La tesi di Jensen Huang da 4.000 miliardi: cosa devono dimostrare gli investitori nell’AI

Per Jensen Huang, amministratore delegato di Nvidia, l’AI va letta meno come un tradizionale ciclo dei semiconduttori e più come la costruzione di una nuova infrastruttura industriale. La sua previsione è enorme: da 3.000 a 4.000 miliardi di dollari di spesa annua per infrastrutture AI entro il 2030. È una stima di Nvidia, non il consenso del mercato, e impone un test molto severo a chi sta investendo questi capitali. 140

L’idea di fondo: la potenza di calcolo diventa infrastruttura

Secondo Huang, l’AI generativa richiede un nuovo modello di calcolo: data center progettati per convertire elettricità e capitale in capacità computazionale per l’intelligenza artificiale. In questa visione, il mercato indirizzabile di Nvidia non comprende soltanto gli acceleratori, ma anche rete, sistemi, software e il modello operativo delle cosiddette AI factory.

Le cifre attuali danno la misura del fenomeno. La Banca dei regolamenti internazionali (BIS) stima che i cinque maggiori hyperscaler — i grandi operatori cloud — spenderanno oltre 1.000 miliardi di dollari in investimenti in conto capitale legati all’AI nel complesso del 2025 e del 2026. Un documento del Congressional Research Service statunitense prevede inoltre che gli investimenti globali connessi all’AI supereranno 1.000 miliardi di dollari nel 2026. 4033

Questi dati rendono la direzione indicata da Huang plausibile, ma non la dimostrano. Le definizioni contano: capex aziendale complessivo, spesa specifica per l’AI, investimenti in data center e investimenti nell’ecosistema AI allargato non sono misure equivalenti.

La domanda c’è, ma nel breve periodo il limite è l’offerta

I risultati finanziari di Nvidia sono il principale elemento a sostegno della domanda attuale. Nel trimestre chiuso il 26 luglio 2026 — secondo trimestre dell’esercizio fiscale 2027 di Nvidia — il gruppo ha comunicato ricavi per 96,2 miliardi di dollari, in aumento del 106% su base annua, e ha previsto 108 miliardi di dollari, più o meno il 2%, per il trimestre successivo. Reuters ha riferito anche che Nvidia ha segnalato come la scarsità di componenti di memoria limiterà la velocità di espansione dell’offerta. 17

A una conferenza per investitori, Huang ha definito la costruzione dell’infrastruttura AI ancora nelle fasi iniziali, riconoscendo però vincoli che vanno oltre i chip: capacità della catena di fornitura, disponibilità di terreni e accesso all’energia possono rallentare i progetti. 2

Il collo di bottiglia, quindi, non è solo il numero di GPU disponibili. Per attivare un grande impianto AI servono memoria, packaging avanzato, apparati di rete, spazi nei data center, costruzioni, produzione elettrica e connessione alla rete.

Per gli investitori è una distinzione rilevante. I vincoli di offerta possono sostenere nel breve periodo una domanda elevata per i prodotti Nvidia, ma possono anche ritardare i progetti e rinviare i ricavi dei clienti che, per vendere servizi AI, hanno bisogno di un impianto completo e non soltanto di server.

Dai capex degli hyperscaler ai progetti su scala energetica

Huang ha richiamato esempi fisici per rappresentare la portata di questa trasformazione. Resoconti della conferenza Goldman Sachs citano un progetto AI pianificato in Australia, con 2 gigawatt di capacità per il 2027 e circa 80 miliardi di dollari di infrastrutture stimati. 35

Non è certo che i singoli progetti raggiungano gli obiettivi dichiarati. Ma l’esempio chiarisce la premessa di Huang: la capacità AI sta diventando una questione di energia, terreni, costruzione e finanza, oltre che di semiconduttori.

La stima della BIS — oltre 1.000 miliardi di dollari di capex AI dei cinque maggiori hyperscaler nel 2025-26 — offre inoltre un utile controllo di realtà. Il ciclo di investimenti è concreto e già molto ampio; il dibattito riguarda il rendimento economico finale di questa spesa. 40

Nvidia punta a rendere il calcolo un’attività finanziabile

La strategia Nvidia non si limita alla vendita di hardware ai grandi fornitori cloud. Nell’agosto 2026 la società ha annunciato memorandum d’intesa con Apollo, BlackRock, Blackstone, Brookfield, Goldman Sachs e KKR per creare piattaforme indipendenti di finanziamento del calcolo, con l’obiettivo di mobilitare oltre 500 miliardi di dollari di capitale di terzi. 4959

L’obiettivo è rendere finanziabili i sistemi AI e le infrastrutture collegate attraverso ricavi di lunga durata legati all’utilizzo, invece di dipendere esclusivamente dai bilanci dei clienti. Nvidia descrive questo modello come un modo per trasformare il calcolo e l’infrastruttura AI full-stack in una classe di attivi investibile. 59

Questi accordi non equivalgono a un fondo già chiuso da 500 miliardi di dollari. Sono memorandum d’intesa pensati per mobilitare capitale nel tempo; l’economia di ciascuna operazione dipenderà da progetti, contratti, tassi di utilizzo e qualità del credito. Reuters ha inoltre riferito che Nvidia potrebbe offrire una garanzia fino a 125 miliardi di dollari, pari al 25% delle potenziali operazioni. 50

Il rischio cruciale: i ricavi devono raggiungere i costi dell’infrastruttura

La tesi ribassista non sostiene che la domanda di AI sia fittizia. I risultati Nvidia e i piani di spesa degli hyperscaler indicano una domanda reale e significativa. La domanda più difficile è un’altra: i ricavi generati dalle applicazioni — software per imprese, agenti AI, servizi al consumo e altri prodotti — riusciranno a sostenere i costi di calcolo, energia, data center, ammortamenti delle apparecchiature e finanziamento?

Per questo le metriche più utili vanno oltre le consegne di GPU o gli annunci di capex:

• Utilizzo: i costosi sistemi AI vengono impiegati con tassi sufficientemente alti?
• Qualità dei ricavi: i servizi AI producono entrate ricorrenti o restano sperimentazioni di breve durata?
• Economia unitaria: prezzi e margini lordi coprono il costo totale di addestramento e inferenza?
• Tenuta contrattuale: gli impegni di acquisto di capacità sono sostenuti da clienti in grado di pagare anche in uno scenario di domanda più debole?
• Rendimento del capitale investito: chi compra infrastruttura AI ottiene rendimenti superiori al proprio costo del capitale, dopo ammortamenti e costi energetici?

Cosa significa la tesi di Huang per gli investitori

La tesi di Huang poggia su tre proposizioni collegate: la domanda di calcolo per l’AI accelera, l’offerta fisica richiederà tempo per adeguarsi e il capitale privato può contribuire a finanziare l’infrastruttura risultante. La crescita dei ricavi Nvidia e le sue previsioni sostengono la prima nel breve termine; i dati BIS confermano che il ciclo di spesa è già rilevante. 1740

Resta però irrisolta la proposizione più importante: le imprese che useranno questa capacità di calcolo sapranno trasformarla in servizi durevoli e redditizi? Se la risposta sarà positiva, il calcolo AI potrà comportarsi come infrastruttura produttiva. In caso contrario, il settore rischia di ritrovarsi con capacità il cui costo è cresciuto più rapidamente della monetizzazione.

Questo è il vero metro di giudizio della tesi da 4.000 miliardi di Huang: non le sole vendite di chip Nvidia, ma ricavi sostenibili dai servizi AI e rendimenti effettivi sull’infrastruttura che oggi viene costruita.