Perché Citi e Bank of America dicono che Kimi K3 è in realtà un bene per i chip di memoria

Il 16 luglio 2026, Moonshot AI ha presentato Kimi K3, un modello open-weight da 2,8 trilioni di parametri in grado di eguagliare o superare i modelli americani più avanzati a circa la metà del costo. La reazione del mercato è stata immediata e brutale: l'indice PHLX Semiconductor è crollato del 12,5% in una settimana, Nvidia ha perso il 2,5% in un solo giorno e gli investitori hanno rivissuto la stessa paura che aveva colpito i mercati durante DeepSeek-R1 nel gennaio 2025: che un'AI più economica ed efficiente avrebbe azzerato la domanda di chip .

Due banche d'affari di Wall Street hanno invece assunto la posizione opposta. Citi e Bank of America Securities hanno entrambe sostenuto che il sell-off fosse esattamente la scommessa sbagliata, e hanno invocato una teoria economica vecchia di 160 anni per spiegare perché: il paradosso di Jevons.

Il paradosso di Jevons in sintesi

Citi e Bank of America Securities sostengono che il balzo in avanti nell'efficienza di Kimi K3 aumenterà la domanda totale di chip di memoria, anziché ridurla. Secondo loro, tagliare il costo per token dell'inferenza rende l'AI enormemente più accessibile e diffusa, un classico esempio di paradosso di Jevons. Il sell-off del 16 luglio, a loro avviso, è stata la scommessa sbagliata .

La posizione di Citi: Peter Lee invoca esplicitamente il paradosso

L'analista di semiconduttori di Citi, Peter Lee, invoca esplicitamente il paradosso di Jevons: il miglioramento dell'efficienza tecnologica riduce il costo unitario di utilizzo, portando storicamente a un aumento, non a una diminuzione, del consumo totale di risorse . In un podcast di Citi Research registrato mesi prima del lancio di K3, Lee ha dichiarato: "Penso che questo tipo di efficienza software non sia una minaccia per la memoria. Penso sia positivo per la domanda, perché rende l'AI più economica e più utile, il che alimenta un ciclo di acquisti con una domanda ancora più alta di chip avanzati. Quindi penso sia come il paradosso di Jevons" .

Ecco il suo ragionamento sul perché l'architettura di Kimi K3 spinge specificamente una maggiore domanda di memoria:

• Finestra di contesto da 1 milione di token — Ogni chiamata di inferenza a contesto lungo consuma una massiccia cache KV che deve essere archiviata in memoria ad alta larghezza di banda (HBM) e DRAM per server. Un prezzo per token più basso significa che gli utenti riempiranno quel contesto da un milione di token più spesso, non meno .
• La scarsità di MoE è un'illusione per la memoria — Sebbene Kimi K3 attivi solo 16 degli 896 esperti per token (~50 miliardi di parametri attivi), tutti i 2,8 trilioni di pesi devono comunque essere caricati nella memoria di sistema per supportare il routing dinamico degli esperti. L'auto-hosting del rilascio open-weight (27 luglio) richiederà cluster con terabyte di server DDR5 e SSD enterprise per contenere e paginare l'intero modello .
• Flussi di lavoro basati su agenti — I cicli di ragionamento multi-step e autonomi (per i quali K3 è specificamente ottimizzato) generano molte chiamate di inferenza sequenziali per attività, ognuna delle quali consuma larghezza di banda della memoria. Un'inferenza più economica rende le catene di agenti più lunghe economicamente sostenibili, aumentando il consumo di memoria per attività .
• Auto-hosting dei pesi aperti — Quando i pesi completi saranno resi pubblici il 27 luglio, aziende e ricercatori eseguiranno le proprie istanze invece di affidarsi esclusivamente all'accesso API. Ogni implementazione self-hosted richiede il proprio pool di memoria dedicato (HBM sulle GPU, DDR5 sull'host e SSD enterprise per l'archiviazione/lo scambio del modello), moltiplicando la base installata totale di memoria .

Citi ha anche alzato notevolmente le previsioni sui prezzi della memoria, prevedendo che i prezzi della DRAM potrebbero impennarsi fino al 200% nel 2026 e i prezzi HBM potrebbero aumentare del 30% su base trimestrale nel quarto trimestre del 2026, a indicare che già si aspettavano un superciclo della memoria guidato dall'AI prima di Kimi K3 . Già a settembre 2025 Citi aveva avvertito che sia la DRAM che la memoria flash NAND sarebbero entrate in una situazione di carenza di offerta entro il 2026 .

La posizione di Bank of America Securities: Vivek Arya applica la stessa logica

Bank of America non ha usato esplicitamente l'espressione "paradosso di Jevons" nei commenti pubblicati su Kimi K3, ma le loro indicazioni precedenti e successive al sell-off sono in linea con la stessa logica:

• "Correzione estiva, rimbalzo autunnale" — BofA ha descritto il ritiro dei semiconduttori (l'indice SOX è sceso dell'11% nel terzo trimestre) come un capriccio stagionale e una sana correzione, non un'inversione strutturale della domanda. Prevedono un rimbalzo in autunno con la ripresa della costruzione di infrastrutture AI .
• La memoria è "sottovalutata e pronta per l'espansione" — In un rapporto del 7 luglio, BofA ha osservato che i chip di memoria vengono scambiati a sole 10 volte gli utili, significativamente al di sotto del più ampio settore dei semiconduttori, e li ha raccomandati come un'opportunità di acquisto .
• La tesi della domanda AI a lungo termine è intatta — Le prospettive sui semiconduttori di BofA per il 2026 prevedevano che le vendite globali di semiconduttori superassero per la prima volta i 1.000 miliardi di dollari (con un aumento del 29% su base annua), con la memoria (HBM, DDR5, NAND) come motore di crescita principale. Hanno costantemente sostenuto che modelli AI più capaci ed economici ampliano il mercato potenziale, anziché restringerlo . Bank of America ha poi alzato ulteriormente le sue previsioni per il TAM dei semiconduttori 2026, portandolo a 1.300 miliardi di dollari .
• Dopo Kimi K3, BofA ha detto agli investitori di non farsi prendere dal panico — Il 17 luglio, Vivek Arya ha attribuito il sell-off innescato da K3 a "capricci stagionali" e a timori di inflazione dei costi nella memoria, non a un crollo della domanda, consigliando che i fondamentali per i produttori di chip di memoria rimangono intatti .

Perché l'architettura stessa rafforza il caso rialzista

Caratteristica architetturale	Perché spinge la domanda di memoria
2,8 trilioni di parametri totali (MoE)	Anche con attivazione sparsa, i 2,8 trilioni di pesi devono risiedere nella memoria di sistema. L'auto-hosting open-weight richiede server con grandi pool di DDR5 e GPU dotate di HBM .
Finestra di contesto da 1 milione di token	La cache KV scala linearmente con la lunghezza del contesto. Un'inferenza più economica incoraggia prompt più lunghi, aumentando il consumo di memoria per query .
Flussi di lavoro agentici/multi-step	Ogni passo di ragionamento è una chiamata di inferenza separata. Più passi per attività = più larghezza di banda della memoria utilizzata per sessione utente .
Rilascio open-weight (27 luglio)	Consente un auto-hosting diffuso. Ogni implementazione self-hosted aggiunge un footprint di memoria fisso che un endpoint API condiviso avrebbe consolidato .
Prezzi competitivi (~$3/M token input)	Storicamente, ogni grande calo del prezzo dell'AI ha moltiplicato il volume totale di token, superando di gran lunga il guadagno di efficienza .

Il precedente storico su cui si basano entrambe le banche

Il sell-off di DeepSeek-R1 nel gennaio 2025 ha seguito lo stesso modello: un modello cinese più economico ed efficiente ha causato il panico nel settore dei semiconduttori, poi la domanda di chip è effettivamente accelerata con l'ampliamento della diffusione . Citi e BofA vedono Kimi K3 come "DeepSeek 2.0" — la stessa paura, e probabilmente lo stesso risultato finale per i produttori di memoria come Samsung, SK Hynix e Micron .

I dati del settore supportano la tesi. TrendForce ha previsto che la domanda di HBM aumenterà del 70% su base annua nel solo 2026, con l'HBM che consumerà il 23% della produzione totale di wafer DRAM . Gli analisti stimano che i data center AI potrebbero consumare circa il 70% della DRAM di fascia alta nel 2026 . Gli stessi produttori di memoria — incluso l'amministratore delegato di Micron, Sanjay Mehrotra — hanno riconosciuto che le carenze persisteranno oltre il 2026 .

Anche il mercato coreano ha riconosciuto l'argomentazione: il 20 luglio, il Chosun Ilbo ha riportato che un memo del settore finanziario che citava il paradosso di Jevons ha fatto brevemente salire le azioni di Samsung e SK Hynix prima che il sell-off più ampio riprendesse .

Cosa le banche non dicono

È importante notare i limiti di questa tesi. Nessuna delle due banche sostiene che il sell-off sia stato irrazionale — solo che era direzionalmente sbagliato. BofA ha esplicitamente riconosciuto che i legittimi "timori di inflazione dei costi nella memoria" stavano in parte guidando il declino . Le previsioni di Citi sui prezzi della memoria, sebbene rialziste, implicano anche una pressione sui prezzi che potrebbe mettere in difficoltà le aziende AI a valle. E Bank of America non ha usato esplicitamente l'espressione "paradosso di Jevons" nei commenti pubblicati su Kimi K3; l'allineamento della loro logica è dedotto dalle loro indicazioni precedenti e successive al sell-off .

In conclusione

Entrambe le banche riconoscono la paura del mercato a breve termine, ma la loro posizione coerente è che il costo inferiore di Kimi K3 e il rilascio open-weight amplieranno l'adozione dell'AI, aumenteranno il volume totale di inferenza e aumenteranno la domanda di memoria — non la perderanno. Il paradosso di Jevons, osservato per la prima volta nel consumo di carbone del XIX secolo, potrebbe rivelarsi il quadro più affidabile per comprendere la domanda di semiconduttori per l'AI nel 2026.