AI e Data Center: investire 6.700 miliardi entro il 2030

Entro il 2030, il mondo potrebbe dover affrontare un fabbisogno di investimenti fino a 6.700 miliardi di dollari per sostenere la crescita della potenza computazionale necessaria a far funzionare l’intelligenza artificiale. Secondo McKinsey, infatti, il settore dei data center si trova di fronte a una fase di espansione straordinaria, guidata principalmente dall’adozione accelerata dell’AI generativa.

Sulla base delle loro stime, la domanda globale di capacità nei data center potrebbe quasi triplicare entro il 2030. Circa il 70% di questa domanda sarà attribuibile all’AI, mentre il restante 30% riguarderà applicazioni IT tradizionali. La sola infrastruttura AI richiederà 5.200 miliardi di dollari di investimenti in conto capitale, su un totale previsto di 6.700 miliardi. La proiezione si basa su una previsione di 156 GW di capacità legata all’AI, di cui 125 GW aggiuntivi tra il 2025 e il 2030.

McKinsey presenta tre scenari per l’evoluzione della domanda di potenza computazionale da qui al 2030:

• Scenario accelerato: 205 GW di capacità AI aggiuntiva tra il 2025 e il 2030, per un totale di 7.900 miliardi di dollari di investimenti in conto capitale.
• Scenario intermedio (alla base del report): 125 GW aggiuntivi nello stesso periodo, per 5.200 miliardi.
• Scenario contenuto: 78 GW aggiuntivi entro il 2030, con un fabbisogno complessivo di 3.700 miliardi di dollari.

Le previsioni tengono conto di due incertezze principali:

• Casi d’uso dell’AI. Il valore dell’AI risiede soprattutto nel suo livello applicativo—cioè, nella capacità delle imprese di trasformarla in impatti concreti sul business. Se le aziende non riusciranno a generare valore reale, la domanda di potenza di calcolo potrebbe risultare inferiore alle attese. Al contrario, applicazioni trasformative potrebbero alimentare una richiesta superiore rispetto alle previsioni attuali.
• Cicli rapidi di innovazione e potenziali discontinuità. I progressi nelle tecnologie AI—dai processori alle architetture dei large language model (LLM), fino all’efficienza energetica—potrebbero migliorare significativamente le prestazioni. A titolo d’esempio, nel febbraio 2025 il player cinese DeepSeek ha annunciato che il suo modello V3 ha ottenuto miglioramenti nell’addestramento e nel ragionamento, con una riduzione dei costi di training di circa 18 volte e dei costi di inferenza di circa 36 volte rispetto a GPT-4o. Tuttavia, le analisi preliminari indicano che questi guadagni saranno probabilmente compensati da un aumento della sperimentazione e del training in tutto il mercato dell’AI. Di conseguenza, è improbabile che tali progressi riducano la domanda complessiva di potenza computazionale.

Per contestualizzare la stima di 5.200 miliardi, è importante precisare che l’analisi sottostima il fabbisogno complessivo. Essa quantifica gli investimenti solo per tre dei cinque archetipi di investitori nella potenza di calcolo – builder, energizer e sviluppatori e progettisti tecnologici – ovvero coloro che finanziano direttamente le infrastrutture e le tecnologie fondamentali. Circa il 15% degli investimenti (800 miliardi) sarà destinato ai builder, per terreni, materiali e sviluppo dei siti. Un ulteriore 25% (1.300 miliardi) andrà agli energizer, responsabili della generazione e trasmissione di energia, dei sistemi di raffreddamento e delle apparecchiature elettriche. Il 60% restante (3.100 miliardi) sarà assorbito dagli sviluppatori e progettisti tecnologici, che producono chip e hardware computazionale.

Nonostante i fabbisogni previsti, l’analisi evidenzia che gli attuali livelli di investimento restano inferiori rispetto alla domanda. In decine di interviste con CEO, è emerso che molti leader esitano a investire al massimo nella capacità computazionale, a causa della limitata visibilità sull’evoluzione della domanda, dell’incertezza sul ritmo di adozione dell’AI e dei lunghi tempi di realizzazione dei progetti infrastrutturali.

Per orientarsi nelle decisioni strategiche e negli investimenti, le aziende possono essere classificate in cinque archetipi principali, ognuno con un ruolo specifico nell’ecosistema dell’infrastruttura AI:

1. Builder: sviluppatori immobiliari, studi di progettazione e imprese di costruzione impegnati nell’espansione della capacità dei data center.
2. Energizer: utility, fornitori di energia, produttori di sistemi di raffreddamento e apparecchiature elettriche, operatori di telecomunicazioni.
3. Technology Developers and Designers: aziende di semiconduttori e fornitori IT che producono chip e hardware computazionale.
4. Operatori: hyperscaler, fornitori di colocation, piattaforme di GPU-as-a-service e imprese che ottimizzano le proprie risorse computazionali.
5. AI Architect: sviluppatori di modelli AI, fornitori di foundation model e aziende che costruiscono capacità AI proprietarie.

Nel pianificare gli investimenti, le aziende dovranno affrontare una vasta gamma di scenari. In un contesto di domanda contenuta, la capacità dei data center potrebbe richiedere investimenti pari a 3.700 miliardi di dollari, limitati da vincoli nelle catene di fornitura, discontinuità tecnologiche e incertezze geopolitiche. Questi ostacoli si attenuano in uno scenario di domanda accelerata, in cui gli investimenti potrebbero salire fino a 7.900 miliardi.

McKinsey identifica tra le principali incertezze:

• Discontinuità tecnologiche: innovazioni nelle architetture dei modelli, con aumenti di efficienza, potrebbero ridurre la domanda attesa di hardware ed energia.

• Vincoli nelle catene di fornitura: carenza di manodopera, colli di bottiglia e ostacoli regolatori potrebbero rallentare connessioni alla rete, disponibilità di chip e ampliamento dei data center.
• Tensioni geopolitiche: variazioni nei dazi e nei controlli all’esportazione di tecnologie potrebbero introdurre incertezze nella domanda e negli investimenti.

Il report suggerisce infine tre direttrici strategiche per definire le decisioni di investimento:

• Comprendere la domanda, anticipandone le evoluzioni con strategie scalabili e adattabili
• Investire in tecnologie efficienti in termini di costi ed energia
• Costruire resilienza lato offerta, assicurandosi chip, energia e supply chain sicure