La bolla dell’intelligenza artificiale prepara l’AI di Stato: profitti mancanti e deterrenza

📌 In Sintesi

• La bolla AI nasce dal divario tra ricavi reali, costi infrastrutturali e investimenti richiesti dai data center.
• Energia, acqua, HBM, chip e reti elettriche trasformano l’intelligenza artificiale in industria pesante globale.
• Stati, difesa e apparati pubblici diventano clienti decisivi mentre l’AI privata assume una funzione strategica.

Nel luglio 2024, quando in Italia l’intelligenza artificiale veniva ancora raccontata quasi esclusivamente come una rivoluzione inevitabile, gratuita e destinata a moltiplicare la produttività, Matrice Digitale portò nel dibattito nazionale una domanda che gran parte dell’industria preferiva lasciare sullo sfondo: chi avrebbe prodotto i ricavi necessari a ripagare l’enorme infrastruttura costruita intorno ai modelli generativi? L’articolo, intitolato “Il settore dell’AI deve guadagnare 600 miliardi di dollari o scoppia la bolla”, riprendeva l’analisi pubblicata da David Cahn per Sequoia Capital. Quella cifra deve però essere ricollocata con precisione: non si parlava di 600 miliardi di dollari di profitti e nemmeno di 3.000 miliardi di utili, bensì di circa 600 miliardi di dollari di ricavi annui che, secondo il modello elaborato allora, sarebbero stati necessari per sostenere i costi dell’infrastruttura AI, garantendo contemporaneamente un margine economico ai soggetti che acquistavano capacità di calcolo dai grandi cloud provider. La cifra dei trilioni di dollari è arrivata successivamente e appartiene a un’altra dimensione del problema. Secondo le stime elaborate da McKinsey, entro il 2030 i data center potrebbero richiedere investimenti cumulativi pari a 6.700 miliardi di dollari, dei quali circa 5.200 miliardi destinati alle infrastrutture necessarie per i carichi di lavoro dell’intelligenza artificiale. Non sono profitti attesi. Sono capitali da immobilizzare in processori, memorie, reti elettriche, sistemi di raffreddamento, edifici, generatori, connessioni in fibra, terreni, trasformatori e impianti energetici. Questa distinzione non ridimensiona la tesi della bolla. La rende più grave. Il settore non deve soltanto dimostrare di poter generare centinaia di miliardi di ricavi ricorrenti: deve giustificare uno dei più grandi cicli di investimento infrastrutturale della storia industriale, mentre continua a vendere al pubblico servizi apparentemente economici, spesso inclusi in abbonamenti da poche decine di euro al mese. La domanda non è più se l’intelligenza artificiale funzioni. Funziona, produce valore e ha già modificato il lavoro, la ricerca scientifica, lo sviluppo software, la sicurezza informatica e l’accesso alla conoscenza. La domanda è un’altra: chi riuscirà a monetizzare quel valore in misura sufficiente a ripagare l’intera catena industriale e chi, invece, finirà per trasferire il costo sugli Stati, sulle reti elettriche, sui consumatori e sull’ambiente?

La previsione ignorata dei 600 miliardi di dollari

L’analisi originaria di Sequoia Capital partiva dai ricavi di Nvidia nel segmento data center e applicava due moltiplicatori. Il primo serviva a includere il costo complessivo dell’infrastruttura, perché le GPU rappresentavano soltanto una parte della spesa necessaria a costruire un data center AI. Il secondo teneva conto del margine che i clienti finali avrebbero dovuto conseguire per trasformare quella capacità computazionale in un’attività economicamente sostenibile. Il ragionamento era semplice: se il costo della macchina industriale cresceva molto più velocemente dei ricavi prodotti dalle applicazioni, prima o poi qualcuno avrebbe dovuto assorbire la differenza. Nel 2024 quel divario veniva quantificato in centinaia di miliardi di dollari. Oggi, dopo l’espansione dei cluster, l’aumento della potenza dei modelli e la corsa alla costruzione di gigafactory computazionali, il problema non si è ridotto. Ha cambiato scala. Le aziende hanno certamente aumentato i ricavi associati all’intelligenza artificiale. Gli hyperscaler vendono più servizi cloud, Nvidia ha beneficiato di una domanda straordinaria di acceleratori, i produttori di memoria hanno trasformato la HBM in un prodotto strategico e le piattaforme di modelli generativi hanno conquistato milioni di utenti paganti. L’esistenza di ricavi, tuttavia, non dimostra che l’intero ecosistema sia già in grado di remunerare il capitale impegnato. Occorre separare almeno quattro livelli economici. A monte si trovano i produttori di semiconduttori, memorie, apparati di rete e sistemi energetici. Subito dopo arrivano i cloud provider e gli operatori dei data center. Al terzo livello si collocano i produttori dei modelli. All’ultimo si trovano le applicazioni vendute alle imprese e ai consumatori. I ricavi realizzati a monte non coincidono automaticamente con il valore economico prodotto a valle. Nvidia può vendere una GPU con un margine elevato anche quando il cliente che la acquista non riesce a recuperare l’investimento. Un cloud provider può registrare crescita perché una società di intelligenza artificiale consuma più capacità di calcolo, ma quella società potrebbe continuare a dipendere da nuovi aumenti di capitale. Un’applicazione può conquistare utenti senza riuscire a trasformarli in clienti paganti.

È questo il punto che viene spesso occultato dalla narrazione finanziaria: una filiera può crescere rapidamente anche mentre una parte consistente dei suoi operatori non ha ancora dimostrato un modello di profitto stabile.

Una bolla finanziaria non rende falsa la tecnologia

Definire l’intelligenza artificiale una bolla non significa sostenere che i modelli linguistici siano inutili, che le GPU non abbiano valore o che i data center rimarranno vuoti. La storia economica è piena di tecnologie autenticamente rivoluzionarie che hanno generato bolle speculative. Le ferrovie cambiarono il commercio e la mobilità, ma produssero anche fallimenti e infrastrutture sovradimensionate. Internet trasformò l’economia mondiale, ma la bolla delle dot-com cancellò società con valutazioni scollegate dai ricavi. La fibra ottica installata in eccesso durante quella fase divenne successivamente una componente essenziale della rete globale. Una tecnologia può essere destinata a restare e, nello stesso tempo, essere finanziata in maniera irrazionale. Il valore industriale dell’intelligenza artificiale non protegge automaticamente gli investitori dalla sovraccapacità, dalle valutazioni eccessive o dalla costruzione di impianti che non troveranno una domanda sufficiente. La distinzione è fondamentale anche per comprendere chi rischia realmente. I produttori di componenti possono realizzare profitti durante la corsa agli armamenti computazionali. I proprietari delle reti elettriche, dei terreni e dei data center possono ricevere pagamenti indipendentemente dal successo commerciale delle applicazioni. Il rischio maggiore si concentra su chi deve trasformare il calcolo acquistato in prodotti per i quali imprese, cittadini o amministrazioni siano disposti a pagare abbastanza. Matrice Digitale ha affrontato il problema anche osservando come i modelli da oltre 100 miliardi di parametri possano trasformarsi in una responsabilità economica e operativa. La crescita dimensionale non produce indefinitamente miglioramenti proporzionali. Aumentano i costi di addestramento, inferenza, sicurezza, valutazione e manutenzione, mentre i rendimenti marginali possono diminuire. Questa dinamica spinge il mercato verso modelli più piccoli, sistemi specializzati, architetture ibride e reti di agenti. La corsa al modello più grande potrebbe quindi lasciare il posto alla ricerca del modello più utile, controllabile ed economicamente sostenibile.

Le partite di giro che alimentano l’espansione dell’AI

Il mercato dell’intelligenza artificiale viene spesso descritto come una successione lineare di investimenti. Un’impresa raccoglie capitale, acquista risorse e vende servizi. Nella realtà, il sistema è molto più circolare. I grandi cloud provider investono nelle società che producono modelli. Le società finanziate sottoscrivono contratti pluriennali per acquistare capacità computazionale dagli stessi cloud provider. I produttori di chip finanziano o sostengono operatori che, a loro volta, acquistano acceleratori. I fondi raccolgono capitale sulla promessa dell’espansione dei data center, mentre i data center basano le previsioni sulla crescita dei modelli generativi.

Non si tratta necessariamente di operazioni fittizie o irregolari. È una forma di integrazione industriale e finanziaria che, però, rende più difficile distinguere la domanda organica dalla domanda generata all’interno dello stesso ecosistema.

Un investimento in una società di AI può diventare ricavo per un cloud provider. Quel ricavo viene letto dal mercato come prova della crescita della domanda. La crescita giustifica nuovi investimenti in infrastrutture. Le infrastrutture sostengono la valutazione delle società che promettono di utilizzarle. La circolarità diventa problematica quando il cliente finale non cresce con la stessa velocità. Se la domanda proviene prevalentemente dalle imprese che si finanziano e acquistano servizi l’una dall’altra, il sistema rimane dipendente dalla disponibilità di nuovo capitale. La questione non riguarda soltanto OpenAI, Anthropic, Microsoft, Google, Amazon o Nvidia. Coinvolge fondi infrastrutturali, utility, costruttori, produttori di turbine, società immobiliari e governi locali. Matrice Digitale ha seguito questa trasformazione raccontando, tra gli altri casi, l’acquisizione di Aligned Data Centers da parte di un consorzio sostenuto da BlackRock, Microsoft, Nvidia e xAI.

L’intelligenza artificiale non è più un settore software. È un sistema industriale nel quale finanza, energia, immobiliare, difesa e semiconduttori dipendono progressivamente dalle stesse previsioni di crescita.

Gli abbonamenti non raccontano il costo reale

Per milioni di cittadini l’intelligenza artificiale appare come un servizio economico. Con poche decine di euro al mese è possibile interrogare modelli che richiedono data center, acceleratori avanzati, squadre di ricercatori, sistemi di moderazione, reti globali e continui aggiornamenti. Questa apparente sproporzione alimenta l’idea che un abbonamento possa costare trenta, quaranta o cento volte meno del valore reale del servizio. Non esistono però dati pubblici sufficienti per applicare un moltiplicatore universale. Il costo dipende dal modello, dal numero di token, dalla lunghezza del contesto, dagli strumenti utilizzati, dalla generazione di immagini o video e dall’intensità dell’utente. Un cliente occasionale può costare molto meno del proprio abbonamento. Un utilizzatore intensivo può consumare risorse superiori alla tariffa mensile. Le aziende possono compensare queste differenze attraverso limiti, priorità di accesso, prezzi API, contratti enterprise e servizi premium. Il punto politico rimane comunque intatto. Una parte dell’accesso consumer viene sovvenzionata perché le piattaforme devono conquistare il mercato, creare abitudini e inserirsi nei flussi di lavoro prima che i prezzi riflettano pienamente il costo dell’infrastruttura. Lo stesso modello è stato utilizzato dai social network, dai servizi di streaming, dal cloud e dalle piattaforme di consegna. Prima si riduce l’attrito economico, poi si conquista il comportamento quotidiano e infine si aumenta la monetizzazione. L’intelligenza artificiale aggiunge una dimensione ulteriore. Non si limita a osservare ciò che una persona pubblica. Entra nella scrittura, nella programmazione, nella contabilità, nella ricerca, nella gestione delle e-mail, nell’organizzazione del calendario e nelle decisioni aziendali. Diventa uno strato operativo attraverso il quale transitano attività individuali e professionali. Non tutte le piattaforme utilizzano automaticamente le conversazioni per addestrare i modelli. Le condizioni variano tra servizi consumer, API e prodotti aziendali, mentre molti fornitori prevedono esclusioni, controlli o sistemi di opt-out. Sarebbe quindi scorretto affermare che ogni dato inserito diventi necessariamente materiale di addestramento. Anche quando i contenuti non vengono usati direttamente per il training, il comportamento degli utenti produce però un’enorme quantità di conoscenza industriale. Le piattaforme scoprono quali funzioni vengono richieste, quali attività possono essere automatizzate, quali errori bloccano l’adozione e quali integrazioni generano dipendenza. Il valore non risiede soltanto nelle risposte prodotte dal modello. Risiede nella mappa dei processi umani che il modello impara a intermediare.

Dalla manodopera digitale al lavoro di verifica

L’intelligenza artificiale sta già colpendo attività che per anni hanno rappresentato una forma di manodopera digitale a basso costo. Produzione di testi standardizzati, traduzioni semplici, assistenza di primo livello, compilazione di documenti, ricerca preliminare, sviluppo di codice ripetitivo e analisi basilari possono essere svolti in pochi minuti. In molti settori queste mansioni venivano affidate a stagisti, collaboratori junior, personale esternalizzato o lavoratori pagati poco, mentre il servizio finale veniva venduto a un prezzo molto più elevato. L’intelligenza artificiale riduce il costo tecnico della prima elaborazione e rende visibile quanto valore dipendesse dalla differenza tra il prezzo pagato al lavoratore e quello richiesto al cliente. L’Organizzazione internazionale del lavoro ha rilevato che le occupazioni amministrative e impiegatizie rimangono tra le più esposte alla trasformazione prodotta dall’AI generativa. L’esposizione si sta però estendendo anche alle professioni tecniche e altamente digitalizzate. Questo non equivale alla cancellazione automatica di interi mestieri. L’intelligenza artificiale sostituisce più facilmente compiti che professioni complete. Rimangono la responsabilità, la verifica delle fonti, il rapporto con il cliente, la comprensione del contesto e la gestione delle conseguenze. Il lavoro non scompare necessariamente. Cambia forma. Alla produzione si sostituisce la supervisione. Alla compilazione si affianca il controllo. Alla ricerca iniziale segue la verifica. Il rischio è che le imprese pretendano di catturare interamente il guadagno di produttività, riducendo il personale senza riconoscere il valore crescente di chi deve correggere gli errori del sistema. Le allucinazioni, le fonti inesistenti e le risposte formalmente convincenti ma sbagliate impediscono di eliminare la responsabilità umana. Più l’AI entra in settori sensibili, più costoso diventa un errore. Un testo pubblicitario sbagliato può essere corretto. Una diagnosi, una decisione amministrativa, un contratto o un’analisi di intelligence errati possono produrre danni irreversibili. L’economia dell’intelligenza artificiale non elimina il lavoro umano: tende a spostare verso l’uomo la responsabilità finale mentre concentra nel proprietario del modello il vantaggio economico della velocità.

Perché l’AI privata sta diventando intelligenza artificiale di Stato

La trasformazione più importante non riguarda il chatbot utilizzato dal cittadino, ma il rapporto tra le aziende che sviluppano i modelli e gli apparati statali. L’AI sta diventando una tecnologia dual use, utilizzabile contemporaneamente per attività civili, intelligence, cyberdifesa, sorveglianza, logistica e operazioni militari. Matrice Digitale ha ricostruito questo passaggio nell’inchiesta “L’intelligenza artificiale in guerra: il Pentagono arruola OpenAI nella zona grigia del potere rifiutata da Anthropic”. Il confronto tra l’apparato militare statunitense e Anthropic ha mostrato che il controllo sull’uso dei modelli non appartiene più esclusivamente alle aziende. Anthropic aveva collaborato con il comparto della sicurezza nazionale statunitense per analisi di intelligence, simulazioni, pianificazione operativa e attività cyber. La società ha però mantenuto due limiti dichiarati: niente armi completamente autonome e niente sorveglianza domestica di massa. Il conflitto con l’amministrazione americana ha portato alla designazione di Anthropic come rischio per la catena di fornitura nell’ambito dei contratti militari. Nel giugno 2026, il governo statunitense ha inoltre disposto la sospensione dell’accesso ai modelli Fable 5 e Mythos 5 per i cittadini stranieri, obbligando l’azienda a disattivarli per tutti i clienti. Il caso dimostra che il modello più avanzato non è più considerato un normale prodotto commerciale. È trattato come una capacità strategica soggetta a controllo politico, restrizioni all’esportazione e criteri di sicurezza nazionale. La storia dell’intelligenza artificiale privata termina nel momento in cui un modello diventa abbastanza potente da essere rilevante per la difesa. Da quel momento l’azienda può conservare il marchio e la proprietà formale, ma lo Stato acquisisce la capacità di decidere chi può accedere alla tecnologia, in quali condizioni e per quali finalità.

Claude Mythos e la soglia della deterrenza cibernetica

Il caso Claude Mythos chiarisce perché l’intelligenza artificiale venga sempre più considerata un’arma o, almeno, una componente della deterrenza. Attraverso Project Glasswing, Anthropic ha dichiarato che Claude Mythos Preview era riuscito a individuare migliaia di vulnerabilità ad alta gravità in sistemi operativi, browser e software critici. Il modello avrebbe identificato autonomamente una vulnerabilità presente da 27 anni in OpenBSD, un problema vecchio di 16 anni in FFmpeg e una catena di vulnerabilità nel kernel Linux capace di trasformare un accesso ordinario nel controllo completo della macchina. Matrice Digitale ha documentato anche l’impiego di Claude Mythos nell’individuazione di vulnerabilità presenti in macOS. Qui occorre correggere una formulazione che rischia di deformare la portata della notizia. Non esistono elementi pubblici verificati per sostenere che Claude Mythos abbia “abbattuto tutte le difese della NSA”. Ciò che risulta documentato è diverso e, per molti aspetti, più significativo: un modello generalista ha raggiunto una capacità di individuazione e sfruttamento delle vulnerabilità paragonabile a quella degli specialisti umani più esperti. Il punto non è che l’NSA sia stata sconfitta. Il punto è che la scoperta di vulnerabilità zero-day può essere automatizzata e industrializzata. Una capacità un tempo limitata a gruppi di intelligence, aziende specializzate e ricercatori di altissimo livello può diventare accessibile a un numero crescente di soggetti. Questa è la base della deterrenza cibernetica fondata sull’AI. Uno Stato che possiede modelli capaci di analizzare codice, identificare falle e costruire exploit può rafforzare le proprie difese, ma può anche preparare operazioni offensive. Uno Stato che non dispone di capacità equivalenti rischia di dipendere dai fornitori stranieri proprio nel momento in cui deve difendere infrastrutture energetiche, reti militari, sistemi finanziari e amministrazioni.

La sovranità sull’intelligenza artificiale diventa quindi una forma di sovranità sulla vulnerabilità. Significa poter scoprire una falla prima dell’avversario, correggerla prima che venga sfruttata oppure conservarla come strumento operativo.

Il Pentagono trasforma i modelli in infrastruttura militare

OpenAI ha riunito le proprie iniziative per il settore pubblico statunitense sotto il programma OpenAI for Government. Il primo contratto annunciato nell’ambito della nuova struttura, con un valore massimo di 200 milioni di dollari, riguarda un progetto pilota con il Dipartimento della Difesa per attività amministrative, sanitarie, acquisizioni e cyberdifesa proattiva. Matrice Digitale ha seguito anche il negoziato per portare Gemini di Google nelle reti classificate del Pentagono e l’integrazione dei modelli di OpenAI e delle piattaforme Nvidia negli ambienti militari. Microsoft, Google, Amazon, OpenAI e Anthropic non sono più semplicemente fornitori tecnologici dello Stato. Stanno diventando componenti della sua architettura operativa. I modelli vengono impiegati per correlare informazioni, interpretare immagini, elaborare scenari, pianificare la logistica, accelerare la programmazione e individuare minacce informatiche. La NATO ha inserito l’intelligenza artificiale nella propria strategia sulle tecnologie emergenti e ha stabilito principi per l’uso responsabile nei sistemi di difesa, richiamando legalità, responsabilità, spiegabilità, affidabilità, governabilità e mitigazione dei bias. La necessità di definire quei principi dimostra che la questione non è più se l’intelligenza artificiale verrà utilizzata in ambito militare, ma con quali limiti e sotto quale catena di comando. Il modello commerciale costruito per rispondere alle domande degli utenti è diventato un’infrastruttura capace di influenzare il ciclo decisionale militare. La stessa architettura che riassume un documento può analizzare un rapporto di intelligence. Lo stesso sistema che corregge codice può individuare una vulnerabilità in un’infrastruttura critica. Lo stesso modello che riconosce oggetti in una fotografia può contribuire alla sorveglianza di un territorio.

L’AI di Stato non nasce come progetto ideologico. Nasce dalla convergenza tra necessità militare, dipendenza tecnologica e insufficienza del mercato consumer nel sostenere gli investimenti.

Lo Stato come cliente capace di pagare l’infrastruttura

Il mercato civile può essere enorme, ma rimane sensibile al prezzo. I consumatori possono disdire un abbonamento, cambiare applicazione o utilizzare un modello gratuito. Le imprese possono ridurre i progetti quando non vedono un ritorno immediato. Gli Stati, invece, attribuiscono valore anche a capacità che non producono ricavi commerciali diretti. Una piattaforma di cyberdifesa può valere miliardi anche se non viene venduta a milioni di utenti. Un modello addestrato su documenti classificati può essere economicamente giustificato dalla possibilità di ridurre un rischio strategico. Un sistema di sorveglianza può essere finanziato per ragioni di sicurezza pubblica. La difesa non ha bisogno di dimostrare lo stesso ritorno sull’investimento richiesto a un servizio consumer. Questo rende lo Stato il cliente ideale per un settore caratterizzato da costi fissi enormi e ritorni incerti. Attraverso contratti pluriennali, programmi militari, incentivi fiscali e finanziamenti infrastrutturali, il settore pubblico può garantire continuità alla domanda. Il rischio è evidente. Quando il mercato non riesce a remunerare una tecnologia, la tecnologia cerca il bilancio pubblico. Le perdite possono essere socializzate attraverso incentivi, energia agevolata, garanzie sui prestiti, infrastrutture di rete e commesse governative, mentre la proprietà dei modelli e i profitti futuri rimangono privati. L’intelligenza artificiale di Stato può quindi essere interpretata in due modi opposti. Può rappresentare una capacità pubblica necessaria per non dipendere da potenze straniere. Ma può anche trasformarsi nel meccanismo attraverso cui l’industria privata trasferisce allo Stato il costo della propria espansione.

L’Italia arriva tardi con un miliardo distribuito su più tecnologie

L’Italia ha scelto di entrare nella corsa quando Stati Uniti e Cina avevano già costruito ecosistemi industriali, cloud, modelli e filiere dei semiconduttori. Il governo ha annunciato un intervento fino a un miliardo di euro attraverso il Fondo di sostegno al venture capital e CDP Venture Capital. Quella cifra è stata spesso presentata come un miliardo destinato all’intelligenza artificiale italiana. In realtà non si tratta di un fondo interamente riservato alla costruzione di un modello nazionale di frontiera. Le risorse sono destinate a investimenti in equity e quasi-equity per imprese attive nell’AI, nella cybersicurezza, nel quantum, nelle telecomunicazioni, nel 5G, nell’edge computing e in altre tecnologie abilitanti. Il miliardo non deve quindi essere confrontato soltanto con il costo di un singolo modello, ma con la vastità delle finalità assegnate al programma. Le norme italiane di attuazione dell’AI Act affidano ad AgID e ACN un ruolo centrale nella governance e introducono misure per pubblica amministrazione, scuola, sanità, lavoro, giustizia e forze di polizia. Nel frattempo, il governo ha rinnovato il comitato chiamato a sostenere Alessio Butti nell’aggiornamento della strategia nazionale. Matrice Digitale ha evidenziato nell’analisi “AI italiana, il comitato di Butti riapre il caso dei soliti noti” la presenza di tredici componenti coordinati da Gianluigi Greco, la partecipazione della rappresentante della Difesa Barbara Caputo e il regime di riservatezza previsto per i lavori. La partecipazione della Difesa non è un dettaglio. Conferma che la strategia nazionale non può più separare l’AI civile dall’AI dual use, dalla cybersicurezza e dalla protezione delle infrastrutture critiche. Il problema italiano non consiste soltanto nell’essere arrivati tardi. Consiste nel rischio di confondere la governance con la capacità industriale. Un comitato può elaborare indirizzi, ma non produce chip. Una legge può fissare principi, ma non costruisce data center. Un fondo può sostenere start-up, ma non garantisce l’accesso alla HBM, all’energia o ai processi produttivi avanzati. L’Italia può finanziare applicazioni e ricerca, ma rimane dipendente da fornitori stranieri per quasi tutti gli strati critici della filiera. Senza capacità computazionale, cloud governabile, dati di qualità, infrastrutture energetiche e personale specializzato, la sovranità rischia di ridursi alla possibilità di scegliere da quale azienda estera acquistare il servizio.

L’Europa ha 27 Stati ma 24 lingue ufficiali

Anche la narrazione europea richiede alcune correzioni. L’Unione europea è composta da 27 Stati membri, ma le lingue ufficiali sono 24. EuroLLM è stato sviluppato per lavorare nelle 24 lingue ufficiali dell’Unione, oltre che in altre lingue come arabo, cinese e russo. Presentare questa copertura come un vantaggio quantitativo rispetto ai modelli statunitensi sarebbe fuorviante. I principali sistemi commerciali internazionali operano già in un numero molto più ampio di lingue, anche se la qualità non è uniforme e le lingue con meno dati continuano a ricevere prestazioni inferiori. Google ha investito per anni in traduzione automatica, modelli multilingue e riconoscimento di lingue scarsamente rappresentate, comprese varietà africane e asiatiche. Il valore potenziale di un modello europeo non risiede quindi soltanto nel numero delle lingue supportate. La vera differenza dovrebbe essere giuridica, politica e industriale. Un’intelligenza artificiale europea dovrebbe garantire controllo sui dati, trasparenza, possibilità di esecuzione su infrastrutture governabili, rispetto dei diritti fondamentali e minore dipendenza dalle piattaforme straniere. L’Unione ha annunciato l’obiettivo di mobilitare 200 miliardi di euro per l’AI, dei quali 20 miliardi destinati a finanziare fino a cinque gigafactory. Il piano prevede almeno diciannove AI factory collegate alla rete dei supercomputer europei e punta a triplicare la capacità dei data center continentali nel giro di cinque-sette anni. Le cifre sono importanti, ma la parola “mobilitare” non equivale a uno stanziamento pubblico immediatamente disponibile. Una parte significativa del capitale dovrà provenire dal settore privato, mentre processori, memorie e tecnologie di produzione continueranno a dipendere da filiere concentrate fuori dall’Unione. La contraddizione è evidente. L’Europa può utilizzare denaro pubblico per costruire data center che acquistano GPU americane, memorie coreane e chip prodotti a Taiwan. Può finanziare modelli europei che vengono eseguiti su cloud controllati da aziende statunitensi. Può promuovere la sovranità digitale rimanendo dipendente dall’estero per energia, processori e software. Matrice Digitale ha affrontato il problema nelle linee guida AgID sull’intelligenza artificiale nella pubblica amministrazione, evidenziando il rischio di lock-in e la necessità di privilegiare interoperabilità, modelli aperti e infrastrutture governabili.

La sovranità non consiste nel mettere una bandiera europea sopra una catena tecnologica interamente straniera.

L’energia trasforma il cloud in industria pesante

L’espressione cloud ha contribuito per anni a nascondere la materialità dell’economia digitale. La nuvola sembra leggera, distribuita e immateriale. Dietro ogni risposta generata da un modello esistono invece server, chip, cavi, torri di raffreddamento, trasformatori, generatori e linee elettriche. Secondo l’Agenzia internazionale dell’energia, nel 2024 i data center hanno consumato circa 415 terawattora, pari a circa l’1,5 per cento dell’elettricità globale. Entro il 2030 il consumo potrebbe più che raddoppiare e raggiungere circa 945 terawattora. I data center ottimizzati per l’intelligenza artificiale potrebbero quadruplicare la propria domanda elettrica. Negli Stati Uniti, i data center potrebbero rappresentare quasi la metà dell’aumento della domanda di elettricità fino al 2030. Nelle economie avanzate potrebbero determinare più del 20 per cento della crescita complessiva. Questi numeri non dimostrano che l’AI consumerà tutta l’energia mondiale. La quota globale rimane limitata rispetto a trasporti, industria e riscaldamento. Il problema emerge a livello locale, perché i data center si concentrano in determinate aree e richiedono potenza continua, connessioni affidabili e tempi di attivazione incompatibili con la lentezza delle reti. Un grande cluster AI può assorbire la capacità disponibile in una zona, ritardare l’allaccio di altre imprese e obbligare le utility a realizzare investimenti che verranno recuperati attraverso le tariffe. La competizione non avviene soltanto tra aziende tecnologiche. Avviene tra data center, industrie, famiglie e servizi pubblici che dipendono dalla stessa rete. Matrice Digitale ha raccontato il ricorso a data center alimentati fuori rete attraverso impianti a gas. Quando i tempi per ottenere una connessione elettrica diventano troppo lunghi, i soggetti dotati di capitale costruiscono una generazione privata. Il cloud finisce così per produrre una rete energetica parallela, alimentata da gas, turbine, batterie e generatori. L’infrastruttura digitale smette di adattarsi al sistema elettrico e inizia a costruire il proprio.

L’efficienza non riduce necessariamente il consumo totale

Ogni nuova generazione di processori, memorie e modelli promette maggiore efficienza. Un’operazione può richiedere meno energia, meno tempo e meno token. Questo miglioramento non garantisce però una diminuzione dei consumi complessivi. Quando il costo di una risorsa scende, il suo utilizzo tende ad aumentare. È il paradosso di Jevons applicato alla capacità computazionale. Un modello più economico non viene necessariamente usato per risparmiare energia: può essere interrogato più spesso, integrato in più applicazioni e impiegato per attività prima considerate troppo costose. L’inferenza è destinata a diventare il carico dominante perché milioni di persone e imprese utilizzeranno continuamente i modelli già addestrati. Gli agenti autonomi possono moltiplicare ulteriormente le richieste, perché una singola domanda dell’utente genera una sequenza di operazioni, interrogazioni, verifiche e chiamate ad altri servizi. Un assistente che risponde a una domanda produce un carico limitato. Un agente che controlla documenti, naviga sul web, interroga database, genera codice e ripete il processo fino al raggiungimento di un risultato può consumare molte più risorse. L’efficienza tecnica abbassa il costo della singola operazione, ma l’automazione aumenta il numero delle operazioni eseguite.

L’acqua è un costo locale che le medie globali nascondono

Il raffreddamento dei data center richiede acqua direttamente o indirettamente, attraverso la produzione di elettricità. Il consumo varia molto in base al clima, alla tecnologia, alla fonte energetica e alla progettazione dell’impianto. Per questa ragione, una cifra globale può essere fuorviante. Un data center costruito in una regione ricca di acqua e alimentato da un sistema efficiente produce un impatto diverso da un impianto collocato in un’area soggetta a siccità. Matrice Digitale ha raccontato la risposta di Amazon alle critiche sul consumo idrico dei data center. L’azienda ha confrontato il proprio utilizzo con l’acqua impiegata negli Stati Uniti per irrigare prati e giardini. Il confronto può essere formalmente corretto a livello nazionale, ma non risponde alla domanda più importante: quanta acqua viene sottratta in una specifica area e durante quale stagione? Una percentuale minuscola sul totale di un Paese può diventare rilevante per una comunità che dipende dalla stessa falda. La sostenibilità non può essere valutata soltanto attraverso medie aggregate, perché l’acqua non può essere trasferita liberamente da una regione all’altra.

Rifiuti elettronici e minerali critici chiudono il ciclo ambientale

L’impatto dell’intelligenza artificiale non termina con l’elettricità e l’acqua. La rapida obsolescenza degli acceleratori produce un flusso crescente di rifiuti elettronici. Uno studio pubblicato su Nature Computational Science ha stimato che i rifiuti associati all’AI generativa potrebbero accumularsi tra 1,2 e 5 milioni di tonnellate nel periodo 2020-2030. La variabilità della stima mostra quanto sia difficile prevedere il ritmo di sostituzione dell’hardware. Un processore ancora funzionante può diventare economicamente obsoleto quando una nuova generazione offre prestazioni superiori per watt, spingendo gli operatori a sostituire server prima della fine della loro vita fisica. Le strategie di economia circolare potrebbero ridurre in maniera significativa il problema, attraverso riutilizzo, ricondizionamento, prolungamento della vita dei dispositivi e recupero dei materiali. Senza interventi strutturali, però, la corsa alle prestazioni favorisce un ciclo sempre più rapido di installazione e dismissione. I data center richiedono rame per le reti elettriche e i sistemi di raffreddamento, gallio e altri materiali per i semiconduttori, terre rare per componenti specializzati, litio e nichel per i sistemi di accumulo. L’AI compete per le stesse materie prime necessarie alla transizione energetica, alla difesa, alle telecomunicazioni e alla mobilità elettrica. L’estrazione e la raffinazione sono concentrate in pochi Paesi. Le conseguenze ambientali e sociali ricadono spesso sulle comunità che si trovano lontano dai data center e dai mercati in cui vengono venduti i servizi digitali. Il cittadino europeo vede un’interfaccia pulita sullo schermo. Il costo materiale può essere sostenuto da una miniera, da una raffineria, da una rete elettrica asiatica o da una comunità che riceve i rifiuti elettronici prodotti altrove.

HBM, RAM e storage diventano una tassa sull’hardware consumer

L’intelligenza artificiale ha trasformato la memoria in una risorsa strategica. Gli acceleratori devono accedere a enormi quantità di dati con una velocità molto superiore a quella garantita dalla RAM tradizionale. Per questa ragione utilizzano HBM, High Bandwidth Memory, costituita da più strati di memoria collegati verticalmente e collocati vicino al processore. La HBM richiede processi complessi, packaging avanzato, controlli termici e capacità produttiva specializzata. I margini sono più elevati rispetto alla memoria consumer, mentre i grandi clienti sottoscrivono contratti pluriennali. SK Hynix ha dichiarato di avere assicurato la domanda per la produzione di DRAM e NAND dell’anno successivo, trainata dalle infrastrutture AI. Micron ha segnalato condizioni di mercato tese e accordi pluriennali con i clienti. Quando i produttori devono decidere dove allocare wafer, capitale e personale, i prodotti destinati ai data center ricevono priorità. Matrice Digitale ha documentato la pressione nel dicembre 2025 con l’inchiesta sulla shortage della RAM e sul trasferimento della capacità verso l’AI. Nel marzo 2026 ha analizzato l’aumento dei costi di RAM e SSD e la progressiva scomparsa dei PC economici. L’effetto non è lineare. I prezzi della memoria sono ciclici e dipendono anche da scorte, rendimenti produttivi, domanda di smartphone, politiche commerciali, cambio valutario e decisioni dei produttori. Sarebbe sbagliato attribuire ogni rincaro esclusivamente all’intelligenza artificiale. L’AI agisce però come un potente fattore di riallocazione. Offre contratti più grandi, margini maggiori e clienti disposti a prenotare la capacità con largo anticipo. Il mercato consumer diventa residuale e deve adattarsi alla produzione lasciata disponibile.

Le forniture non sono tutte bloccate, ma i colli di bottiglia lo sono

L’affermazione secondo cui tutte le forniture necessarie ai data center sarebbero già bloccate per due anni deve essere precisata. Non esiste un’unica catena di fornitura interamente esaurita fino a una data comune. Sono però già contrattualizzati o fortemente contingentati alcuni segmenti decisivi. La HBM di generazione avanzata viene prenotata con largo anticipo. Il packaging CoWoS utilizzato per integrare GPU e memoria ha richiesto a TSMC continui aumenti di capacità. I trasformatori ad alta potenza, le turbine, le connessioni alla rete e le competenze tecniche presentano tempi di consegna lunghi. Anche la disponibilità di energia viene prenotata. Gli operatori firmano accordi pluriennali con produttori elettrici, acquistano terreni vicino alle reti ad alta tensione e valutano centrali dedicate. Matrice Digitale ha descritto l’aumento dei prezzi dei nodi avanzati di TSMC, la raccolta di capitale di SK Hynix e la carenza di tecnici specializzati. La scarsità non riguarda soltanto il silicio: riguarda la capacità di costruire e far funzionare l’intera fabbrica computazionale.Una nuova fab richiede anni. Un tecnico esperto non viene formato in pochi mesi. Una linea elettrica può incontrare autorizzazioni, opposizioni e problemi di rete. L’AI si scontra quindi con tempi industriali molto più lunghi dei cicli di lancio del software e delle aspettative dei mercati finanziari.

Il personal computer paga la priorità concessa ai data center

Per decenni il personal computer ha rappresentato lo strumento più accessibile per acquisire capacità di calcolo. L’aumento della memoria e dello storage ha progressivamente ridotto i costi e ampliato le possibilità degli utenti. La corsa all’AI rischia di invertire questa tendenza. Se la capacità produttiva viene dirottata verso i server, la memoria consumer può diventare più costosa proprio mentre i sistemi operativi e le applicazioni richiedono quantità maggiori di RAM. I produttori di notebook aggiungono NPU, memoria unificata e funzioni locali di intelligenza artificiale. Le specifiche minime aumentano. Un dispositivo economico deve competere per componenti utilizzati anche nei server, negli smartphone premium e nei sistemi automobilistici. La conseguenza è una nuova disuguaglianza digitale. I cittadini che non possono acquistare hardware recente dipendono maggiormente dai servizi cloud. Più il computer locale diventa debole, più il cittadino è costretto a consegnare dati e attività a piattaforme remote. Il rincaro dell’hardware e la centralizzazione dell’intelligenza artificiale si rafforzano reciprocamente. Le imprese controllano il calcolo nel cloud, mentre l’utente perde la possibilità di eseguire localmente modelli avanzati e conservare il pieno controllo sui propri dati.

Il silicio diventa la valuta della sovranità

Matrice Digitale ha definito il silicio la nuova valuta della sovranità digitale. L’espressione fotografa il passaggio dalla globalizzazione efficiente alla competizione strategica. Gli Stati Uniti controllano una parte decisiva della progettazione dei chip, del software e delle apparecchiature. Taiwan ospita TSMC, nodo centrale della produzione avanzata. La Corea del Sud domina segmenti fondamentali della memoria. La Cina investe per ridurre la propria dipendenza, mentre l’Europa conserva competenze indispensabili nella litografia attraverso ASML ma non possiede una filiera completamente autonoma. Un Paese può disporre di ricercatori, dati e modelli, ma senza processori non può addestrarli né utilizzarli su larga scala. Le restrizioni all’esportazione trasformano la disponibilità di GPU in uno strumento di politica estera. Matrice Digitale ha seguito gli acquisti di chip Nvidia attribuiti all’apparato militare cinese e la risposta delle alleanze occidentali. Il controllo dei semiconduttori non serve più soltanto a proteggere un vantaggio commerciale. Serve a rallentare la capacità militare, scientifica e industriale dell’avversario. L’intelligenza artificiale di Stato richiede quindi una politica dei semiconduttori, dell’energia e delle materie prime. Un modello nazionale ospitato su chip che possono essere bloccati da un governo straniero non garantisce una vera deterrenza.

Google, Amazon e il potere di decidere cosa esiste sul mercato

L’intelligenza artificiale non controlla soltanto la produzione di contenuti. Controlla progressivamente la loro distribuzione. Google decide quali pagine vengono mostrate nei risultati di ricerca e quali fonti vengono sintetizzate nelle risposte generate. Amazon influenza la visibilità dei prodotti nell’e-commerce. I social network selezionano i contenuti che raggiungono il pubblico. L’arrivo degli assistenti e degli agenti sposta questo potere a un livello superiore. L’utente non sceglie più necessariamente tra dieci risultati: chiede al modello di scegliere per lui. Un agente può decidere quale prodotto acquistare, quale fornitore contattare, quale fonte utilizzare, quale itinerario seguire e quale software installare. Il soggetto che controlla l’agente può orientare interi mercati senza che l’utente percepisca il processo di selezione. Matrice Digitale ha analizzato il conflitto tra Google, AGCOM ed editori italiani sulle AI Overviews. Se il motore utilizza i contenuti per produrre una risposta completa, il lettore può non raggiungere più il sito che ha sostenuto il costo dell’informazione. Lo stesso meccanismo può estendersi al commercio. Chi controlla l’intelligenza artificiale che consiglia gli acquisti controlla una parte crescente della domanda. Il monopolio non riguarda più soltanto la piattaforma, ma la decisione automatizzata che precede l’accesso al mercato. La storia è già stata vista con i motori di ricerca, gli app store e i marketplace. Cambia la tecnologia, ma rimane il controllo del punto di accesso.

La sovranità può diventare sorveglianza

La creazione di intelligenze artificiali nazionali viene presentata come una risposta alla dipendenza dalle piattaforme straniere. È una necessità reale, soprattutto per difesa, sanità, amministrazione, energia e infrastrutture critiche. La stessa capacità può però essere impiegata per sorvegliare la popolazione. Un modello collegato a identità digitale, pagamenti, telecamere, dati sanitari, informazioni fiscali e servizi pubblici può costruire una rappresentazione dettagliata della vita di ogni cittadino. L’AI può individuare frodi, migliorare la distribuzione delle risorse, ridurre i tempi amministrativi e riconoscere minacce. Può anche produrre classificazioni opache, profilazioni preventive e controlli sproporzionati. Il rischio aumenta quando il sistema appartiene allo stesso soggetto che stabilisce le regole, raccoglie i dati e valuta il cittadino. Una decisione automatizzata può diventare difficile da contestare, soprattutto quando il modello è protetto da segreto industriale o sicurezza nazionale. L’intelligenza artificiale di Stato non è democratica soltanto perché appartiene allo Stato. Deve essere sottoposta a controllo parlamentare, giurisdizionale e tecnico. Deve garantire tracciabilità, proporzionalità, minimizzazione dei dati, possibilità di ricorso e responsabilità umana. Il caso Anthropic dimostra che persino negli Stati Uniti la sorveglianza domestica di massa e le armi autonome rappresentano linee di conflitto tra imprese e governo. Quando la tecnologia diventa strategica, la pressione politica può trasformare limiti aziendali in ostacoli da rimuovere.

Pagamenti digitali e identità diventano infrastrutture cognitive

La progressiva digitalizzazione dei pagamenti offre agli Stati e alle piattaforme una quantità crescente di dati sulle abitudini economiche. Ogni transazione contiene informazioni su luogo, orario, importo, esercente e comportamento. L’intelligenza artificiale può analizzare queste informazioni per individuare riciclaggio, evasione, frodi e finanziamenti illeciti. La stessa architettura può essere utilizzata per costruire profili politici, sociali o sanitari. Un acquisto isolato dice poco. Milioni di acquisti correlati con posizione, comunicazioni e identità possono descrivere una persona con precisione superiore a qualsiasi censimento. La concentrazione dei dati rende il sistema più efficiente ma anche più vulnerabile. Un attacco, un abuso interno o una modifica politica possono trasformare un’infrastruttura amministrativa in uno strumento di repressione. L’AI di Stato deve quindi essere progettata con una separazione tra funzioni, database e poteri. La difesa dei cittadini non può essere affidata a un sistema che, per funzionare, richiede la completa trasparenza dei cittadini davanti allo Stato.

L’accesso democratico potrebbe essere soltanto una fase iniziale

L’intelligenza artificiale viene oggi presentata come uno strumento democratico perché milioni di persone possono accedere a capacità che fino a pochi anni fa richiedevano team specializzati. Uno studente può ricevere spiegazioni, un piccolo imprenditore può analizzare documenti e un programmatore può accelerare lo sviluppo. Questa apertura potrebbe però essere una fase temporanea. I prezzi contenuti servono a conquistare il mercato mentre l’infrastruttura viene finanziata attraverso capitale di rischio, debito e risorse degli hyperscaler. Quando gli investitori chiederanno rendimenti più elevati, le piattaforme potranno introdurre limiti più rigidi, pubblicità, tariffe basate sul consumo e livelli di accesso differenziati. I modelli migliori potrebbero essere riservati alle imprese, ai governi e ai clienti classificati come affidabili. Il caso Mythos rende questa prospettiva concreta. Le capacità cyber più avanzate non vengono distribuite liberamente. Sono offerte a partner selezionati, organizzazioni di sicurezza e soggetti autorizzati. L’accesso dipende dalla fiducia politica e dalla posizione occupata nella catena strategica. L’intelligenza artificiale nata come assistente universale può diventare un sistema gerarchico. Il cittadino riceve il modello limitato. L’impresa paga per capacità superiori. Lo Stato e il comparto militare accedono agli strumenti più potenti. La democrazia dell’AI non può quindi dipendere dalla generosità temporanea delle piattaforme. Richiede capacità pubblica di calcolo, ricerca universitaria, modelli aperti, infrastrutture interoperabili e possibilità di esecuzione locale.

La bolla può scoppiare mentre l’AI continua ad avanzare

Il possibile scoppio della bolla non produrrebbe necessariamente la fine dell’intelligenza artificiale. Potrebbe determinare fallimenti, fusioni, riduzione delle valutazioni e cancellazione dei progetti meno sostenibili. Le infrastrutture costruite rimarrebbero disponibili e potrebbero essere acquistate a prezzi inferiori da operatori più grandi, fondi o governi. La concentrazione aumenterebbe proprio nel momento in cui il capitale diventasse più difficile da ottenere. Le imprese prive di una base clienti stabile verrebbero assorbite. I modelli generalisti potrebbero ridursi a pochi grandi fornitori. Il mercato delle applicazioni si sposterebbe verso soluzioni specializzate, integrate nei processi aziendali e capaci di dimostrare un risparmio misurabile. Lo Stato assumerebbe un ruolo ancora più importante come cliente, finanziatore e proprietario delle infrastrutture considerate strategiche. L’AI non scomparirebbe. Cambierebbe il soggetto chiamato a pagare per mantenerla. È qui che la tesi dell’intelligenza artificiale di Stato assume la sua forma più concreta. La difesa, la sicurezza, la sanità, la ricerca scientifica e l’amministrazione possono fornire una domanda relativamente stabile. I governi possono giustificare la spesa attraverso benefici non immediatamente monetizzabili. La parte meno redditizia dell’ecosistema consumer potrebbe essere ridimensionata, mentre la capacità più avanzata verrebbe assorbita da apparati pubblici e grandi imprese. Il mercato aperto e apparentemente democratico lascerebbe spazio a un’oligarchia computazionale sostenuta dagli Stati.

La vera battaglia riguarda chi possiede la macchina

La discussione sulla bolla viene spesso ridotta a una domanda finanziaria: le azioni saliranno o scenderanno? È una prospettiva insufficiente. L’intelligenza artificiale sta ridisegnando la proprietà delle infrastrutture cognitive della società. Chi possiede i modelli decide quali dati utilizzare, quali risposte limitare, quali lingue servire meglio, quali applicazioni integrare e quali governi autorizzare. Chi possiede i data center decide chi può accedere alla potenza di calcolo. Chi controlla i chip può rallentare lo sviluppo di un Paese. Chi controlla l’energia può determinare dove sarà costruita la prossima fabbrica computazionale. La bolla finanziaria è soltanto la superficie di una concentrazione di potere industriale, informativo e militare. L’AI di Stato può essere una risposta necessaria alla dipendenza dalle potenze straniere, ma non rappresenta automaticamente una soluzione democratica. Può proteggere infrastrutture e cittadini oppure sorvegliarli. Può distribuire capacità pubblica oppure consolidare il rapporto tra governo e oligopolio tecnologico. L’Italia e l’Europa devono quindi decidere quale sovranità intendono costruire. Una sovranità acquistata dai fornitori stranieri, protetta da segreto e dipendente da chip importati rimane fragile. Una sovranità reale richiede investimenti pluriennali, controllo pubblico, ricerca indipendente, energia, memoria, semiconduttori, sicurezza e trasparenza.

La tecnologia non riporterà indietro l’umanità. Proprio per questo non può essere lasciata esclusivamente alle promesse dei mercati o alle esigenze degli apparati militari.

La bolla può sgonfiarsi. Le valutazioni possono crollare. Alcune società possono scomparire. Ma i data center, i modelli, le infrastrutture energetiche e i sistemi di sorveglianza rimarranno.

La domanda decisiva non è più quanto vale l’intelligenza artificiale in Borsa. La domanda è chi avrà il diritto di utilizzarla, chi sosterrà il suo costo e contro chi verrà impiegata.