OpenAI, Anthropic, Google: fatturati record e perdite record nello stesso bilancio. L’equazione che non torna, e perché nessuno lo dice ad alta voce.
L’intelligenza artificiale è ovunque. Nei titoli di giornale, nei discorsi dei CEO, nelle valutazioni di borsa, nei piani strategici di ogni grande azienda del pianeta. ChatGPT ha raggiunto cento milioni di utenti in due mesi, un record che nemmeno TikTok aveva battuto. Gli investimenti nel settore hanno superato i quattrocento miliardi di dollari nel solo 2024. Tutto sembra suggerire che siamo di fronte alla più grande trasformazione tecnologica dai tempi di internet.
E poi ci sono i bilanci. E lì il quadro cambia radicalmente. OpenAI, l’azienda più famosa del settore, quella che ha lanciato ChatGPT e che vale ufficialmente oltre 150 miliardi di dollari, ha chiuso il 2024 con 3,7 miliardi di ricavi e 5 miliardi di perdite nette. Anthropic, sviluppatrice di Claude e rivale diretta, ha ricavi da 918 milioni a fronte di perdite nette per circa 5,6 miliardi. Perplexity, spesso presentata come unicorno del settore, vale in teoria 18 miliardi di dollari ma registra appena 34 milioni di ricavi contro 57 milioni di spese. Nei primi sei mesi del 2025, OpenAI ha guadagnato 4,3 miliardi e ne ha bruciati 2,5 in più di quanti ne siano entrati.
Non si tratta di perdite di avvio tipiche di una startup in crescita. Si tratta di qualcosa di strutturalmente più complicato: un settore che genera valore immenso per chi lo usa, ma non riesce ancora a tradurre quel valore in un modello di business che tenga. La domanda che in pochi si pongono esplicitamente, ma che aleggia su ogni riunione di investitori, è questa: l’IA è un’industria o è una bolla?
| Il paradosso dell’IA: più cresce l’adozione, più crescono le perdite. È la prima grande tecnologia della storia in cui il successo commerciale e la sostenibilità finanziaria sembrano muoversi in direzioni opposte. |
Il problema dei costi: addestrare è solo l’inizio
Per capire perché i conti non tornano bisogna capire com’è strutturato il costo dell’intelligenza artificiale generativa. Ci sono due fasi distinte, e ognuna ha il suo problema.
La prima è l’addestramento: la fase in cui si costruisce il modello, alimentandolo con miliardi di dati e facendolo girare su cluster enormi di chip specializzati. Secondo stime pubbliche, l’addestramento di GPT-4 ha richiesto oltre 100 milioni di dollari e circa 50 gigawattora di elettricità, ovvero il consumo energetico annuale di circa 18.500 famiglie italiane. Il modello è stato addestrato su oltre 25.000 GPU Nvidia, con una potenza nominale combinata di circa 10 megawatt. I modelli di nuova generazione costeranno di più: stime recenti parlano di costi di addestramento che potrebbero avvicinarsi al miliardo di dollari per i modelli di frontiera.
Ma l’addestramento è un costo una tantum, o quasi. Il problema vero è la seconda fase: l’inferenza, cioè quello che succede ogni volta che qualcuno pone una domanda, genera un’immagine o usa il modello in qualsiasi forma. Ogni query ha un costo di calcolo, ogni risposta consuma potenza, elettricità e tempo di GPU. OpenAI nel 2023 spendeva circa 700.000 dollari al giorno solo per mantenere ChatGPT in funzione. Nel 2024 la spesa totale per addestramento e inferenza ha raggiunto i sette miliardi di dollari. Un rack di server caricato con i chip Nvidia Blackwell di ultima generazione può costare oltre tre milioni di dollari: e ne servono migliaia.
| ✦ I NUMERI CHE NON TORNANO $5 mld perdita netta di OpenAI nel 2024, a fronte di $3,7 mld di ricavi $5,6 mld perdita netta di Anthropic nel 2024, con ricavi da $918 mln $700K/die costo quotidiano di OpenAI per mantenere ChatGPT in funzione (2023) $7 mld spesa totale OpenAI per training e inferenza nel 2024 $100+ mln costo stimato di addestramento di GPT-4 50 GWh energia consumata dall’addestramento di GPT-4 (18.500 famiglie/anno) $3+ mln costo di un singolo rack con chip Nvidia Blackwell 2029 l’anno in cui OpenAI stessa prevede di generare il primo profitto $74 mld perdite cumulative stimate da OpenAI entro il 2028 |
Il problema dei ricavi: troppo poco, troppo lentamente
Se i costi sono enormi, il problema speculare è che i ricavi crescono, ma non abbastanza in fretta da colmare il divario. E la struttura dei prezzi del settore rende il problema strutturale, non congiunturale.
ChatGPT costa venti dollari al mese nella versione Plus. ChatGPT Pro ne costa duecento. Per confronto, un abbonamento annuale a Microsoft Office 365 costa circa settanta euro. La differenza è che ogni mese di un abbonamento Office è praticamente gratis da erogare, perché il software è già scritto. Ogni mese di ChatGPT costa all’azienda decine di dollari in computazione, e il prezzo di vendita non copre quel costo. Sam Altman ha ammesso candidamente che il piano Pro da duecento dollari al mese costa all’azienda più di quello che rende, perché gli utenti che lo usano con più intensità consumano risorse computazionali che superano la quota versata.
Il problema si aggrava se si considera che la maggior parte degli utenti usa la versione gratuita. ChatGPT è il quinto sito web più visitato al mondo, ma la stragrande maggioranza di quelle visite genera costi senza generare ricavi. L’effetto freemium che ha funzionato benissimo per Spotify o Dropbox, dove il costo marginale di un utente gratuito aggiuntivo è quasi zero, qui non funziona: ogni prompt ha un costo reale di calcolo, e quei costi si sommano a miliardi di interazioni ogni giorno.
Dall’altro lato del mercato, le API a pagamento per gli sviluppatori sono più promettenti, ma anche qui la concorrenza ha fatto crollare i prezzi. Nel corso del 2023 e 2024, il costo per milione di token elaborati è sceso di oltre il 90% rispetto ai valori iniziali, in parte grazie all’efficienza dei nuovi modelli e in parte per la pressione competitiva. Paradossalmente, i modelli diventano sempre migliori ma sempre più economici da chiedere, il che rende più difficile costruire un moat di prezzo sostenibile.
La concorrenza che azzera i prezzi e il vantaggio
Una delle dinamiche più insidiose del settore è la velocità con cui i concorrenti raggiungono lo stesso livello tecnologico. Quando OpenAI ha lanciato GPT-4 nel 2023, sembrava inarrivabile. Nel giro di pochi mesi Google aveva Gemini, Meta aveva Llama, Anthropic aveva Claude, Mistral aveva modelli open source che giravano su hardware di consumo. La Cina ha risposto con DeepSeek, che a gennaio 2025 ha mostrato di poter addestrare un modello competitivo con una frazione dei costi americani, scuotendo la fiducia degli investitori e facendo perdere centinaia di miliardi di capitalizzazione alle aziende del settore in un solo giorno.
Questo livellamento rapido crea un problema preciso per le aziende che investono di più: chi investe cento milioni per addestrare un modello di frontiera ha un vantaggio competitivo che dura qualche mese, dopo di che i concorrenti replicano le capacità con budget inferiori. In questo contesto, aumentare i prezzi è difficile: se ChatGPT costasse il doppio, gli utenti potrebbero facilmente passare a un’alternativa comparabile. Il moat tecnologico esiste, ma è stretto e poroso.
| DeepSeek ha dimostrato nel gennaio 2025 che un modello cinese può replicare le performance dei migliori modelli americani con costi di addestramento enormemente inferiori. La notizia ha cancellato quasi seicento miliardi di capitalizzazione di mercato dalle aziende tech statunitensi in un solo giorno. |
Il costo nascosto: l’energia e il pianeta
C’è un altro costo che non appare nei bilanci aziendali ma che è reale: il consumo energetico. Una query a ChatGPT consuma circa dieci volte l’energia di una ricerca su Google. Generare un’immagine con un modello AI può richiedere tanta energia quanta ne usa uno smartphone in mezza giornata. I data center che ospitano l’infrastruttura AI consumano già il quattro per cento dell’elettricità nazionale statunitense nel 2026, con proiezioni che portano questa quota al sei per cento entro la fine del decennio. Goldman Sachs stima un aumento del 160 per cento della domanda di energia nei data center entro il 2030.
Questo non è solo un problema ambientale: è un problema economico. La disponibilità di energia elettrica ha sostituito la disponibilità di chip come vincolo infrastrutturale numero uno per le aziende AI. Le Big Tech stanno investendo in fonti energetiche dedicate, dall’energia nucleare alla fusione, proprio perché la rete pubblica non riesce a tenere il passo con la domanda. Microsoft ha siglato accordi per riattivare la centrale nucleare di Three Mile Island. Meta e Google stanno finanziando reattori nucleari modulari. Questi investimenti si sommano ai miliardi già spesi in data center e chip, rendendo il costo totale dell’infrastruttura AI ancora più difficile da ammortizzare.
Perché le Big Tech continuano a investire comunque
Se la situazione finanziaria è così difficile, perché Microsoft ha investito tredici miliardi in OpenAI? Perché Amazon ha investito quattro miliardi in Anthropic? Perché Google sta spendendo decine di miliardi in chip e data center ogni trimestre?
La risposta ha due parti. La prima è strategica: chi si ritira dalla corsa AI ora rischia di trovarsi irrimediabilmente indietro in un settore che potrebbe ridefinire ogni industria nel giro di dieci anni. Per Microsoft, che ha rivitalizzato Bing con ChatGPT e integrato l’AI in tutto l’ecosistema Office, questa non è una scommessa speculativa: è la scommessa centrale della sua strategia. Abbandonarla ora sarebbe come se Amazon avesse rinunciato ad AWS nel 2007.
La seconda parte è più pragmatica: finanziare OpenAI o Anthropic significa garantirsi il cliente numero uno per i propri servizi cloud. Ogni query a ChatGPT gira su Azure. Ogni risposta di Claude gira su AWS. Le perdite operative dei modelli AI sono in parte compensate dai ricavi cloud delle infrastrutture che li ospitano. C’è quindi un interesse sistemico nel mantenere vive queste aziende anche in perdita, perché generano domanda per un’infrastruttura su cui i margini sono molto più sani.
Il paragone con le dot-com: somiglianze e differenze
Il paragone con la bolla delle dot-com del 2000 è inevitabile, e per certi versi inquietante. Anche allora c’erano valutazioni enormi, perdite strutturali, promesse di profitti futuri che giustificavano ogni investimento presente. Anche allora il mercato finanziava generosamente aziende che non guadagnavano. E anche allora il settore sottostante era reale e trasformativo, ma la corsa speculativa aveva gonfiato le valutazioni ben oltre le prospettive realistiche di guadagno.
La differenza sostanziale, secondo chi è ottimista, è che questa volta l’utilità dei prodotti è immediatamente percepibile dagli utenti. L’AI funziona, si usa, produce risultati concreti. Ma la domanda che i pessimisti fanno è legittima: funzionare bene non equivale a essere profittevole. Internet ha trasformato il mondo, ma nel processo ha distrutto migliaia di aziende che ci avevano creduto troppo presto o con modelli di business sbagliati. Lo stesso potrebbe accadere con l’AI.
OpenAI stessa ammette che accumulerà perdite per 74 miliardi di dollari entro il 2028, con la speranza di avvicinarsi al pareggio nel 2029. La stessa azienda prevede di investire 1,4 trilioni di dollari nei prossimi otto anni, a fronte di un fatturato medio annuo atteso di venti miliardi. I conti, per dirla semplicemente, non tornano: almeno non nell’orizzonte di medio termine.
Cosa potrebbe cambiare: le tre scommesse del settore
Ci sono tre scenari in cui l’equazione potrebbe ribaltarsi a favore della sostenibilità. Il primo è l’efficienza computazionale. I modelli di nuova generazione sono già significativamente più efficienti di quelli precedenti: il costo per query è sceso di oltre il novanta per cento in due anni. Se questa tendenza continua, il costo di inferenza potrebbe diventare abbastanza basso da consentire margini positivi anche con prezzi competitivi.
Il secondo è la monetizzazione enterprise. Le grandi aziende sono disposte a pagare molto di più delle subscription personali per integrare l’AI nei propri processi. I contratti enterprise con banche, assicurazioni, aziende farmaceutiche e governi hanno valori molto diversi dalle venti euro mensili di un abbonamento consumer. Se le aziende AI riescono a posizionarsi come infrastruttura critica per i grandi clienti istituzionali, la struttura dei ricavi potrebbe cambiare radicalmente.
Il terzo, e più speculativo, è l’emergere di applicazioni killer che creano nuove categorie di spesa. Così come internet ha creato l’e-commerce, i social media e lo streaming, che nessuno aveva previsto nel 1995, l’AI potrebbe generare applicazioni del tutto nuove, con modelli di monetizzazione altrettanto nuovi, che oggi non riusciamo ancora a immaginare. Su questa possibilità, più che su qualsiasi altra, si fondano le valutazioni astronomiche del settore.
La crisi che non si vuole chiamare per nome
C’è un’ultima cosa che vale la pena dire, e che spiega il titolo di questo articolo. La crisi finanziaria dell’AI è ben documentata, i dati sono pubblici, gli esperti di settore la conoscono bene. Eppure non la si sente quasi mai nelle narrazioni dominanti sul futuro dell’intelligenza artificiale. I CEO parlano di trasformazione epocale, di superintelligenza, di ridefinizione del lavoro e della conoscenza umana. I media amplificano queste narrazioni. Gli investitori continuano a versare miliardi.
Il motivo di questo silenzio collettivo non è necessariamente la disonestà: è l’interesse convergente di tutti i soggetti coinvolti a mantenere alta la fiducia nel settore. Se la narrativa cambiasse, gli investimenti potrebbero prosciugarsi, e senza investimenti le aziende non riuscirebbero a sostenere le perdite nel tempo necessario a raggiungere la sostenibilità. È una partita che si gioca in parte anche sul piano della percezione.
La crisi dell’AI non è una certezza, così come non lo è il suo contrario. È una scommessa molto grande, con molto denaro vero, su un futuro che potrebbe andare in direzioni molto diverse. Quello che è certo è che chi scommette dovrebbe farlo con gli occhi aperti su entrambi i lati del bilancio: non solo sui ricavi che potrebbero arrivare, ma anche sui costi che stanno già arrivando, ogni giorno, puntualmente, da Seattle a San Francisco a Londra, in ogni data center che tiene accese le luci dell’intelligenza artificiale.
Scritto da Giuseppe Cianci · Blogger siciliano, tour leader e fotografo di viaggi