L’IA non è una bolla, ma può fare male lo stesso

Qualche settimana fa ho
fatto girare un modello Qwen da 35 miliardi di parametri su un ASUS NUC,
un mini PC con grafica integrata Intel Arc. Non era la macchina ideale,
non andava alla velocit� di un servizio cloud e per arrivarci ho dovuto
litigare con il software e con configurazioni che sembravano essersi messe
d’accordo per farmi perdere il pomeriggio; alla fine, per�, il modello
girava. Sul PC con una RTX 3090, una scheda grafica di fascia alta uscita
qualche anno fa, sto facendo altri esperimenti, con risultati molto pi�
rapidi e un margine di manovra che fino a poco tempo fa avrei associato a
un laboratorio, non a una scrivania di casa.

Nello stesso periodo Alphabet, la societ� che controlla Google, ha
portato la previsione di spesa in conto capitale per il 2026 a 195-205
miliardi di dollari, Amazon ha indicato circa 200 miliardi e Meta 130-145
miliardi. Sono investimenti complessivi, non tutti imputabili all’IA, ma
l’espansione della capacit� di calcolo ne � uno dei motori principali. Da
una parte un modello che entra in un mini PC; dall’altra centrali
elettriche, chip, fibre ottiche e grandi complessi di server pagati con
somme che hanno smesso di sembrare denaro vero. Le due immagini paiono
contraddirsi, mentre raccontano la stessa espansione: verso l’alto, con
infrastrutture sempre pi� costose, e verso il basso, con modelli sempre
pi� accessibili.

� qui che la parola “bolla” diventa una scorciatoia: permette di chiudere
la discussione senza distinguere ci� che sta succedendo alla tecnologia
da ci� che accade ai suoi finanziatori. La distinzione �
indispensabile, perch� la capacit� tecnica dei modelli, il modo in cui
persone e organizzazioni li usano, gli effetti sul lavoro e sulle
istituzioni, il modello economico dei fornitori e il prezzo attribuito dal
mercato alle loro azioni sono fenomeni collegati, ma non identici. Possono
muoversi insieme per un po’, poi prendere direzioni opposte.

Una tecnologia non � il suo prezzo in Borsa

Quando diciamo che l’IA � una bolla, di solito stiamo mettendo nello
stesso sacco almeno quattro dubbi legittimi. Riguardano valutazioni
forse troppo alte, una spesa per i data center che potrebbe non produrre
guadagni sufficienti, applicazioni senza un vero vantaggio sui
concorrenti e ricavi finali insufficienti a ripagare tutto il capitale
investito. Sono domande finanziarie serie, ma nessuna dimostra che
l’IA non funzioni o che non venga usata.

L’equivoco era gi� visibile alla fine degli anni Novanta. La bolla
dot-com, la corsa speculativa sulle societ� legate a Internet, fu
reale, cos� come furono reali i fallimenti, le perdite degli investitori e
la capacit� di rete costruita in eccesso. Internet non scomparve insieme
ai listini e continu� a diffondersi proprio mentre le azioni delle aziende
che avrebbero dovuto dominarlo crollavano. Alcuni investitori avevano
capito correttamente la direzione della tecnologia e avevano comunque
comprato le societ� sbagliate, oppure quelle giuste al prezzo sbagliato.

La Banca dei regolamenti internazionali � l’organizzazione che favorisce
la cooperazione fra le banche centrali. Nel suo Annual
Economic Report 2026 usa un confronto ampio: la mania dei canali
dell’Ottocento, le ferrovie britanniche, l’elettrificazione degli anni
Venti e Internet furono tutte alimentate da innovazioni autentiche che
attirarono pi� capitale di quanto i guadagni commerciali potessero
giustificare. Il capitale pu� sbagliare quantit� e tempi anche quando ha
individuato correttamente la direzione del cambiamento.

Nel dibattito sull’IA questo passaggio spesso scompare. Se una parte
degli investimenti andr� distrutta, non ne seguir� automaticamente che la
tecnologia sia finta. Significher� che qualcuno ha pagato troppo
un’azienda, ha costruito capacit� nel posto sbagliato, ha finanziato con
troppo debito un impianto destinato a invecchiare in fretta oppure ha
scambiato una funzione facilmente copiabile dai concorrenti per un
prodotto capace di proteggere guadagni e clienti. La tecnologia pu�
vincere mentre molti dei suoi investitori perdono.

L’uso ha superato la fase delle dimostrazioni

Una valutazione speculativa diventa fragile quando le aspettative non
riescono a trasformarsi in utilizzo, ricavi o vantaggi misurabili.
Nell’IA le aspettative abbondano, ma ormai non sono sole. Lo Stanford
AI Index 2026, il rapporto annuale con cui l’universit� raccoglie
dati sullo sviluppo e sull’uso dell’IA, stima che l’IA generativa abbia
raggiunto il 53% della popolazione in tre anni, pi� rapidamente del
personal computer e di Internet. Nell’indagine fra le imprese riportata
dallo stesso rapporto, l’88% delle aziende dichiara di usare l’IA e il 70%
impiega strumenti generativi in almeno un’area aziendale. Sono dati sulla
diffusione, non prove automatiche di produttivit�, e le due cose non vanno
confuse; indicano per� che non stiamo pi� parlando di una dimostrazione
preparata per una platea di investitori.

Anche i ricavi stanno diventando troppo grandi per essere liquidati come
una finzione contabile. Nel secondo trimestre del 2026 Google
Cloud ha registrato 24,8 miliardi di dollari di ricavi, l’82% in pi�
rispetto a un anno prima, con 8,8 miliardi di utile operativo, il profitto
delle attivit� ordinarie prima di interessi e imposte. Aveva inoltre 514
miliardi di contratti gi� acquisiti ma non ancora trasformati in ricavi.
Alphabet attribuisce una parte importante della crescita
all’infrastruttura e alle soluzioni di IA. Nello stesso trimestre AWS,
la divisione cloud di Amazon, � cresciuta del 37% fino a 42,2 miliardi di
dollari. La societ� ha inoltre dichiarato che la sola attivit� legata
all’IA aveva superato un ritmo annualizzato di 25 miliardi: se quel
livello restasse costante per dodici mesi, produrrebbe pi� di 25 miliardi
di ricavi. Microsoft, alla chiusura del suo anno contabile 2026, ha
comunicato che Azure,
il suo servizio cloud, aveva oltrepassato i 100 miliardi di ricavi annui,
mentre Microsoft 365 Copilot, l’assistente inserito nei programmi
per ufficio, aveva superato 30 milioni di licenze a pagamento.

Sono numeri forniti dalle aziende interessate e non si pu� attribuire
tutto all’IA: il cloud cresce anche per altre attivit�, l’IA migliora
prodotti pubblicitari gi� esistenti e una licenza venduta non dice quanto
venga davvero usata. Tuttavia, per sostenere che si tratti soltanto di
fumo bisogna ignorare una quantit� crescente di denaro pagato da clienti
reali. La domanda ormai riguarda quanto denaro rester� davvero dopo aver
pagato chip, elettricit�, reti, personale e la quota annuale del costo di
server e impianti.

Il mio piccolo esperimento locale racconta l’altro lato della stessa
curva. Se modelli abbastanza capaci possono girare su computer da ufficio
o su una scheda grafica di qualche anno fa, aumentano i concorrenti e
scende il costo di accesso. Questo potrebbe essere un problema per
chi ha costruito una valutazione sulla scarsit� del modello, ma � un
vantaggio per chi lo usa. Se un fornitore non pu� pi� imporre prezzi
elevati, la tecnologia pu� diffondersi pi� in fretta.

Lo Stanford AI Index conta 5,6 milioni di progetti di IA con codice
aperto su GitHub, la piattaforma usata per conservare e sviluppare
software. Rileva inoltre che i modelli caricati su Hugging Face, un grande
catalogo e luogo di collaborazione per chi lavora nell’IA, sono triplicati
dal 2023. Il divario fra il miglior modello chiuso, utilizzabile soltanto
attraverso il servizio del produttore, e il miglior modello aperto si �
nuovamente allargato nel 2025, ma a marzo 2026 era ancora del 3,3% nelle
prove considerate dal rapporto. Un modello aperto non sostituisce sempre
un servizio controllato dal fornitore, perch� affidabilit�, sicurezza,
assistenza e collegamento con gli altri sistemi contano; impedisce
per� che la capacit� resti confinata a lungo dentro un’unica azienda.

Quando una tecnologia esce dallo schermo

I ricavi cloud descrivono soltanto una parte del fenomeno. Una
tecnologia generale comincia a contare davvero quando costringe settori
che non l’hanno inventata a cambiare pratiche, controlli e competenze.
Questo sta gi� accadendo nella ricerca, nella medicina, nella scuola e
nelle amministrazioni pubbliche, con risultati spesso utili e altrettanto
spesso incompleti.

Nel capitolo dedicato alla scienza, lo Stanford
AI Index 2026 descrive un sistema meteorologico che affida alle
tecniche di apprendimento automatico l’intero processo di previsione.
Significa che il programma ricava le regole dai dati, invece di riceverle
tutte in anticipo. Il rapporto cita inoltre modelli capaci di produrre una
previsione globale a sessanta giorni in meno di quattro minuti. In chimica
i migliori sistemi superano in media esperti umani su migliaia di domande,
poi scendono sotto il 20% quando devono replicare un intero lavoro
scientifico. � la stessa frontiera frastagliata che vediamo nei chatbot:
prestazioni sorprendenti su un compito e fallimenti quasi infantili su
quello accanto. Il limite non annulla il progresso, ma impedisce di
scambiarlo per autonomia scientifica.

In
medicina la situazione � ancora pi� concreta, perch� il margine
d’errore riguarda le persone. Il rapporto registra un uso ormai
diffuso degli strumenti che generano automaticamente le note cliniche:
in diversi sistemi ospedalieri i medici hanno dichiarato riduzioni fino
all’83% del tempo dedicato alla documentazione. Nello stesso anno la FDA,
l’autorit� statunitense che controlla farmaci e dispositivi medici, ha
autorizzato 258 dispositivi basati sull’IA. Soltanto una piccola parte
disponeva di studi clinici randomizzati, nei quali i partecipanti vengono
assegnati casualmente a gruppi diversi per confrontare gli effetti
dell’intervento. Le due informazioni vanno tenute insieme: l’IA pu�
restituire tempo ai medici e introdurre strumenti utili, mentre la
verifica e la regolazione faticano a seguirne la velocit�. Se fosse
soltanto una mania finanziaria, gli ospedali non dovrebbero cambiare la
sequenza concreta di attivit� e controlli con cui lavorano e le autorit�
sanitarie non avrebbero centinaia di dispositivi da valutare.

La scuola offre forse l’esempio pi� evidente di una diffusione avvenuta
prima che le istituzioni decidessero cosa farne. Quattro
studenti statunitensi su cinque, tra scuola superiore e universit�,
usano gi� strumenti di IA per studiare; soltanto met� delle scuole medie e
superiori ha regole formali e appena il 6% degli insegnanti ritiene che
siano chiare. Qui non serve discutere se ChatGPT abbia prodotto un nuovo
mercato miliardario. Ha gi� rotto il vecchio patto implicito della
valutazione: un elaborato consegnato a casa non dimostra pi�, da solo,
chi abbia svolto il ragionamento. La scuola dovr� cambiare prove,
didattica e criteri di giudizio anche se domani le valutazioni di tutte le
aziende di IA venissero dimezzate.

Il controllo dei chip, dei data center, dei modelli e dei dati �
diventato anche una questione di sovranit�. Tra
il 2018 e il 2025 Europa e Asia centrale hanno portato da 3 a 44 i
gruppi di computer ad altissima potenza, collegati per lavorare come un
solo sistema e sostenuti dallo Stato; altri territori sono rimasti molto
indietro. Non tutto ci� che i governi definiscono strategico lo � davvero,
naturalmente, e la politica sa inseguire le mode con grande efficienza. Ma
quando Stati Uniti, Cina, Europa, paesi del Golfo e potenze emergenti
modificano le regole sull’esportazione dei chip, impongono che alcuni dati
restino dentro i confini nazionali o intervengono su energia e capacit� di
calcolo, l’effetto geopolitico esiste gi�, indipendentemente dalla
capacit� di guadagno della singola azienda che sviluppa modelli.

I costi, nel frattempo, sono usciti dallo schermo: la potenza elettrica
richiesta dai data center dedicati all’IA ha raggiunto, secondo Stanford,
29,6 gigawatt nel 2025, ossia 29,6 miliardi di watt. Crescono insieme il
consumo di acqua, le emissioni, la richiesta di rete e la competizione per
trasformatori, cavi e altri componenti elettrici. Questi costi smentiscono
l’abitudine a raccontare l’IA come software immateriale. Una bolla
finanziaria pu� gonfiarsi su un foglio elettronico; questa tecnologia sta
ridisegnando centrali, reti, fabbriche di chip e politiche industriali.
Pu� farlo in modo inefficiente, diseguale e persino dannoso, ma non
virtuale.

La produttivit� c’�, ma non arriva per decreto

Nel lavoro quotidiano l’utilit� dell’IA appare meno ordinata di quanto
suggeriscano i benchmark, i video preparati per presentare i nuovi
prodotti e le posizioni dei suoi sostenitori o detrattori.

Uno studio pubblicato nel 2026 su Management
Science ha riunito tre esperimenti svolti presso Microsoft,
Accenture e una societ� compresa fra le cento maggiori aziende
statunitensi della classifica Fortune. L’accesso all’assistente di
programmazione veniva assegnato in modo casuale, cos� da poter confrontare
gruppi simili. Su 4.867 sviluppatori, chi poteva usarlo ha completato
in media il 26,08% di compiti in pi�, con benefici maggiori per chi
aveva meno esperienza: un risultato consistente, ma non universale.
Nel 2025 METR,
un’organizzazione di ricerca che valuta le capacit� dei sistemi di IA,
aveva trovato l’effetto opposto: sedici sviluppatori molto esperti, al
lavoro su progetti software aperti che conoscevano bene, impiegavano il
19% di tempo in pi� quando potevano usare strumenti di IA. Nel febbraio
2026 la stessa organizzazione ha spiegato che il nuovo esperimento era
diventato difficile da interpretare, anche perch� molti sviluppatori non
volevano pi� accettare attivit� assegnate al gruppo “senza IA”.

I due risultati non sono necessariamente in contraddizione: un assistente
pu� aiutare molto chi affronta un compito nuovo, ripetitivo o ben
delimitato e rallentare un esperto quando gli propone codice plausibile
che deve essere controllato dentro un sistema complesso. Pu� far
risparmiare mezz’ora nella preparazione di un documento e farne perdere
due se la ricerca contiene una fonte inventata. L’IA non distribuisce
produttivit� come un aggiornamento installato su tutti i computer
dell’azienda: sposta il costo tra esecuzione, controllo, collegamento con
gli altri sistemi e responsabilit�.

Questa irregolarit� � uno degli argomenti usati per ridimensionare la
tecnologia, ma dice soprattutto che siamo davanti a uno strumento
generale ancora difficile da inserire nei processi. Anche
l’elettricit� non aument� la produttivit� delle fabbriche nel momento in
cui sostitu� il motore a vapore. Per ottenere il vantaggio fu necessario
cambiare la disposizione degli impianti e ridisegnare il lavoro. Con l’IA
sta accadendo qualcosa di simile, con una complicazione in pi�: lo
strumento interviene sul lavoro intellettuale, quindi costringe le aziende
a decidere chi controlla ci� che produce, chi si assume l’errore e quali
parti del giudizio non possono essere delegate.

Nelle aziende, per�, l’uso procede pi� lentamente che fra i singoli.
Molte imprese hanno comprato licenze senza cambiare il modo concreto in
cui si svolge il lavoro, hanno aggiunto un chatbot accanto ai programmi
esistenti e poi si sono stupite perch� ricavi e costi non si sono
trasformati. Il valore arriva quando l’IA entra in un processo
preciso, accede ai dati necessari, ha limiti chiari su ci� che pu� fare
e viene misurata sul risultato. Questo lavoro � meno spettacolare di
un nuovo modello, richiede mesi e produce molte pi� riunioni di quante ne
meriti la parola “rivoluzione”. � anche il punto in cui si decide se
l’investimento diventa produttivit� o resta una voce di spesa.

Gli effetti sul lavoro, peraltro, non sono tutti desiderabili. In agosto
la Banca
di Corea ha rilevato che, tra giugno 2022 e giugno 2026,
l’occupazione dei giovani tra 15 e 29 anni � diminuita di 285.000 unit� e
che il 94% della perdita si � concentrato nei settori pi� esposti all’IA.
Nello stesso periodo sono aumentati gli occupati tra 50 e 59 anni, anche
in quelle attivit�. La banca centrale ha precisato che non si pu�
attribuire l’intero fenomeno all’IA, perch� demografia, lavoro da remoto e
preferenza delle aziende per profili esperti hanno agito insieme. Resta
una dinamica difficile da liquidare: gli strumenti automatizzano prima le
attivit� pi� standardizzate, quelle che servivano da ingresso ai giovani,
mentre il giudizio accumulato dai lavoratori pi� esperti � pi� difficile
da sostituire.

Questo non prova che l’IA render� inutile il lavoro umano, ma segnala un
problema pi� sottile: pu� togliere i primi gradini della carriera prima di
eliminare i ruoli in cima (ne ho scritto recentemente in dettaglio nel mio
blog qui).
Una societ� finanziaria pu� essere sopravvalutata senza cambiare il modo
in cui si formano commercialisti, programmatori o analisti; un sistema che
modifica chi viene assunto, quali compiti apprende e come costruisce
esperienza � gi� entrato nel tessuto produttivo. La sua realt� non
coincide con la bont� dei suoi effetti.

Dove la bolla pu� esserci

L’etichetta IA non assolve ogni investimento costruito intorno alla
tecnologia, perch� la parte finanziaria contiene eccessi evidenti. Secondo
la Banca dei
regolamenti internazionali, i cinque maggiori hyperscaler, cio� i
gruppi tecnologici che gestiscono infrastrutture informatiche su scala
globale, spenderanno oltre mille miliardi di dollari in investimenti
legati all’IA tra il 2025 e il 2026. Questi impegni stanno crescendo
pi� rapidamente degli utili e del denaro che le aziende generano e
possono ancora spendere. Per coprirli ricorrono sempre pi� al
debito: obbligazioni vendute agli investitori, prestiti concessi da fondi
privati e contratti che tengono parte degli impegni fuori dal bilancio
principale.

Il rischio dipende dalla cifra e dalla corsa strategica che la produce. Nessuna
grande piattaforma pu� permettersi di scoprire fra tre anni di avere
meno potenza di calcolo dei concorrenti, quindi ciascuna investe
anche per evitare di restare indietro. � razionale per la singola azienda
e pu� essere irrazionale per il settore nel suo complesso: se tutti
costruiscono sulla base dello scenario pi� ottimistico, l’offerta finale
pu� superare la domanda disposta a pagare abbastanza anche se l’uso
dell’IA continua a crescere.

I tempi aggiungono un altro rischio: un data center, la connessione alla
rete e i contratti energetici durano decenni, mentre chip e modi di
progettare i sistemi diventano vecchi molto prima. Un modello pi�
efficiente pu� ridurre il calcolo necessario per una singola attivit�,
mentre nuovi usi possono far aumentare il consumo complessivo. Nessuno sa
ancora quale delle due forze prevarr�, n� quanto rapidamente. Chi finanzia
oggi un grande complesso di server contando su prezzi elevati per usarli
potrebbe ritrovarsi con molta capacit� proprio quando il prezzo per ogni
calcolo scende.

La Banca dei regolamenti internazionali segnala inoltre finanziamenti
circolari, nei quali una parte del denaro torna a chi lo ha fornito.
Produttori di chip e piattaforme cloud investono nelle aziende che
sviluppano modelli o in quelle che gestiscono potenza di calcolo; queste
usano poi il capitale per comprare chip e servizi dagli stessi
investitori. I ricavi restano reali, ma risultano meno indipendenti di
quanto appaiano. A questo si aggiungono societ� create apposta per
finanziare singoli progetti e contratti di affitto a lungo termine, che
spostano parte del debito fuori dai bilanci degli hyperscaler. Finch� la
domanda cresce, la struttura tiene; se le aspettative cambiano, diventa
difficile capire dove si trovino davvero le perdite.

Qui pu� esserci una bolla, e potrebbe fare male. Potrebbero
crollare le valutazioni delle aziende private che sviluppano modelli,
delle startup che non riescono a guadagnare, degli operatori di data
center molto indebitati e delle societ� il cui unico vantaggio consiste
nell’avere aggiunto un’interfaccia elegante al modello di qualcun altro.
Alcuni impianti potrebbero usare una percentuale della propria capacit�
molto inferiore a quella prevista. I finanziamenti potrebbero ridursi e
trascinare fornitori che non hanno nulla di artificiale, dai costruttori
agli impiantisti. Una correzione non sarebbe un piccolo incidente
riservato agli investitori che finanziano aziende giovani e rischiose.

Ma perfino questo scenario non cancellerebbe i modelli gi� addestrati, le
competenze acquisite, il software con codice aperto, i processi modificati
e l’infrastruttura costruita. Renderebbe il calcolo meno caro per chi
sopravvive, come la fibra ottica costruita in eccesso dopo il crollo delle
societ� Internet rese pi� economica l’espansione della rete. Il fallimento
di un investimento pu� diventare il costo di accesso pi� basso per
l’ondata successiva.

Una correzione non darebbe la risposta
definitiva

L’errore dei sostenitori dell’IA � trattare ogni incremento di
capacit� come se dovesse produrre automaticamente un profitto.
Quello dei detrattori � aspettare il fallimento di qualche azienda per
dichiarare fallita la tecnologia. Entrambi cercano una risposta unica a un
fenomeno che procede su piani diversi e con tempi diversi.

Io non so se le molte centinaia di miliardi che i maggiori gruppi
tecnologici prevedono di spendere quest’anno verranno ripagate tutte, e
dubito che accadr�. Non so quali aziende che sviluppano modelli
manterranno un vantaggio sufficiente a giustificare le valutazioni
attuali, quali applicazioni conserveranno i clienti quando le funzioni
diventeranno comuni, n� quanti data center scopriranno di essere stati
costruiti nel posto sbagliato. Chi dice di saperlo sta vendendo qualcosa,
anche quando sembra limitarsi a fare una previsione.

So per� che posso usare questi sistemi ogni giorno per ricercare,
scrivere, programmare, analizzare documenti e costruire strumenti che
prima avrebbero richiesto pi� persone o pi� tempo; so anche che devo
controllarli, che a volte sbagliano con grande sicurezza e che il guadagno
dipende da come organizzo il lavoro attorno a loro. � una modifica gi�
avvenuta nel costo e nella disponibilit� di alcuni compiti intellettuali,
indipendente dalle promesse finanziarie costruite sopra di essa.

L’IA non � una bolla, anche se intorno all’IA possono formarsene
diverse, alcune sono probabilmente gi� visibili e una parte del
capitale investito verr� distrutta. La tecnologia ha superato il punto in
cui la sua esistenza dipende dalla fiducia degli investitori: � entrata
nei prodotti, nei bilanci, nei processi e sulle macchine che teniamo sotto
la scrivania. Anche se domani Wall Street decidesse di pagarla molto meno,
luned� mattina continueremmo a usarla.

Fonti essenziali

• Stanford HAI, The 2026 AI Index Report: https://hai.stanford.edu/ai-index/2026-ai-index-report
• Bank for International Settlements, Annual Economic Report 2026,
  Chapter I: https://www.bis.org/publ/arpdf/ar2026e1.htm
• Alphabet, Q2 2026 Earnings Call: https://abc.xyz/investor/events/event-details/2026/2026-Q2-Earnings-Call-2026-GgTAq7Is0z/default.aspx
• Amazon, Second Quarter 2026 Results: https://ir.aboutamazon.com/news-release/news-release-details/2026/Amazon-com-Announces-Second-Quarter-Results/
• Microsoft, FY2026 Fourth Quarter Earnings: https://www.microsoft.com/en-us/investor/events/fy-2026/earnings-fy-2026-q4



• Cui et al., The Effects of Generative AI on High-Skilled Work:
  https://pubsonline.informs.org/doi/10.1287/mnsc.2025.00535
• METR, Measuring the Impact of Early-2025 AI on Experienced
  Open-Source Developer Productivity: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/
• METR, We are Changing our Developer Productivity Experiment
  Design: https://metr.org/blog/2026-02-24-uplift-update/
• Korea JoongAng Daily, sintesi del rapporto della Bank of Korea
  sull’occupazione giovanile: https://www.koreajoongangdaily.com/business/94-of-job-losses-among-young-people-over-past-4-years-were-in-aiexposed-industries-bok-says/12830646