Alphabet pronta a raddoppiare gli investimenti: la guerra dei data center per l’AI

Se fino a ieri si discuteva soprattutto di modelli e prodotti, oggi la discussione sta cambiando tono. Il punto non è solo chi ha il modello più brillante, è chi riesce a trasformare domanda in capacità operativa senza restare incastrato tra chip introvabili e megawatt che non arrivano.

È qui che la forchetta di capex di Alphabet fa rumore: perché alza la scala dell’impegno in infrastruttura. E quando un hyperscaler raddoppia la spesa, gli altri sono costretti a rispondere. Amazon, in parallelo, indica capex fino a 200 miliardi nel 2026. Il messaggio sottotraccia è lo stesso: la competizione AI si sta spostando su data center, rete e supply chain.

Il mercato può discutere all’infinito se l’AI sia una “nuova internet” o un’onda che si sgonfierà. Ma quando i budget si muovono di decine e decine di miliardi, il discorso diventa meno filosofico. Quello che vediamo in questi giorni è un cambio di fase: gli hyperscaler stanno mettendo in piedi la capacità necessaria per sostenere la prossima ondata di prodotti e servizi AI.

Sommario dei contenuti

• Cosa ha annunciato Alphabet e cosa include
• Google Cloud: crescita, profitti e un dettaglio spesso ignorato
• Energia e rete: il vincolo che decide dove si costruisce
• Chip proprietari: TPU, Trainium e Graviton
• Ritorno economico: la matematica della cassa
• Cosa monitorare nei prossimi trimestri
• FAQ

Cosa ha annunciato Alphabet e cosa include

Alphabet ha indicato nel comunicato sui risultati 2025 una forchetta di investimenti 2026 tra 175 e 185 miliardi di dollari. Lo stesso documento, depositato alla SEC, mostra che nel 2025 gli acquisti di property e equipment sono stati 91,4 miliardi. Reuters ha messo in evidenza il salto di scala e la reazione di una parte del mercato.

Qui la tentazione è fermarsi al numero, come se fosse una scommessa cieca. In realtà quel capex ha una direzione precisa: aumentare la capacità di calcolo e l’infrastruttura che la rende utilizzabile. Dentro ci finiscono server, rete e strutture dei data center. È la parte meno “sexy” dell’AI, ma senza quella parte i modelli restano demo.

Google Cloud: crescita, profitti e un dettaglio spesso ignorato

La crescita di Google Cloud nel Q4 2025, +48% a 17,7 miliardi, è il pezzo più comodo da leggere. È una riga di ricavo che parla chiaro e che la stessa Alphabet mette in evidenza nei risultati, poi ripresa da Reuters e da altre testate finanziarie.

C’è però un dettaglio che vale oro se vuoi capire il ritorno dell’AI senza farti ingannare dalle apparenze. Nel comunicato ufficiale Alphabet specifica che le attività a livello Alphabet riflettono in modo prevalente spese legate alla ricerca e sviluppo condivisa sull’AI. Tradotto: una parte dei costi AI più pesanti può non ricadere dove ti aspetteresti, quindi la redditività del segmento Cloud va letta insieme alla struttura complessiva.

Questo non rende la crescita Cloud meno reale. Significa solo che la domanda “l’AI sta pagando?” va fatta con un approccio da contabilità industriale, non con uno screenshot di un segmento.

Energia e rete: il vincolo che decide dove si costruisce

Se ti stai chiedendo perché improvvisamente tutti parlano di elettricità, la risposta è nei numeri. L’International Energy Agency stima che nel 2024 i data center abbiano consumato circa 415 TWh, circa 1,5% dell’elettricità globale, con un percorso di crescita importante al 2030 legato anche all’AI. Report istituzionali, incluso un documento del Congressional Research Service, inquadrano i data center come una quota già rilevante della domanda elettrica in alcuni Paesi.

Qui arriva la parte che spesso resta fuori dalle conferenze stampa. Un data center si può progettare e costruire in tempi relativamente rapidi, ma la connessione alla rete può essere la vera strozzatura. Reuters ha raccontato la posizione di AWS in Europa: code che possono arrivare fino a 7 anni per la connessione, un orizzonte che supera la finestra tipica di realizzazione. La Commissione europea, a fine 2025, ha presentato misure per accelerare autorizzazioni e potenziamenti delle reti con l’obiettivo di ridurre tempi e incertezza.

L’effetto pratico è semplice e lo si vede già nel modo in cui le aziende ragionano. Non basta avere un terreno, serve avere certezza di potenza. E quando la potenza è scarsa, cambiano anche le scelte su dove mettere i nuovi poli di calcolo e quali accordi energetici diventano prioritari.

Chip proprietari: TPU, Trainium e Graviton

La seconda gamba della corsa infrastrutturale è il silicio. Alphabet lavora da anni su TPU e le offre anche in Google Cloud come acceleratori progettati per carichi di training e inferenza. Su questo non c’è solo un tema di prestazione: c’è un tema di controllo dei costi e disponibilità.

Sul versante Amazon, i documenti ufficiali descrivono l’ambizione con numeri molto espliciti. Amazon dichiara che Trainium e Graviton superano insieme un run rate annuo oltre 10 miliardi di dollari. Aggiunge che Trainium2 è completamente sottoscritto con 1,4 milioni di chip consegnati e che l’inferenza di Bedrock avviene in maggioranza su Trainium. Sono dichiarazioni che raccontano una cosa: la verticalizzazione non è più un optional, è una strategia per reggere la domanda.

In chiave data center, questo ha una conseguenza concreta. Se controlli il chip, puoi progettare meglio anche la parte termica e quella energetica. E in un mondo dove energia e rete diventano vincoli, questo allinea tecnologia e infrastruttura in modo più efficiente.

Ritorno economico: la matematica della cassa

È qui che l’inquietudine degli investitori diventa comprensibile. Reuters ha fotografato bene il punto: siamo dentro un ciclo di capex che non si vedeva da anni tra le Big Tech e la volatilità nasce dal dubbio su come questo investimento si traduca in risultati. La risposta, per chi legge i bilanci, passa da tre righe: cash flow operativo, capex e free cash flow.

Alphabet nel comunicato depositato alla SEC riporta nel TTM al Q4 2025 164,7 miliardi di cash flow operativo, 91,4 miliardi di capex (acquisti di property e equipment) e 73,3 miliardi di free cash flow. È cassa positiva e robusta, ma il salto a 175-185 miliardi nel 2026 cambia il profilo. Se il cash flow operativo restasse invariato, un capex a quei livelli comprimerebbe drasticamente il free cash flow: è aritmetica, non narrativa.

Amazon nel TTM riporta 139,5 miliardi di cash flow operativo e 11,2 miliardi di free cash flow con acquisti di property e equipment pari a 128,3 miliardi. Nel documento ufficiale Amazon collega la dinamica del free cash flow all’aumento della spesa in property e equipment, quindi all’intensità di investimento. Se la guidance di capex 2026 arriva fino a 200 miliardi, il mercato si aspetta una crescita di monetizzazione che regga quella scala.

Ecco il punto che spesso viene semplificato. Il ritorno dell’AI non arriva tutto insieme. Una parte può essere veloce, soprattutto quando l’AI si vende come servizio cloud e l’utilizzo è ricorrente. Un’altra parte richiede tempo perché implica cambiare prodotti, processi e modelli di prezzo. Il bilancio, però, registra subito l’investimento.

Cosa cambia nel 2026 se questa corsa continua

• Più pressione sulla rete: crescita di data center significa più domanda di connessioni e più importanza dei tempi autorizzativi.
• Prezzi e contratti energetici: la disponibilità di potenza e il costo dell’energia diventano parte del vantaggio competitivo.
• Verticalizzazione hardware: chip proprietari e architetture dedicate riducono dipendenze e migliorano prevedibilità.
• Focus sul free cash flow: con capex così alti la metrica che conta di più per il mercato tende a essere la cassa residua.

Le domande che restano aperte

• La crescita cloud legata all’AI sarà abbastanza forte e abbastanza continua da sostenere capex su questa scala?
• I vincoli di rete e autorizzazioni rallenteranno più dei vincoli di chip, soprattutto in Europa?
• Quanto in fretta i chip proprietari ridurranno il costo unitario dell’inferenza rispetto alle soluzioni di mercato?
• Quale sarà il mix tra training e inferenza nei ricavi reali, trimestre dopo trimestre?

Cosa monitorare nei prossimi trimestri

Se vuoi seguire questa storia senza perderti nella nebbia dei comunicati, ci sono alcuni segnali che tendono a essere più “onesti” di altri. Non richiedono interpretazioni, sono numeri e dinamiche che si vedono nei conti.

• Capex trimestrale: se sale più del previsto, la domanda è dove si sta accelerando l’infrastruttura.
• Free cash flow: è il primo a riflettere l’intensità di investimento, soprattutto se la crescita dei ricavi non compensa subito.
• Google Cloud: crescita ricavi e traiettoria della redditività di segmento, letta insieme ai costi AI riportati a livello Alphabet.
• Metriche sui chip proprietari: ogni dato su adozione e run rate è un indizio su quanto l’inferenza si stia spostando su silicio dedicato.
• Vincoli di rete: annunci e reporting su tempi di connessione e progetti di potenziamento valgono quanto un upgrade di modello.

C’è un modo semplice per non farsi trascinare dalle narrazioni contrapposte. Da un lato c’è chi dice che l’AI è già ovunque e che quindi ogni capex è giustificato. Dall’altro c’è chi guarda solo al free cash flow del trimestre e parla di bolla. Il punto, in mezzo, è più concreto: l’AI sta diventando un’infrastruttura con vincoli fisici.

Il dettaglio che spesso vedo trascurato è questo. Quando un’azienda sposta costi AI a livello corporate, come segnala Alphabet nelle note, la lettura “segmento per segmento” può diventare fuorviante. Google Cloud può apparire più profittevole anche perché una parte del costo del futuro, la ricerca condivisa, è contabilizzata altrove. Non è un trucco, è un’informazione che serve per valutare bene tempi e ritorni.

L’altro punto, ancora più terreno, è l’energia. IEA e report istituzionali stanno dicendo la stessa cosa in modi diversi: l’AI sposta il baricentro verso consumi elettrici e rete. A quel punto il vantaggio competitivo non è solo “il modello migliore”. È la combinazione tra chip, data center e capacità di connessione. Ecco perché i chip proprietari contano: parlano lo stesso linguaggio dell’infrastruttura, quello dell’efficienza energetica per workload.

A cura di Junior Cristarella.