Economia dell’AI: ricavi a 175 mld ma ritorni ancora incerti

Il report Exponential View su State of AI Economy uscito qualche giorno fa stima 110 miliardi di dollari di ricavi generative AI negli ultimi dodici mesi e 175 miliardi previsti nel 2026, al netto delle duplicazioni tra app, modelli e hosting.

Questi e altri e altri del ricchissimo report sono una mappa utile a orientarci in questo mercato così esplosivo e dai ritorni ancora incerti.

Già: la crescita è importante, la domanda pagante c’è, ma il ritorno è ancora nel regno del chissà.

E su questo “chissà” si regge una scommessa che, soprattutto alla luce delle Ipo OpenAI/Anthropic, si intreccia con parte dell’economia globale. Qui inclusi i soldi dei risparmiatori che possono trovarsi a partecipare nella scommessa tramite i propri fondi pensione, che investono in queste big. tech

Il ritorno in particolare dipende da capex, utilizzo dei data center, prezzi dei token, margini e capacità europea di trasformare infrastruttura, dati e cloud in applicazioni produttive.

Il valore del report è molto nella sua capacità di fare luce sul valore dell’AI economy grazie al rigoroso metodo utilizzato.

Exponential View ricostruisce le revenue line per line, con un modello bottom-up su oltre 1.000 imprese, provando a rimuovere le duplicazioni lungo la filiera. Quando un cliente paga un’applicazione AI, una parte della spesa può transitare verso un laboratorio di modelli e poi verso un fornitore di hosting. Sommare tutti i passaggi gonfierebbe la dimensione del mercato.

Il report attribuisce invece il valore ai livelli della stack e separa applicazioni, foundation model e infrastruttura, escludendo chip, uplift pubblicitario, funzioni AI dentro software legacy e finanziamenti.

Non basta più chiedersi se la generative AI abbia ricavi reali, il report mostra che una domanda esterna esiste e che cresce rapidamente. La domanda successiva riguarda la sostenibilità del ciclo: ricavi, prezzi dei token, utilizzo dei data center e margini saranno sufficienti a sostenere capex, deprezzamento degli asset, energia e finanziamenti esterni, soprattutto a fronte della crescita della concorrenza “open” della Cina?

Domanda reale, crescita più rapida delle onde IT precedenti

La prima parte del report riguarda la domanda. Exponential View confronta la traiettoria dei ricavi della generative AI con precedenti transizioni tecnologiche, indicizzando i ricavi dal primo anno pieno. Il risultato è una curva circa tre volte più veloce rispetto ad altre onde dell’IT. Per imprese e investitori, questo non significa che il ritorno sia automatico, ma che i tempi di domanda, deprezzamento degli asset e payback vanno stimati con ipotesi diverse da quelle usate per cloud, mobile o internet.

Il grafico sul tempo necessario ad aggiungere ogni nuovo miliardo di ricavi cumulati mostra la stessa dinamica da un’altra angolazione: nel 2023 l’industria impiegava circa 180 giorni per aggiungere 1 miliardo di dollari; nel 2026, secondo il modello del report, bastano meno di due giorni. Il tasso di crescita trimestrale indicato nel report, pari al 35%, equivale a circa 3,2 volte su base annua e si è mantenuto attraverso più fasi di adozione, dalle subscription ai chatbot fino al coding agentico.

La generative AI cresce circa tre volte più rapidamente delle precedenti onde tecnologiche. Fonte: Exponential View, The State of the AI Economy 2026.

Il tempo per aggiungere un nuovo miliardo di ricavi cumulati si è ridotto drasticamente. Fonte: Exponential View, The State of the AI Economy 2026.

Backlog cloud, semiconduttori ed energia: la domanda si vede nella supply chain

I ricavi applicativi non bastano a descrivere la portata del ciclo. Exponential View collega la crescita della domanda a tre segnali industriali: backlog degli hyperscaler, cioè l’insieme dei contratti e degli impegni già acquisiti ma non ancora trasformati in ricavi, segnala che la domanda di capacità cloud sta crescendo più rapidamente della disponibilità immediata di infrastruttura, mercato dei semiconduttori e domanda elettrica. Il backlog combinato di Google, Amazon, Oracle e Microsoft cresce in modo visibile dopo il lancio di ChatGPT e accelera nel 2025-2026. Non è una misura pura dell’AI, ma segnala che la capacità cloud venduta o impegnata sta aumentando più rapidamente della disponibilità immediata di infrastruttura.

La stessa pressione compare nei semiconduttori. Il report ricostruisce i ricavi globali del mercato semiconduttori e mostra il salto associato al superciclo del calcolo. La generative AI non compra solo GPU: assorbe memoria, networking, storage, sistemi di raffreddamento, alimentazione, software di orchestrazione e capacità di colocation, cioè spazi, energia e connettività presso data center specializzati. Per questo il vincolo non è più un singolo componente, ma una catena di fornitura fisica fatta di fabbriche, energia, territorio, autorizzazioni e capitale.

L’energia è il punto in cui l’economia dell’AI incontra i limiti territoriali. Exponential View mostra che la domanda elettrica statunitense, rimasta quasi stagnante per anni, sta tornando a crescere. Il dato va letto con cautela perché l’AI è solo una delle componenti del nuovo fabbisogno, insieme a elettrificazione, reshoring industriale e altri carichi. Ma i data center AI hanno una caratteristica diversa dai data center tradizionali: concentrazione del consumo, picchi localizzati e tempi di connessione alla rete che possono diventare più lenti della domanda di calcolo.

Il backlog degli hyperscaler segnala contratti e obbligazioni di performance in crescita. Fonte: Exponential View, The State of the AI Economy 2026.

Il report aggiunge due indicatori di pressione sulla supply chain: gli impegni di fornitura Nvidia passano da 31 a 95 miliardi di dollari nell’ultimo anno; la crescita di carico attesa sulla rete elettrica USA al 2030 passa da 24 a 166 GW, con i data center indicati come circa il 55% dell’aumento. Sono numeri da leggere come segnali di fabbisogno infrastrutturale, non come misura diretta dei ricavi AI.

Il mercato dei semiconduttori riflette il superciclo del calcolo. Fonte: Exponential View, The State of the AI Economy 2026.

La domanda AI riaccende la crescita della generazione elettrica negli Stati Uniti. Fonte: Exponential View, The State of the AI Economy 2026.

Data center più grandi, memoria più pesante, ritorni più difficili

La dimensione dei più grandi data center sarebbe cresciuta di circa 50 volte in quattro anni, secondo la ricostruzione del report. La traiettoria segnala un cambio di scala: dagli impianti pensati per cloud generalista si passa a campus concepiti per training e inferenza ad alta densità, spesso con requisiti energetici e termici che richiedono accordi specifici con utility, fornitori di energia e territori.

Un altro grafico sposta l’attenzione dalla potenza di calcolo alla composizione della spesa. Nel confronto 2021-2026, compute e memoria diventano la componente prevalente del costo dei data center: la quota dei chip passa dal 40% al 60%, mentre la memoria cresce da circa il 2% a circa il 18%. Questa dinamica è coerente con l’aumento della domanda di HBM e DRAM per acceleratori AI e con le tensioni sui prezzi che altri analisti di mercato, tra cui IDC e SemiAnalysis, collegano al boom infrastrutturale.

La dimensione dei maggiori data center cresce di scala con il superciclo AI. Fonte: Exponential View, The State of the AI Economy 2026.

Memoria e compute assorbono una quota crescente del costo dei data center. Fonte: Exponential View, The State of the AI Economy 2026.

Il paradosso macro: ricavi in corsa, peso ancora piccolo

La crescita è rapida, ma il peso macroeconomico è ancora limitato. Il report confronta i ricavi AI, Cina esclusa, con prodotto interno lordo statunitense, costo del lavoro e profitti corporate. Il risultato è una quota pari allo 0,42% del PIL USA, contro il 9,4% del settore IT. Anche usando come metro i profitti aziendali, Exponential View indica che questi sono circa 32 volte più grandi dei ricavi generative AI. Il dato relativo al PIL è comunque in aumento: era 0,13% nel primo trimestre 2025 e 0,04% nel primo trimestre 2024.

La contraddizione è utile per leggere il 2026. Il settore cresce abbastanza in fretta da condizionare investimenti, energia e mercati finanziari, ma non abbastanza da essere già comparabile alle grandi industrie consolidate. Anche le misure di produttività restano incomplete: parte del valore è consumer surplus non registrato nel PIL, parte è incorporata in processi aziendali e parte è ancora sperimentazione.

Rispetto al PIL e ai profitti aziendali, i ricavi AI restano ancora piccoli. Fonte: Exponential View, The State of the AI Economy 2026.

Anche nelle imprese quotate l’impatto misurato resta soprattutto operativo. Exponential View rileva un aumento di 3-4 volte delle menzioni dell’AI nelle earnings call S&P 500 dal 2023; il 50-60% dei claim è ormai quantificato, ma sette claim su dieci riguardano riduzione costi, risparmio di tempo o aumento del throughput. Il valore di ricavo, quando presente, pesa ancora meno delle metriche di efficienza.

Le principali fonti non misurano la stessa cosa: ricavi, spesa, investimenti e valore percepito vanno tenuti separati.

Fonti: Exponential View, Stanford HAI, Gartner, IDC, Menlo Ventures.

CapEx: il test che separa domanda e sostenibilità

Il punto più delicato non è stabilire se la generative AI generi ricavi, ma se quei ricavi bastino a sostenere il capitale impegnato. Exponential View stima che il capex cumulativo di hyperscaler e neocloud possa raggiungere 2.000 miliardi di dollari entro la fine del 2026, includendo proprietà, impianti, equipment e leasing. Il report precisa che non tutto quel capex è AI: dentro ci sono cloud già pianificato, business SaaS, logistica e investimenti non direttamente monetizzati dalla generative AI. La quota collegata all’AI viene stimata anche come scostamento dalla traiettoria pre-AI: circa 535 miliardi di dollari sopra il trend entro il 2026.

La distinzione evita due errori opposti. Il primo è attribuire all’AI ogni dollaro di spesa infrastrutturale delle Big Tech. Il secondo è minimizzare il ruolo dell’AI perché parte della capacità servirà anche carichi tradizionali. La realtà industriale sta nel mezzo: la generative AI è diventata un acceleratore della spesa cloud, ma il ritorno economico dipende da quanta capacità verrà assorbita da inferenza pagante, agenti software, applicazioni enterprise e nuovi servizi.

Hyperscaler e neocloud verso 2.000 miliardi di dollari di capex cumulativo entro il 2026. Fonte: Exponential View, The State of the AI Economy 2026.

Il grafico sulla finanza esterna è uno dei segnali più importanti del report. Nel 2020-2022 la spesa era in larga parte sostenuta dal cash flow operativo dei grandi fornitori. Nel 2025-2026 entrano in modo più visibile debito, leasing, equity e finanziamenti dedicati alle neocloud. Questo cambia il profilo di rischio: quando il buildout è finanziato solo con cassa interna, l’assorbimento di eventuali ritardi resta dentro bilanci molto solidi; quando cresce il peso di capitale esterno, il mercato chiede flussi più prevedibili.

Sequoia Capital aveva sintetizzato questo problema con la formula dell’AI’s 600B Question: quanti ricavi servono per giustificare l’infrastruttura acquistata? Exponential View aggiorna il dibattito mostrando che parte della domanda è già più solida di quanto apparisse nel 2024, ma non cancella il problema del payback. I ricavi trimestrali avrebbero superato la deprezzazione trimestrale nel quarto trimestre 2025. Nel primo trimestre 2026, il report stima un headroom del 19% per le revenue hyperscaler e neocloud e del 32% considerando l’intero mercato generative AI; significa però che il deprezzamento assorbe ancora circa l’81% delle revenue infrastrutturali e il 68% delle revenue complessive prima degli altri costi.

La spesa infrastrutturale AI è sempre più sostenuta anche da finanziamenti esterni. Fonte: Exponential View, The State of the AI Economy 2026.

I ricavi coprono la spesa corrente, ma non ancora l’intero conto cumulativo. Fonte: Exponential View, The State of the AI Economy 2026.

Token pricing: quando il costo scende, il volume cresce

L’economia dei token è la cerniera tra infrastruttura e valore. Il report stima volumi globali superiori a 30 quadrilioni di token al mese, in crescita di 14 volte anno su anno. Se l’AI costa meno per unità di output, può entrare in più processi; se entra in più processi, consuma più inferenza; se l’inferenza cresce abbastanza, può sostenere i data center. Exponential View descrive una relazione elastica: a ogni taglio del prezzo del 10% corrisponderebbe, nella serie osservata, una crescita dei token tra 12% e 18%. Il report segnala correttamente il limite: si tratta di una relazione nel tempo, non di un esperimento isolato di prezzo, quindi può sovrastimare l’elasticità pura.

Il punto resta decisivo. Google ha comunicato volumi mensili di token in forte crescita, OpenAI ha indicato una caduta ricorrente del costo per usare un certo livello di AI e ByteDance ha riportato un aumento rapido dell’uso di Doubao. In tutti i casi, la dinamica è la stessa: il prezzo unitario scende, l’uso cresce, la domanda di inferenza aumenta. Il report aggiunge un indicatore di produttività dell’infrastruttura: le revenue annualizzate per gigawatt di capacità data center avrebbero superato i 7 miliardi di dollari. Il token diventa quindi una metrica di costo, non ancora una metrica di valore.

La difficoltà è che il token misura consumo, non valore. Un milione di token usati per generare output inutili non ha lo stesso significato di un milione di token che automatizza una fase di compliance, riduce tempi di sviluppo software o migliora la qualità di un servizio pubblico. Per imprese e PA, la metrica da costruire non è token per utente, ma costo per processo, costo per pratica, costo per codice funzionante, costo per decisione assistita e qualità dell’output.

La sostenibilità economica dei data center dipende dalla soglia di prezzo dei token. Fonte: Exponential View, The State of the AI Economy 2026.

Prezzi dei token in calo e volumi in crescita indicano una domanda elastica. Fonte: Exponential View, The State of the AI Economy 2026.

Stack AI: il valore si sposta dove la competizione è più bassa

La distribuzione del valore lungo la stack non segue una regola semplice. Exponential View mostra che il pricing power dipende dalla pressione competitiva più che dalla posizione tecnica. I chip restano concentrati, ma gli hyperscaler investono in silicio proprietario; i foundation model sono concentrati in pochi player, ma i modelli open-weight comprimono il prezzo della qualità; le applicazioni catturano valore quando incorporano workflow, dati e distribuzione. Il report mostra inoltre che il valore tende a salire verso modelli e applicazioni, mentre il vantaggio dei laboratori resta legato alla capacità di mantenere un differenziale sulla frontiera.

Questa dinamica spiega perché la sola scelta del modello non basta a definire una strategia. Le aziende devono decidere quali livelli controllare, quali acquistare, dove accettare lock-in e dove mantenere portabilità. Per molte organizzazioni europee, il punto non sarà addestrare un modello frontier, ma orchestrare modelli diversi, proteggere dati e processi, misurare i costi di inferenza e costruire applicazioni verticali con valore operativo misurabile.

Il potere di prezzo dipende dalla pressione competitiva nei diversi livelli della stack AI. Fonte: Exponential View, The State of the AI Economy 2026.

Il contesto europeo: sovranità digitale oltre la regolazione

La fotografia di Exponential View rende più concreta la nuova agenda europea. L’Unione non può trattare la sovranità digitale come sola compliance. Se la catena del valore dell’AI passa da chip, energia, cloud, modelli, dati e applicazioni, allora l’autonomia europea dipende dalla capacità di combinare infrastruttura, accesso ai dati, competenze, reti, regole e domanda in un mercato abbastanza grande da sostenere investimenti.

Il Tech Sovereignty Package presentato dalla Commissione europea il 3 giugno 2026 va in questa direzione: comprende Chips Act 2.0, Cloud and AI Development Act, strategia open source e roadmap per digitalizzazione e AI nell’energia. Il Cloud and AI Development Act punta a rafforzare ecosistema cloud e AI, capacità data center, efficienza energetica e un quadro di valutazione della sovranità cloud e AI. La Data Union Strategy mira invece ad aumentare la disponibilità di dati di qualità per l’AI, semplificare le regole e rafforzare la posizione europea sui flussi internazionali.

AI Factories e AI Gigafactories sono il pezzo infrastrutturale più visibile. Secondo la Commissione e EuroHPC, le AI Factories sfruttano la capacità dei supercomputer europei per rendere disponibili risorse di calcolo, dati e supporto a startup, PMI, ricerca e pubbliche amministrazioni. Le Gigafactories puntano a strutture di scala maggiore, dedicate allo sviluppo e all’addestramento di modelli di nuova generazione. Il programma mobilita 20 miliardi di euro e ha raccolto 77 manifestazioni di interesse in 16 Stati membri per 60 siti.

Questi interventi rispondono a una debolezza strutturale. L’Europa dispone di ricerca, industria, domanda pubblica e competenze settoriali, ma non controlla in modo comparabile chip, hyperscale cloud e foundation model globali. Il Digital Networks Act, proposto il 21 gennaio 2026, si inserisce nello stesso quadro perché reti in fibra, 5G, 6G, satellite, edge e cloud sono prerequisiti per distribuire inferenza e dati su scala continentale. La questione non è solo avere modelli europei, ma avere un’infrastruttura europea in cui quei modelli possano diventare prodotti.

Le policy europee coprono pezzi diversi della catena del valore: calcolo, cloud, dati, reti e governance.

Fonti: Commissione europea, EuroHPC Joint Undertaking, Consiglio dell’UE.

Italia: usare la domanda pubblica e industriale come leva

Per l’Italia il problema non è replicare su scala nazionale un hyperscaler globale. È usare in modo più disciplinato la domanda pubblica, sanitaria, manifatturiera, finanziaria e territoriale per costruire applicazioni AI misurabili. La presenza di un’AI Factory italiana nella rete EuroHPC può aiutare ricerca, startup e imprese a usare calcolo avanzato, ma il valore emergerà solo se l’accesso all’infrastruttura viene collegato a dati di qualità, procurement, test bed e filiere verticali.

La manifattura può essere il terreno più concreto: manutenzione predittiva, qualità, supply chain, simulazione, documentazione tecnica e assistenza agli operatori hanno processi misurabili e dati proprietari. La PA può produrre valore su gestione documentale, servizi ai cittadini, procurement, controllo antifrode e supporto agli uffici, ma solo con architetture che separino automazione, supporto decisionale e responsabilità amministrativa. Sanità e giustizia richiedono ancora più cautela, perché dati, rischio e accountability sono parte del prodotto.

La lezione del report Exponential View per il mercato italiano: la spesa AI va portata fuori dal capitolo indistinto dell’innovazione.

Ogni progetto dovrebbe avere un conto economico operativo: costo del modello, costo di inferenza, costo cloud, costo dati, impatto su tempi e qualità, requisiti AI Act, sicurezza, continuità e possibilità di cambiare componente della stack. Senza questa contabilità, l’AI resta una voce di sperimentazione; con questa contabilità può diventare infrastruttura produttiva.

Il confronto con gli altri report: domanda reale, ritorni selettivi

Il confronto con report usciti negli ultimi mesi (Stanford, Gartner, IDC, Menlo Ventures, Sequoia, McKinsey, SemiAnalysis, Epoch AI e Mary Meeker) aiuta a evitare due letture estreme.

La prima è la tesi del boom autosufficiente: i ricavi crescono, quindi il ritorno arriverà. La seconda è la tesi della bolla pura: il capex cresce più dei ricavi, quindi il settore è insostenibile. I dati disponibili indicano una situazione più selettiva: domanda reale, spesa enorme, ritorni disomogenei, vincoli fisici crescenti e forte dipendenza da pochi livelli della stack.

• McKinsey, nel report The State of AI: How organizations are rewiring to capture value, mostra che l’adozione è ampia ma il valore richiede pratiche di scala: KPI definiti, integrazione nei processi, roadmap, training, governance e sponsorship del management.
• Menlo Ventures, con la survey 2025 su circa 500 decisori enterprise statunitensi, stima 37 miliardi di dollari di spesa generative AI nel 2025, in crescita di 3,2 volte sull’anno precedente.
• Gartner stima una spesa AI mondiale di 2,59 trilioni di dollari nel 2026, ma chiarisce che oltre il 45% riguarda infrastruttura spinta da vendor e hyperscaler.
• Mary Meeker e Bond Capital descrivono l’AI come un’onda di adozione più rapida delle precedenti piattaforme digitali, ma segnalano anche la pressione sui costi di training e sui prezzi dei modelli.
• SemiAnalysis e IDC mostrano che l’infrastruttura è ormai un mercato fisico con vincoli di potenza, memoria e siti.
• Epoch AI e IEA aggiungono il tema energetico: la domanda dei data center cresce più rapidamente della domanda elettrica complessiva, e i training frontier potrebbero richiedere potenze di scala gigawatt entro la fine del decennio.

La misura del ritorno diventa il tema centrale

Il report Exponential View consente di separare tre piani che nel dibattito vengono spesso sovrapposti: ricavi reali, investimento infrastrutturale e valore economico finale. I primi sono ormai misurabili; il secondo è già molto elevato; il terzo resta disomogeneo e dipende dalla capacità di collegare token, output e risultati operativi.

Per gli hyperscaler, il tema è l’utilizzo della capacità e la tenuta dei margini. Per i laboratori di modelli, è difendere il pricing power mentre la qualità si commoditizza. Per le applicazioni, è incorporare l’AI in workflow verticali, dati proprietari e distribuzione. Per le imprese utenti, è evitare sia il blocco da governance sia la dispersione in progetti pilota senza ritorno misurabile.

Per l’Europa, la questione è industriale. AI Act, Data Union Strategy, Cloud and AI Development Act, Digital Networks Act e AI Gigafactories possono diventare un quadro coerente solo se convergono su adozione reale.

Le regole da sole non generano modelli, i supercomputer da soli non generano prodotti, i dati da soli non generano valore. La sovranità digitale passa dalla capacità di mettere insieme questi elementi in filiere industriali, pubbliche e scientifiche capaci di comprare, costruire e misurare AI.

La conclusione è prudente: l’economia della generative AI esiste, ma il ritorno non è incorporato automaticamente nei ricavi correnti.

Dipenderà da token più economici, inferenza più efficiente, energia disponibile, dati accessibili, casi d’uso enterprise e organizzazioni capaci di misurare il costo per processo e non solo la spesa per modello. È su questa contabilità che si giocherà la differenza tra sperimentazione, adozione e politica industriale.

Fonti principali

Exponential View, The State of the AI Economy 2026, 25 giugno 2026.

Commissione europea, Strengthening Europe’s Tech Sovereignty, 3 giugno 2026.

Commissione europea, Proposal for the Cloud and AI Development Act, 3 giugno 2026.

Commissione europea, Proposal for a Regulation for the Digital Networks Act, 21 gennaio 2026.

Commissione europea, European Data Union Strategy; AI Act application timeline.

EuroHPC Joint Undertaking, AI Factories e AI Gigafactories.

Stanford HAI, 2026 AI Index Report.

Gartner, Worldwide AI Spending Forecast, maggio 2026.

IDC, AI infrastructure spending forecast 2026.

McKinsey, The State of AI: How organizations are rewiring to capture value.

Menlo Ventures, 2025 State of Generative AI in the Enterprise.

Sequoia Capital, AI’s $600B Question; Bond Capital, Trends – Artificial Intelligence; SemiAnalysis; Epoch AI; IEA Energy and AI.