David Cahn si chiede: l'AI può rispondere alla domanda da 3.000 miliardi di dollari prima che i ritorni si allontanino?

David Cahn, partner di Sequoia, ha innalzato a 1.500 miliardi di dollari la sua stima per le infrastrutture AI, costringendo gli investitori a fare i conti con un problema di ricavi molto più ampio. L'AI può rispondere alla domanda da 3.000 miliardi di dollari prima che i ritorni attesi slittino oltre il 2028?

Questa cifra rappresenta la stima di Cahn dei ricavi necessari a giustificare la spesa infrastrutturale del settore nel 2026. Comprende l'onere economico legato a chip, data center, sistemi energetici, apparecchiature di rete e margini degli operatori.

Il conflitto non contrappone più semplicemente gli ottimisti dell'AI agli scettici. Ora mette a confronto i ricavi promessi dal settore con gli impegni fisici e finanziari già assunti da Google, Meta, Microsoft, Amazon e dai loro partner.

Le aziende AI stanno crescendo rapidamente, ma gli impegni infrastrutturali sono aumentati su una scala completamente diversa. Il calo del costo dei token e la maggiore convenienza dei modelli open-weight facilitano l'adozione, ma rendono più difficile raggiungere l'obiettivo di ricavi.

Questo ribaltamento mette sotto pressione gli hyperscaler. Gli investitori si aspettano che i loro enormi programmi di investimento producano un free cash flow nettamente superiore nei prossimi anni.

Se quella liquidità non arriverà nei tempi previsti, le conseguenze andranno oltre gli sviluppatori di modelli. Coinvolgeranno fornitori di chip, aziende energetiche, mercati del credito, principali indici azionari e l'economia nel suo complesso.

David Cahn trasforma un avvertimento da 200 miliardi di dollari in un test da 3.000 miliardi

La nuova stima di Cahn sposta il dibattito sull'AI dalla domanda di prodotti alla capacità dei ricavi di tenere il passo con la spesa infrastrutturale.

Cahn ha iniziato a sostenere questa tesi nel 2023, quando Nvidia registrava ricavi annui dalle GPU vicini ai 50 miliardi di dollari. Al calcolo ha aggiunto i costi operativi e i margini necessari lungo l'intera filiera infrastrutturale.

Da quel calcolo risultava che il settore avesse bisogno di circa 200 miliardi di dollari di ricavi per ripagare l'investimento iniziale. La stima è diventata nota come la "domanda da 200 miliardi di dollari" dell'AI.

La domanda non voleva essere una dichiarazione di fallimento dell'AI. Cahn l'ha presentata come una sfida agli imprenditori: creare applicazioni capaci di utilizzare in modo redditizio la capacità di calcolo disponibile.

Tre anni di costruzione aggressiva hanno cambiato la scala del problema. Secondo un'analisi delle infrastrutture del 9 luglio, Cahn stima ora la spesa per le infrastrutture AI nel 2026 a 1.500 miliardi di dollari.

Il suo modello implica che il settore abbia bisogno di 3.000 miliardi di dollari di ricavi per giustificare tali esborsi. La cifra riflette molto più del solo prezzo di acquisto degli acceleratori.

I data center richiedono energia, raffreddamento, reti, memoria, terreni, manodopera edile e manutenzione continua. Anche gli operatori infrastrutturali si aspettano un rendimento sul capitale investito.

Cahn sostiene che il requisito finale potrebbe essere ancora più elevato. I vincoli sulla memoria, i chip specializzati per l'inferenza e l'aumento dei costi di costruzione possono incrementare i ricavi necessari per ogni gigawatt di capacità.

Un gigawatt misura la capacità energetica, non la produzione dell'AI. È rilevante perché l'elettricità è diventata uno dei limiti più evidenti alla velocità con cui le aziende possono implementare nuovi sistemi di calcolo.

Apollo ha pubblicato una previsione infrastrutturale separata che evidenzia la stessa pressione. Ha stimato che sostenere le infrastrutture AI fino al 2028 richiederà quasi 3.000 miliardi di dollari di capitale.

Apollo prevedeva che circa la metà di questo fabbisogno sarebbe stata coperta da finanziamenti esterni. La sua previsione sul capitale stimava inoltre che il credito privato avrebbe potuto fornire oltre 800 miliardi di dollari.

Le stime misurano aspetti differenti e non dovrebbero essere considerate equivalenti. Cahn valuta i ricavi necessari a giustificare la spesa, mentre Apollo stima il fabbisogno finanziario delle infrastrutture.

Entrambi i calcoli indicano lo stesso problema di fondo. Lo sviluppo fisico dell'AI procede più rapidamente di quanto il settore sia riuscito a dimostrare l'esistenza di un flusso corrispondente di ricavi durevoli dalla clientela.

L'espansione comporta inoltre lunghi tempi di realizzazione. Secondo Cahn, la costruzione di un data center AI richiede in media circa due anni.

I progetti annunciati durante l'ondata iniziale dell'AI generativa stanno quindi entrando in funzione dopo che molte decisioni di acquisto sono già state prese. Il loro valore economico dipende da una domanda che dovrà persistere per anni.

L'infrastruttura cloud ha offerto un precedente più graduale. Amazon ha introdotto AWS nel 2006 e la migrazione dei carichi di lavoro aziendali si è sviluppata nell'arco di decenni.

Quel ritmo ha permesso ai fornitori di finanziare progressivamente l'espansione. L'attuale ciclo dell'AI impone invece alle aziende di assicurarsi chip, elettricità e capacità edilizia prima che la domanda diventi altrettanto visibile.

La domanda da 3.000 miliardi di dollari, dunque, non è se le persone utilizzino l'AI. Il suo impiego si è già diffuso nella ricerca online, nello sviluppo software, nel servizio clienti, nella ricerca scientifica, nella produzione di contenuti e nel lavoro d'ufficio.

La vera domanda è se i clienti pagheranno abbastanza, e abbastanza a lungo, da sostenere le infrastrutture costruite per loro. È un test molto più severo.

L'AI può rispondere alla domanda da 3.000 miliardi con i ricavi attuali?

Le principali aziende AI hanno costruito attività considerevoli, ma i ricavi dichiarati restano molto al di sotto del livello implicato dal calcolo di Cahn.

Secondo quanto riportato, entro luglio 2026 Anthropic si stava avvicinando a 60 miliardi di dollari di ricavi ricorrenti annuali. I ricavi ricorrenti annuali, o ARR, proiettano su un intero anno gli attuali ricavi derivanti da abbonamenti e contratti.

Secondo le indiscrezioni, OpenAI ha generato 13 miliardi di dollari nel corso del 2025. Nel novembre 2025 l'azienda ha dichiarato di aver raggiunto 20 miliardi di dollari di ARR, suggerendo un'ulteriore accelerazione rispetto ai ricavi annuali già contabilizzati.

Queste cifre dimostrano l'esistenza di una domanda reale, in particolare per gli agenti di programmazione e gli assistenti generalisti. Non colmano però un divario nell'ordine delle migliaia di miliardi di dollari.

I ricavi dei fornitori di modelli rappresentano inoltre solo una parte della risposta. Google, Microsoft, Amazon e Meta possono monetizzare l'AI attraverso servizi cloud, pubblicità, commercio, abbonamenti ed efficienza interna.

Google può applicare i modelli alla pubblicità nei risultati di ricerca e ai carichi di lavoro cloud. Microsoft può integrare assistenti nei software aziendali vendendo al contempo capacità di calcolo tramite Azure.

Amazon può utilizzare l'AI nelle proprie attività di vendita al dettaglio e offrire infrastrutture per i modelli tramite AWS. Meta può migliorare i sistemi pubblicitari e il coinvolgimento degli utenti senza addebitare direttamente ogni interazione con un modello.

Questi ritorni indiretti complicano il calcolo di Cahn. Un dollaro di miglioramento delle prestazioni pubblicitarie può contribuire a giustificare l'infrastruttura anche se non compare mai tra i ricavi delle API dei modelli.

Anche i risparmi sui costi sono importanti. Un agente che abbrevia un progetto software o automatizza l'assistenza clienti può creare valore senza diventare una linea di prodotto separata.

I benefici indiretti, tuttavia, sono difficili da isolare. Le aziende potrebbero attribuire all'AI miglioramenti dovuti anche a variazioni dei prezzi, riduzioni organizzative, crescita del mercato o aggiornamenti software convenzionali.

Le applicazioni più solide nel breve periodo restano concentrate in pochi ambiti. In una prospettiva sull'AI per il 2026, Cahn ha indicato la programmazione e ChatGPT come le due killer application ormai consolidate.

Si aspettava che entrambe le categorie si avvicinassero o superassero decine di miliardi di dollari di ricavi annui. Ha inoltre individuato un gruppo crescente di startup in avvicinamento a una scala commerciale significativa.

Gli agenti di programmazione offrono una giustificazione economica insolitamente chiara. Possono scrivere bozze di codice, esaminare modifiche, testare interfacce, indagare sui malfunzionamenti e utilizzare strumenti di sviluppo.

L'acquirente può confrontare questi risultati con il tempo impiegato dagli ingegneri, la velocità dei rilasci e il tasso di difetti. Ciò crea un ritorno più misurabile rispetto a una generica promessa di migliorare il lavoro intellettuale.

Anche in questo caso, attribuire i ricavi resta difficile. Un'azienda potrebbe pagare per diversi assistenti mentre gli ingegneri continuano a utilizzare gli strumenti di sviluppo e i servizi cloud esistenti.

La domanda pertinente non è se l'agente produca codice utile. È se la produttività ottenuta superi i costi di abbonamento, inferenza, revisione, sicurezza e integrazione.

L'implementazione aziendale introduce un ulteriore ritardo. Le grandi organizzazioni devono collegare i modelli a dati privati, autorizzazioni, sistemi software e processi di approvazione.

Hanno inoltre bisogno di metodi di valutazione capaci di distinguere una risposta fluida da un risultato affidabile. Un modello che funziona bene in una dimostrazione può comunque fallire all'interno di un lungo flusso di lavoro in produzione.

Cahn ha descritto le aziende come affaticate da progetti interni di AI difficili da realizzare. Questa stanchezza crea un'opportunità per le startup applicative, ma rallenta anche i ricavi necessari ai proprietari delle infrastrutture.

Un'applicazione specializzata può organizzare i modelli attorno a una singola attività ed eliminare il lavoro di integrazione. Tuttavia, il fornitore dell'applicazione resta esposto alla pressione esercitata dal calo dei costi dei modelli e dalla rapida imitazione delle funzionalità.

La sostenibilità dei ricavi deve quindi funzionare su più livelli. I fornitori di modelli hanno bisogno di contratti, le aziende applicative devono fidelizzare i clienti e gli hyperscaler devono utilizzare in modo redditizio i propri data center.

Un utilizzo più elevato, da solo, non basta se il costo di ogni unità di lavoro diminuisce più rapidamente dell'espansione della domanda. I ricavi dipendono dall'interazione tra il volume di utilizzo e il calo del costo unitario.

Affinché l'AI possa rispondere alla domanda da 3.000 miliardi di dollari, i clienti dovranno consumare molta più intelligenza man mano che il suo costo diminuisce. È un esito plausibile, ma l'aumento richiesto è enorme.

I token più economici generano il paradosso centrale dei ricavi dell'AI

Gli stessi guadagni di efficienza che facilitano l'adozione dell'AI possono indebolire la crescita dei ricavi necessaria a ripagare le infrastrutture.

Le aziende che sviluppano modelli generalmente applicano tariffe basate sui token, le piccole unità di testo o codice elaborate durante la generazione. La riduzione del costo dei token abbassa la spesa necessaria per utilizzare assistenti e agenti.

È una buona notizia per gli sviluppatori e gli acquirenti aziendali. Un flusso di lavoro troppo costoso lo scorso anno può diventare commercialmente sostenibile dopo un miglioramento del modello o dell'hardware.

La diminuzione dei costi unitari, tuttavia, mette sotto pressione i fornitori. Se un agente esegue lo stesso compito con meno token, il fornitore incassa meno ricavi legati all'utilizzo, a meno che i clienti non eseguano un numero maggiore di attività.

Questo è il paradosso centrale dell'argomentazione di Cahn. Il progresso tecnico rafforza il prodotto, ma aumenta il volume necessario per recuperare gli investimenti infrastrutturali.

OpenAI ha dichiarato che GPT-5.4 richiedeva meno token di GPT-5.2 per molte attività. L'azienda lo ha inoltre presentato come un modello più potente per la programmazione, l'uso di strumenti e i flussi di lavoro professionali.

In una valutazione pubblica di programmazione, GPT-5.4 ha ottenuto il 57,7%, rispetto al 55,6% di GPT-5.2. La valutazione del modello di OpenAI ha inoltre riportato notevoli miglioramenti nella ricerca web agentica.

OpenAI ha successivamente affermato che il suo modello più recente era più efficiente del 54% nell'uso dei token per le attività di programmazione agentica. Tale affermazione descrive la quantità di calcolo espressa attraverso i token, non un incremento garantito della produttività.

I risultati indipendenti in produzione possono variare in base ai prompt, agli strumenti, alla durata delle attività e alle impostazioni di ragionamento. Un benchmark non può determinare il costo finale di un'implementazione aziendale.

La direzione, comunque, è chiara. I modelli competono non solo sul piano dell'intelligenza, ma anche sull'efficienza con cui trasformano la capacità di calcolo in lavoro completato.

L'efficienza può stimolare la domanda attraverso un effetto economico ben noto. Quando una risorsa diventa più economica, le persone spesso scoprono nuovi modi per utilizzarla.

Gli sviluppatori potrebbero passare dal completamento occasionale del codice ad agenti che monitorano continuamente i test. I team di assistenza potrebbero analizzare ogni interazione con i clienti anziché limitarsi a un campione.

I ricercatori potrebbero condurre diverse indagini in parallelo. I team di prodotto potrebbero generare, testare e confrontare molti più prototipi prima di sceglierne uno.

Questi scenari possono aumentare il consumo totale di token nonostante il calo dei costi per singola attività. La tesi infrastrutturale richiede che questa espansione avvenga in un mercato di dimensioni enormi.

I flussi di lavoro agentici offrono una possibile strada. Un agente non si limita a rispondere a un singolo prompt e fermarsi. Pianifica, richiama strumenti, legge file, verifica i risultati e ripete i passaggi.

Una ricerca pubblicata nel 2026 ha rilevato che le attività di programmazione agentica potrebbero consumare molti più token rispetto alle normali conversazioni sul codice. Lo stesso studio ha riscontrato ampie variazioni tra esecuzioni ripetute.

Questa variabilità aiuta a capire perché le affermazioni sull’efficienza vadano valutate con cautela. Un maggior numero di token non ha prodotto sistematicamente una maggiore accuratezza e i modelli hanno faticato a prevedere il proprio consumo.

Gli acquirenti richiederanno sempre più spesso lavoro completato anziché semplice volume di token. Ciò sposta l’attenzione verso la valutazione basata sui risultati, budget prevedibili ed esecuzioni verificabili.

Un’azienda che organizza internamente il proprio lavoro con l’AI può trarre vantaggio dal riunire fonti, decisioni e output dei modelli. Una base di conoscenza AI consultabile può ridurre il recupero ripetuto delle informazioni e preservare il contesto alla base dei risultati.

Un contesto migliore può ridurre gli sprechi, ma non garantisce l’affidabilità. I team hanno comunque bisogno della revisione umana per le decisioni finanziarie, legali, mediche, di sicurezza e operative che comportano conseguenze rilevanti.

La questione economica è se questi flussi di lavoro generino abbastanza attività aggiuntiva da compensare i guadagni di efficienza. Per i fornitori, i consumi devono crescere più rapidamente di quanto diminuiscano i costi unitari.

Questo requisito ricorda altre transizioni informatiche. Lo storage meno costoso ha generato più dati, mentre la banda più economica ha favorito lo streaming video e le applicazioni cloud.

L’AI potrebbe seguire lo stesso schema. La differenza risiede nella quantità di capitale impegnata prima che la nuova curva della domanda sia pienamente emersa.

I modelli open-weight mettono sotto pressione le previsioni degli hyperscaler

La concorrenza open-weight minaccia l’ipotesi secondo cui la crescita dell’utilizzo dell’AI confluirà principalmente nelle più costose piattaforme statunitensi di modelli e cloud.

Un modello open-weight rende disponibili i propri parametri addestrati affinché gli utenti possano scaricarli o utilizzarli. Non necessariamente, però, divulga i dati di addestramento o l’intero processo di sviluppo.

Le organizzazioni possono eseguire questi modelli sulla propria infrastruttura, utilizzare servizi di hosting specializzati o adattarli ad attività più circoscritte. Questa flessibilità può ridurre la dipendenza da un singolo fornitore.

Torsten Slok, capo economista di Apollo, ha indicato questo cambiamento come un rischio per le previsioni degli hyperscaler. Ha osservato che i modelli cinesi stavano guadagnando quote di mercato mentre i prezzi dei token continuavano a diminuire.

Secondo l’analisi di Apollo di luglio, tra i 20 modelli più utilizzati quelli cinesi superavano le controparti statunitensi per consumo di token. I grafici di riferimento utilizzavano dati provenienti da OpenRouter e da altri dataset sull’utilizzo.

Questi dataset non rappresentano l’intero mercato. Possono sovrarappresentare gli sviluppatori che passano frequentemente da un modello all’altro e sottorappresentare le implementazioni aziendali private.

Rivelano comunque comportamenti concorrenziali significativi. Gli utenti scelgono spesso un modello meno costoso quando offre prestazioni sufficienti per un’attività ordinaria.

Un team software potrebbe riservare un modello di frontiera alle decisioni architetturali, utilizzando modelli più piccoli per test, documentazione, classificazione e formattazione.

Un servizio clienti può indirizzare le richieste semplici a un modello locale. Può poi inoltrare le conversazioni ambigue a un sistema ospitato più potente.

Questa combinazione riduce quanto un singolo fornitore può addebitare. Inoltre, rende la leadership nei benchmark meno preziosa quando diversi modelli soddisfano la soglia richiesta dall’acquirente.

Google, Meta, Microsoft e Amazon continuano a essere protette dalla loro scala, dalla distribuzione e dalle relazioni consolidate con i clienti. Possono integrare l’AI con servizi cloud, software di produttività, sistemi pubblicitari e piattaforme per sviluppatori.

Dispongono inoltre della solidità patrimoniale necessaria per continuare a costruire durante una guerra dei prezzi. I fornitori di infrastrutture più piccoli non hanno lo stesso margine di sicurezza.

La scala, tuttavia, comporta esposizione oltre che protezione. Le aziende più grandi hanno impegnato la maggiore quantità di capitale e devono soddisfare le aspettative più elevate degli investitori.

Le previsioni di consenso esaminate da Apollo indicano che il flusso di cassa libero degli hyperscaler dovrebbe più che raddoppiare nei prossimi anni. Il flusso di cassa libero misura la liquidità residua dopo le spese operative e gli investimenti in conto capitale.

Queste previsioni presuppongono che gli investimenti attuali producano aziende più grandi e redditizie. Presuppongono inoltre che i ritorni arrivino abbastanza rapidamente da superare ammortamenti e costi di finanziamento.

L’ammortamento distribuisce il costo di un bene lungo la sua vita utile prevista. Diventa particolarmente importante quando acceleratori più recenti rendono l’hardware esistente economicamente meno interessante.

Un data center può rimanere fisicamente operativo pur generando rendimenti inferiori al previsto. Chip più veloci possono ridurre il valore dei sistemi più datati prima della fine della loro vita contabile.

Cahn ha inoltre avvertito che un rinvio delle tempistiche per l’intelligenza artificiale generale potrebbe lasciare esposta la capacità attuale. Se le funzionalità avanzate arrivassero più tardi, parte dell’hardware potrebbe invecchiare prima che la domanda ne giustifichi l’impiego.

Questo rischio non significa che i chip installati diventino inutili. I sistemi esistenti possono supportare modelli più piccoli, attività di fine-tuning, inferenza, ricerca e carichi di lavoro a priorità inferiore.

Il problema è il rendimento ottenuto rispetto alla previsione originaria. La capacità costruita per un’intelligenza avanzata, scarsa e costosa potrebbe finire per alimentare un mercato concorrenziale dominato dalle commodity.

Slok ha delineato tre possibili conseguenze qualora i ritorni deludessero. In primo luogo, le previsioni su flussi di cassa e utili diminuirebbero, mentre investimenti in conto capitale e ammortamenti continuerebbero.

In secondo luogo, un’ondata di vendite sulle maggiori aziende tecnologiche potrebbe propagarsi ai mercati dei chip, dell’energia, dei data center e azionari.

In terzo luogo, gli hyperscaler potrebbero ricorrere maggiormente al debito qualora il flusso di cassa operativo non fosse più sufficiente a finanziare l’espansione. Ciò aumenterebbe la leva finanziaria ed esporrebbe i finanziatori a maggiori rischi infrastrutturali.

L’analisi di Apollo si spinge oltre, sostenendo che un ritardo nei ritorni potrebbe contribuire a una recessione e a una correzione dell’S&P 500. Si tratta di uno scenario di rischio, non di una previsione consolidata.

Anche questa tesi richiede contestualizzazione. I maggiori hyperscaler dispongono di attività diversificate, una solida generazione di cassa e la capacità di modificare i piani di spesa.

Possono rinviare progetti, rinegoziare gli impegni di fornitura, spostare i carichi di lavoro o riorientare la capacità verso prodotti interni. I loro programmi d’investimento non sono completamente rigidi.

Esiste anche una lettura ottimistica della concorrenza aperta. Modelli meno costosi possono portare l’AI in un maggior numero di organizzazioni, incrementando la domanda di storage cloud, reti, sicurezza e strumenti di implementazione.

Gli hyperscaler potrebbero guadagnare ospitando modelli concorrenti anche quando i propri perdono quote di mercato. Storicamente, le piattaforme infrastrutturali hanno tratto vantaggio da ampi ecosistemi software.

La pressione deriva quindi dalle tempistiche e dai margini, non da un semplice crollo della domanda. L’adozione può continuare a crescere anche se i ritorni finanziari arrivano più tardi di quanto previsto dai mercati.

Tre segnali mostreranno se i ritorni dell’AI stanno arrivando

La risposta emergerà prima dall’utilizzo, dal flusso di cassa libero e dal comportamento delle imprese, non dall’ennesimo benchmark da prima pagina.

Il primo segnale è il flusso di cassa libero degli hyperscaler. Google, Meta, Microsoft e Amazon devono dimostrare che gli investimenti nell’AI sostengono una crescente generazione di cassa fino al 2028.

La sola crescita dei ricavi non risolverà la questione. Gli investitori devono vedere un flusso di cassa operativo superiore alle esigenze legate alla costruzione dei data center, all’acquisto di apparecchiature e alle infrastrutture di supporto.

Le aziende offriranno spiegazioni diverse perché i loro modelli di business sono differenti. Il portafoglio ordini cloud è importante per Microsoft, Amazon e Google, mentre per Meta hanno maggior peso i ritorni pubblicitari.

Il confronto utile riguarda il rapporto tra investimenti in conto capitale e flusso di cassa incrementale. Un divario crescente rafforzerebbe la tesi dei ritorni ritardati.

Un divario in diminuzione la indebolirebbe, in particolare se le aziende individuassero ricavi ricorrenti legati all’AI anziché affidarsi a generiche dichiarazioni sul coinvolgimento degli utenti.

Il secondo segnale è l’utilizzo fisico dei data center. Cahn ha suggerito che la presenza di chip fermi nei magazzini indicherebbe ritardi nella costruzione o uno squilibrio tra le consegne delle apparecchiature e le strutture disponibili.

Per generare ricavi, l’hardware ha bisogno di energia, raffreddamento, connettività di rete ed edifici completati. Un acceleratore consegnato ma inutilizzato resta un costo in conto capitale.

Occorre osservare eventuali rinvii delle date di apertura, limitazioni energetiche e modifiche ai programmi di implementazione delle apparecchiature. Va inoltre verificato se i fornitori segnalano una rapida vendita della nuova capacità dopo il lancio.

A luglio, Apollo ha affermato che la capacità GPU on-demand rimaneva di fatto esaurita. Ha inoltre segnalato una solida domanda di noleggio per alcuni chip meno recenti.

Questi elementi sostengono la tesi di una carenza nel breve termine. Il persistere delle carenze indebolirebbe l’idea che il settore abbia già costruito capacità in eccesso.

Il quadro cambierebbe se le tariffe di noleggio diminuissero mentre la capacità completata restasse inutilizzata. Questa combinazione suggerirebbe che l’offerta sta raggiungendo la domanda prima che i ricavi arrivino alla scala indicata da Cahn.

Il terzo segnale è la spesa delle imprese per il lavoro completato. Le aziende devono superare la fase sperimentale e rinnovare i sistemi di AI perché questi producono risultati misurabili.

Tra gli indicatori utili figurano i tassi di completamento degli agenti, la fidelizzazione dei clienti, la crescita dei carichi di lavoro in produzione e i risparmi documentati in termini di lavoro o tempi di ciclo. Il semplice conteggio dei prompt offre meno informazioni.

Lo sviluppo software resterà un banco di prova importante. La programmazione presenta flussi di lavoro chiari, costi della manodopera elevati, strumenti digitali e risultati misurabili.

Se gli agenti di programmazione diventeranno un’infrastruttura standard per la produzione, potranno sostenere una domanda duratura per modelli e cloud. Se l’adozione si fermerà all’assistenza supervisionata, le aspettative sui ricavi dovranno essere riviste.

Il servizio clienti offre un altro banco di prova. I modelli devono risolvere correttamente i casi, rispettare le politiche, proteggere i dati e sapere quando inoltrare una richiesta.

Un costo inferiore per conversazione conta solo se la qualità rimane accettabile. In caso contrario, i risparmi si trasferiscono alle attività di revisione, correzione e recupero del rapporto con il cliente.

Il lavoro intellettuale presenta un problema di misurazione più complesso. Le organizzazioni devono collegare gli assistenti a un contesto interno affidabile prima che gli output diventino costantemente utili.

Ciò richiede accesso ai documenti, autorizzazioni, tracciamento delle fonti e memoria istituzionale. Un flusso di lavoro per la conoscenza pratico può aiutare i team a verificare se l’AI consente di risparmiare tempo nelle attività ricorrenti.

I prossimi trimestri dovrebbero rivelare se questi esempi diventeranno sistemi duraturi o resteranno funzioni di produttività isolate. I sistemi duraturi generano domanda ricorrente e resistono meglio ai tagli di budget.

Gli investitori dovrebbero inoltre distinguere i ricavi dei modelli dai rendimenti delle infrastrutture. Un’applicazione di successo non garantisce automaticamente margini elevati a ogni proprietario di data center.

Allo stesso modo, il calo dei costi delle API non dimostra automaticamente una domanda debole. Può rendere sostenibili carichi di lavoro che prima non lo erano.

L’AI può rispondere alla domanda da 3.000 miliardi di dollari? Il settore ha dimostrato l’esistenza di una domanda, un rapido miglioramento dei prodotti e diverse applicazioni di valore.

Non ha ancora dimostrato ricavi sulla scala implicita negli impegni infrastrutturali assunti. Le prove decisive arriveranno dalla liquidità, dall’utilizzo e dagli acquisti aziendali ripetuti.

È preferibile considerare il calcolo di Cahn come uno stress test, non come un conto alla rovescia verso il fallimento. Identifica la quantità di valore economico che l’attuale espansione infrastrutturale dovrà prima o poi sostenere.

Per gli sviluppatori e gli acquirenti aziendali, la risposta pratica non è interrompere l’adozione dell’AI. È misurare attentamente i risultati e conservare le prove alla base di ogni decisione.

Occorre monitorare il lavoro completato, i costi di revisione, la sostituzione dei modelli e la crescita effettiva dell’utilizzo. Questi dati mostreranno se l’efficienza sta creando più valore o si limita a ridurre il conto.

La risposta alla domanda da 3.000 miliardi di dollari non arriverà con una singola comunicazione degli utili. Emergerà man mano che migliaia di organizzazioni decideranno quali flussi di lavoro basati sull’AI meritano di diventare permanenti.