanno effettivamente bisogno.

Il rischio non è semplicemente che i modelli falliscano. Il rischio maggiore è che le aziende scambino l'attività per valore ignorando rilavorazioni, errori, costi di integrazione e capacità inutilizzata.

I dirigenti hanno incentivi a mettere in evidenza le metriche di crescita prima che arrivino i costi completi. I critici hanno incentivi a considerare ogni metrica mancante come prova di una bolla.

Nessuna delle due posizioni è sufficiente. Le prove disponibili supportano la domanda commerciale e reali guadagni di produttività in contesti selezionati. Non supportano l'affermazione universale secondo cui tutti gli attuali investimenti in AI genereranno rendimenti interessanti.

Tre Segnali Decideranno se la Spesa Darà i Suoi Frutti

La qualità del portafoglio ordini cloud, la tenuta dei margini e un'ampia adozione aziendale determineranno se questo ciclo di investimenti creerà valore duraturo.

Il primo segnale è la composizione dei contratti cloud. La crescita del portafoglio ordini appare più solida quando proviene da molti clienti indipendenti che utilizzano l'AI in produzione.

Gli investitori dovrebbero osservare con quale rapidità gli importi contrattualizzati diventano ricavi rilevati. Dovrebbero inoltre cercare comunicazioni che distinguano l'ampia domanda aziendale dagli accordi con pochi sviluppatori di modelli.

Se i ricavi cloud continuano ad accelerare mentre la concentrazione dei clienti diminuisce, si rafforza la tesi di una domanda infrastrutturale sostenuta. Se il portafoglio ordini resta concentrato e il riconoscimento dei ricavi si sposta più avanti nel futuro, la fiducia si indebolisce.

Il secondo segnale è l'andamento dei margini dopo l'aumento dell'ammortamento. Le aziende hanno avvertito che le recenti spese in conto capitale aumenteranno l'ammortamento man mano che più apparecchiature entreranno in servizio.

Il margine lordo cloud di Microsoft ha già subito pressioni dall'infrastruttura AI e dall'utilizzo dei prodotti. Anche il margine operativo di Meta è diminuito durante un trimestre caratterizzato da spese nettamente più elevate.

La diminuzione dei margini non è automaticamente un segnale d'allarme. Un'azienda può razionalmente accettare margini inferiori nel breve termine per costruire una piattaforma di valore.

Il confronto cruciale è se ricavi e utile operativo crescano abbastanza rapidamente da compensare la crescente base di attività. Una persistente erosione dei margini senza una crescita corrispondente indebolirebbe l'argomentazione del management sui rendimenti.

Il flusso di cassa libero fornirà un'altra verifica. Un'impresa può riportare un utile contabile in crescita mentre le spese in conto capitale assorbono la maggior parte della liquidità prodotta.

Debito, leasing e finanziamenti esterni possono prolungare la costruzione. Non possono sostituire indefinitamente una domanda di clienti redditizia.

Il terzo segnale è un'adozione misurabile oltre le aziende tecnologiche e i laboratori AI. Il numero di licenze e gli annunci di prova contano meno dei rinnovi, dell'espansione dei flussi di lavoro e dei risultati aziendali divulgati.

Osservate le organizzazioni che passano dai progetti pilota alla produzione. Le prove dovrebbero includere attività completate, tempi di gestione ridotti, migliore conversione delle vendite, costi di supporto inferiori o consegna del software più rapida.

Un secondo flusso di lavoro sul posto di lavoro può aiutare i team a ragionare in questi termini. La domanda utile non è se un dipendente abbia aperto uno strumento AI. È se il flusso di lavoro abbia prodotto un risultato migliore con minore sforzo.

È anche qui che gli acquirenti influenzano il ciclo di investimenti. I clienti aziendali non devono accettare l'ampia narrazione sui rendimenti proposta da un hyperscaler.

Possono definire una base di riferimento, misurare un caso d'uso circoscritto, includere i costi di revisione ed espandere solo dopo che le prove lo giustifichino. Questa disciplina trasforma un budget AI astratto in una serie di investimenti verificabili.

Per gli sviluppatori, la domanda è se la nuova capacità riduca la latenza, migliori la disponibilità dei modelli o riduca i costi unitari. Per i knowledge worker, è se l'AI possa recuperare contesto affidabile e completare passaggi utili nel lavoro quotidiano.

Per gli investitori, la domanda è se questi risultati per i clienti producano liquidità più rapidamente di quanto l'hardware invecchi. Per gli hyperscaler, il compito è dimostrare che la domanda infrastrutturale si estende oltre un gruppo concentrato di laboratori AI ben finanziati.

Il dibattito su Google News non sarà risolto da un trimestre o da un singolo modello impressionante. Sarà risolto attraverso la conversione dei contratti, la diversità dei clienti, la tenuta dei margini e la generazione di cassa.

Big Tech ha già ricevuto risorse preziose in cambio della sua spesa: data center, chip, distribuzione software, capacità dei modelli e una posizione di primo piano in un mercato in crescita. Ha anche generato una reale crescita dei ricavi e selezionati guadagni di produttività.

Resta incerto se l'intera costruzione genererà rendimenti paragonabili a quelli delle attività software che la finanziano. I lettori dovrebbero ora osservare i tre segnali in grado di rispondere a questa domanda: chi acquista la capacità, cosa accade ai margini e se i flussi di lavoro aziendali quotidiani migliorano abbastanza da continuare a pagarla.