La logica degli investimenti nell’intelligenza artificiale sta attraversando una trasformazione profonda. A soli diciotto mesi dal terremoto provocato da DeepSeek-R1, che aveva alimentato il timore di un futuro in cui l’efficienza avrebbe ridotto la necessità di enormi infrastrutture, il mercato sembra aver preso una direzione opposta. Il debutto di Kimi K3, modello con 2,8 trilioni di parametri, viene infatti considerato da molti come un nuovo momento spartiacque per il settore.
La conclusione a cui stanno arrivando investitori e aziende è chiara: migliorare l’efficienza non significa consumare meno risorse, ma spesso permette di costruire sistemi ancora più grandi. È il ritorno del paradosso di Jevons, secondo cui un aumento dell’efficienza può portare a un incremento complessivo dei consumi.
Dalla ricerca dell’efficienza alla corsa ai modelli giganti
Dopo DeepSeek-R1, il mercato aveva iniziato a interrogarsi sulla reale necessità di continuare a investire miliardi in infrastrutture AI. L’idea dominante era che algoritmi più ottimizzati potessero ridurre la pressione sulla capacità di calcolo. Tuttavia, l’arrivo di modelli come Kimi K3 ha cambiato nuovamente prospettiva.
Con una configurazione da 2,8 trilioni di parametri in architettura Mixture of Experts (MoE), K3 rappresenta una nuova frontiera nella corsa alla scala. Il messaggio per il settore è che l’efficienza algoritmica non elimina la necessità di hardware più potente: al contrario, rende possibile sviluppare sistemi ancora più complessi.
Secondo questa nuova visione, il vero vantaggio competitivo non risiede soltanto nella qualità del modello, ma nella capacità di addestrarlo, aggiornarlo e distribuirlo attraverso infrastrutture sempre più estese.
Il paradosso di Jevons alimenta la domanda di calcolo
Il settore AI sta vivendo una dinamica apparentemente controintuitiva. Ogni miglioramento tecnologico che riduce il costo di sviluppo di un modello finisce per alimentare una maggiore competizione. Se il costo di un singolo addestramento diminuisce, le aziende possono permettersi di effettuare più esperimenti, creare versioni più frequenti e aumentare la complessità dei sistemi.
Il caso di Kimi K3 è emblematico: nonostante i progressi nell’efficienza, un modello di queste dimensioni richiede comunque una quantità enorme di risorse. Per una distribuzione locale sarebbero necessari almeno 10 GPU GB300, mentre la corsa tra aziende porta ad aumentare continuamente la frequenza degli addestramenti.
Questo meccanismo sta trasformando l’AI in una sfida infrastrutturale globale, dove potenza computazionale, energia e disponibilità di chip diventano elementi decisivi.
Google e i giganti cloud accelerano gli investimenti
La nuova fase dell’intelligenza artificiale si riflette soprattutto nei bilanci dei grandi operatori tecnologici. Google ha aumentato la previsione di spesa in conto capitale per il 2026 di 15 miliardi di dollari, portando il proprio CapEx previsto in una fascia compresa tra 195 e 205 miliardi di dollari.
L’azienda ha inoltre segnalato che gli investimenti infrastrutturali continueranno a pesare sui margini, a causa dell’aumento degli ammortamenti e dei costi operativi dei data center. Parallelamente, gli analisti stimano che la spesa complessiva dei cinque maggiori fornitori cloud possa superare gli 800 miliardi di dollari nel 2026, con una possibile crescita fino a 1-1,2 trilioni nel 2027.
La pressione sul mercato è evidente anche nella reazione degli investitori. Nel giugno 2026 i titoli degli hyperscaler hanno registrato un calo collettivo del 18%, mentre le società legate all’hardware AI hanno beneficiato della crescente domanda.
Chip, memoria e data center diventano gli asset strategici
La nuova corsa all’AI non riguarda soltanto le GPU. Uno dei principali colli di bottiglia resta la memoria ad alte prestazioni, soprattutto la tecnologia HBM, fondamentale per i sistemi di intelligenza artificiale avanzata.
Le forniture di HBM da parte di produttori come SK Hynix rimangono sotto pressione e potrebbero restare limitate per altri 2-3 anni. Anche il mercato dei processori tradizionali sta beneficiando della crescita dell’AI, con la domanda legata all’inferenza prevista in aumento di 4-5 volte.
La stessa Cina sta seguendo questa direzione: il progetto di un data center da 1 GW sviluppato da Zhipu AI dimostra come anche le aziende nate puntando sull’efficienza stiano investendo sempre più nella capacità computazionale.
La competizione nell’intelligenza artificiale, quindi, non si gioca più soltanto sulla creazione di algoritmi migliori. La partita decisiva passa dalla disponibilità di infrastrutture, chip e capacità energetiche sufficienti per sostenere modelli sempre più grandi.
Fonte: Pandaily
