Il punto di svolta dell'IA

Nonostante il calo dei mercati, i fondamentali dell'intelligenza artificiale si sono rafforzati in modo significativo. Investire, in fondo, è un processo di aggiornamento continuo delle convinzioni: ogni nuovo dato contribuisce a ridefinire le probabilità dei possibili scenari. Nel primo trimestre sono emersi diversi segnali molto rilevanti che hanno aumentato in modo significativo la probabilità di un’opportunità nell’IA molto più ampia del previsto. L’entità e la coerenza dei progressi recenti indicano che siamo ancora in una fase iniziale e che il potenziale finale potrebbe essere ben superiore a quanto inizialmente ipotizzato.

Il coding con l'IA ha superato la massa critica

Il coding basato sull'IA ha superato una soglia cruciale. Strumenti come Claude Code di Anthropic sono ormai pienamente agentici e in grado di sviluppare software di livello produttivo con un intervento umano minimo. Anche Andrej Karpathy, co-fondatore di OpenAI e sempre piuttosto scettico sulle reali capacità dell'IA nel coding, ha osservato che l'equilibrio si è ribaltato: da un modello "80% lavoro manuale e 20% macchina" a uno "80% agente e 20% rifiniture manuali", aggiungendo che oggi si trova a programmare prevalentemente in linguaggio naturale, cioè in inglese.

È il primo esempio su larga scala di un’IA che svolge direttamente attività cognitive ad alto valore, finora appannaggio quasi esclusivo degli esseri umani. L’impatto, però, va letto più come uno shock di produttività che come una semplice sostituzione della forza lavoro. Storicamente, gli aumenti di produttività riducono i costi marginali, ampliano l’output e accrescono i redditi reali, portando a più attività economica, non a una minore domanda di lavoro. I primi dati vanno già in questa direzione: la domanda di ingegneri software resta solida anche mentre gli strumenti di IA si diffondono rapidamente. Con 20–30 milioni di sviluppatori nel mondo e un costo medio fully‑loaded di circa 100.000 USD, parliamo di un bacino di lavoro da 2–3 trilioni di dollari destinato a essere potenziato, non rimpiazzato.

Esiste anche un limite economico naturale all’automazione completa. L’addestramento e l’esecuzione dei modelli richiedono enormi risorse in termini di semiconduttori, data center ed energia. Portare l’AI a sostituire integralmente ampi bacini di lavoro impiegatizio richiederebbe una capacità di calcolo di ordini di grandezza superiore a quella oggi disponibile. Man mano che l’automazione si diffonde, la domanda di compute aumenta e ne fa salire il costo marginale. Quando questo costo supera quello del lavoro umano per determinate attività, la sostituzione semplicemente non avviene. In questo senso, la capcità di calcolo diventa il fattore vincolante, che determina tempi e limiti dell’automazione.

L'ascesa degli agenti

L'emergere degli agenti, di cui OpenClaw è un esempio rappresentativo, segna un punto di svolta rilevante. A differenza delle interfacce di chat, basate su una logica di domanda e risposta, gli agenti svolgono attività in modo continuativo: scrivono codici, gestiscono flussi di lavoro, interagiscono cone le API senza interruzioni. Questo segna il passaggio dall'IA come strumento cognitivo all'IA come livello operativo integrato nell'economia. La chat comprime l’informazione; gli agenti producono output. Non vengono consultati sporadicamente, ma restano attivi, monitorano e agiscono.

Le implicazioni sono un aumento discontinuo della domanda di capacità di calcolo. Gli agenti lavorano in modo iterativo e ricorsivo: pianificano, eseguono, verificano e affinano i risultati attraverso più passaggi. Anche un singolo compito può richiedere decine di chiamate al modello. Se la chat ha fatto crescere il consumo di calcolo in modo lineare, gli agenti lo spingono in modo esponenziale. Al tempo stesso, ampliano drasticamente il numero di “utenti” del software. Come ha osservato Jensen Huang, cresceranno sia l’uso umano sia quello agentico, moltiplicando la domanda su strumenti, API e risorse di calcolo. La domanda di compute non è più legata al numero di licenze, ma al numero di processi attivi che operano in parallelo.

Monetizzazione

Il modello di consumo sta evolvendo in modo da ampliare significativamente le opportunità di monetizzazione. In passato, l’IA veniva offerta soprattutto tramite abbonamenti “all you can eat”. Oggi il modello si sta spostando verso una tariffazione a consumo, un vero e proprio “pay per use”. È un cambiamento cruciale, perché consente di differenziare i prezzi in base all’intensità di utilizzo, alla disponibilità a pagare e alla sensibilità alla latenza. Gli utenti più avanzati, in particolare chi utilizza agenti in modo continuo, consumano volumi di token di ordini di grandezza superiori e risultano molto meno sensibili al prezzo.

I primi segnali sono indicativi: alcuni sviluppatori spendono già decine di migliaia di euro l'anno in token, mentre molte aziende assegnano agli ingegneri budget annuali per l’IA pari a circa il 50% dello stipendio base, sia per aumentare la produttività sia come leva di attrazione dei talenti.

Questo cambiamento ha due implicazioni chiave. In primo luogo, amplia in modo significativo la capacità di catturare ricavi per i provider di modelli, poiché la struttura dei prezzi scala con il valore generato anziché con il numero di utenti. In secondo luogo, affronta la critica del cosiddetto “finanziamento circolare” spesso sollevata dagli scettici. Se l’utilizzo è misurato e la domanda cresce in funzione dei guadagni di produttività, la crescita dei ricavi non è artificiale, ma direttamente collegata all’output economico. Ne deriva un meccanismo di monetizzazione più chiaro e più duraturo.

Disaggregare l'inferenza migliora l'efficienza economica e allunga la vita degli asset

Un cambiamento meno evidente, ma altrettanto rilevante, sta avvenendo a livello infrastrutturale. L’inferenza si sta infatti scomponendo in due fasi distinte: prefill e decode. La fase di prefill, che riguarda la comprensione del prompt e del contesto informativo, è molto intensiva in termini di capacità di calcolo; la fase di decode, ovvero la generazione dei token, è invece più dipendente dalla banda di memoria e sensibile alla latenza. Questa separazione consente di ottimizzare i carichi di lavoro su infrastrutture eterogenee, riutilizzando GPU meno recenti per il prefill e affidando il decode a sistemi più nuovi o specializzati.

La conseguenza è un'estensione significativa del ciclo di vita utile della GPU. Invece di diventare economicamente obsolete dopo 4-5 anni, potrebbero rimanere produttive per un arco di tempo molto più lungo, fino a circa un decennio. Questo ha due implicazioni finanziarie dirette: una minore pressione da ammortimenti e una riduzione dell'intensità di capitale per unità di output. Per gli hyperscaler, ciò si riduce in rendimenti più elevati sul capitale investito nel tempo, soprattutto perché l'infrastruttura si sta spostando dal training, una fase che non genera ricavi, all'inferenza, che invece è direttamente monetizzabile. In definitiva, il sistema diventa più efficiente proprio nel momento in cui la domanda sta accelerando.

In un'ottica più ampia, l'IA sta diventando sempre più un processo di trasformazione dell'energia in token dotati di valore economico. I continui miglioramenti di efficienza, sia sul fronte hardware sia su quello algoritmico, stanno ampliando l'offerta effettiva proprio mentre la domanda accelera.

I modelli di frontiera dimostrano una capacità di monetizzazione senza precedenti per scala ed efficienza

Anthropic ha comunicato di aver raggiunto, al 7 aprile, un run rate di ricavi annualizzati pari a 30 miliardi di dollari, rispetto ai 9 miliardi di appena tre mesi prima, con un incremento di 21 miliardi di ARR in un solo trimestre. Anche OpenAI mostra un’accelerazione analoga, passando da circa 20 miliardi di ARR a fine 2025 a oltre 25 miliardi già all’inizio di marzo. Per dare un termine di paragone, la sola espansione trimestrale dell’ARR di Anthropic supera la crescita complessiva dell’ARR delle prime dieci software company, Microsoft esclusa, nello stesso periodo.

Colpisce altrettanto l’elevata efficienza operativa di questi modelli di business. Sia Anthropic sia OpenAI contano su circa 3.000 dipendenti ciascuna, a fronte dei circa 30.000 dipendenti che Alphabet Inc. aveva quando generava ricavi di dimensioni simili. Non si tratta soltanto di aziende in forte crescita, ma di un modello operativo radicalmente diverso, in cui la scalabilità tipica del software si combina con una monetizzazione di tipo infrastrutturale, dando luogo a un livello di ricavi per dipendente senza precedenti.

Questa è, ad oggi, la dimostrazione più chiara che i modelli di linguaggio di grandi dimensioni possono essere monetizzati su larga scala. È significativo che questa crescita avvenga in parallelo con la transizione dei modelli di prezzo descritta in precedenza. Con la diffusione della tariffazione a consumo, è prevedibile che la crescita dei ricavi resti strettamente legata all’utilizzo dei token, trainato dai carichi di lavoro agentici e dall’adozione in ambito enterprise.

Siamo inoltre entrati pienamente nella fase dell’inferenza dell’AI. Nella fase iniziale del ciclo ha dominato il training, caratterizzato da un’elevata intensità di capitale e da una monetizzazione differita. Oggi, invece, è l’inferenza a guidare i ricavi, con un miglioramento della sostenibilità economica man mano che aumentano i tassi di utilizzo e cresce l’efficienza dell’infrastruttura.

L'IA applicata al mondo reale

Un ulteriore sviluppo da monitorare attentamente è l'estensione dell'IA oltre il dominio digitale, verso il mondo fisico. Ciò che sta cambiando oggi è la convergenza di tre fattori: modelli su larga scala, enormi cicli di accumulo dei dati e infrastrutture integrate end‑to‑end. In ambiti come la guida autonoma, i sistemi stanno evolvendo da architetture basate su regole verso modelli end‑to‑end in grado di interpretare l’intera scena, anticipare i comportamenti e tradurre direttamente la percezione in azione.

Questa evoluzione è sempre più evidente nelle applicazioni reali. Waymo ha aumentato di circa dieci volte il numero di viaggi a pagamento settimanali in meno di due anni, passando da circa 50.000 nel 2024 a circa 500.000 oggi, con l’obiettivo di raggiungere il milione entro la fine dell’anno.

Si tratta dell’equivalente di un “momento ChatGPT” per il mondo fisico. I modelli non si limitano più a riconoscere oggetti, ma ragionano su ambienti dinamici. Le implicazioni vanno ben oltre il miglioramento di robot umanoidi o veicoli autonomi e aprono la strada alla nascita di un livello di intelligenza generale per i sistemi fisici, adattabile a settori diversi come logistica, manifattura e mobilità.

Questa è una curva a S particolarmente accentuata

Nei precedenti cicli di espansione del calcolo, l’infrastruttura ha sempre preceduto l’adozione delle applicazioni. Questo schema si sta ripetendo, ma con un’accelerazione molto più marcata del previsto. La costruzione dell’infrastruttura è stata rapida, ma ora è il livello applicativo, in particolare l’IA in ambito enterprise, a mostrare un punto di svolta significativo. Stimiamo che il mercato dell’IA enterprise possa raggiungere 3–5 trilioni di dollari, e che l’attuale livello di penetrazione sia probabilmente ancora inferiore al 10%. Il percorso di adozione sta diventando più chiaro: dalla chat all’integrazione dell’IA nei flussi di lavoro, poi a strumenti specializzati per singoli compiti, quindi ad agenti pienamente autonomi e, infine, a reti di agenti coordinate tra loro.

È fondamentale notare che l’incertezza macroeconomica potrebbe accelerare, anziché rallentare, questo processo. In un contesto economico più debole, aumenta l’urgenza di ridurre i costi del lavoro e migliorare la produttività. L’IA diventa così uno strumento deflattivo. Le aziende sotto pressione tendono ad adottarla più rapidamente. Un caso analogo si è visto nel 2008–09 durante la grande crisi finanziaria, quando la pubblicità digitale ha preso slancio a scapito dei media tradizionali. È proprio nei periodi difficili che le imprese sono più disposte a rompere l’inerzia dei modelli consolidati. I primi segnali sono già visibili nei trend di assunzione e nelle iniziative di ottimizzazione dei costi.

Conclusioni

L'intelligenza artificiale resta oggi una delle aree di investimento più interessanti, perché ci troviamo ancora nelle fasi iniziali di un mercato che sta allo stesso tempo migliorando i propri prodotti, ampliando le modalità di monetizzazione e rafforzando il proprio valore economico. L’utilizzo cresce rapidamente, i laboratori di frontiera stanno passando da abbonamenti a prezzo fisso a modelli di pricing a consumo che riflettono meglio il ritorno sull’investimento, e l’economia dell’inferenza migliora man mano che lo stack tecnologico matura. Parallelamente, l’IA non è più soltanto una storia tecnologica: sta diventando un tema di produttività, lavoro e capitale, con un’adozione che si estende dalla chat al coding fino ad agenti in grado di svolgere attività concrete. Questa combinazione di domanda in rafforzamento, monetizzazione più efficace, asset di calcolo con una vita utile più lunga e un percorso più chiaro verso rendimenti sostenibili rende il settore particolarmente attraente. Sebbene molte tecnologie trasformative finiscano nel tempo per essere sovraponderate, l’IA appare ancora poco penetrata rispetto alla dimensione dell’opportunità. A nostro avviso, ci troviamo in uno di quei rari momenti in cui crescita fondamentale e attrattiva dell’investimento risultano entrambe insolitamente forti.