Hardware per l'Intelligenza Artificiale: rallentamento? Non così in fretta.

Qualche settimana fa, un’app consumer ha dato nuovo slancio ai titoli dei semiconduttori.
Il nuovo agente personale di IA di Meta, Muse, ha rapidamente scalato le classifiche statunitensi delle app e i titoli dei semiconduttori hanno registrato un rialzo, mentre gli investitori iniziavano a immaginare cosa avrebbe potuto significare per la domanda di capacità di calcolo un’adozione di successo dell’IA agentica da parte dei consumatori.

La tempistica era particolarmente interessante perché, solo pochi giorni prima, era emersa una narrativa apparentemente contraddittoria. I principali ricercatori nel campo dell’IA avevano iniziato a discutere apertamente se il settore dovesse rallentare il ritmo di sviluppo di modelli di frontiera sempre più potenti.

Il contrasto illustra perfettamente il rumore di fondo con cui gli investitori si confrontano attualmente. Anziché reagire a ogni notizia, riteniamo più utile tornare alla tesi di fondo sull’hardware: cosa potrebbe realmente invalidarla e cosa potrebbe ancora sottovalutare il mercato?

Dopo la straordinaria corsa dell’hardware, oggi due rischi dominano il dibattito.

I recenti appelli dei principali ricercatori nel campo dell’IA a rallentare lo sviluppo di modelli sempre più potenti sono stati inizialmente interpretati come una cattiva notizia per i semiconduttori. La logica sembra lineare: se l’intervallo tra le generazioni di modelli di frontiera si allungasse, dovrebbe essere necessario un numero inferiore di enormi cicli di addestramento e, quindi, una minore capacità di calcolo.

Ma questo è solo un lato dell’equazione. Una maggiore attenzione alla sicurezza dell’IA potrebbe richiedere, di per sé, notevoli risorse di calcolo, poiché i modelli devono essere testati, monitorati, valutati e potenzialmente supervisionati da altri sistemi di IA. Un’IA che controlla un’altra IA suona leggermente distopica, ma richiede anche molti token e, quindi, molta capacità di calcolo. Al contempo, requisiti di sicurezza più rigorosi potrebbero favorire i maggiori laboratori di IA di frontiera, maggiormente in grado di assorbire i costi fissi di test, audit e conformità, innalzando potenzialmente le barriere all’ingresso.

Soprattutto, un rallentamento dei progressi ai livelli più avanzati potrebbe cambiare dove viene utilizzata la capacità di calcolo, anziché ridurne in misura sostanziale il fabbisogno. Le risorse potrebbero spostarsi dall’addestramento continuo della generazione successiva di modelli al test, all’implementazione e all’esecuzione dei modelli già esistenti, sostenendo una maggiore attività di inferenza, un maggior numero di agenti e, potenzialmente, un’adozione molto più ampia.

Questa è probabilmente la domanda più importante. La portata del ciclo di investimenti ha assunto dimensioni straordinarie: si prevede che gli investimenti in conto capitale degli hyperscaler e del cloud superino la cifra record di circa 1.200 miliardi di dollari entro il 2027, rispetto a meno di 200 miliardi di dollari nel 2023². Al contempo, il dibattito finanziario si sta facendo più esigente: i profili di free cash flow sono sotto pressione, i costi di finanziamento sono aumentati e gli investitori richiedono sempre più prove che centinaia di miliardi di dollari di investimenti possano, in ultima analisi, generare rendimenti adeguati.

L’attuale ritmo di crescita degli investimenti in conto capitale chiaramente non può continuare all’infinito. Ma c’è una differenza importante tra un rallentamento della crescita degli investimenti e un loro effettivo calo. Anche in caso di una decelerazione significativa, la spesa in termini assoluti resterebbe su livelli storicamente elevati e continuerebbe a rappresentare una significativa domanda incrementale per le società che forniscono l’infrastruttura. È importante sottolineare che ci troviamo ancora in larga misura nella fase di investimento del ciclo dell’IA: l’infrastruttura viene costruita prima che si siano pienamente concretizzati i risultati economici dell’IA. Questo disallineamento temporale fa sì che gli attuali investimenti in conto capitale appaiano particolarmente elevati rispetto ai ricavi, ma potrebbe anche trattarsi proprio di ciò che è necessario per consentire la prossima fase di adozione.

Anche le dinamiche concorrenziali rendono più difficile una brusca riduzione degli investimenti. Il cloud, la ricerca online, la pubblicità, i software di produttività e gli ecosistemi consumer vengono tutti rimodellati dall’IA. Investire troppo poco può proteggere oggi il free cash flow, ma rischia anche di lasciare domani una piattaforma tecnologicamente indietro. Ciò crea una dinamica simile a «AI or die»: gli hyperscaler diventeranno più selettivi nella destinazione della spesa, ma la soglia per ridurre in misura significativa gli investimenti resta elevata.

Attualmente, il principale freno al ciclo potrebbe essere sempre più rappresentato dai vincoli fisici, anziché dalla volontà di investire.

I rischi sono reali, ma rappresentano solo metà della storia. Al contempo, diversi sviluppi suggeriscono che l’opportunità legata alla capacità di calcolo si stia ampliando ben oltre la fase iniziale di sviluppo dell’infrastruttura per l’IA.

La prima fase dell’IA generativa era relativamente semplice dal punto di vista dell’hardware: addestrare modelli sempre più potenti su enormi cluster di GPU e poi utilizzare tali modelli per rispondere ai prompt. L’IA agentica cambia l’equazione e Muse ne offre un’utile illustrazione.

Anziché limitarsi a generare una risposta, un agente può utilizzare i browser, interagire con le applicazioni ed eseguire una sequenza di attività per conto di un utente, continuando potenzialmente a lavorare in background per minuti o persino ore. Le GPU e gli acceleratori per l’IA svolgono ancora il lavoro di inferenza più impegnativo, ma le CPU coordinano i sistemi operativi, i browser e potenzialmente centinaia di azioni minori che ruotano attorno a essi. Memoria, networking, archiviazione, alimentazione e raffreddamento ne beneficiano man mano che questi carichi di lavoro diventano più complessi.

In altre parole, gli agenti ampliano la distinta base dell’hardware per l’IA. Muse è soltanto un primo esempio. Ma offre al mercato qualcosa che attendeva: un caso d’uso concreto per i consumatori che implica una maggiore attività di inferenza, per periodi più lunghi e su una gamma più ampia di hardware.

Oggi stanno emergendo vincoli di offerta nei substrati, nei materiali speciali, nella connettività ottica, nella gestione dell’alimentazione, nel raffreddamento e in molteplici segmenti della catena delle apparecchiature per semiconduttori.

Gli ultimi risultati di Nvidia ne hanno fornito un esempio emblematico. La società prevede una crescita dei ricavi di circa il 70% nel prossimo esercizio fiscale, ben superiore alle precedenti aspettative del mercato³. Ma le previsioni sui ricavi possono aumentare apportando poche modifiche a un foglio di calcolo; la catena di fornitura fisica non può adeguarsi altrettanto rapidamente. La costruzione degli stabilimenti richiede tempo, i componenti specializzati restano difficili da produrre e i cicli di qualificazione possono durare mesi o anni.

Quando un vincolo viene risolto, tende a emergerne un altro: più GPU richiedono più memoria; più memoria richiede ulteriore capacità di packaging; cluster più grandi necessitano di reti più veloci; una maggiore densità crea nuove esigenze di raffreddamento e alimentazione. Il collo di bottiglia continua a spostarsi più avanti lungo la catena del valore. Una società non deve necessariamente produrre il chip per l’IA più prestigioso per beneficiare di dinamiche economiche interessanti.

Un’ultima distinzione resta sottovalutata. Il mercato continua a chiedersi se gli hyperscaler riusciranno, in ultima analisi, a generare ricavi legati all’IA sufficienti a giustificare le centinaia di miliardi di dollari che stanno investendo. La loro spesa avviene oggi, mentre gran parte della monetizzazione arriverà più avanti.

Per molte società hardware, l’equazione è più semplice: i loro clienti spendono oggi. Gli ordini si traducono in ricavi, i ricavi in utili e, per le società che privilegiamo, gli utili si traducono in free cash flow. Insieme ai colli di bottiglia e ai lunghi tempi di consegna, ciò può offrire ad alcune società hardware una maggiore visibilità sugli utili rispetto alle società che finanziano lo sviluppo dell’infrastruttura per l’IA.

La valutazione è altrettanto importante. Nonostante il forte rialzo dei semiconduttori, continuiamo a individuare opportunità in cui la crescita attesa del free cash flow resta interessante rispetto alle valutazioni. Ciò contrasta con alcune aree dell’universo degli hyperscaler, dove l’intensità di capitale è in aumento proprio mentre gli investitori diventano più esigenti sui tempi e sulla redditività dei futuri ricavi legati all’IA.

Nulla di tutto ciò significa acquistare hardware indiscriminatamente. Le aspettative sono elevate, la disruption tecnologica resta un rischio costante e la capacità produttiva finirà per raggiungere la domanda. La selezione dei titoli e la disciplina nelle valutazioni contano quindi di più, non di meno.

Ma la conclusione più generale resta invariata. I due principali rischi che l’hardware per l’IA deve affrontare oggi sono reali: il ritmo di sviluppo dei modelli di frontiera potrebbe rallentare e la crescita degli investimenti in conto capitale degli hyperscaler finirà per moderarsi. Tuttavia, nessuno dei due implica necessariamente un crollo della domanda di capacità di calcolo, mentre la prossima fase dell’IA potrebbe ampliare tale domanda a un maggior numero di carichi di lavoro, di componenti e di segmenti della catena di fornitura.
Per l’hardware, non riteniamo di essere ancora arrivati a quel punto.