Hyperscaler, il paradosso della corsa all’indipendenza

Nel mercato dell’intelligenza artificiale nessuno vuole dipendere da nessuno. Google ha le TPU, Amazon Trainium, Microsoft Maia, Meta MTIA. Agli acceleratori si aggiungono modelli proprietari, reti, data center e perfino contratti energetici pluridecennali. La logica è elementare: se una risorsa è strategica, meglio possederla o controllarla. Il risultato è meno elementare. Se tutti si assicurano contro la stessa dipendenza costruendo la stessa ridondanza, ciò che protegge la singola azienda può aumentare il rischio dell’intero mercato. È una dinamica che la finanza conosce già. E non sempre è finita bene.

Hyperscaler AI: la corsa a chip, modelli e data center propri

La prima dipendenza da eliminare è quella dall’hardware. Meta sta portando in produzione un nuovo acceleratore proprietario mentre punta a raddoppiare la propria capacità di calcolo fino a 14 gigawatt nel 2027. L’obiettivo dichiarato è anche ridurre l’esposizione verso fornitori esterni come Nvidia e AMD. Amazon, Google e Microsoft seguono da anni la stessa strada con Trainium, TPU e Maia.

Poi c’è l’energia. Google ha annunciato in Finlandia un investimento da circa 15 miliardi di dollari in infrastrutture AI accompagnato da un accordo nucleare della durata di 22 anni. Amazon ha appena sottoscritto un accordo da 2,4 miliardi con Generac per assicurarsi generatori destinati ai data center. Non si compra più soltanto capacità informatica: si prenotano in anticipo elettricità, raffreddamento, componentistica e continuità operativa.

La scelta è perfettamente razionale. Restare senza GPU, energia o modelli competitivi mentre il concorrente ne dispone sarebbe molto più costoso. Così però la resilienza smette di significare soltanto diversificazione e comincia a significare duplicazione.

Dai credit default swap all’AI: il paradosso della copertura

È qui che il precedente dei credit default swap diventa interessante, senza bisogno di fingere che un data center sia un derivato. Prima della crisi del 2008 i CDS permettevano agli operatori di trasferire il rischio di credito. Il problema emerse quando una rete enorme di esposizioni e controparti rese difficile capire dove quel rischio fosse realmente finito.

La Federal Reserve ha ricordato il caso AIG proprio per questo: posizioni utilizzate anche per gestire il rischio finirono per diventare esse stesse fonti di rischio sistemico. Se AIG fosse fallita senza intervento pubblico, le perdite si sarebbero propagate alle sue controparti in un mercato nel quale nessuno conosceva con precisione l’esposizione degli altri.

Gli hyperscaler non stanno trasferendo lo stesso credito da un bilancio all’altro. Stanno facendo quasi il contrario: internalizzano ciò da cui temono di dipendere. Ma il paradosso è affine. Una strategia sensata per ciascuno può produrre un risultato irrazionale nell’aggregato. Cinque aziende che temono di non avere abbastanza capacità possono costruirne cinque volte. E nessuna può permettersi di aspettare che siano le altre a scoprire se fosse davvero necessaria.

Data center e sovracapacità: il rischio è nell’ammortamento

È qui che la dimensione finanziaria diventa enorme. Amazon, Alphabet, Microsoft, Meta e Oracle hanno investito complessivamente circa 1.100 miliardi di dollari di capex negli ultimi cinque anni. Secondo il consenso raccolto da S&P Global, potrebbero aggiungerne altri 5.300 miliardi entro il 2030. Nel 2028 arriverebbero a rappresentare oltre metà degli investimenti complessivi dell’S&P 500.

Il problema non è prevedere un crollo della domanda AI. Potrebbe accadere l’opposto. I modelli possono diventare più diffusi mentre il costo necessario a eseguirli scende. Distillazione, quantizzazione, sparse model, Mixture-of-Experts, acceleratori specializzati e inferenza locale spingono precisamente in quella direzione. Anthropic, per esempio, ha appena presentato un modello che dichiara prestazioni comparabili a sistemi precedenti con costi operativi sensibilmente inferiori.

È questa la scommessa nascosta negli investimenti hyperscale: non basta che l’AI cresca. Deve crescere abbastanza velocemente da assorbire anche i progressi nell’efficienza del calcolo. In futuro il quantum potrebbe aggiungere un’altra discontinuità per alcuni workload, ma non occorre aspettarlo. Gli hyperscaler stanno già investendo come se il compute dovesse restare scarso e innovando affinché costi sempre meno. La bolla, se arriverà, potrebbe nascere non dal fallimento dell’AI, ma dalla velocità con cui avrà successo.