Dietro chatbot, copiloti e automazioni c’è una filiera fatta di data center, energia, chip, capitale e fornitori critici. Per le PMI la domanda non è tanto se l’AI sia in una bolla ma se la sua adozione sia sostenibile nei costi, nella continuità e nella dipendenza dai provider.
Le fabbriche invisibili dell’intelligenza artificiale
Nel libro Le città invisibili, Italo Calvino racconta città che esistono anche per ciò che nascondono: relazioni, scambi, memoria, desideri, strutture. Vale anche per l’intelligenza artificiale. L’impresa vede l’interfaccia: una risposta generata, un documento classificato, un cliente assistito, un processo completato, una riga di codice prodotta. Non vede in profondità la fabbrica invisibile che la rende possibile: data center, semiconduttori, energia, raffreddamento, reti, capitale finanziario e contratti di lungo periodo.
Molti analisti si chiedono se l’intelligenza artificiale sia in una bolla finanziaria, soprattutto dopo i recenti sell-off dei titoli legati all’AI: a giugno Reuters ha segnalato forti cadute del PHLX Semiconductor Index, del KOSPI sudcoreano e di Oracle, penalizzata dai timori su spesa AI e debito.
Per una PMI che introduce AI nel customer care, nell’amministrazione, nella produzione, nel marketing, nella gestione documentale o nello sviluppo software, la domanda è operativa: l’AI che entra nei processi critici è sostenibile, governabile e reversibile se cambiano prezzi, fornitore, capacità disponibile o regole del gioco?
L’AI come nuova industria pesante
Quei movimenti segnalano un tema più profondo: l’AI generativa non è soltanto software. Dietro una risposta di un assistente virtuale c’è una filiera industriale fatta di data center, chip, energia, raffreddamento, reti, capitale e contratti di lungo periodo che assorbe risorse fisiche e finanziarie in forme molto diverse dal software tradizionale.
Per questo si può parlare, con una certa provocazione, di una nuova industria pesante. Non perché l’AI produca acciaio, ma perché condivide con i settori energivori alcuni vincoli: grandi investimenti iniziali, domanda elettrica continua, infrastrutture critiche, tempi brevi di ammortamento e necessità di scala. Secondo l’International Energy Agency, gli investimenti globali nei data center hanno raggiunto circa 500 miliardi di dollari nel 2024. La Bank for International Settlements stima oltre 1.000 miliardi di dollari di capex AI dei cinque maggiori hyperscaler tra 2025 e 2026.
Anche l’energia dà la misura della scala. I data center hanno consumato circa 415 TWh di elettricità nel 2024 e nello scenario base dell’IEA potrebbero superare 945 TWh entro il 2030, più dell’attuale consumo elettrico del Giappone. I consumi di un data center AI da 100 MW continui equivalgono a circa 876 GWh l’anno, paragonabili al fabbisogno elettrico di una città media di 180 mila abitanti. I centri focalizzati sull’AI possono assorbire elettricità come fabbriche energivore, ad esempio fonderie di alluminio.
L’analogia va però qualificata. Non significa che tutti i fornitori AI siano finanziariamente fragili: alcuni operatori hanno bilanci solidi e capacità di investimento rilevanti. Non significa nemmeno che i prezzi dell’AI siano destinati a salire sempre: efficienza tecnica, concorrenza, modelli più piccoli e soluzioni locali possono compensare una parte dei costi. E non significa che ogni utilizzo aziendale dell’AI abbia lo stesso peso infrastrutturale: modelli installati localmente, automazioni leggere e funzioni integrate in software già esistenti hanno impatti molto diversi.
I rischi dell’AI nei processi critici
Il rischio cresce quando l’AI entra nei processi critici e l’azienda dipende da piattaforme cloud, modelli proprietari e capacità computazionale che non controlla. Finché il capitale è abbondante, molti fornitori possono sostenere prezzi aggressivi, politiche promozionali e capacità in crescita. Quando gli intermediari finanziari e gli investitori diventano selettivi, quella fase può cambiare. Il costo reale dell’AI può riemergere nei listini, nei limiti di utilizzo, nei contratti, nella priorità data ai clienti, nella dismissione di modelli poco redditizi o nella riduzione del supporto.
Il primo rischio è economico. Un progetto AI può risultare conveniente nella fase pilota. Ma che cosa accade quando lo stesso processo viene esteso a migliaia di clienti, documenti o pratiche al mese? Il costo va misurato per unità operativa: ticket gestito, fattura controllata, preventivo generato, lead qualificato, documento classificato. Solo così si capisce se l’automazione crea valore.
Il secondo rischio è il lock-in. Molte aziende collegano modelli e piattaforme a CRM, ERP, archivi documentali, workflow e procedure interne. Se dati, prompt, logiche decisionali e automazioni restano legati a un solo fornitore, cambiare diventa complesso e costoso con potenziali impatti sulla continuità operativa. Se l’AI entra in ordini, pratiche clienti, controlli amministrativi o attività di compliance, un disservizio non è solo un problema tecnologico.
Può rallentare ordini, risposte ai clienti, attività amministrative o controlli di compliance. Servono livelli di servizio chiari, procedure di fallback, responsabilità contrattuali e una distinzione netta tra attività automatizzabili e attività che richiedono supervisione umana.
Un terzo rischio è la qualità del risultato. L’AI può generare errori plausibili, applicare criteri non documentati, produrre risposte incoerenti o amplificare dati incompleti. Nei processi critici non basta che “funzioni abbastanza bene”: servono controlli, tracciabilità, metriche di errore, verifiche periodiche e responsabilità interne.
Un ultimo aspetto, non in ordine di importanza, riguarda l’ambito normativo e reputazionale. Dati personali, informazioni riservate, segreti industriali e documenti commerciali non possono essere caricati in strumenti AI senza regole. L’azienda deve sapere dove vanno i dati, chi li tratta, se vengono usati per addestrare modelli, per quanto tempo sono conservati e come possono essere cancellati o esportati. L’uso spontaneo di strumenti AI da parte dei dipendenti, senza policy chiare, è una delle forme più insidiose di shadow IT.
Governare l’AI come un’infrastruttura aziendale
La risposta a queste sfide non consiste nel rallentare l’innovazione, ma adottare l’AI con criteri industriali. Per ogni processo critico servono business case misurabile, valutazione del fornitore, architettura reversibile, clausole solide, piano di continuità e governance interna. L’AI coinvolge direzione, operations-ITC, legale, compliance, finanza e responsabili di processo.
“Sotto la bolla”, l’AI che entra nei processi aziendali critici va trattata come architettura d’impresa e infrastruttura: utile, strategica, ma da progettare, governare e rendere sostituibile.
