La sintesi analitica di "AI eats the world"
Cosa dice la presentazione di maggio 2026 (opens new window) di Benedict Evans sull'intelligenza artificiale generativa come platform shift: investimenti record, adozione ancora superficiale, impatto economico di lungo periodo
(pubblicato martedì 26 maggio 2026)
Premessa
Benedict Evans, uno degli analisti tecnologici più rigorosi e longevi della scena internazionale, ha pubblicato a maggio 2026 una nuova presentazione intitolata AI eats the world, disponibile sul suo sito. Il documento articola in tre sezioni l'attuale fase di adozione dell'intelligenza artificiale generativa: la mobilitazione senza precedenti di capitali infrastrutturali, la transizione ancora incompiuta verso un deployment di massa, e le trasformazioni strutturali di lungo periodo sul mercato del lavoro e sui modelli di business. Ne propongo qui una sintesi analitica dettagliata.
1. Introduzione e il contesto dei "platform shifts"
Benedict Evans inquadra l'adozione dell'intelligenza artificiale generativa come l'ultimo di una serie di ciclici cambi di paradigma (platform shifts) che rimodellano l'intero ecosistema tecnologico a scadenze regolari di circa 10-15 anni, ricalcando le transizioni storiche avviate dai mainframe, dai personal computer (PC), dal Web e dagli smartphone. Durante queste fasi, l'intero panorama dell'innovazione, dei flussi di investimento e della creazione d'impresa si sposta in blocco verso la "Nuova Cosa". All'interno del settore tech emergono nuovi guardiani (gatekeepers) e mercati più ampi, mentre all'esterno le aziende tradizionali si trovano a dover valutare se l'AI sia uno strumento di ottimizzazione aziendale, una fonte di ricavi inediti o una minaccia esistenziale per la sopravvivenza del proprio modello di business.
I cambi di paradigma tendono ad azzerare le gerarchie consolidate: ad esempio, Microsoft dominava l'era dei PC, ma l'avvento degli smartphone l'ha resa marginale in quel nuovo segmento computazionale mobile. Per questa ragione, nel 2026 i leader delle Big Tech operano sotto l'enorme pressione di non rimanere esclusi dalla corsa: Sundar Pichai (Alphabet) osserva che il rischio di sotto-investire supera ampiamente quello di sovra-investire, e Mark Zuckerberg (Meta) aggiunge che lo scenario peggiore sarebbe solo quello di aver costruito capacità infrastrutturale in anticipo di qualche anno.
2. La dimensione del capitale (Capital)
La prima macro-sezione della relazione analizza l'eccezionale e senza precedenti mobilitazione di risorse finanziarie destinate alle infrastrutture. Per il 2026, i quattro principali hyperscaler (Meta, AWS, Alphabet, Microsoft) hanno pianificato circa 700 miliardi di dollari di spese in conto capitale (capex). A titolo di confronto, l'intero settore globale delle telecomunicazioni investe circa 300 miliardi di dollari, mentre quello dell'Oil & Gas si attesta su 1 trilione. Questa imponente corsa all'hardware sta modificando la natura stessa delle Big Tech, storicamente aziende asset-light che finanziavano le proprie attività tramite il flusso di cassa libero, e che oggi vedono il rapporto capex/vendite salire a livelli inediti, sfidando la gravità finanziaria.
Questa fame insaziabile di hardware genera forti anomalie nella catena del valore. Nvidia registra ricavi straordinari ma non riesce a soddisfare interamente la domanda, né a spingere TSMC a incrementare la produzione con la velocità necessaria. Nonostante la natura storicamente ciclica del settore dei semiconduttori, le fatturazioni mensili globali registrano picchi storici a inizio 2026, trainando il capex di TSMC, Intel e Samsung Electronics. Negli Stati Uniti, la spesa per la costruzione fisica di data center (escluso il costo dei computer) ha superato quella per gli uffici commerciali, segnando un sorpasso strutturale nell'edilizia.
In questo scenario si collocano i piani iperbolici di OpenAI
Per gestire l'impatto sui bilanci, le aziende ricorrono a capitali privati e joint venture, come l'accordo da 27 miliardi di dollari tra Meta e Blue Owl Capital per finanziare il data center Hyperion in Louisiana (in cui il fondo detiene l'80% e Meta il 20%). Al contempo, emergono i primi segnali di tensione finanziaria: i titoli di debito di Oracle vengono scambiati sul mercato con rendimenti prossimi ai titoli spazzatura (junk bonds) a causa dei timori degli investitori sui profitti reali dell'AI e sui ritardi nel completamento dei data center.
In questo scenario si collocano i piani iperbolici di OpenAI, che punta a mobilitare fino a 1,4 trilioni di dollari per realizzare oltre 30 GW di capacità (o 600 miliardi entro il 2030), con l'ambizione di costruire 1 GW di nuova capacità a settimana al costo di 20 miliardi di dollari per gigawatt. Questo sforzo poggia sull'utilizzo dei bilanci di terzi, su ricavi di natura circolare e su complessi equilibrismi finanziari. Questa improvvisa allocazione di capitali si scontra tuttavia con colli di bottiglia logistici diffusi (carenza di GPU, memorie, arretrati pluriennali nella fornitura di energia elettrica), una situazione definita da Evans come "il maiale nel pitone" (pig in a python). Come confermato dal CTO di Microsoft Kevin Scott, è stato quasi impossibile costruire capacità infrastrutturale abbastanza velocemente fin dal lancio di ChatGPT.
3. La fase di implementazione (Deployment)
La seconda sezione esplora la transizione dalla tecnologia grezza al mercato reale. Sebbene i ricavi di OpenAI e Anthropic crescano rapidamente, i modelli di business non sono ancora in equilibrio. I costi dell'inferenza calano drasticamente ogni anno (50-100 volte), ma la corsa competitiva impone lo sviluppo di nuovi modelli di frontiera ogni 6-9 mesi, erodendo i margini. Sam Altman ipotizza un futuro in cui l'intelligenza sarà venduta a consumo come l'elettricità o l'acqua, ma Evans ricorda che le commodity infrastrutturali raramente catturano valore stabile: come dimostrato dalle telecomunicazioni mobili tra il 2010 e il 2025, a fronte dell'esplosione del traffico i profitti si sono spostati verso l'alto dello stack applicativo. I benchmark dei principali LLM di frontiera (OpenAI, Anthropic, Google, Meta e laboratori cinesi) tendono a convergere, privandoli di effetti di rete e trasformandoli in commodity. L'interfaccia via chat si dimostra inoltre inadatta per un uso di massa diversificato, spostando l'esigenza del mercato verso applicazioni specifiche che i laboratori di AI non possono sviluppare da soli.
Sul fronte degli utenti, l'adozione è descritta come "larga un miglio e profonda un pollice" (a mile wide and an inch deep). ChatGPT vanta oltre 900 milioni di utenti settimanali, ma solo il 5% è pagante e ben l'80% degli utenti invia meno di 1.000 prompt in un anno, indicando che lo strumento non è ancora una necessità quotidiana. Lo stesso divario si osserva nelle aziende, dove a fronte di un utilizzo settimanale diffuso persiste un forte capacity gap per l'integrazione nei flussi di lavoro quotidiani.
Piccoli team o singoli sviluppatori possono realizzare in pochi giorni progetti software che richiedevano mesi
Storicamente, l'adozione di una nuova tecnologia attraversa tre fasi: assorbire (migliorare i vecchi processi con lo strumento nuovo), innovare (creare possibilità prima inedite) e riconfigurare (ridefinire la natura stessa della domanda). Nel 2026, le imprese si concentrano principalmente sull'assorbimento nei settori più ovvi: analytics, marketing, assistenza clienti, processi di back-office e programmazione. Nel coding, l'impatto è sensibile: piccoli team o singoli sviluppatori possono ora realizzare in pochi giorni progetti software che prima richiedevano mesi.
Tuttavia, scrivere il codice non è la parte complessa; la vera sfida risiede nell'integrazione con i sistemi ERP o CRM strutturati e verticali delle grandi aziende. Per superare lo scoglio della "schermata bianca" e costruire software reale servono dati proprietari, processi e interfacce dedicate, un'operazione complessa che alimenta il mercato della system integration (come dimostra l'impennata di contratti AI di Accenture) e la nascita di startup focalizzate sullo spacchettamento (unbundling) dei vecchi software aziendali e di ChatGPT stessa.
4. Il cambiamento strutturale ed economico (Change)
La terza parte analizza il cambiamento di lungo termine che l'AI impone al tessuto economico. Evans paragona il momento attuale al 1997: l'impatto di Internet era evidente a tutti, ma i suoi sviluppi commerciali futuri (e-commerce avanzato, social media) rimanevano imprevedibili. L'AI introduce sistemi probabilistici sopra l'informatica deterministica, agendo come tecnologia di carattere generale applicabile ovunque vi siano dati di addestramento sufficienti e la verifica dell'output sia scalabile ed economica.
L'impatto sull'occupazione varia a seconda del settore. Talvolta un intero lavoro viene ridotto a una funzione automatizzata (come gli addetti agli ascensori dopo l'introduzione dei sistemi automatici nel 1950), ma più spesso la tecnologia riduce il costo marginale di un'operazione, espandendo il mercato complessivo per via dell'elasticità dei prezzi. I fogli di calcolo elettronici non hanno eliminato i contabili, ma ne hanno evoluto le mansioni incrementandone l'occupazione totale; l'introduzione dei codici a barre nel 1974 ha ridotto i costi di inventario consentendo ai supermercati di quintuplicare i prodotti in stock.
L'AI è la disponibilità di "infiniti stagisti"
L'AI agisce erodendo le barriere competitive difese da costi fisici, automatizzando a zero le attività ripetitive e "noiose". Evans definisce l'AI come la disponibilità di "infiniti stagisti" o di uno stagista straordinariamente veloce, il che consente operazioni un tempo proibitive per mancanza di risorse umane, come analizzare un milione di chiamate di assistenza al giorno per comprenderne le criticità o i sentimenti dei clienti dai primi principi.
Nei motori di ricerca e nell'e-commerce, questo permette di passare dalle semplici correlazioni statistiche a una comprensione semantica approfondita, sebbene la ricerca generativa rimanga per ora uno strumento prevalentemente integrativo ed esperimentale rispetto alla ricerca tradizionale. Di conseguenza, il ruolo dell'operatore umano si sposta dall'esecuzione tecnica di compiti di routine (task, come scrivere codice o compilare fogli Excel) alla decisione strategica fondata su conoscenza implicita, gusto, idee e capacità di porre le domande corrette (job).
5. Conclusioni: gestire la radicale incertezza
In sintesi, la relazione invita a non ignorare le lezioni del passato: ogni transizione tecnologica genera l'illusione di una discontinuità assoluta ("questa volta è totalmente diverso"), ma la storia tende a fare la rima. L'evoluzione dell'AI non sarà omogenea: a volte il software riconfigura interi mercati, altre volte l'impatto è più circoscritto e "rosicchia" soltanto il settore (come dimostrano gli impatti asimmetrici di Uber sui taxi e di Airbnb sugli hotel).
Interi comparti economici fondati sull'arbitraggio salariale, come l'industria dell'outsourcing nelle Filippine (che impiega 2 milioni di persone e rappresenta l'8% del PIL), si trovano oggi a dover ridefinire il confine tra compiti automatizzabili e competenze strategiche. Di fronte a questo scenario, Evans suggerisce di operare presumendo una condizione di "radicale incertezza", concentrandosi non su risposte definitive che nessuno possiede, ma sulla formulazione delle domande corrette per capire quali pilastri del proprio modello di business verranno trasformati o scardinati dall'evoluzione tecnologica.