I numeri del boom dell’AI: cosa non torna nei conti di OpenAI e Big Tech

Venti miliardi di dollari di differenza tra due stime sui ricavi di OpenAI hanno scosso i mercati per giorni. Un caso che mette a fuoco una fragilità del boom dell’intelligenza artificiale: ricavi, investimenti e rendimenti si basano su numeri difficili da confrontare e verificare, dai laboratori privati ai grandi gruppi quotati, fino alle statistiche economiche. La distanza tra le stime non dimostra che l’AI sia una bolla, ma mostra quanto la scarsa trasparenza possa pesare anche sulle imprese che acquistano queste tecnologie.

Il 29 settembre il sito di informazione statunitense Axios ha riportato, citando fonti anonime, che i ricavi annualizzati di OpenAI si avvicinavano ai 70 miliardi di dollari. L’8 ottobre il Financial Times ha indicato una cifra intorno ai 50 miliardi. La differenza, 20 miliardi, è bastata a far scendere i titoli tecnologici, tra cui quelli di Oracle e AMD, due fornitori importanti di OpenAI.

I numeri del boom dell’AI muovono i mercati

Nei giorni successivi i mercati sono scesi, risaliti e poi scesi di nuovo. Hock Tan, amministratore delegato del produttore di chip Broadcom, ha osservato che investitori così facili da spostare non conoscono davvero i propri investimenti, e secondo Bloomberg ha paragonato i mercati a un casinò.

Da questo episodio parte un’analisi pubblicata dall’Economist il 14 ottobre. La tesi è che il boom dell’intelligenza artificiale sia minacciato non solo da investimenti enormi e rendimenti incerti, ma dalla scarsa affidabilità dei numeri con cui viene raccontato. I mercati sono saliti, scrive il settimanale, ma senza vedere bene i numeri che contano.

Il problema si presenta su tre livelli: nei laboratori che sviluppano i modelli, nei grandi gruppi tecnologici quotati in borsa e nella misura degli effetti dell’AI sull’economia e sulle aziende che la adottano. Prima di esaminarli conviene però chiarire un punto: le difficoltà di misura non sono una novità di questo ciclo.

Ogni boom tecnologico produce metriche difficili da leggere

I grandi cambiamenti economici sono sempre stati difficili da contare. L’ondata di fusioni degli anni Ottanta ha riempito i bilanci di avviamento, cioè la differenza tra il prezzo pagato per un’azienda e il valore contabile dei suoi beni. Negli anni Novanta e Duemila il problema è diventato misurare beni immateriali come marchi e brevetti. Negli anni Dieci la diffusione dei compensi in azioni ha reso meno leggibile la salute dei conti, soprattutto nelle aziende tecnologiche.

Ogni fase di forte investimento porta con sé nuove sigle, risultati rettificati e metodi di valutazione. A volte servono a chiarire, altre volte a rendere meno visibile ciò che non conviene mostrare. Il boom dell’intelligenza artificiale non fa eccezione, ma presenta una differenza: le aziende al centro del ciclo, i laboratori che sviluppano i modelli, non sono ancora quotati.

I ricavi dei laboratori nel boom dell’AI

I ricavi di OpenAI e Anthropic che circolano sui giornali non sono ricavi nel senso contabile del termine. Sono varianti dell’ARR, una metrica molto usata nella Silicon Valley che sta per annual recurring revenue, ricavi ricorrenti annuali. Ciascuna delle tre parole merita una spiegazione.

Annuale significa che si prendono le vendite dell’ultimo mese e si moltiplicano per dodici: è una proiezione, non il risultato di un anno. Ricorrente significa soltanto che l’azienda si aspetta che quelle vendite continuino, senza alcuna garanzia. Anche ricavi non ha lo stesso significato per tutti: Anthropic include le vendite dei propri modelli fatte attraverso fornitori cloud come Amazon, mentre OpenAI le conta solo dopo aver sottratto la quota dei partner.

La scelta tra presentazione al lordo e al netto non è di per sé un errore: dipende da come si interpreta il ruolo di ciascun soggetto nella vendita al cliente finale. Il risultato, però, è che i numeri delle due aziende non si possono confrontare direttamente.

ARR e ricavi effettivi di OpenAI

La distanza tra proiezione e risultato effettivo si vede bene nel caso di OpenAI. Secondo il Financial Times, in una presentazione della società la previsione di ricavi per l’intero 2026 è di circa 36 miliardi di dollari, molto meno dei 50 o 70 miliardi annualizzati di cui si è discusso. Le due cifre non sono in contraddizione: una misura il ritmo raggiunto in un dato mese, l’altra ciò che l’azienda prevede di incassare nell’anno.

Il pre-training EBITDA e i costi esclusi

Più discutibile è il modo in cui alcuni investitori propongono di valutare i laboratori. La società di investimento Coatue suggerisce di usare come base il pre-training EBITDA. L’EBITDA è l’utile prima di interessi, imposte e ammortamenti, in questa versione si esclude anche il costo di addestramento dei modelli, che è una delle voci di spesa più grandi di un laboratorio.

L’Economist accosta questa metrica ad altre misure molto rettificate: l’EBITDAX del settore petrolifero, che esclude i costi di esplorazione, le pratiche del private equity, dove l’EBITDA viene spesso gonfiato per potersi indebitare di più, e il community-adjusted EBITDA con cui WeWork presentava i propri conti prima del dissesto. L’accostamento è polemico e non implica che le aziende siano equivalenti, ma pone una domanda legittima: quanto dice sulla sostenibilità di un laboratorio un indicatore che esclude una delle sue spese principali?

In quanto aziende private, OpenAI e Anthropic non hanno obblighi di trasparenza paragonabili a quelli delle società quotate. Il settimanale nota che i loro contabili sono stati molto meno disposti a parlare della salute finanziaria di quanto i loro ingegneri lo siano stati a discutere dei rischi dei modelli. Fino alla quotazione, gli investitori vivono quindi in una sorta di interregno, in cui basta un’indiscrezione su numeri già di per sé indicativi per muovere l’intero mercato.

Big Tech e conti pubblici spinti dalle valutazioni dell’AI

Le aziende quotate devono pubblicare bilanci verificati e quindi dovrebbero garantire più chiarezza.

L’anno scorso la discussione riguardava gli ammortamenti. Un’azienda che compra server e chip non ne registra il costo tutto in una volta, ma lo distribuisce sugli anni di vita utile dei beni. Se quella vita viene stimata troppo lunga, il costo annuale risulta più basso e gli utili più alti. Il dubbio era che i grandi gruppi tecnologici svalutassero troppo lentamente le proprie infrastrutture di calcolo.

Impegni fuori bilancio e ritorno sul capitale

La questione non è stata risolta ma sostituita da due domande più grandi. La prima riguarda l’indebitamento effettivo. Amazon, Google, Meta e Microsoft hanno assunto impegni fuori bilancio per 2.400 miliardi di dollari: più di quanto abbiano preso in prestito sul mercato obbligazionario. Sono obblighi che non compaiono tra i debiti, ma che andranno onorati.

La seconda domanda riguarda il rendimento del capitale investito. Ad aprile Microsoft ha dichiarato che la sua attività nell’AI aveva raggiunto un ritmo annuo di ricavi di 37 miliardi di dollari, a luglio Amazon ha indicato 25 miliardi. Sono ancora proiezioni annualizzate, con un perimetro non definito.

Le rivalutazioni dei laboratori negli utili delle Big Tech

C’è poi un effetto meno visibile. Alphabet e Amazon detengono partecipazioni nei laboratori privati e quando il valore di questi ultimi cresce registrano guadagni nei propri conti, anche se non hanno venduto nulla. Nel secondo trimestre del 2026 l’utile netto di Amazon comprendeva 53,4 miliardi di dollari di proventi non operativi, derivanti soprattutto dalla partecipazione in Anthropic. Alphabet ha registrato 77,1 miliardi di guadagni non realizzati su partecipazioni, tra cui quella in Anthropic.

Questi guadagni hanno pesato sull’intero mercato. Nello stesso trimestre gli utili delle aziende dell’S&P 500, il principale indice di borsa statunitense, sono cresciuti di circa il 50% rispetto all’anno prima. Escludendo le rivalutazioni di Alphabet e Amazon, la crescita scende al 33% secondo le stime di LSEG: un risultato comunque elevato, ma molto diverso.

In pratica, la valutazione privata di un laboratorio come Anthropic, che nessun mercato ha ancora verificato, entra negli utili pubblici dei grandi gruppi e quindi nella lettura dello stato di salute dell’intera borsa americana.

Ricavi e produttività per sostenere il boom dell’AI

La domanda decisiva è da dove arriveranno davvero i ricavi. I ricercatori di Goldman Sachs hanno calcolato che servirebbero circa 1.000 miliardi di dollari di ricavi annui perché i grandi fornitori cloud ottengano un rendimento tra il 10% e il 20% sugli investimenti in data center di quest’anno e del prossimo, e perché gli sviluppatori di AI abbiano un margine del 30%. Per dare un ordine di grandezza, la spesa mondiale in software prevista per il 2026 è di circa 1.500 miliardi.

La stessa banca stima che solo per andare in pareggio sugli investimenti del 2026 e 2027 i fornitori cloud avrebbero bisogno di circa 300 miliardi di ricavi annui dall’AI, una soglia che i ricavi attuali non hanno ancora raggiunto, anche se crescono rapidamente.

Il ritorno dell’AI per le aziende

Se i clienti devono spendere cifre di questo ordine, i guadagni di produttività che ottengono dalla tecnologia devono essere ancora più grandi. Qui l’Economist individua un altro problema di misura: se si chiede a un dirigente come misura il ritorno della spesa in AI, scrive, ci si deve aspettare uno sguardo vuoto.

Data center, statistiche pubbliche e vigilanza

Anche i dati aggregati sono diventati meno leggibili. La spesa dei grandi gruppi per i data center fa crescere subito gli utili dei produttori di semiconduttori e di attrezzature industriali, mentre entra nei conti di chi la sostiene lentamente, attraverso gli ammortamenti. Nel breve periodo, quindi, gli utili complessivi del mercato risultano più alti.

Le difficoltà arrivano fino alle statistiche pubbliche. L’aumento dei prezzi dei chip di memoria ha portato a sovrastimare l’inflazione per alcuni prodotti software. Un rapporto di Epoch AI, un istituto di ricerca, sostiene che nell’ultimo anno la crescita del PIL statunitense sia stata sottostimata di 0,3 punti percentuali per il modo in cui vengono registrate le vendite internazionali di Nvidia. Nel frattempo, gli istituti statistici americani dispongono di meno risorse.

L’ultimo esempio riguarda la vigilanza. L’organismo che dallo scandalo Enron ispeziona le società di revisione contabile, il PCAOB, ha subito forti tagli di bilancio. Nella sua ultima ispezione le quattro grandi società di revisione hanno ricevuto valutazioni molto positive, anche questi potrebbero essere numeri troppo belli per essere veri.

I numeri del boom dell’AI messi a confronto

Trasparenza e misurazione nel boom dell’AI

Le varie analisi vanno lette per quello che dimostrano. Conviene tenere separati tre piani che il tono polemico tende ad avvicinare: metriche gestionali poco confrontabili, stime contabili discutibili e falsificazione dei conti. Gli esempi riportati riguardano i primi due. Indicano un problema di trasparenza e di comparabilità, non una frode e non dimostrano da soli che l’intelligenza artificiale sia una bolla. La tecnologia può progredire rapidamente anche mentre i suoi conti restano difficili da verificare.

Il problema ha però conseguenze concrete. Una differenza di 20 miliardi in una stima non ufficiale ha mosso i mercati per giorni, e le valutazioni dei laboratori privati entrano negli utili dei grandi gruppi quotati. Quando una parte così ampia del valore di borsa poggia su pochi dati non verificabili, ogni indiscrezione pesa più di quanto dovrebbe.

Quotazioni e bilanci verificati dei laboratori

L’interregno ha però una data di scadenza. Anthropic punta a quotarsi già a novembre e OpenAI dovrebbe farlo l’anno prossimo. Con il prospetto di quotazione, per la prima volta, un laboratorio dovrà presentare ricavi e costi definiti secondo i principi contabili e verificati dai revisori. Da quel momento la qualità delle informazioni conterà quanto la velocità di crescita.

Per le imprese europee e italiane, che comprano gran parte della propria AI da fornitori statunitensi, questi numeri non riguardano solo gli investitori. Dicono qualcosa sulla stabilità economica dei fornitori su cui si costruiscono i progetti.

Come misurare la spesa in AI nelle imprese

C’è infine il passaggio che riguarda più da vicino chi decide in azienda: lo sguardo vuoto del dirigente a cui si chiede come misura il ritorno della spesa in AI. Gli stessi errori che si rimproverano ai laboratori si ripetono spesso all’interno delle organizzazioni. Un progetto pilota riuscito viene proiettato su tutta l’azienda e su tutto l’anno, come un ARR interno.

Si conta il costo delle licenze ma non quello della formazione, dell’integrazione e del controllo dei risultati, come in un EBITDA che esclude le spese scomode. I risparmi attribuiti all’AI non vengono legati a processi precisi, diventando a loro volta una scatola nera.

Ne derivano tre indicazioni pratiche.

1. Definire prima dell’investimento che cosa si misura e qual è il punto di partenza: tempi, qualità, costo per processo.
2. Non annualizzare i risultati dei progetti pilota: un mese di sperimentazione non equivale a un anno di adozione.
3. Contare i costi completi, compresi quelli che non compaiono nel contratto con il fornitore.

La disciplina di misura che gli investitori chiedono oggi ai laboratori è la stessa che ogni azienda dovrebbe applicare alla propria spesa in intelligenza artificiale.