#Finsubito news – Investimenti, l’IA corre ma il debito cresce. I rischi da conoscere prima che il boom rallenti

IA, i rischi da conoscere prima che il boom rallenti

Quasi 194 miliardi di dollari di investimenti in un solo trimestre, a fronte di appena 14 miliardi di free cash flow. Sono i numeri della corsa delle Big Tech all’intelligenza artificiale: una corsa finanziata sempre meno dalla sola liquidità di Microsoft, Alphabet, Amazon e Meta e sempre più da debito, private credit e società veicolo.

E mentre i primi segnali di tensione arrivano dal mercato obbligazionario, con i bond legati ai data center scesi sotto la pari e i rendimenti di operatori come CoreWeave intorno al 15%, la domanda diventa inevitabile: chi si sta assumendo davvero il rischio? Ne abbiamo parlato con Gabriel Debach, market analyst di eToro, per capire quanto a lungo possono aspettare i finanziatori, quali segnali possono indicare una bolla e chi pagherebbe il conto se il ciclo dovesse frenare.

Chi sta finanziando davvero il boom dell’intelligenza artificiale e chi si sta assumendo i rischi maggiori?

Il boom dell’intelligenza artificiale continua a essere finanziato in larga parte dalla capacità di generare liquidità delle grandi società tecnologiche, ma il peso degli investimenti sta cambiando rapidamente gli equilibri. Accanto alle risorse interne di Microsoft, Alphabet, Amazon e Meta cresce il ricorso al debito, al private credit e a strutture finanziarie che coinvolgono fondi infrastrutturali e società veicolo. Ed è proprio nella diversa capacità di sostenere questi investimenti che iniziano a emergere le principali vulnerabilità.

I numeri aiutano a comprendere la dimensione del fenomeno. Nelle ultime rilevazioni trimestrali, dati Koyfin, gli investimenti in capitale hanno raggiunto 54,2 miliardi di dollari per Amazon, 44,9 miliardi per Alphabet, 35,8 miliardi per Microsoft, 30,1 miliardi per Meta e 28,5 miliardi per Oracle. Complessivamente, quasi 194 miliardi di dollari di CapEx, a fronte di circa 14,4 miliardi di free cash flow aggregato. Un’indicazione di quanto gli investimenti stiano assorbendo, e in alcuni casi superando, la liquidità generata dalle attività operative.

La questione diventa più delicata quando si passa dai bilanci degli hyperscaler a quelli degli operatori che realizzano materialmente le infrastrutture. Attraverso joint venture, contratti pluriennali e veicoli di finanziamento, una parte del fabbisogno viene sostenuta da soggetti che dispongono di minori fonti di ricavo alternative e dipendono maggiormente dalla disponibilità e dal costo del credito.

I primi segnali di tensione sono già visibili sul mercato obbligazionario. Il Financial Times ha documentato il calo dei prezzi dei bond collegati ad alcuni grandi progetti americani, tra cui Hyperion di Meta e altre infrastrutture destinate ai principali operatori tecnologici, con quotazioni scese sotto la pari. Ancora più marcata la pressione sul debito di operatori specializzati come CoreWeave, con rendimenti obbligazionari arrivati intorno al 15% e, su alcune emissioni, anche oltre. Un segnale che va letto soprattutto attraverso il deterioramento degli spread creditizi, perché il mercato sta chiedendo una remunerazione maggiore per assumersi questi rischi.

Il rischio maggiore di insolvenza non ricade necessariamente su chi investe di più, ma su chi dispone di minore flessibilità finanziaria e deve remunerare il capitale raccolto prima che le infrastrutture abbiano prodotto i ritorni attesi. Le grandi società tecnologiche non sono immuni da perdite, svalutazioni o pressioni degli azionisti, anche perché garanzie e impegni pluriennali possono mantenere parte dell’esposizione economica a loro carico. Ma la loro capacità di attraversare un eventuale rallentamento del ciclo è profondamente diversa.

Si investono miliardi in chip e data center: quali ricavi serviranno per ripagare questi investimenti e quanto possono aspettare i finanziatori?

Il punto non riguarda soltanto quanti ricavi produrrà l’intelligenza artificiale, ma quanta parte di quei ricavi si trasformerà in cassa disponibile dopo aver sostenuto i costi operativi, gli oneri finanziari e il rinnovo delle infrastrutture. Un data center può registrare una forte crescita del fatturato e margini operativi positivi senza necessariamente generare un rendimento adeguato sul capitale investito. Soprattutto se l’hardware deve essere sostituito prima di aver recuperato il proprio costo.

Le dimensioni del problema emergono dalle stime pubblicate il 14 ottobre da Gartner. Gli investimenti nelle infrastrutture AI potrebbero avvicinarsi a 1.000 miliardi di dollari nel 2026, ai quali si aggiungerebbero ulteriori 6.000 miliardi tra il 2027 e il 2030. Per coprire gli investimenti annunciati, i costi finanziari e ottenere un rendimento del 12% sul capitale investito, i proprietari dei data center dovrebbero generare circa 8.500 miliardi di ricavi cumulati entro il 2030. Gartner stima, tuttavia, che i ricavi attribuibili ai data center AI non supereranno i 3.600 miliardi nello stesso periodo. La differenza non rappresenta automaticamente una perdita per i creditori, ma segnala la difficoltà di ottenere rendimenti adeguati su tutti gli investimenti programmati.

Resta poi la variabile tempo, probabilmente la più importante per i finanziatori. Microsoft o Alphabet possono sostenere investimenti con ritorni inizialmente modesti grazie alla redditività delle attività esistenti, sebbene anche per loro la pazienza degli investitori azionari abbia un limite. Una società infrastrutturale fortemente indebitata deve invece rispettare scadenze contrattuali e pagare interessi indipendentemente dai tempi di monetizzazione.

Quando i giganti tecnologici finanziano le stesse aziende che comprano i loro servizi, come si distingue la domanda reale da una crescita sostenuta dai finanziamenti stessi?

È uno degli aspetti più difficili da valutare nell’attuale espansione dell’intelligenza artificiale, perché una parte dei finanziamenti e dei ricavi circola all’interno dello stesso ecosistema. Una grande società tecnologica può investire in uno sviluppatore di modelli AI che, a sua volta, utilizza quei capitali per acquistare capacità computazionale dallo stesso investitore o da un suo partner commerciale.

Questo non rende fittizi i ricavi registrati dalle società coinvolte, né significa che tali accordi siano necessariamente problematici. Il servizio viene effettivamente fornito e utilizzato. La questione riguarda piuttosto la sostenibilità della domanda: quanto dipende dai ricavi che gli sviluppatori di AI ottengono dai propri clienti e quanto dalla possibilità di continuare a raccogliere nuovi capitali?

Il rischio emerge quando la disponibilità di finanziamenti diventa una condizione necessaria per mantenere gli acquisti. Finché il capitale affluisce, possono crescere contemporaneamente la domanda di GPU, i ricavi dei fornitori cloud e le valutazioni delle società che sviluppano modelli. Se però la raccolta rallenta, anche la domanda di capacità computazionale potrebbe ridimensionarsi, pur in presenza di un utilizzo crescente della tecnologia.

Quali segnali dobbiamo guardare per capire se siamo davanti a una bolla? E quali imprese rischiano di saltare per prime se le aspettative sui guadagni non si realizzano?

Il mercato cerca continuamente un indicatore capace di dirci quando un eccesso diventerà una crisi. Il problema è che raramente esiste un unico segnale e, soprattutto, riconoscere una possibile bolla non significa saperne prevedere lo scoppio. Anche nell’attuale mercato toro, arrivato al quarto anno, abbiamo già attraversato diverse correzioni senza che questo abbia interrotto il ciclo rialzista.

Una tecnologia può trasformare realmente l’economia e, nello stesso tempo, attirare investimenti superiori a quelli che il mercato riuscirà a remunerare. È già accaduto in altri grandi cicli infrastrutturali. Nel caso dell’intelligenza artificiale, valutazioni azionarie e investimenti eccezionali non bastano da soli per dimostrare l’esistenza di una bolla. Guarderei piuttosto alla distanza che si sta creando tra il capitale investito, i ricavi effettivamente generati e la capacità delle società di sostenere i propri debiti.

I primi indicatori riguardano l’utilizzo delle infrastrutture e i prezzi della capacità computazionale. Anche il rapporto tra CapEx e flussi di cassa operativi, la concentrazione dei ricavi su pochi clienti e l’aumento degli impegni di leasing aiutano a capire quanto la crescita dipenda da nuovo capitale.

Particolare attenzione merita la vita utile dell’hardware. Se una nuova generazione di semiconduttori rendesse meno competitive le infrastrutture esistenti prima del previsto, i proprietari potrebbero dover accelerare gli ammortamenti o riconoscere svalutazioni. Un rischio particolarmente rilevante per gli operatori che hanno finanziato l’acquisto delle GPU con debito a medio termine, contando su diversi anni di utilizzo ad alta redditività.

Particolare attenzione merita la vita utile dell’hardware. Se una nuova generazione di semiconduttori rendesse meno competitive le infrastrutture esistenti prima del previsto, i proprietari potrebbero dover accelerare gli ammortamenti o riconoscere svalutazioni. Un rischio particolarmente rilevante per gli operatori che hanno finanziato l’acquisto delle GPU con debito a medio termine, contando su diversi anni di utilizzo ad alta redditività.

Alcuni segnali, tuttavia, stanno arrivando già dal mercato del credito. Le recenti vendite sulle obbligazioni collegate ai data center e l’aumento dei rendimenti richiesti a CoreWeave mostrano che gli investitori stanno iniziando a distinguere maggiormente il rischio tra i diversi operatori. È una dinamica da seguire attraverso gli spread creditizi e i CDS, perché il rischio finanziario può crescere prima ancora che si manifesti un deterioramento significativo dei ricavi. Il problema per una società indebitata non nasce soltanto quando diminuisce la domanda, ma anche quando il mercato smette di finanziarne la crescita a condizioni sostenibili.

In uno scenario di rallentamento, le prime difficoltà potrebbero interessare le startup ancora prive di un modello redditizio e gli operatori neocloud con elevata leva finanziaria, pochi grandi clienti e una forte necessità di rinnovare l’hardware. Seguono gli sviluppatori di infrastrutture esposti a ritardi nella costruzione, nella disponibilità di energia elettrica o nell’attivazione dei contratti commerciali. Gartner stima che oltre l’80% delle neocloud potrebbe perdere la propria indipendenza entro il 2030, attraverso un processo che può comprendere acquisizioni e consolidamento, non necessariamente fallimenti.

Le grandi società tecnologiche sarebbero invece esposte soprattutto al rischio di minori rendimenti, svalutazioni e riduzione dei flussi di cassa, ma la diversificazione delle attività conferisce generalmente una maggiore capacità di assorbimento.

Chi può rallentare gli investimenti conserva una possibilità di scelta. Chi ha bisogno che il ciclo continui a espandersi per rispettare gli impegni già assunti potrebbe non avere lo stesso margine.

Se il boom dell’AI dovesse frenare bruscamente, chi pagherebbe il conto? Il rischio resterebbe nel settore tecnologico o arriverebbe anche a banche, fondi pensione e piccoli risparmiatori?

Un’eventuale frenata degli investimenti nell’intelligenza artificiale non rimarrebbe necessariamente confinata al settore tecnologico. La crescente partecipazione di banche, fondi di private credit, assicurazioni e investitori istituzionali al finanziamento delle infrastrutture ha creato collegamenti che potrebbero trasmettere parte delle perdite al sistema finanziario.

C’è poi un canale di trasmissione forse ancora più immediato, quello dei mercati azionari. Le grandi società tecnologiche hanno assunto un peso rilevante nei principali indici americani. Un ridimensionamento delle aspettative sui rendimenti dell’intelligenza artificiale potrebbe quindi tradursi in una correzione delle valutazioni, coinvolgendo anche risparmiatori che non hanno mai acquistato direttamente un titolo legato ai data center, ma che investono attraverso fondi, ETF o prodotti previdenziali.