Il grande blocco: perché le aziende vogliono sbarazzarsi dei loro agenti IA – Quando gli agenti IA costano più di quanto valgono

Quando gli agenti autonomi prendono il controllo e i data center bruciano più capitale di quanto il mercato possa guadagnare

Miliardi investiti senza alcun ritorno: gli agenti basati sull'intelligenza artificiale devono dimostrare la loro utilità

L'intelligenza artificiale sta entrando in una nuova fase. La prima fase è stata dominata da scoperte tecnologiche, dimostrazioni spettacolari e dalla prospettiva di rendere il lavoro basato sulla conoscenza significativamente più produttivo. La seconda fase ha visto ingenti investimenti in modelli, data center, processori grafici, piattaforme cloud e prime applicazioni aziendali. Ora, inizia la terza fase: la verifica della realtà economica e organizzativa. Questa determinerà non solo quali fornitori sopravvivranno, ma anche se le aziende creeranno effettivamente un valore duraturo e misurabile dall'IA o se si limiteranno ad accumulare nuovi costi, rischi di controllo e responsabilità.

Due sviluppi in particolare mettono in luce questa svolta. A livello applicativo, gli agenti di intelligenza artificiale autonomi si stanno diffondendo più rapidamente di quanto molte aziende riescano ad adattare la propria governance, i diritti di accesso, il controllo dei costi e le responsabilità. Contemporaneamente, a livello infrastrutturale, stanno emergendo data center e capacità cloud specializzate su una scala per la quale attualmente non esiste un mercato finale sufficientemente ampio e disposto a operare in modo economicamente sostenibile. Ciò rappresenta la convergenza di due diverse sovrastime: le aziende sovrastimano la maturità organizzativa dei sistemi autonomi nel breve termine, mentre gli investitori e i gestori delle infrastrutture potrebbero sovrastimare la velocità con cui la domanda di IA può tradursi in ricavi redditizi.

La questione cruciale non è più se l'IA funzioni tecnicamente, ma dove funzioni in modo affidabile, controllabile e redditizio in condizioni reali. Questo cambiamento sta modificando la logica del mercato. Massima autonomia, massima dimensione del modello o massima potenza di calcolo da sole non bastano a determinare il successo. I vantaggi competitivi emergono quando la capacità tecnica si combina con una solida progettazione dei processi, chiare responsabilità, decisioni verificabili, modelli di costo realistici e un valore differenziato per il cliente.

La grande disillusione inizia nelle aziende

La previsione secondo cui oltre il 40% dei progetti di intelligenza artificiale agentiva potrebbe essere interrotto, ridimensionato o radicalmente riprogettato entro la fine del 2027 dovrebbe essere intesa meno come un giudizio sull'importanza a lungo termine della tecnologia e più come una critica alla sua attuale implementazione. Molti progetti iniziano come prove di fattibilità in condizioni controllate. In questo ambiente, i dati sono selezionati, i compiti sono limitati, gli utenti sono benevoli e gli errori hanno conseguenze relativamente minori. Tuttavia, il passaggio alle operazioni di produzione cambia tutti i parametri. Un agente deve quindi affrontare dati incompleti, regole contrastanti, sistemi legacy, casi speciali, permessi in continua evoluzione e decisioni relative alla responsabilità.

È proprio a questa soglia che un numero significativo di progetti pilota tecnologici fallisce. Un dimostratore convincente risponde alla domanda se una funzione sia fondamentalmente possibile. Non risponde alla domanda se possa essere eseguita milioni di volte con costi complessivi accettabili, qualità stabile e rischio gestibile. Questo problema è aggravato dagli agenti autonomi, poiché non solo possono generare contenuti, ma anche richiamare autonomamente strumenti, modificare dati, attivare processi e collegare decisioni tra loro. Un errore, quindi, non si limita necessariamente a una risposta testuale errata. Può propagarsi come un ordine errato, un accesso non autorizzato ai dati, una decisione sbagliata del cliente o una modifica a un sistema di produzione.

La prevista cancellazione del progetto è pertanto economicamente plausibile. L'aumento dei costi, l'incertezza sul valore aziendale e l'inadeguatezza dei controlli del rischio non sono problemi separati, bensì si rafforzano a vicenda. Quanto meno affidabile è il funzionamento di un agente, tanto maggiore è lo sforzo richiesto per il monitoraggio, la verifica e le azioni correttive. Maggiore è l'intervento manuale necessario, minore è l'effettivo aumento di produttività. Minore è l'aumento di produttività, tanto più difficile è giustificare ulteriori spese per modelli, integrazioni, monitoraggio, sicurezza e conformità. Un sistema originariamente progettato per l'automazione può quindi creare un nuovo livello, in gran parte invisibile, di supervisione manuale.

L'autonomia diventa una nuova tipologia di costo

I costi dell'IA basata su agenti vengono spesso considerati in modo troppo limitato. Le aziende confrontano i prezzi dei modelli o calcolano le commissioni per i token di input e output, ma questo coglie solo una parte dell'onere economico. Un agente spesso scompone un'attività in più fasi, accede a diversi sistemi, ripete i tentativi falliti, verifica i risultati intermedi e mantiene contesti più ampi. I flussi di lavoro complessi possono quindi richiedere una potenza di calcolo significativamente maggiore rispetto a un chatbot convenzionale. A ciò si aggiungono le spese per l'orchestrazione, la preparazione dei dati, le interfacce, la registrazione, la gestione delle identità, i controlli di sicurezza, la valutazione e il funzionamento dei diversi modelli.

Ancora più significativi sono i costi indiretti. Questi includono il tempo impiegato dagli specialisti per esaminare i risultati, risolvere gli errori, implementare ulteriori controlli interni, fornire formazione, condurre verifiche legali e adattare i flussi di lavoro. Se un agente svolge un'attività per pochi centesimi, ma il risultato richiede una revisione periodica da parte di una persona qualificata, il prezzo del modello diventa praticamente irrilevante come parametro di valutazione. Ciò che conta è il costo totale del processo per ogni attività completata correttamente. Questo deve includere anche le ripetizioni, le conseguenze degli errori, le eccezioni e il costo della supervisione umana.

Il fatto che solo il 21% dei CIO intervistati abbia piena trasparenza sui costi dei propri agenti e carichi di lavoro di IA rivela una fondamentale mancanza di controllo. Senza allocare i costi per caso d'uso, unità aziendale e processo, è impossibile valutare i benefici economici o gestire un budget affidabile. Il rischio è che la spesa per l'IA cresca in modo decentralizzato tra account cloud, abbonamenti software e budget dipartimentali, mentre l'IT centrale ne percepisce solo una parte. Il conto, quindi, si presenta con un certo ritardo, quando l'utilizzo, il volume dei dati e il numero di agenti sono già aumentati in modo significativo.

Per una valutazione adeguata, le aziende devono quindi passare dalla sola considerazione dei costi tecnici di utilizzo a un modello di valore completo. È necessario misurare i costi per ogni processo completato con successo, la percentuale di casi completati correttamente senza intervento umano, i tassi di errore e di ripetizione, il tempo di elaborazione, lo sforzo di controllo e il beneficio finanziario effettivamente realizzato. Solo quando questi parametri rimangono stabili per un periodo prolungato si può valutare se un agente debba essere implementato su larga scala. L'autonomia non è un fine a sé stessa, ma piuttosto una variabile di investimento: è economicamente sostenibile solo se i benefici aggiuntivi superano i maggiori rischi di controllo e di errore.

L'IT ombra acquisisce autonomia

La proliferazione degli agenti di intelligenza artificiale sta cambiando il classico problema dell'IT ombra. In passato, i reparti acquistavano software non autorizzati o archiviavano dati su servizi non controllati. Oggi, i dipendenti possono creare rapidamente i propri agenti che accedono ai dati aziendali ed eseguono azioni in modo indipendente. Un sondaggio condotto su 685 CIO aziendali ha rivelato che l'84% afferma che i dipendenti stanno sviluppando agenti di intelligenza artificiale a un ritmo più veloce di quanto l'IT riesca a implementare regole di governance adeguate. Il problema, quindi, non risiede solo nel crescente numero di applicazioni, ma anche nel crescente numero di attori digitali.

Questi attori spesso possiedono identità tecniche, chiavi API, account di servizio o diritti utente delegati. Ciò crea una nuova classe di identità non umane che, in molte organizzazioni, non sono soggette alle stesse regole dei dipendenti. Il 59% delle organizzazioni intervistate non ha ancora integrato completamente gli agenti di intelligenza artificiale nelle proprie politiche di gestione delle identità e degli accessi. Allo stesso tempo, il 72% segnala un divario da medio a grande tra l'accesso che un agente è teoricamente autorizzato ad avere e l'accesso che l'organizzazione può effettivamente dimostrare.

Dal punto di vista economico, questo divario è particolarmente pericoloso perché altera il previsto equilibrio tra efficienza e rischio. Un agente può agire 24 ore su 24 e ad alta velocità. La stessa caratteristica che promette produttività aumenta la portata del danno in caso di errore. Ampie autorizzazioni, chiavi di accesso di lunga durata e una registrazione inadeguata possono portare alla ripetizione sistematica di una singola decisione errata. Il costo marginale di un'ulteriore azione errata è pressoché nullo per l'agente, mentre i costi conseguenti per l'azienda si accumulano.

La conseguenza è chiara: ogni agente produttivo necessita di un'identità formale, di uno scopo documentato, di un responsabile umano e di privilegi limitati. L'accesso deve essere concesso secondo il principio del minimo privilegio, con durata limitata e monitoraggio continuo. Le azioni particolarmente importanti devono essere approvate da un essere umano prima dell'esecuzione. Anche i meccanismi di arresto centralizzati sono essenziali, in modo che gli agenti non debbano essere disattivati ​​manualmente e laboriosamente in più sistemi in caso di malfunzionamento. Sebbene queste misure possano ridurre leggermente la velocità a breve termine, aumentano la scalabilità complessiva del sistema limitando danni, incertezze e attriti normativi.

Responsabilità senza controllo effettivo

Una tensione organizzativa emerge da un sondaggio globale condotto su 3.200 CIO. L'88% osserva che l'adozione operativa dell'IA sta procedendo più rapidamente dell'adattamento della governance. Allo stesso tempo, il 90% presume che l'IT centrale sarà ritenuto responsabile per eventuali violazioni della sicurezza o della conformità, anche se gli strumenti che le hanno causate sono stati acquistati indipendentemente dalle altre unità aziendali. Ciò crea una discrepanza tra potere decisionale e responsabilità.

Una struttura di questo tipo crea incentivi perversi. Le unità aziendali ottengono il vantaggio a breve termine di una rapida sperimentazione, mentre una parte significativa del rischio rimane in capo all'IT, alla protezione dei dati, alla sicurezza delle informazioni e alla gestione. L'IT centrale può diventare un collo di bottiglia se è tenuto ad approvare ogni singola richiesta. Tuttavia, se rinuncia completamente al controllo, emerge un panorama complesso di modelli, agenti, accessi ai dati e contratti. Entrambi gli estremi sono inefficienti. Un approccio puramente centralizzato soffoca l'innovazione, mentre un approccio completamente decentralizzato moltiplica i rischi e la duplicazione degli sforzi.

È pertanto necessario un modello di governance federato. Le funzioni centrali definiscono linee guida tecniche e organizzative vincolanti, forniscono piattaforme approvate e monitorano identità, costi e attività critiche. Le unità aziendali possono sviluppare e gestire applicazioni all'interno di questo quadro, ma devono documentare benefici, fonti di dati, rischi e persone responsabili. Ciò consente di mantenere le decisioni il più vicino possibile alle operazioni quotidiane, mentre gli standard comuni impediscono a ciascun team di dover risolvere ripetutamente gli stessi problemi di sicurezza e integrazione.

La pressione personale sui CIO dimostra quanto drasticamente l'IA si sia evoluta da tema innovativo a fattore determinante per la carriera e la governance. Il 76% dei dirigenti IT intervistati ritiene che la propria posizione sia a rischio se l'azienda non riuscirà a ottenere risultati di business misurabili con l'IA entro la fine del 2027. Questa pressione può accelerare una definizione delle priorità più sensata, ma comporta anche il rischio di una scalabilità frenetica. Chi è sotto pressione per il successo a breve termine potrebbe privilegiare dati di implementazione visibili rispetto a solidi miglioramenti dei processi. La conseguenza paradossale sarebbe che la stessa pressione per dimostrare rapidamente un ritorno sull'investimento aumenterebbe la probabilità di errori costosi.

Quando il controllore stesso diventa un fattore di costo

Le prime esperienze in ambito di governance e audit indicano che i rischi non sono meramente teorici. In un sondaggio condotto su 417 professionisti di governance, rischio, conformità e audit, il 34% ha riferito che la propria organizzazione aveva agito sulla base di una decisione errata di un agente. Il 30% ha osservato azioni indesiderate, il 25% un fallimento dei controlli e il 24% impatti sui clienti. Nel 20% dei casi, due agenti sono entrati in conflitto tra loro. Quasi la metà dei dipendenti ha richiesto più tempo rispetto a prima per rivedere e correggere i risultati dell'IA.

Questi dati vanno interpretati con cautela perché i sondaggi riflettono le percezioni e le esperienze dei partecipanti, non automaticamente la frequenza di tutti gli errori nell'intero mercato. Ciononostante, rivelano uno schema chiaro: le aziende delegano l'autorità decisionale ad agenti prima ancora che processi, dati e sistemi di controllo siano progettati per questa forma di autonomia. L'intelligenza artificiale non trasforma automaticamente un processo inefficiente in uno efficiente. Può semplicemente renderlo più veloce, meno trasparente e più diffuso.

L'ulteriore impegno richiesto per le attività di audit è particolarmente rilevante da un punto di vista economico. L'automazione viene solitamente giustificata con la riduzione dei costi del personale. Tuttavia, se specialisti qualificati devono continuamente verificare i risultati, chiarire le eccezioni e ricostruire le decisioni degli operatori, il lavoro si sposta semplicemente. Non scompare, ma si trasferisce dall'elaborazione vera e propria al monitoraggio e alla risoluzione dei problemi. Queste attività possono essere più impegnative e costose del processo originale, poiché richiedono contemporaneamente competenze tecniche, professionali e normative.

Ciò non significa che la supervisione umana sia intrinsecamente antieconomica. Nelle aree ad alto rischio, è indispensabile. Il punto cruciale è allineare l'intensità del controllo al potenziale danno. Un operatore che classifica documenti interni richiede approvazioni diverse rispetto a un sistema che avvia pagamenti, prepara decisioni relative al personale o modifica i conti dei clienti. Le aziende dovrebbero quindi concedere l'autonomia gradualmente. Quanto più un'azione è irreversibile, tanto più sensibili sono i dati e maggiore è il potenziale impatto esterno, tanto più rigorose devono essere le approvazioni preventive, la registrazione e le verifiche indipendenti.

I percorsi di test stanno diventando parte integrante dell'infrastruttura economica

Due terzi dei CIO non sono certi di poter fornire a un ente regolatore un resoconto completo e dettagliato della decisione di un agente. Non si tratta solo di una questione di conformità. La mancanza di tracciabilità aumenta il costo di ogni incidente perché le cause sono più difficili da determinare, i processi interessati sono più difficili da isolare e le contromisure sono più lente da implementare. Senza una documentazione affidabile, un'azienda difficilmente può dimostrare che un agente ha agito nell'ambito delle proprie competenze o che una persona responsabile è intervenuta in modo appropriato.

La tracciabilità deve quindi essere intesa come un'infrastruttura produttiva, non come un requisito di documentazione aggiunto a posteriori. L'identità dell'agente, il modello e la versione del software utilizzati, le fonti di dati a cui si accede, le autorizzazioni disponibili, le fasi intermedie, le chiamate a strumenti esterni, le approvazioni e il risultato finale devono essere tutti registrati. Altrettanto importante è la capacità di riprodurre tecnicamente un processo o quantomeno di ricostruirlo in modo plausibile. Con i modelli probabilistici, la replicazione esatta non è sempre possibile, ma è necessario preservare gli input, le configurazioni e i percorsi decisionali rilevanti.

La sfida si intensifica nei sistemi multi-agente. Quando più agenti si dividono i compiti, si confrontano sui risultati o modificano sequenzialmente diversi sistemi aziendali, emerge una catena di responsabilità distribuita. Un errore può derivare dall'interazione di diverse decisioni parziali apparentemente plausibili. I sistemi di controllo convenzionali, che esaminano le singole azioni degli utenti o le singole transazioni software, risultano insufficienti in questo contesto. Le aziende necessitano di un monitoraggio continuo dell'intera catena di processi.

Gli sviluppi normativi stanno intensificando questa pressione ad agire. Il quadro giuridico europeo per l'intelligenza artificiale, le normative sulla protezione dei dati e gli obblighi di vigilanza specifici per settore stanno aumentando le esigenze in termini di gestione del rischio, documentazione e supervisione umana. Anche le autorità di protezione dei dati al di fuori dell'Unione Europea stanno prestando maggiore attenzione al modo in cui i sistemi automatizzati elaborano le informazioni personali. La conclusione economica è che la governance non è un ulteriore centro di costo che può essere aggiunto dopo una crescita di successo, bensì un prerequisito per garantire che tale crescita sia conforme alla legge e sostenibile.

I rischi legati all'IA entrano nel gruppo dei più elevati

Secondo un sondaggio condotto su 1.330 membri di consigli di amministrazione e dirigenti, i nuovi rischi derivanti dall'introduzione dell'IA a partire dal 2027 si classificano già al secondo posto tra i rischi aziendali a breve termine, subito dopo le minacce informatiche. Questa classifica dimostra che l'IA non è più vista come una semplice iniziativa IT isolata, ma incide simultaneamente sulla stabilità operativa, sulla regolamentazione, sulla protezione dei dati, sui rapporti con terze parti, sul personale, sulla reputazione e sull'allocazione del capitale.

L'intelligenza artificiale e i rischi informatici non dovrebbero essere analizzati separatamente. Gli agenti aumentano la superficie di attacco digitale perché necessitano di accedere a dati, applicazioni e strumenti. Gli aggressori possono tentare di manipolare gli input, indurre gli agenti a compiere azioni non autorizzate o abusare delle loro credenziali. Allo stesso tempo, un agente correttamente autenticato può a sua volta compiere azioni rischiose se il suo obiettivo è definito in modo errato, il suo contesto manipolato o le sue autorizzazioni troppo ampie. La sicurezza informatica tradizionale, pertanto, affronta solo una parte del problema. Oltre a determinare se un soggetto è autorizzato ad accedere ai dati, è fondamentale valutare se l'azione prevista è consentita e appropriata nel contesto specifico.

Ciò comporta maggiori responsabilità per il management aziendale. Non è necessario che comprendano tecnicamente ogni modello, ma devono garantire che per le principali applicazioni di IA siano definite chiaramente la proprietà, la classificazione dei rischi, le procedure di escalation e gli obiettivi economici. La supervisione non può limitarsi al numero di progetti avviati o all'entità del budget. È fondamentale disporre di informazioni affidabili su quali processi vengono automatizzati in modo produttivo, quali dati vengono interessati, con quale frequenza è richiesto l'intervento umano, quali potenziali danni sono possibili e se i benefici attesi vengono effettivamente conseguiti.

La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business - Immagine: Xpert.Digital

Xpert.Digital è un hub industriale B2B basato sui dati, guidato da Konrad Wolfenstein . L'azienda funge da soluzione esterna, quasi interna, per i partner industriali, colmando le lacune operative in marketing, contenuti e vendite, senza richiedere risorse aggiuntive al cliente.

Maggiori informazioni qui:

• La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business

Sotto la superficie del software si cela un problema di capitale

Mentre le aziende faticano a controllare i propri agenti, l'industria tecnologica sta espandendo l'infrastruttura fisica dell'IA su una scala senza precedenti. Si prevede che entro il 2026 gli investimenti in infrastrutture per l'IA raggiungeranno quasi mille miliardi di dollari. Tra il 2027 e il 2030 potrebbero aggiungersi altri seimila miliardi di dollari. Queste somme sono destinate a data center, unità di elaborazione grafica (GPU), tecnologie di rete, archiviazione, raffreddamento, alimentatori e terreni. Tale espansione fa seguito alla previsione di una crescita significativa, negli anni a venire, della necessità di addestrare ed eseguire modelli di IA.

La sola crescita, tuttavia, non garantisce un adeguato ritorno sull'investimento. Gli operatori di data center per l'IA dovrebbero generare ricavi cumulativi pari a circa 8.500 miliardi di dollari entro il 2030 per coprire gli investimenti annunciati, i costi di finanziamento e un ipotetico ritorno sull'investimento del 12%. I ricavi potenzialmente attribuibili alle attività di IA per imprese e consumatori sono stimati a un massimo di 3.600 miliardi di dollari per lo stesso periodo. Sebbene queste cifre siano soggette a una notevole incertezza a causa dei lunghi orizzonti di previsione, l'entità del divario è notevole.

Tuttavia, sarebbe errato confrontare direttamente investimenti e ricavi derivanti dall'IA. I data center hanno una durata di diversi anni, le infrastrutture possono gestire carichi di lavoro di vario tipo e alcuni dei benefici economici vanno alle aziende utilizzatrici piuttosto che al gestore dell'infrastruttura. Inoltre, la diminuzione dei costi di elaborazione può generare nuova domanda. Ciononostante, il messaggio centrale rimane valido: il mercato non solo deve crescere in modo significativo, ma deve anche produrre applicazioni monetizzabili con una rapidità eccezionale per tutte le capacità previste, al fine di raggiungere il ritorno sull'investimento atteso.

Questa situazione è complessa. Molte delle applicazioni di intelligenza artificiale odierne riducono i costi o migliorano i prodotti esistenti, ma non generano automaticamente entrate aggiuntive pari agli investimenti infrastrutturali sottostanti. Inoltre, i guadagni di produttività possono essere distribuiti tra fornitori e clienti. L'intensa concorrenza fa scendere i prezzi, i modelli open source abbassano le barriere all'ingresso e i modelli più efficienti riducono i requisiti computazionali per ogni attività. Se da un lato questo è vantaggioso per l'economia nel suo complesso, dall'altro può avere un impatto negativo sulla redditività dei singoli operatori di data center.

Il conto alla rovescia per l'ammortamento sta scorrendo più velocemente della domanda

L'hardware per l'IA si distingue dalle infrastrutture di base consolidate per i suoi cicli di innovazione brevi. Le nuove generazioni di acceleratori offrono spesso prestazioni significativamente superiori o una maggiore efficienza energetica. Di conseguenza, l'hardware più vecchio può perdere valore economico, pur essendo ancora tecnicamente funzionante. Un operatore deve quindi recuperare il proprio investimento il più rapidamente possibile attraverso un elevato utilizzo e prezzi competitivi. Se la domanda è inferiore alle aspettative, il valore contabile e i modelli di finanziamento ne risentono.

Entro il 2030, circa 3.500 miliardi di dollari di asset legati all'intelligenza artificiale potrebbero essere a rischio di svalutazione; entro il 2032, questa cifra potrebbe salire a oltre 4.000 miliardi di dollari. Una svalutazione non significa che i server scompaiano fisicamente. Piuttosto, indica che i flussi di cassa futuri attesi non giustificano più il valore contabile dell'asset. Per le aziende con un elevato livello di indebitamento, ciò può comportare un inasprimento delle condizioni di credito, un'erosione del patrimonio netto e maggiori difficoltà per ulteriori investimenti.

Le dinamiche sono simili a quelle dei precedenti cicli infrastrutturali. Le nuove tecnologie di base spesso innescano un'espansione, creando inizialmente una capacità in eccesso. Ferrovie, reti di telecomunicazioni e fibra ottica hanno attraversato fasi analoghe. Parte del capitale investito è andato perduto, mentre le infrastrutture facilmente disponibili ed economiche hanno successivamente permesso la nascita di nuovi modelli di business. Pertanto, due affermazioni possono essere vere contemporaneamente: l'intelligenza artificiale può innescare una profonda trasformazione economica, eppure una parte significativa degli investitori odierni potrebbe comunque ottenere rendimenti insufficienti.

Per l'economia nel suo complesso, una correzione di mercato non è necessariamente del tutto negativa. Svalutazioni e fallimenti possono ridurre il costo della potenza di calcolo e consentire ad acquirenti più efficienti di accedere alle infrastrutture. Le aziende possono beneficiare di prezzi più bassi, anche se gli investitori originari subiscono perdite. La situazione diventa problematica quando gli investimenti eccessivi sono legati a un elevato indebitamento, a contratti energetici a lungo termine o a una concentrazione regionale della capacità produttiva. In questi casi, le correzioni possono avere ripercussioni su banche, fornitori di energia, mercati immobiliari e bilanci pubblici locali.

Neoclouds tra crescita e selezione

I più vulnerabili sono i fornitori di neocloud specializzati che offrono potenza di calcolo per carichi di lavoro di intelligenza artificiale. Il loro vantaggio risiede nell'elevato livello di specializzazione tecnica, nel rapido accesso a processori grafici molto richiesti e in offerte spesso più flessibili rispetto a quelle delle grandi aziende cloud ampiamente diversificate. Aziende come CoreWeave e Nebius sono un esempio di questo segmento. Il mercato potenziale per le offerte di Infrastructure-as-a-Service ottimizzate per l'IA potrebbe crescere da 66 miliardi di dollari nel 2027 a 174 miliardi di dollari nel 2030. Si tratterebbe di un aumento notevole, ma potrebbe non essere ancora sufficiente a sfruttare in modo redditizio la capacità creata simultaneamente.

La previsione che oltre l'80% dei neocloud potrebbe cessare la propria attività indipendente entro il 2030 non implica necessariamente la completa scomparsa delle loro risorse di calcolo. Fallimenti, acquisizioni, fusioni, partnership a lungo termine o integrazione in piattaforme più grandi sono tutte possibilità. Il fattore economico di fondo è un'importante fase di consolidamento. I fornitori privi di finanziamenti favorevoli, di una fornitura energetica sicura, di un elevato tasso di utilizzo e di un'offerta di servizi chiaramente differenziata faranno fatica a rimanere indipendenti.

Il modello di business è fragile per diverse ragioni. In primo luogo, richiede enormi investimenti iniziali in hardware che invecchia rapidamente. In secondo luogo, la base clienti può essere concentrata, il che significa che la perdita anche di pochi grandi clienti può alterare drasticamente l'utilizzo della capacità. In terzo luogo, i neocloud si interpongono tra i produttori di chip e i clienti, senza necessariamente possedere lo stesso potere contrattuale. In quarto luogo, gli hyperscaler possono competere con servizi di piattaforma completi, infrastrutture globali e relazioni consolidate con i clienti. In quinto luogo, la pressione sui prezzi diventa una minaccia man mano che aumenta la capacità disponibile o i modelli di business diventano più efficienti.

Non tutti i neocloud sono quindi uguali. Quelli con maggiori probabilità di sopravvivenza sono i fornitori con vantaggi strutturali: accesso a lungo termine a energia più economica, un utilizzo tecnico particolarmente elevato, accesso a capitali scarsi, servizi specializzati o una solida posizione in regioni specifiche e settori regolamentati. Anche un'infrastruttura controllata dallo Stato, a livello nazionale o europeo, può rappresentare un fattore di differenziazione se i clienti privilegiano la privacy dei dati, la residenza dei dati e l'indipendenza strategica rispetto al prezzo più basso.

Le società hyperscale si stanno dando tempo

Le grandi aziende del settore cloud e tecnologico godono di un vantaggio decisivo rispetto ai fornitori specializzati: finanziano l'espansione dell'IA attraverso settori di business ampi e redditizi. Piattaforme cloud, pubblicità, commercio, abbonamenti software, social network e servizi aziendali esistenti generano flussi di entrate in grado di sostenere gli investimenti per lunghi periodi. Questo permette ad Amazon, Google, Microsoft, Meta e altri grandi fornitori di affrontare meglio un periodo di bassi rendimenti diretti derivanti dall'IA.

La diversificazione, tuttavia, non elimina il problema del ritorno sull'investimento. Anche le grandi aziende devono spiegare nel lungo termine come i loro investimenti creino valore. Semplicemente, hanno più tempo e ulteriori canali di monetizzazione. L'intelligenza artificiale può incrementare l'utilizzo del cloud esistente, migliorare i prodotti pubblicitari, fidelizzare i clienti sulle piattaforme, accelerare i processi di sviluppo e difendere altre aree di business. Pertanto, alcuni dei benefici non vengono contabilizzati separatamente come ricavi derivanti dall'IA. Questi effetti collaterali strategici rendono difficile un confronto diretto con i neocloud, il cui successo economico dipende maggiormente dal noleggio di potenza di calcolo.

Il potere di mercato degli hyperscaler potrebbe crescere ulteriormente a seguito del processo di consolidamento. Quando i fornitori più piccoli escono dal mercato, le grandi piattaforme acquisiscono clienti, lavoratori qualificati e infrastrutture a prezzi vantaggiosi. Ciò può aumentare le economie di scala, ma anche esacerbare le dipendenze. Aziende e governi devono quindi valutare attentamente il rapporto tra efficienza e resilienza. Un'infrastruttura altamente concentrata è spesso più economica nel breve termine, ma può influenzare i prezzi, i percorsi di innovazione e la sovranità digitale nel lungo periodo.

Questo crea un dilemma strategico per l'Europa. Sviluppare le proprie capacità di intelligenza artificiale richiede ingenti investimenti in termini di energia e capitali, mentre i fornitori americani e asiatici godono già di significative economie di scala. Copiare semplicemente i colossi del settore non sarebbe certo una strategia promettente. Un approccio più sensato consiste nel concentrarsi su specifiche applicazioni industriali, spazi dati affidabili, settori regolamentati, efficienza energetica, lingua e modelli tecnici europei e soluzioni operative sovrane. La giustificazione economica deve derivare da benefici differenziati, non dal tentativo di imitare indiscriminatamente la corsa globale alla capacità produttiva.

Sei trilioni di dollari non rappresentano una previsione della domanda

Un altro modello illustra la portata della sfida. Se si prevede che la spesa annuale per le infrastrutture di intelligenza artificiale raggiunga circa 1.500 miliardi di dollari entro il 2031, e si stima che gli investimenti rappresentino circa un quarto del fatturato del settore, il mercato globale dell'IA dovrebbe generare quasi 6.000 miliardi di dollari all'anno. Le applicazioni esistenti per consumatori e aziende potrebbero contribuire con una cifra compresa tra 1.200 e 1.800 miliardi di dollari. Ciò lascerebbe un divario di circa 4.200 miliardi di dollari che dovrebbe essere colmato da nuovi mercati.

La cifra di seimila miliardi di dollari statunitensi va intesa come un ostacolo economico, non come una previsione affidabile di entrate. Il numero descrive l'ordine di grandezza necessario per finanziare in modo sostenibile l'espansione, in base a determinate ipotesi di rendimento e investimento. Non prevede che tali entrate saranno effettivamente generate. Questa distinzione è fondamentale perché, nei dibattiti tecnologici, gli elevati volumi di mercato potenziali vengono spesso trattati come entrate attese.

Tra i mercati in crescita figurano la ricerca e la pubblicità basate sull'intelligenza artificiale, i veicoli, i camion e i droni autonomi, l'automazione industriale, la robotica, i gemelli digitali, lo sviluppo di farmaci, i servizi medici, la ricerca sui materiali e l'energia. Si prevede che i sistemi autonomi abbiano un potenziale di circa 400 miliardi di dollari, mentre l'intelligenza artificiale fisica, che comprende simulazioni, gemelli digitali e robotica, è stimata in circa 900 miliardi di dollari. Questi settori possiedono un valore economico significativo, ma si sviluppano più lentamente rispetto ai prodotti basati esclusivamente sul software. Richiedono hardware, approvazioni normative, test di sicurezza, integrazione nei processi fisici e spesso nuove normative in materia di responsabilità.

Il divario temporale è quindi potenzialmente più importante del potenziale di mercato a lungo termine. Anche se la robotica e l'intelligenza artificiale industriale generassero enormi ricavi, devono espandersi abbastanza rapidamente da giustificare gli investimenti odierni. I costi dei data center, dei chip e del finanziamento vengono sostenuti immediatamente; le nuove applicazioni fisiche spesso impiegano anni per raggiungere una diffusa maturità di mercato. Pertanto, un'aspettativa futura fondamentalmente valida può comunque trasformarsi in un cattivo investimento se il prezzo, la struttura finanziaria o la tempistica sono errati.

L'intelligenza artificiale fisica determinerà la seconda metà del boom

I successi dell'intelligenza artificiale generativa fino ad oggi si sono concentrati principalmente sul lavoro digitale basato sulla conoscenza. Testi, immagini, codice software, ricerca e comunicazione con i clienti possono essere integrati in applicazioni esistenti in tempi relativamente brevi. Il potenziale di ricavo derivante da questi mercati è considerevole, ma difficilmente sufficiente da solo a giustificare tutti gli investimenti infrastrutturali previsti. La prossima fase di crescita dovrà quindi estendersi più profondamente all'economia fisica.

L'intelligenza artificiale fisica connette i sistemi di apprendimento con macchine, veicoli, impianti di produzione e ambienti reali. Nelle fabbriche, i gemelli digitali possono simulare nuovi processi produttivi prima di modificare costose attrezzature. I robot possono reagire in modo più flessibile ai pezzi in lavorazione. Nei centri logistici, è possibile coordinare i flussi di materiali, il prelievo degli ordini e il trasporto autonomo. Nell'industria automobilistica, i tempi di sviluppo possono essere ridotti, mentre i sistemi autonomi consentono di offrire nuovi servizi. Il valore economico deriva non solo dalla riduzione dei costi del personale, ma anche dalla maggiore disponibilità degli impianti, dalla riduzione degli scarti, da avviamenti più rapidi delle fabbriche e dalla possibilità di sviluppare nuovi prodotti.

Ciò rappresenta un'opportunità strategica, in particolare per la Germania e l'Europa. La loro base industriale, la conoscenza dei processi, i produttori di macchinari specializzati e le complesse catene di approvvigionamento offrono dati preziosi e aree di applicazione. Tuttavia, questo vantaggio non si crea automaticamente. Molti dati industriali sono frammentati, proprietari o insufficientemente strutturati. Le aziende devono modernizzare le proprie architetture dati, standardizzare le interfacce e mappare digitalmente le conoscenze operative. Senza queste basi, l'intelligenza artificiale applicata al mondo fisico rimarrà limitata ai prototipi.

Anche la monetizzazione si differenzia da quella tipica del software cloud. Le aziende industriali si aspettano affidabilità dimostrabile, cicli di vita lunghi e una chiara responsabilità. Non accettano un ambiente sperimentale permanente in processi critici per la sicurezza. Pertanto, i fornitori devono offrire sistemi robusti e integrati che combinino modelli, sensori, sistemi di controllo, sicurezza informatica e manutenzione. È proprio in questo ambito che può svilupparsi un mercato per fornitori europei specializzati, meno focalizzato sulla dimensione massima del modello e più sulla competenza di settore, sull'integrazione e sulla fiducia.

Il nucleo comune di entrambe le crisi

I problemi relativi agli agenti di intelligenza artificiale e ai neocloud sembrano inizialmente distinti. Da un lato, ci sono i processi aziendali, la governance e le decisioni errate; dall'altro, i data center, i finanziamenti e l'ammortamento. In realtà, entrambi si basano sullo stesso equivoco economico: che la capacità tecnica si traduca quasi automaticamente in benefici redditizi e scalabili.

Nel caso degli agenti, un progetto pilota di successo viene spesso confuso con la maturità produttiva. Nel caso delle infrastrutture, la rapida crescita delle esigenze di calcolo viene equiparata a una sufficiente disponibilità a pagare e a un ritorno sull'investimento sostenibile. In entrambi i casi, le fasi intermedie vengono spesso trascurate. Tra le prestazioni del modello e il beneficio aziendale si trovano la qualità dei dati, la riprogettazione dei processi, l'integrazione, la sicurezza, la supervisione umana e l'accettazione. Tra la capacità di calcolo e il ritorno sull'investimento si trovano l'utilizzo, i prezzi, i costi energetici, l'invecchiamento dell'hardware, il finanziamento e la concorrenza.

Questa scoperta non è in contrasto con l'intelligenza artificiale, bensì a favore di un'allocazione del capitale più professionale. Le rivoluzioni tecnologiche raramente procedono in modo lineare. Gli eccessi finanziano esperimenti e infrastrutture, ma in seguito portano a correzioni e consolidamenti. I vincitori non sono necessariamente le aziende che investono per prime o di più. Spesso, a prevalere sono quelle che gestiscono i costi con prudenza, imparano dagli errori iniziali e allineano la propria offerta alla reale disponibilità a pagare.

L'entusiasmo iniziale deve tradursi in solide pratiche commerciali

Le aziende dovrebbero implementare agenti di intelligenza artificiale solo laddove esistano processi chiaramente definiti, dati affidabili e metriche di riferimento misurabili. Il punto di partenza non dovrebbe essere quello in cui è possibile dimostrare la massima autonomia possibile. Il fattore cruciale è individuare i punti in cui è possibile eliminare uno specifico collo di bottiglia, ridurre i tempi di consegna, migliorare la qualità o generare entrate aggiuntive. Per ogni caso d'uso, è necessario stabilire prima dell'avvio quali costi e tassi di errore sono accettabili e in quali condizioni il progetto verrà interrotto.

L'implementazione dovrebbe avvenire per fasi. Inizialmente, un agente può fornire suggerimenti, poi agire previa approvazione umana e solo dopo aver raggiunto prestazioni stabili può eseguire autonomamente compiti limitati. Questi livelli di maturità consentono un monitoraggio separato dei benefici e dei rischi. Un sistema che già non genera alcun valore misurabile come assistente non diventerà economicamente sostenibile semplicemente ottenendo maggiori privilegi.

Parallelamente, è necessario un inventario centralizzato. Le aziende devono sapere quali agenti esistono, quali modelli utilizzano, a quali sistemi accedono e chi ne è responsabile. I costi devono essere allocati ai singoli processi e alle unità aziendali. Le azioni critiche richiedono soglie di approvazione e ogni applicazione di produzione necessita di un meccanismo di arresto funzionante. La governance non deve essere vista come un documento rigido; deve essere tecnicamente integrata in piattaforme, identità, protocolli e processi di sviluppo.

Anche gli appalti stanno cambiando. I contratti con i fornitori di IA e cloud dovrebbero includere clausole sull'utilizzo dei dati, le modifiche ai modelli, l'accesso ai log, gli incidenti di sicurezza, le prestazioni, la responsabilità e le opzioni di cambio fornitore. Le aziende devono evitare di rendere i processi chiave dipendenti da un unico fornitore i cui prezzi, modelli o strategie aziendali possono cambiare con breve preavviso. Laddove possibile, architetture modulari e modelli intercambiabili aumentano il potere contrattuale.

Per gli investitori in infrastrutture, ciò che conta è il cliente, non il chip

Per i data center e i neocloud, il solo accesso all'hardware attuale non è sufficiente per un modello di business redditizio. Gli investitori dovrebbero innanzitutto esaminare la qualità e la durata della domanda. I contratti a lungo termine sono vantaggiosi solo se i clienti sono solvibili e se i requisiti minimi di acquisto possono essere effettivamente rispettati. Altrettanto importanti sono i prezzi dell'energia, le connessioni di rete, il raffreddamento, i modelli di utilizzo, le opzioni di rifinanziamento e il valore residuo dell'hardware più vecchio.

Si raccomanda particolare cautela quando la crescita è finanziata in larga parte da ulteriore indebitamento e l'utilizzo previsto della capacità produttiva si basa su un numero limitato di clienti. Un calo della domanda può quindi avere un impatto simultaneo su ricavi, valore degli asset e capacità di finanziamento. Gli scenari di stress dovrebbero combinare prezzi più bassi, ritardi nella messa in servizio, calo dell'utilizzo della capacità produttiva, invecchiamento accelerato dell'hardware e costi di capitale più elevati. Solo quando un modello di business rimane redditizio anche in condizioni meno favorevoli, il ritorno sull'investimento è affidabile.

Per i fornitori specializzati, il percorso dall'intercambiabilità conduce alla differenziazione. Questa include data center altamente efficienti, modelli operativi europei sovrani, piattaforme specifiche per settore, residenza dei dati garantita, servizi di sicurezza integrati o una stretta connessione tra competenze infrastrutturali e applicative. Con l'aumento dell'offerta, la pura capacità diventa una merce commerciabile. La fiducia, l'integrazione e le prestazioni dimostrabili, d'altro canto, rimangono più rare.

La prossima operazione di pulizia non segna la fine dell'IA

Le previste cancellazioni di progetti e il potenziale consolidamento dei neocloud non rappresentano una confutazione dell'intelligenza artificiale. Piuttosto, sono tipici della transizione da una fase di espansione trainata dalla tecnologia a un mercato in cui il ritorno sull'investimento, l'affidabilità e la maturità istituzionale sono di primaria importanza. Gran parte dei progetti iniziali scomparirà perché mal definiti, mal integrati o economicamente non sostenibili. Allo stesso tempo, le applicazioni di successo penetreranno più a fondo nei processi chiave.

Le infrastrutture non diventano semplicemente prive di valore. La capacità di calcolo può essere ancora utilizzata dopo l'ammortamento, le acquisizioni o la riduzione dei prezzi. Per gli utenti, il consolidamento del mercato può persino risultare vantaggioso se la concorrenza e la sovraccapacità riducono i costi. Tuttavia, la distribuzione dei profitti cambia: i clienti e gli acquirenti successivi possono trarne beneficio, mentre i primi investitori in capitale proprio e debito subiscono parte delle perdite.

Il percorso di sviluppo più probabile non è quindi né un crollo totale delle aspettative sull'IA né una continuazione senza intoppi del boom. È più probabile uno sviluppo a due livelli. Le applicazioni di alta qualità e chiaramente controllate continueranno a crescere e a diventare infrastrutture aziendali standard. Al contrario, i progetti basati su agenti indifferenziati, i modelli di business scarsamente sicuri e le capacità sovraprezzate saranno messi a dura prova. Il mercato sta separando le possibilità tecnologiche dalla redditività economica.

La vera rivoluzione dell'IA non inizia con il prossimo modello spettacolare, ma con la capacità, dettata dalla lucidità, di tradurre la tecnologia in una creazione di valore affidabile. Le aziende che sapranno gestire insieme costi, controlli e benefici usciranno rafforzate da questa fase di correzione. Al contrario, coloro che amplieranno l'autonomia senza responsabilità o la potenza di calcolo senza una domanda redditizia, finiranno per finanziare la prossima ondata di svalutazioni.

Dalla visibilità alla fiducia: il tuo percorso scalabile con Xpert.Digital - Immagine: Xpert.Digital

Nel settore B2B industriale, le relazioni commerciali durature raramente nascono dall'oggi al domani. Si sviluppano gradualmente, attraverso la visibilità, la rilevanza professionale, i punti di contatto ricorrenti e la crescente fiducia. Il modello a 4 fasi di Xpert.Digital affronta proprio questo aspetto: offre un percorso strutturato che inizia con un punto di ingresso gestibile e può evolversi in una collaborazione più profonda per lo sviluppo del business, se necessario.

Anziché affidarsi a roboanti promesse di marketing, questo modello mette al centro la relazione. Le aziende partono da parametri chiaramente definiti e facilmente calcolabili, per poi decidere, in base alla propria esperienza, fino a che punto desiderano ampliare la collaborazione. Un fattore chiave per questo processo di costruzione della fiducia senza interruzioni: la piattaforma evita completamente le fastidiose pubblicità, in modo che l'attenzione editoriale rimanga focalizzata esclusivamente sulla competenza delle aziende.

Maggiori informazioni qui:

• Dalla visibilità alla fiducia: il tuo percorso scalabile con Xpert.Digital

☑️ La nostra lingua aziendale è l'inglese o il tedesco

☑️ NOVITÀ: Corrispondenza nella tua lingua madre!

Konrad Wolfenstein

Io e il mio team saremo lieti di essere a tua disposizione come tuo consulente personale.

Puoi contattarmi compilando il modulo di contatto qui [email protected]:o semplicemente chiamandomi al numero +49 7348 4088 965. Il mio indirizzo email è

Non vedo l'ora di iniziare il nostro progetto comune.

☑️ Supporto alle PMI in strategia, consulenza, pianificazione e implementazione

☑️ Creazione o riallineamento della strategia digitale e digitalizzazione

☑️ Espansione e ottimizzazione dei processi di vendita internazionali

☑️ Piattaforme di trading B2B globali e digitali

☑️ Sviluppo aziendale pionieristico / Marketing / PR / Fiere