I piccoli modelli "rubano" la domanda di potenza di calcolo cloud, la spesa in capitale dei data center da mille miliardi di dollari è messa alla prova

Le applicazioni AI continuano a espandersi, ma gli investimenti nei data center su scala ultra-large che sostengono questa ondata stanno affrontando nuove sfide dal lato della domanda.

Secondo un rapporto di Jefferies, con il miglioramento delle prestazioni e la riduzione dei costi dei modelli linguistici di piccole dimensioni, le implementazioni aziendali dell’AI potrebbero spostarsi dal cloud centralizzato verso soluzioni locali, esercitando così pressione sulla domanda di potenza di calcolo cloud e sulle imponenti spese in conto capitale nei data center.

Una delle principali basi di questa valutazione è l’osservazione recente sull’effettivo utilizzo dei server AI. Nel settembre 2026, Swerve Research Technologies ha creato un “indice di congestione” monitorando i tempi di attesa nelle code delle richieste server di Anthropic, rilevando che l’utilizzo di tali server è diminuito del 26% rispetto al picco di gennaio-febbraio 2026. Questo indicatore non corrisponde direttamente ai ricavi delle aziende, ma se il tasso di utilizzo dovesse continuare a scendere, ciò potrebbe significare che parte della capacità computazionale inizia a rimanere inutilizzata.

Nel frattempo, gli investimenti nelle infrastrutture AI continuano a crescere rapidamente. Attualmente, il mercato prevede che la spesa in conto capitale combinata dei quattro colossi tecnologici statunitensi — Meta, Alphabet, Amazon e Microsoft — possa raggiungere i 990 miliardi di dollari entro il 2027. Secondo il rapporto, se la crescita della domanda di potenza di calcolo AI non riuscirà a mantenere il ritmo di tale mole di investimenti, alcuni data center potrebbero rischiare ritorni insufficienti o addirittura di diventare “asset rimasti inutilizzati”.

Diminuzione del tasso di utilizzo dei server, l’offerta di potenza di calcolo AI sotto esame

Il prodotto personale AI Muse di Meta, lanciato l’8 settembre, ha spinto il valore azionario di Meta a crescere del 21% in poche settimane, diventando uno dei punti salienti delle applicazioni AI recenti. Tuttavia, il rapporto sottolinea che il successo di una singola applicazione non è sufficiente a dimostrare che l’intero ciclo di investimento in infrastrutture AI possa essere sostenibile.

È invece più significativo il fatto che le aziende AI stesse stiano inviando segnali diversi rispetto alle ottimistiche aspettative di mercato. Sia il CEO di Anthropic che il CEO di OpenAI, Sam Altman, insieme a Elon Musk, hanno recentemente discusso pubblicamente dell’esigenza di rallentare lo sviluppo dell’AI; inoltre, l’IPO prevista di Anthropic è stata rimandata a novembre.

Nel frattempo, Anthropic ha già firmato un contratto per potenza di calcolo del valore di 45 miliardi di dollari su tre anni con SpaceX, e ha siglato accordi plurimiliardari per risorse computazionali con Amazon e Google Cloud. Se il ritmo di crescita dei ricavi AI dovesse rallentare mentre i contratti di calcolo su larga scala già stipulati dovranno essere comunque mantenuti, la pressione sui costi delle aziende potrebbe aumentare ulteriormente.

Secondo alcune fonti, Meta ha negoziato con Anthropic a luglio per affittare fino a 10 miliardi di dollari di potenza di calcolo dei data center nei prossimi due anni. Secondo il rapporto, il fatto che le grandi aziende tecnologiche inizino attivamente a cercare clienti esterni per assorbire la potenza di calcolo riflette il fatto che, con la rapida espansione dell’offerta di infrastrutture, come migliorare il tasso di utilizzo degli asset sta diventando una nuova sfida.

La rincorsa delle prestazioni dei piccoli modelli, il deployment locale può deviare la domanda dal cloud

Rispetto alle variazioni a breve termine del tasso di utilizzo dei server, il rapporto si concentra più a fondo sulle trasformazioni in atto nell’architettura dei modelli AI.

Secondo lo studio “Intelligence per Watt” pubblicato congiuntamente dalla Stanford University e Together AI, le prestazioni dei modelli linguistici di piccole dimensioni stanno rapidamente recuperando il divario con quelli di grandi dimensioni, mentre il consumo energetico e i costi computazionali risultano inferiori del 50%-85%. Se questa tendenza dovesse proseguire, la scala di potenza di calcolo richiesta e la struttura dei costi per l’implementazione AI da parte delle imprese potrebbero mutare.

In passato le aziende si affidavano maggiormente ai grandi modelli centralizzati nel cloud per le attività AI; con il miglioramento delle capacità dei piccoli modelli, alcuni scenari potrebbero spostarsi verso soluzioni locali. Settori come le banche, che richiedono elevata sicurezza dei dati, già manifestano una forte esigenza di deployment locale; quando i piccoli modelli ridurranno ulteriormente i costi di implementazione, questa modalità potrebbe diffondersi ancora di più.

Ciò significa che la crescita delle applicazioni AI non comporta necessariamente una crescita proporzionale della domanda di potenza di calcolo cloud. Le aziende potrebbero espandere le applicazioni AI, diminuendo allo stesso tempo la dipendenza dalle API dei grandi modelli e dalla potenza computazionale centralizzata nel cloud.

Questo è anche uno dei motivi principali per cui il rapporto mette in dubbio spese in conto capitale vicine al trilione di dollari: se in futuro più applicazioni AI saranno gestite da modelli locali, piccoli e a basso costo, la scala attuale degli investimenti nei data center ultra-large potrebbe risultare sproporzionata rispetto alla reale domanda di potenza computazionale.

In questo scenario, ciò che va davvero rivalutato non è se la domanda AI esista, ma quanta potenza di calcolo centralizzata richieda effettivamente e se questi data center saranno in grado di generare ritorni commisurati alla loro scala di investimento.