Le aziende come Anthropic e OpenAI hanno un vantaggio competitivo? - Morningstar

Introduzione: l’arrivo di Anthropic sui mercati

Morningstar sta avviando una copertura dedicata ai laboratori di intelligenza artificiale in vista della prevista quotazione in Borsa di Anthropic. Una questione fondamentale sarà quella di stabilire se tali società dispongano di economic moat, ovvero di vantaggi competitivi sostenibili che consentano loro di superare i concorrenti.

Nei quasi quattro anni trascorsi dal lancio di ChatGPT di OpenAI, il nostro team di ricerca azionaria ha sentito ripetere più volte una preoccupazione di una semplicità allarmante: se ogni modello linguistico di grandi dimensioni è in grado di scrivere la stessa e‑mail e generare un blocco di codice coerente, le aziende che sviluppano questi modelli possono davvero realizzare profitti eccezionali?

Il ruolo dei cloud provider

Già dal 2024 ci siamo posti domande riguardo alla possibilità che i fornitori di cloud pubblico – Amazon (AMZN), Microsoft (MSFT) e Alphabet (GOOG/GOOGL) – che hanno ciascuno investito miliardi in partnership con Anthropic e OpenAI – potessero ottenere rendimenti ragionevoli dalle loro ingenti spese legate all’intelligenza artificiale.

Nel 2026, con gli investitori che guardano alle potenziali offerte pubbliche iniziali (IPO) nel settore dei laboratori di IA, la domanda è rivolta maggiormente a laboratori come Anthropic e OpenAI, poiché gli investitori cercano di capire se questi siano sulla strada verso una rapida standardizzazione della loro offerta o se stiano invece costruendo business profittevoli nel lungo termine.

Se i laboratori non riescono a generare utili, la preoccupazione si estende ben oltre Anthropic e OpenAI. Gli impegni di spesa che si ripercuotono sui settori dei chip, dell’energia e dei centri dati si basano sul presupposto che l’intelligenza artificiale possa essere monetizzata con rendimenti interessanti. Ciò rende di fatto la questione della standardizzazione dell’offerta un fattore determinante per la sostenibilità dell’intero settore.

Il punto di vista di Morningstar

Morningstar si colloca tra i più ottimisti, poiché ritiene che i principali laboratori di IA stiano creando dei vantaggi competitivi. Non riteniamo che tali vantaggi siano ancora pienamente consolidati. Detto questo, i primi dati sull’utilizzo, lo sviluppo dei prodotti e le partnership indicano che i laboratori leader saranno in grado di ottenere rendimenti economici dallo sviluppo e dalla gestione di modelli di linguaggio di grandi dimensioni (LLM) all’avanguardia, scongiurando il rischio di una loro standardizzazione.

Nello specifico, si stanno delineando due fonti di economic moat:

• un effetto di rete, alimentato dal miglioramento dei dati e dei prodotti;
• un vantaggio strutturale in termini di costi, basato sull’aumento dei costi di addestramento e sugli sconti relativi alla potenza di calcolo su scala di gigawatt.

Effetto di rete: il volano che inizia a girare

Consideriamo l’effetto rete che si sta formando attorno alle aziende modello come un circolo virtuoso tra dati e prodotto: un effetto rete indiretto in cui l’azienda utilizza i dati per migliorare il prodotto a beneficio di tutti.

Gli effetti rete emergenti dei laboratori di intelligenza artificiale fungono da ciclo di feedback che essi possono utilizzare per accelerare il processo di iterazione sia nello sviluppo dei modelli che in quello degli strumenti.

L’effetto rete che osserviamo nei laboratori all’avanguardia si sviluppa attraverso un meccanismo a sei fasi e l’adozione precoce dei prodotti di codifica ne costituisce una chiara dimostrazione. Prevediamo che tale dinamica si estenda ad altri casi d’uso e profili utente man mano che l’adozione di questa tecnologia si diffonderà.

Vantaggi in termini di costo

Abbiamo osservato come Anthropic e OpenAI abbiano sfruttato i progressi algoritmici, i chip personalizzati e gli accordi pluriennali per le risorse di calcolo al fine di ridurre quantitativamente i costi di gestione di questi modelli di linguaggio di grandi dimensioni (LLM), ottenendo così un netto vantaggio in termini di costi rispetto ad altre aziende.

La nostra tesi fondamentale sull’economia delle unità dei laboratori di IA è che la domanda di inferenza (ovvero gli utenti finali che utilizzano modelli esistenti per generare codice, testo e risposte alle domande) sta crescendo in modo esponenziale, con una curva significativamente più ripida rispetto ai costi di addestramento e ricerca necessari per costruire i modelli iniziali.

Man mano che sia l’inferenza sia i costi di addestramento e ricerca continuano ad aumentare, il divario tra le due curve si allarga, ed è proprio lì che si troveranno i profitti di questo settore. La scalabilità e l’ammortamento di questi tre costi distinti – addestramento, ricerca e inferenza – sono fondamentali per comprendere l’andamento dei margini a lungo termine di queste aziende.

Struttura dei costi e profilo di margine

La struttura e la scala temporale di questi centri di costo evidenziano l’asimmetria centrale del modello di business. La formazione e la ricerca presentano un andamento irregolare, sono concentrate nella fase iniziale e legate a una specifica generazione, mentre l’inferenza ha un andamento regolare ed è legata all’utilizzo.

Negli ultimi anni, abbiamo osservato come i laboratori di intelligenza artificiale abbiano concentrato la stragrande maggioranza delle proprie risorse sulla formazione e sulla ricerca, mentre sviluppavano da zero i modelli di base e l’ecosistema necessario per sfruttarli. Nel frattempo, il potenziamento dell’inferenza è decollato sul serio solo dal 2025. Tale potenziamento si è basato sugli investimenti nella formazione e nella ricerca che hanno reso i modelli e gli strumenti correlati sufficientemente utili da consentire alle aziende e agli utenti di implementarli.

Pertanto, in qualità di investitori, la vera questione relativa all’economia dei laboratori di IA non è se un laboratorio registri perdite o realizzi profitti durante le fasi di addestramento e ricerca (in quanto registra perdite), bensì quale sia la situazione economica dell’azienda man mano che l’inferenza assume un peso sempre maggiore nel quadro complessivo delle risorse di calcolo, e in che misura l’inferenza possa scalare rispetto all’addestramento.

Margini a lungo termine

I margini a lungo termine nel settore dei modelli sono determinati dall’inferenza piuttosto che dall’addestramento. Gli investitori che puntano eccessivamente su budget elevati per l’addestramento continueranno a non cogliere la forza fondamentale di queste aziende.

Man mano che aumenterà la potenza di calcolo disponibile, una quota sproporzionata sarà destinata all’inferenza, facendo crescere ulteriormente i margini di queste aziende. In altre parole, mentre i margini iniziali sono negativi (dominati dall’addestramento), i margini incrementali si avvicinano all’80 % (il profilo di margine dell’inferenza pura) e, man mano che queste aziende maturano e l’inferenza assume una quota sempre maggiore del budget computazionale complessivo, ci avvicineremo sempre più a tale soglia dell’80 %.

Case study: Anthropic nel 2026

La transizione è in atto proprio in questo momento. Anthropic ha raggiunto la redditività operativa (non quella lorda, si badi bene) nel primo trimestre del 2026, registrando un margine operativo del 5 % su un fatturato trimestrale di 11 miliardi di dollari.

L’azienda ha raggiunto questo traguardo grazie a un ribilanciamento del proprio mix di elaborazione, orientato maggiormente verso l’inferenza. Questo risultato conferma la nostra ipotesi secondo cui il passaggio dall’investimento intensivo in addestramento a una fase di sfruttamento dell’inferenza può generare profitto reale.

Altri indicatori che supportano la tesi del moat includono:

• partnership pluriennali con i principali cloud provider, che garantiscono sconti sulla potenza di calcolo;
• sviluppo di chip personalizzati ottimizzati per le operazioni di inferenza;
• un ecosistema di sviluppatori e aziende che integrano i modelli nei propri prodotti, creando lock‑in.

Implicazioni per gli investitori

Gli investitori che valutano le IPO di laboratori di IA dovrebbero focalizzarsi su:

• la velocità con cui l’azienda riesce a spostare il proprio mix di costi verso l’inferenza;
• la capacità di creare e mantenere un effetto rete solido, misurabile tramite metriche di utilizzo attivo e di retention;
• la presenza di accordi di lungo periodo con fornitori di cloud e di chip, che fungono da barriera all’ingresso per nuovi concorrenti.

Ignorare questi fattori potrebbe portare a sopravvalutare le prospettive di crescita basate esclusivamente sul potenziale tecnologico dei LLM, trascurando le dinamiche economiche che determinano la sostenibilità dei margini.

Conclusioni

Morningstar ritiene che i laboratori di intelligenza artificiale più avanzati stiano costruendo i primi economic moat del settore, ma che questi siano ancora in fase di consolidamento. L’effetto rete e i vantaggi di scala sui costi di addestramento e inferenza rappresentano le leve principali su cui basare le valutazioni di lungo periodo.

Se le aziende riusciranno a mantenere la crescita dell’inferenza superiore ai costi di addestramento, i margini potranno avvicinarsi al 80 % e generare rendimenti interessanti per gli azionisti. In caso contrario, la dipendenza da investimenti massicci in formazione e ricerca potrebbe limitare la capacità di trasformare la tecnologia in profitto sostenibile, minacciando la redditività dell’intero ecosistema IA.