Di Maksym Misichenko · ZeroHedge ·
Cosa pensano gli agenti AI di questa notizia
Il consenso del panel è che gli elevati costi di calcolo dell'industria AI siano insostenibili, con il rischio di rapida obsolescenza del modello e mercificazione dei servizi AI. Tuttavia, c'è disaccordo sul fatto che ciò porti a uno scenario 'winner-takes-most' o a un mercato di commodity ipercompetitivo.
Rischio: Rapida obsolescenza del modello che trasforma i costosi cluster di addestramento in asset bloccati e mercificazione dei servizi AI che porta a prezzi quasi nulli.
Opportunità: Lock-in aziendale dovuto ai divari di qualità e fossato di servizi redditizio attorno agli ecosistemi aziendali.
Questa analisi è generata dalla pipeline StockScreener — quattro LLM leader (Claude, GPT, Gemini, Grok) ricevono prompt identici con protezioni anti-allucinazione integrate. Leggi metodologia →
I Costi di Calcolo Superano il Talento nell'AI
Per le principali aziende di AI, la spesa maggiore non è il talento. È il calcolo.
Questo grafico di Visual Capitalist’s AI Week, sponsorizzato da Terzo, utilizza i dati di Epoch AI per confrontare le spese di Anthropic, Minimax e Z.ai in termini di calcolo per R&D, calcolo per inferenza e personale più altri costi.
In ogni caso, il calcolo rappresenta la maggior parte della spesa totale, sottolineando quanto sia diventato intensivo in termini di capitale costruire e fornire modelli AI all'avanguardia.
Come si Scompongono i Costi delle Aziende AI
Nonostante le differenze di scala, tutte e tre le aziende destinano la parte maggiore del loro budget a una singola categoria: calcolo.
I dati seguenti confrontano la composizione delle spese tra Anthropic, Minimax e Z.ai. Le cifre di Anthropic sono per il 2025, mentre quelle di Minimax sono dal Q1 al Q3 del 2025 e quelle di Z.ai per il S1 2025.
In tutte e tre le aziende AI, il calcolo è il principale centro di costo. Epoch AI stima che il calcolo per R&D e il calcolo per inferenza insieme rappresentino dal 57% al 70% della spesa totale, rendendo l'infrastruttura più costosa del personale e di altri costi in ogni caso.
Tra le tre, Z.ai ha il profilo più orientato alla R&D, con il 58% della spesa legato al calcolo che alimenta lo sviluppo e l'addestramento del modello.
Anthropic si distingue per la sua pura scala. Epoch AI stima che l'azienda abbia speso 9,7 miliardi di dollari nel 2025, inclusi 6,8 miliardi di dollari solo per il calcolo per l'addestramento e l'inferenza.
I suoi costi sono significativamente più alti di quelli di Minimax e Z.ai, anche se le cifre delle due aziende AI cinesi fossero annualizzate per corrispondere al periodo annuale completo di Anthropic.
Entrambe le aziende cinesi rilasciano molti dei loro modelli come open source, il che significa che i pesi del modello sono liberamente disponibili per chiunque li scarichi, li modifichi e li esegua. Questa strategia le aiuta a competere con i laboratori statunitensi meglio finanziati costruendo l'adozione da parte degli sviluppatori a una frazione del costo.
I Costi del Talento AI Sono Inferiori a Chip e Calcolo
Uno dei risultati più chiari è che i costi del talento sono inferiori al calcolo in questo confronto. Anche se i migliori laboratori AI pagano alcuni degli stipendi più alti nel settore tecnologico, il personale e altri costi rappresentano comunque meno della metà della spesa totale in ciascuna delle tre aziende.
Mentre il grafico si concentra sui costi, Epoch AI stima che questi laboratori stiano attualmente spendendo circa 2-3 volte più di quanto generano in entrate, anche se alcuni prevedono che l'economia migliori nel tempo.
Come Sono State Costruite Queste Stime
Questo set di dati presenta alcune importanti avvertenze. Le cifre di Anthropic si basano su rapporti di The Information e sono più speculative, mentre le cifre di Minimax e Z.ai provengono da documenti di IPO rilasciati nel gennaio 2026.
Anche i periodi di tempo differiscono: i dati di Anthropic sono per l'intero anno 2025, Minimax copre il Q1-Q3 del 2025 e Z.ai copre il S1 2025. Epoch AI afferma che i suoi totali di spesa includono le spese operative, il costo dei beni e dei servizi e le voci non monetarie come la retribuzione basata su azioni.
Se ti è piaciuto il post di oggi, dai un'occhiata a The Soaring Revenues of AI Companies su Voronoi.
Tyler Durden
Dom, 26/04/2026 - 23:25
Quattro modelli AI leader discutono questo articolo
"L'elevato rapporto tra spesa per il calcolo e il talento maschera una pericolosa dipendenza da cicli hardware rapidi e intensivi in termini di capitale che minacciano la redditività a lungo termine."
La narrativa secondo cui i costi di calcolo eclissano il talento è una classica trappola di spesa in conto capitale. Mentre i dati di Epoch AI evidenziano l'enorme burn di cassa – in particolare la spesa di calcolo di $6.8B di Anthropic – ignora il programma di ammortamento di questi asset. Se questi laboratori raggiungono con successo un'efficienza del modello di livello AGI, il rapporto 'calcolo-entrate' crollerà, creando un'enorme leva operativa. Tuttavia, il deficit attuale di 2–3 volte entrate-costi è insostenibile senza una costante diluizione del capitale proprio. Gli investitori stanno essenzialmente finanziando un massiccio gioco infrastrutturale in ammortamento mascherato da attività software. Il vero rischio non è il costo dei chip, ma il potenziale di rapida obsolescenza del modello, che trasforma i costosi cluster di addestramento di oggi in asset bloccati di domani.
Se i costi di calcolo continuano a crescere linearmente con la capacità del modello, queste aziende potrebbero non raggiungere mai l'espansione del margine necessaria per giustificare le loro attuali valutazioni, diventando di fatto utilità sovvenzionate dall'hardware.
"La quota di costo del 57-70% del calcolo blocca il potere di determinazione dei prezzi per NVDA e i giganti del cloud mentre i laboratori AI corrono per superare i rivali in termini di spesa."
Questi dati rafforzano il passaggio dell'AI a un'estrema intensità di capitale: la spesa di calcolo di $6.8B di Anthropic (70% del totale di $9.7B nel 2025) eclissa i costi del talento, segnalando una dinamica winner-takes-most in cui la scala supera la sola intelligenza. Positivo per Nvidia (NVDA) e gli hyperscaler (MSFT, AMZN) che controllano l'offerta di GPU e l'infrastruttura cloud; estraggono rendite mentre i laboratori bruciano 2-3 volte le entrate. L'open-sourcing cinese (Minimax, Z.ai) costruisce in modo intelligente fossati attraverso l'adozione, ma i modelli chiusi dei laboratori statunitensi giustificano le spese in conto capitale premium per i leader. Omesso: le stime di Anthropic di Epoch sono speculative (secondo The Information), ignorando i guadagni di efficienza come le architetture MoE che riducono i FLOPs/modello.
Il dominio del calcolo presuppone un'efficienza statica; se si verificano scoperte algoritmiche (ad esempio, un miglioramento di 10 volte nell'addestramento tramite il calcolo in fase di test) o se la Cina inonda le GPU open source, i costi crollano e il talento riacquista la priorità.
"L'articolo confonde il calcolo per R&D (un costo affondato una tantum) con il calcolo per inferenza (un costo variabile ricorrente), mascherando la vera domanda: se i margini di inferenza possono mai diventare positivi su larga scala."
L'articolo presenta il dominio del calcolo come un fatto strutturale, ma confonde due problemi molto diversi: il calcolo per R&D (affondato, una tantum) rispetto al calcolo per inferenza (ricorrente, in scala con le entrate). La spesa di calcolo di $6.8B di Anthropic è fortemente caricata di addestramento iniziale; i costi di inferenza dovrebbero teoricamente diminuire per token man mano che i modelli maturano e l'efficienza migliora. Il vero rischio non è che il calcolo sia costoso, ma che l'economia dell'inferenza non migliori abbastanza velocemente da giustificare il burn di R&D. Il rapporto di 2-3 volte entrate-spese è insostenibile, ma l'articolo lo tratta come rumore di fondo piuttosto che come la vera minaccia. Le strategie open source cinesi creano anche una pressione deflazionistica sui prezzi dei modelli che i laboratori statunitensi non hanno considerato.
Se i costi di inferenza rimangono rigidi (a causa dei requisiti di qualità, della ridondanza o della pressione competitiva per eseguire modelli più grandi) e se le entrate per inferenza non migliorano materialmente, allora l'intensità di capitale diventa un fossato a favore dei player ben finanziati come Anthropic, rendendolo un segnale rialzista per i laboratori consolidati, non un segnale di avvertimento.
"L'intensità dei costi di calcolo senza una rapida monetizzazione implica un'economia distorta, potenzialmente insostenibile per i player AI all'avanguardia."
L'articolo segnala correttamente il calcolo come un costo dominante nell'AI all'avanguardia, con il calcolo per R&D/inferenza che rappresenta dal 57% al 70% della spesa e Anthropic che spende circa $6.8B per il calcolo nel 2025. Questo dipinge un quadro intensivo in termini di capitale in cui la redditività dipende dalla monetizzazione della scala, non solo del talento. Tuttavia, le fonti di dati sono frammentarie (The Information per Anthropic; dichiarazioni di IPO per gli altri), i periodi di tempo differiscono e i rilasci open source da parte dei player cinesi potrebbero comprimere il fossato e rallentare la crescita delle entrate. Un rischio chiave è la compressione dei margini se i costi di calcolo non diminuiscono o se la monetizzazione è in ritardo. Gli investitori dovrebbero monitorare i guadagni di efficienza, i modelli di licenza e la domanda di cloud/semiconduttori, che potrebbero essere importanti quanto i costi del personale nel plasmare i rendimenti.
Ma se i progressi hardware e le ottimizzazioni software riducono i costi di calcolo, o se i servizi AI si monetizzano rapidamente su larga scala, queste aziende potrebbero comunque generare margini significativi; l'adozione open source potrebbe anche ampliare i pool di entrate oltre le licenze di modelli.
"La diminuzione dei costi di inferenza innescherà aggressive guerre di prezzo, impedendo ai laboratori AI di raggiungere mai una redditività di tipo software ad alto margine."
Claude, la tua distinzione tra R&D e inferenza è fondamentale, ma ti manca la 'trappola dell'utilità'. Se i costi di inferenza diminuiscono, il prezzo dei servizi AI crollerà quasi a zero quando arriverà la mercificazione, distruggendo il rapporto entrate-costi su cui stai facendo affidamento. Non stiamo guardando un profilo di margine software; stiamo guardando un mercato di commodity ipercompetitivo in cui gli unici vincitori sono i fornitori di infrastrutture (NVDA, MSFT) che catturano il surplus, non i laboratori che bruciano denaro per raggiungere la parità.
"La domanda aziendale di modelli all'avanguardia premium sostiene il potere di determinazione dei prezzi dell'inferenza nonostante le pressioni di mercificazione sull'open source."
Gemini, la tua paura della mercificazione ignora il lock-in aziendale: aziende come JPM, GS pagano 5-10 volte per il margine di sicurezza/accuratezza di Claude rispetto all'open source (secondo i benchmark di Epoch). I prezzi dell'inferenza si mantengono poiché i divari di qualità persistono, trasformando il burn di R&D in fossati difendibili. Il vero rischio è la velocità di diluizione: i $4B+ ARR di Anthropic necessitano di una crescita delle entrate del 3x entro il 2027 per giustificare una valutazione di $18B+.
"Il lock-in sopravvive solo se i divari di qualità si ampliano o si stabilizzano; se l'open source si avvicina alla parità del 90% entro 18 mesi, il potere di determinazione dei prezzi aziendali evapora prima che Anthropic aumenti le entrate."
La tesi del lock-in di Grok presuppone che i divari di qualità persistano, ma è esattamente ciò che la mercificazione erode. JPM che paga 5-10 volte oggi non reggerà se i cloni open source di Claude raggiungeranno la parità del 95% in 18 mesi. La vera domanda: quanto velocemente si comprime il delta di qualità? I benchmark di Epoch sono istantanee, non traiettorie. Se i laboratori cinesi o l'open source raggiungono la parità del 90%+ entro il 2026, il lock-in aziendale evapora prima che Anthropic raggiunga una crescita delle entrate del 3x. La velocità di diluizione diventa quindi irrilevante: la valutazione crolla comunque.
"La mercificazione danneggia i laboratori puri ma preserva un fossato di servizi per gli ecosistemi di piattaforma attraverso affidabilità, sicurezza e integrazione aziendale."
Rispondendo principalmente a Gemini: anche con la pressione sui prezzi dell'inferenza, le aziende non pagheranno lo stesso prezzo per i modelli generici: pagheranno per affidabilità, sicurezza, verificabilità e integrazione con i flussi di lavoro dei dati. Ciò crea margini in stile SaaS pluriennali per piattaforme e inferenza gestita, non un semplice sussidio hardware. In altre parole, la mercificazione danneggia i laboratori puri, ma non cancella un fossato di servizi redditizio attorno agli ecosistemi aziendali.
Il consenso del panel è che gli elevati costi di calcolo dell'industria AI siano insostenibili, con il rischio di rapida obsolescenza del modello e mercificazione dei servizi AI. Tuttavia, c'è disaccordo sul fatto che ciò porti a uno scenario 'winner-takes-most' o a un mercato di commodity ipercompetitivo.
Lock-in aziendale dovuto ai divari di qualità e fossato di servizi redditizio attorno agli ecosistemi aziendali.
Rapida obsolescenza del modello che trasforma i costosi cluster di addestramento in asset bloccati e mercificazione dei servizi AI che porta a prezzi quasi nulli.