Il premio AI nelle valutazioni d’azienda: nuova produttività o euforia da mercato?
Il premio AI nelle valutazioni d’azienda: nuova produttività o euforia da mercato?
In una fase di discontinuità strategica, distinguere l’hype dall’impatto reale dell’Intelligenza Artificiale sul valore d’impresa è la sfida più complessa per analisti e investitori. I dati più recenti suggeriscono che il divario tra promessa e monetizzazione resti ampio.
L’introduzione dell’Intelligenza Artificiale sta determinando una trasformazione silenziosa ma profonda nei modelli di business, tanto nelle imprese innovative quanto in quelle tradizionali. Processi prima considerati immutabili vengono automatizzati, funzioni operative vengono ridisegnate e interi segmenti di mercato si ristrutturano attorno a nuove logiche competitive. In questo scenario, l’esperto valutatore si trova sempre più spesso a formulare giudizi di valore in condizioni di forte discontinuità, dove la storia recente diventa un riferimento fragile e la previsione dei flussi di cassa futuri assume un livello di complessità senza precedenti.
Il comportamento dei mercati finanziari riflette perfettamente questa tensione. Le valutazioni delle società che, nelle trimestrali, dichiarano investimenti o progetti legati all’IA tendono a beneficiare di un premio implicito, incorporato nei prezzi di borsa. È il segnale di una narrazione potente, capace di amplificare le aspettative di crescita. Il fenomeno ha però raggiunto un’intensità che ha attirato l’attenzione delle autorità monetarie: nell’ottobre 2025 la Bank of England ha avvertito che le valutazioni azionarie appaiono “tese”, in particolare per le società tecnologiche focalizzate sull’IA, segnalando un rischio crescente di “brusca correzione di mercato”; nello stesso periodo il Fondo Monetario Internazionale ha richiamato il parallelo con la bolla delle dot-com di venticinque anni fa (CNBC, ottobre 2025; Bank of England, FPC).
Il dato sulla concentrazione è eloquente. Secondo la Bank of England, il peso dei primi cinque titoli dell’indice S&P 500 si è avvicinato al 30%, il livello più alto degli ultimi cinquant’anni, mentre il rapporto prezzo/utili corretto per il ciclo (CAPE) si è portato in prossimità dei massimi raggiunti durante la bolla tecnologica del 2000 (Bank of England). L’indice “AI stock” elaborato da JP Morgan, che raggruppa i titoli dell’S&P 500 più esposti al tema, pesava circa il 26% dell’indice a fine 2022 ed è salito al 44% nell’ottobre 2025 (Bank of England). In altri termini, una quota crescente della capitalizzazione complessiva poggia su un’unica aspettativa: che la produttività promessa dall’IA si traduca, prima o poi, in flussi di cassa.
La cosiddetta Legge di Amara — dal nome del futurologo Roy Amara, a lungo presidente dell’Institute for the Future — ricorda che tendiamo a sovrastimare l’impatto di una tecnologia nel breve periodo e a sottostimarlo nel lungo (Wikipedia, Roy Amara). Oggi sembriamo collocarci esattamente nella prima fase: le quotazioni scontano scenari di efficienza pressoché perfetta e di crescita lineare, mentre l’economia reale attraversa una trasformazione in cui resta difficile — per imprese e valutatori — stabilire quanto del potenziale dell’IA sia effettivamente monetizzabile.
Da qui la domanda centrale: il premio che il mercato riconosce alle imprese riflette un reale incremento strutturale della produttività, oppure una fase di espansione finanziaria non pienamente giustificata dai fondamentali?
Il divario tra potenziale teorico e ritorno effettivo
Una corretta impostazione del problema richiede di tenere distinti due piani che la narrazione dominante tende a sovrapporre: il potenziale macroeconomico della tecnologia e il ritorno microeconomico effettivamente conseguito dalle singole imprese.
Sul primo piano, le stime sono imponenti. Secondo McKinsey, l’IA generativa potrebbe generare un valore annuo compreso tra 2.600 e 4.400 miliardi di dollari lungo i 63 casi d’uso analizzati, con circa il 75% del beneficio concentrato in quattro funzioni: marketing e vendite, customer operations, software engineering e ricerca e sviluppo (McKinsey, The economic potential of generative AI, 2023). È il numero che alimenta le aspettative incorporate nei prezzi.
Sul secondo piano, però, l’evidenza è assai più sobria. Lo studio MIT The GenAI Divide: State of AI in Business 2025 — basato su circa 150 interviste a dirigenti, 350 questionari e l’analisi di 300 implementazioni pubbliche — rileva che, a fronte di 30-40 miliardi di dollari di investimenti aziendali, il 95% dei progetti pilota di IA generativa non ha prodotto alcun impatto misurabile sul conto economico; soltanto il 5% ha generato valore significativo (Fortune, agosto 2025; MIT NANDA, sintesi). Lo studio individua nell’integrazione organizzativa — non nella qualità dei modelli — il vero collo di bottiglia, e osserva due elementi di diretto interesse per il valutatore: gran parte dei budget viene allocata su vendite e marketing, dove i ritorni sono più bassi, mentre i benefici maggiori si concentrano nell’automazione di back-office; e l’acquisto da fornitori specializzati ha successo in circa il 67% dei casi, contro una probabilità di successo pari a circa un terzo per gli sviluppi interni (Fortune).
Questo scarto — tra un potenziale macroeconomico misurato in migliaia di miliardi e un tasso di insuccesso microeconomico del 95% — è il fatto centrale che ogni valutazione deve incorporare. Esso non nega l’impatto di lungo periodo dell’IA, coerente con la seconda parte della Legge di Amara; impone però di trattare con cautela qualsiasi proiezione che assuma una traduzione rapida e generalizzata del potenziale in margini.
Valutare un’impresa in discontinuità: dove si crea (davvero) il valore
Le metodologie tradizionali — dal Discounted Cash Flow ai multipli — si fondano sull’osservazione del passato come guida per costruire scenari futuri. Ma quando il modello di business è attraversato da un salto tecnologico, la storia aiuta poco: cambia la struttura dei costi, cambiano i processi, cambiano le leve competitive. L’analisi deve allora concentrarsi su tre dimensioni.
1. Produttori e utilizzatori: non tutte le imprese “fanno” IA allo stesso modo
La prima distinzione separa chi produce la tecnologia da chi la impiega, con l’avvertenza che alcuni operatori — i grandi hyperscaler — appartengono a entrambe le categorie e vanno trattati come caso a sé.
I produttori di tecnologia (semiconduttori, cloud, modelli) sono i “venditori di pale” nella corsa all’oro digitale: i loro ricavi beneficiano dell’espansione della capacità computazionale. Il rischio maggiore, spesso sottovalutato, riguarda la durata del ciclo di investimento dei clienti. I quattro principali hyperscaler — Microsoft, Alphabet, Amazon e Meta — hanno indicato per il 2026 una spesa per investimenti complessiva nell’ordine di 650-700 miliardi di dollari, circa il doppio dei livelli del 2025 (stimati intorno ai 380 miliardi) (CNBC, febbraio 2026; Yahoo Finance, febbraio 2026). La domanda che il valutatore deve porsi è netta: per quanto tempo potrà proseguire questa corsa ai Capex? Un CAGR costruito sull’estrapolazione di tassi di crescita di questa intensità rischia di incorporare un’ipotesi non sostenibile nel medio periodo.
Le imprese utilizzatrici (banche, manifattura, servizi, retail) sono il terreno su cui si gioca la partita della nuova produttività. Se l’IA consente di ridurre i costi operativi attraverso automazione, manutenzione predittiva o processi decisionali più rapidi, l’incremento dell’EBITDA può essere rilevante. Qui valutare significa misurare la capacità dell’impresa di trasformare un vantaggio tecnologico in un vantaggio competitivo difendibile e replicabile, distinguendo i benefici già incorporati nei processi da quelli soltanto annunciati. Alla luce dei dati MIT, l’onere della prova grava sull’ipotesi ottimistica: in assenza di evidenza di un’integrazione operativa già avvenuta, la presunzione ragionevole è che l’impresa appartenga al 95% che non ha ancora monetizzato.
2. Il paradosso del Capex: l’IA aumenta i margini, ma aumenta anche il capitale investito
L’adozione dell’IA richiede investimenti rilevanti in infrastrutture, software, energia e formazione. Nei modelli DCF, tuttavia, si osserva con frequenza una asimmetria: i ricavi attesi vengono rivisti al rialzo senza un adeguamento coerente di Capex di mantenimento e sviluppo, capitale circolante, costi energetici e di calcolo, e obsolescenza accelerata degli asset digitali. Il risultato è un Free Cash Flow sovrastimato.
Che non si tratti di un’astrazione teorica lo dimostra il caso degli stessi hyperscaler: l’intensità della spesa per investimenti sta erodendo in modo marcato la generazione di cassa, al punto che per Amazon il free cash flow è atteso in territorio negativo nel 2026 (CNBC, febbraio 2026). Se ciò accade ai soggetti meglio posizionati per monetizzare l’IA, la prudenza nel proiettare i flussi di un’impresa utilizzatrice diventa un imperativo metodologico.
Il vero parametro da osservare è quindi il ROIC (Return on Invested Capital), confrontato con il costo del capitale. Un esempio numerico chiarisce la trappola. Si consideri un’impresa con NOPAT di 10 milioni e capitale investito di 80 milioni: il ROIC è del 12,5%, superiore a un WACC ipotizzato del 9%; l’impresa crea valore. Si supponga che un programma di adozione dell’IA incrementi il NOPAT a 12 milioni (+20%), ma richieda 50 milioni di nuovo capitale investito tra infrastruttura, software ed energia. Il NOPAT cresce, ma il ROIC scende al 9,2% (12 / 130), allineandosi di fatto al costo del capitale. La crescita dei margini, presa isolatamente, avrebbe segnalato creazione di valore; l’analisi del capitale investito rivela invece una sostanziale neutralità. È in questa forbice — margini in salita, ritorni sul capitale in compressione — che si misura la sostenibilità del premio IA.
3. Il rischio e il tasso di sconto: l’ottimismo non sostituisce la prudenza
In presenza di una narrativa dominante, il rischio percepito tende a comprimersi artificialmente.
L’IA introduce però nuove forme di rischio: tecnologico (obsolescenza rapida e svalutazione accelerata dell’hardware), normativo (l’entrata in vigore progressiva del Regolamento UE sull’IA), legale (contenziosi su dati e diritto d’autore) e operativo (dipendenza dai modelli e dai fornitori).
I principi di valutazione richiamano del resto la necessità di stime razionali, dimostrabili e verificabili: in un contesto di forte incertezza, ciò impone di rendere esplicito il rischio anziché diluirlo nell’entusiasmo dei flussi proiettati.
Operativamente, per le imprese a forte esposizione tecnologica è ragionevole l’applicazione di un premio per il rischio specifico nel calcolo del tasso di sconto, da sommare al costo del capitale derivante dal CAPM.
La sua entità va graduata in funzione della maturità del progetto e della quota di Capex destinata a iniziative non ancora validate sul piano operativo: un’indicazione prudenziale può collocarsi tra 150 e 300 punti base per imprese in cui una porzione significativa degli investimenti è ancora in fase sperimentale, fino ad annullarsi quando i benefici risultano già incorporati e documentati nel conto economico. Il principio è chiaro: il premio per il rischio deve controbilanciare l’ottimismo dei flussi, non assecondarlo.
Una lettura per orizzonti temporali
La Legge di Amara suggerisce infine di articolare l’analisi su tre orizzonti distinti, evitando l’errore di proiettare linearmente i benefici di lungo periodo sui flussi di breve.
| Orizzonte | Dinamica prevalente | Implicazione per la valutazione |
|---|---|---|
| Breve (1-2 anni) | Investimento e integrazione; cassa sotto pressione | Capex e capitale circolante in aumento, FCF compresso o negativo |
| Medio (3-5 anni) | Monetizzazione selettiva (il “5%”) | Beneficio sui margini solo dove l’integrazione è effettiva e difendibile |
| Lungo (oltre 5 anni) | Diffusione e maturità tecnologica | Potenziale pieno, ma con rischio di compressione competitiva dei margini |
Questa stratificazione consente di evitare l’errore più comune: trattare il valore potenziale di lungo periodo come se fosse un flusso di cassa già disponibile nel breve.
Conclusione: il premio IA esiste, ma va dimostrato
Per il valutatore il compito non è inseguire la narrativa, ma misurare con rigore dove l’IA può impattare realmente il conto economico. Ciò significa rivolgere al management domande puntuali e verificabili: quali processi saranno automatizzati e con quale evidenza già raccolta; quali investimenti — di capitale e di esercizio — saranno necessari; quale impatto stimato sui margini, al netto del capitale aggiuntivo; e in quale orizzonte temporale i benefici diventeranno effettivamente misurabili.
In sede di due diligence, è ragionevole pretendere una disclosure separata dei progetti IA, che distingua nettamente gli investimenti sostenuti dai ritorni già materializzati: è la sola via per non confondere il 5% che crea valore con il 95% che, ad oggi, non lo ha ancora fatto.
Al di là dell’entusiasmo del momento, vale sempre lo stesso principio: nel lungo periodo il valore non nasce dalle narrazioni, ma dai flussi di cassa che l’impresa è effettivamente in grado di produrre — e dalla loro relazione con il capitale necessario a generarli.
Fonti e riferimenti
- McKinsey & Company, The economic potential of generative AI: The next productivity frontier (2023) — potenziale di valore tra 2.600 e 4.400 miliardi di dollari annui; concentrazione del 75% del beneficio in quattro funzioni. https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai-the-next-productivity-frontier
- MIT Project NANDA, The GenAI Divide: State of AI in Business 2025 — il 95% dei pilota senza impatto misurabile sul P&L; ripartito da Fortune. https://fortune.com/2024/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
- Digital Commerce 360 (sintesi dello studio MIT) — 30-40 miliardi investiti, 5% di progetti con esiti significativi, tassi di successo per acquisto vs sviluppo interno. https://www.digitalcommerce360.com/2025/08/25/mit-report-no-return-on-generative-ai/
- CNBC, Tech AI spending approaches $700 billion in 2026, cash taking big hit (febbraio 2026) — Capex 2026 degli hyperscaler e free cash flow di Amazon atteso negativo. https://www.cnbc.com/2026/02/06/google-microsoft-meta-amazon-ai-cash.html
- Yahoo Finance, Big Tech set to spend $650 billion in 2026 as AI investments soar (febbraio 2026) — guidance Capex per singolo operatore e confronto con il 2025. https://finance.yahoo.com/news/big-tech-set-to-spend-650-billion-in-2026-as-ai-investments-soar-163907630.html
- Bank of England, Financial Policy Committee, All chips in? AI-related asset valuations and financial stability (ottobre 2025) — valutazioni “tese”, concentrazione dei primi cinque titoli S&P 500 al ~30%, indice AI di JP Morgan dal 26% al 44%, CAPE prossimo ai massimi del 2000. https://www.bankofengland.co.uk/bank-overground/2025/all-chips-in-ai-related-asset-valuations-financial-stability-consequences
- CNBC, IMF and Bank of England join growing chorus warning of an AI bubble (ottobre 2025). https://www.cnbc.com/2025/10/09/imf-and-bank-of-england-join-growing-chorus-warning-of-an-ai-bubble.html
- Roy Amara — voce biografica e formulazione della “Legge di Amara”. https://en.wikipedia.org/wiki/Roy_Amara


