AnswersPublished16 sources
Token AI sempre più economici: il test decisivo per gli investimenti in chip, cloud e data center
Il prezzo di riferimento per l’uso dei modelli linguistici di grandi dimensioni è sceso a 0,97 dollari per milione di token, dopo un calo del 29% in agosto; il rischio è che i ricavi per unità diminuiscano più rapidam... Lo scenario negativo non è inevitabile: Goldman Sachs Research stima che gli agenti AI possano p...
Pubblicato daModificato con GPT-5.6 TerraImmagini generate con GPT Image 2
Research answer
Key takeaways
- Il prezzo di riferimento per l’uso dei modelli linguistici di grandi dimensioni è sceso a 0,97 dollari per milione di token, dopo un calo del 29% in agosto; il rischio è che i ricavi per unità diminuiscano più rapidam...
- Lo scenario negativo non è inevitabile: Goldman Sachs Research stima che gli agenti AI possano portare il consumo mensile di token a 120 quadrilioni entro il 2030, 24 volte il livello del 2026.
- Per valutare il rischio di sovracapacità, contano soprattutto ricavi AI, utilizzo effettivo di GPU e server, tassi di occupazione dei data center, capacità sotto contratto e margini del cloud.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: How is Goldman Sachs’ warning that rapidly falling LLM token prices—down to about $0.97–$0.98 per million tokens after a 29% August decline. Article summary: Goldman’s warning implies a more selective, riskier outlook for AI-infrastructure investors: compute demand can grow sharply while the revenue earned per unit of compute falls even faster. If that happens, utilization, p. Topic tags: general, general web, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fak
L’inferenza AI — cioè l’uso dei modelli già addestrati per generare risposte, analizzare dati o svolgere compiti — sta diventando molto meno costosa. È una buona notizia per utenti e imprese: rende possibili più applicazioni. Ma rende anche più complessa la scommessa finanziaria su chip, cloud e data center costruiti per sostenerla.
L’avvertimento di Goldman Sachs riguarda proprio questo disallineamento: gli investimenti in infrastrutture si pianificano con anni di anticipo, mentre il prezzo applicato per ogni unità di utilizzo di un modello può scendere nel giro di pochi mesi. Secondo quanto riportato sulla nota di Goldman, il LLM Token Expenditure Index di Silicon Data è arrivato a 0,97 dollari per milione di token, dopo una discesa del 29% nel solo agosto. Un altro indice relativo ai modelli di frontiera colloca i prezzi all’84% sotto il livello base di marzo 2023. 2
4
5
Se la crescita dell’utilizzo non compensa questo calo, il mercato potrebbe ritrovarsi con troppa capacità di calcolo costosa a competere per carichi di inferenza con ricavi inferiori. Le conseguenze riguarderebbero l’intera filiera dell’infrastruttura AI.
La variabile chiave: i volumi devono crescere più dei prezzi in calo
Un token meno caro non è di per sé un segnale negativo. Prezzi inferiori possono rendere l’AI accessibile a più casi d’uso, favorire la sperimentazione e aumentare il consumo complessivo. Per i fornitori, però, la domanda è se l’aumento dei token a pagamento — insieme ai miglioramenti dell’efficienza operativa — riesca a superare la riduzione del ricavo per token.
La preoccupazione di Goldman, secondo le ricostruzioni disponibili, è che la concorrenza sui prezzi dei modelli possa rendere meno sostenibile la monetizzazione per token e, in ultima analisi, lasciare al settore un eccesso di infrastrutture se il consumo di calcolo non crescerà abbastanza rapidamente. 1
2
La distinzione è cruciale:
- Un’AI più economica favorisce gli utenti, se abilita applicazioni utili a costi più bassi.
- Può penalizzare i proprietari delle infrastrutture, se la capacità è stata finanziata ipotizzando calcolo scarso e caro.
- L’esito dipende dall’elasticità della domanda: un taglio di prezzo deve generare abbastanza utilizzo aggiuntivo da mantenere o accrescere ricavi e domanda di capacità computazionale.
Perché la posta in gioco sul CapEx è così alta
Il possibile squilibrio si colloca nel mezzo di un piano di espansione enorme. La stima di base di Goldman Sachs indica circa 7.600 miliardi di dollari di investimenti in capitale legati all’AI, tra capacità di calcolo, data center ed energia, dal 2026 al 2031. Il modello ipotizza una spesa annua in aumento da circa 765 miliardi di dollari nel 2026 a 1.600 miliardi nel 2031; Goldman precisa esplicitamente che si tratta di stime sensibili alle ipotesi, non di certezze. 9
Una parte rilevante di questa spesa riguarda beni durevoli: acceleratori, server, reti, edifici e sistemi energetici. Per generare rendimenti adeguati, questi asset richiedono carichi di lavoro continuativi e ricavi sostenibili nel tempo.
Cosa significa per i produttori di chip
Per i fornitori di semiconduttori, un rallentamento legato ai prezzi non comporterebbe necessariamente un crollo immediato della domanda. I clienti possono continuare a costruire capacità per lanciare nuovi prodotti AI o assicurarsi le forniture.
Il rischio emerge quando la capacità installata supera la domanda redditizia. In quel caso, gli acquirenti potrebbero rinviare nuovi ordini di acceleratori e server, diventare più sensibili ai prezzi o cercare più prestazioni per ogni dollaro speso. Le aziende con hardware realmente differenziato, ecosistemi software solidi o soluzioni efficienti per l’inferenza potrebbero essere più protette rispetto ai fornitori di capacità relativamente intercambiabile.
La domanda pratica non è soltanto se le apparecchiature vengano consegnate, ma se si traducano in utilizzo stabile e in carichi di lavoro capaci di generare ricavi.
Data center: la prova dell’utilizzo effettivo
I progetti di data center richiedono impegni consistenti e di lunga durata per terreni, energia e strutture. Se l’inferenza diventa più economica o più efficiente, ai clienti potrebbe servire meno infrastruttura per produrre lo stesso livello di output applicativo. Ciò può mettere sotto pressione occupazione, condizioni dei contratti di locazione e rendimenti di progetti fondati sull’ipotesi di una scarsità persistente di capacità.
Questo non significa che la domanda di data center sparisca. La disponibilità di energia e i requisiti tecnici delle installazioni AI possono comunque limitare l’offerta. Tuttavia, una carenza di capacità in una determinata area o rete elettrica può coesistere con un’economia più debole altrove. Per gli investitori, è quindi utile distinguere la scarsità fisica dalla prova che i clienti stiano utilizzando la capacità in modo redditizio e rinnovando o ampliando gli impegni contrattuali.
Cloud e fornitori di modelli: sostituire il prezzo con volume e valore
Le piattaforme cloud e i fornitori che ospitano modelli possono beneficiare di prezzi d’inferenza più bassi: una maggiore accessibilità può attirare sviluppatori e carichi di lavoro aziendali. Ma prezzi inferiori riducono anche il ricavo per ogni unità di utilizzo.
Per difendere il margine lordo, servono una o più di queste condizioni:
- Volumi di token molto più elevati, generati da utilizzi ricorrenti in produzione;
- Guadagni di efficienza che riducano i costi più velocemente della discesa dei prezzi;
- Servizi a maggior valore aggiunto attorno ai modelli, come implementazione, sicurezza, integrazione dei dati e strumenti per i flussi di lavoro.
La concorrenza sui prezzi dei modelli proprietari è una componente centrale del rischio descritto nei resoconti legati a Goldman. 1
2 Il dato rilevante non è quindi il prezzo nominale del token preso isolatamente, ma il rapporto tra prezzo al cliente, costo per il fornitore e volume totale di utilizzo pagato.
Gli agenti AI sono il possibile contrappeso
L’argomento più favorevole è rappresentato dagli agenti AI: sistemi capaci di svolgere compiti in più passaggi e potenzialmente molto più intensivi in token di una semplice conversazione con un chatbot. Goldman Sachs Research prevede che l’adozione da parte di consumatori e imprese possa far crescere il consumo mensile di token di 24 volte tra il 2026 e il 2030, fino a circa 120 quadrilioni di token al mese. 7
Questa previsione spiega perché prezzi dei token in calo non equivalgono automaticamente a minore domanda di calcolo. Se gli agenti passeranno dalle dimostrazioni a compiti frequenti e di valore, l’utilizzo complessivo potrebbe crescere abbastanza da sostenere gli investimenti infrastrutturali.
Resta però una previsione, non una garanzia. La tesi a favore dell’infrastruttura dipende dalla capacità degli agenti di creare carichi di lavoro ricorrenti per cui utenti e aziende siano disposti a pagare, non solo molte interrogazioni sperimentali a basso costo.
I dati da seguire oltre il prezzo dei token
Per valutare il rischio di sovracapacità di calcolo, gli investitori possono concentrarsi su alcuni indicatori collegati:
- Crescita dei ricavi AI rispetto al calo del prezzo dei token: la monetizzazione totale aumenta anche se il prezzo unitario scende?
- Ordini di acceleratori e server rispetto alle installazioni effettive: la capacità acquistata viene realmente messa al lavoro?
- Utilizzo dei data center, capacità sotto contratto e rinnovi: gli impegni della domanda restano solidi dopo l’apertura delle strutture?
- Margini lordi del cloud: efficienza e servizi a maggior valore compensano la minore tariffazione dell’inferenza?
- Adozione degli agenti AI in produzione: gli agenti sostengono flussi di lavoro ripetibili e critici per il business, oppure restano prove isolate?
- Disponibilità di energia: è un vincolo durevole sulla capacità utile o soltanto un collo di bottiglia che precede la domanda?
In sintesi
L’avvertimento di Goldman non sostiene che prezzi più bassi dei token dei grandi modelli linguistici siano intrinsecamente negativi. Un’inferenza più economica può essere proprio il fattore che amplia l’adozione dell’AI. Il rischio è che la deflazione dei prezzi e l’efficienza dei modelli riducano ricavi e fabbisogno di calcolo più rapidamente di quanto cresca l’utilizzo trainato dagli agenti.
Per gli investitori nell’infrastruttura AI, la storia passa quindi da una semplice espansione della capacità a una prova di utilizzo e monetizzazione. Le imprese più resilienti potrebbero essere quelle capaci di trasformare token più economici in carichi di lavoro durevoli e ad alto valore, preservando al contempo un vantaggio di costo, prestazioni o profondità dei servizi. 1
7
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Token AI sempre più economici: il test decisivo per gli investimenti in chip, cloud e data center"?
Il prezzo di riferimento per l’uso dei modelli linguistici di grandi dimensioni è sceso a 0,97 dollari per milione di token, dopo un calo del 29% in agosto; il rischio è che i ricavi per unità diminuiscano più rapidam...
What are the key points to validate first?
Il prezzo di riferimento per l’uso dei modelli linguistici di grandi dimensioni è sceso a 0,97 dollari per milione di token, dopo un calo del 29% in agosto; il rischio è che i ricavi per unità diminuiscano più rapidam... Lo scenario negativo non è inevitabile: Goldman Sachs Research stima che gli agenti AI possano portare il consumo mensile di token a 120 quadrilioni entro il 2030, 24 volte il livello del 2026.
What should I do next in practice?
Per valutare il rischio di sovracapacità, contano soprattutto ricavi AI, utilizzo effettivo di GPU e server, tassi di occupazione dei data center, capacità sotto contratto e margini del cloud.