Hyperscaler puntano oltre 1.000 miliardi in data center, serve produttività ×2,7

Gli hyperscaler potrebbero spendere oltre 1.000 miliardi di dollari in data center già il prossimo anno. La domanda è se riusciranno a far tornare i conti di questo boom infrastrutturale dell’AI¹.

Una docente di finanza della Wharton School ha scelto un punto di partenza netto: poche grandi aziende stanno investendo somme ingenti per costruire data center per l’AI. Invece di stimare utilità e diffusione dei modelli, ha chiesto quanto dovranno crescere gli utili di questi operatori per giustificare la spesa nel periodo in esame¹.

La stima fissa un traguardo intermedio e uno finale. Entro il 2027, le spese cumulative potrebbero sfiorare 1,1 trilioni di dollari. Per andare in pari nel 2030, gli hyperscaler dovranno aumentare la propria produttività di 2,7 volte. Il calcolo tiene conto del costo del capitale, di un rendimento del 15% e del deprezzamento degli asset. È un’impostazione contabile, non una previsione su come e quanto verranno usati i modelli di AI¹.

Il ragionamento sposta l’attenzione dall’effetto macro dell’AI all’equilibrio economico di chi costruisce l’infrastruttura. Il punto non è quante applicazioni nasceranno, ma con quale velocità potranno crescere gli utili degli stessi hyperscaler che finanziano i nuovi data center. La metrica è esplicita: un moltiplicatore di produttività interno, non un indicatore della produttività generale dell’economia¹.

L’assunzione di partenza è descritta come un “fatto notevole” e non controverso: un piccolo gruppo di operatori guida la spesa per nuovi data center AI. La sintesi dell’analisi è altrettanto diretta: per sostenere investimenti che potrebbero arrivare vicino a 1,1 trilioni di dollari in pochi anni, gli stessi costruttori dovranno generare efficienze tali da coprire costo del capitale, rendimento richiesto del 15% e usura delle infrastrutture, fino al pareggio nel 2030¹.

La scelta metodologica evita ipotesi sulla qualità dei modelli o sulle curve di adozione. Non serve stimare quanti utenti o quanti casi d’uso. Il modello chiede invece quale traiettoria di utili renda sostenibile la spesa già avviata. In questo senso, l’analisi mette una soglia chiara: produttività ×2,7 entro l’orizzonte indicato, al netto dei fattori di costo inclusi nel calcolo¹.

Ne deriva una cornice operativa per leggere la corsa ai data center AI. Se gli hyperscaler riusciranno a centrare quella produttività, l’ondata di spesa potrà reggere il proprio peso finanziario. Se la produttività resterà sotto la soglia, la distanza dal pareggio diventa il dato da osservare. L’attenzione si concentra così sull’efficienza interna degli operatori, perché è lì che l’analisi colloca la chiave dell’equilibrio economico, non nel volume assoluto di modelli o applicazioni¹.

La posta in gioco è riassunta nella domanda di apertura: chi sta costruendo l’infrastruttura dell’AI potrà generare abbastanza denaro da sostenere, nel tempo, il boom dei data center? La risposta, per questa analisi, passa da un numero: 2,7¹.