Il consumo di token AI potrebbe aumentare di 24 volte entro il 2030 grazie a modelli più economici e agenti autonomi che ne espandono l'utilizzo, secondo Zach Pandl, responsabile ricerca della società di gestione patrimoniale Grayscale. Le previsioni, illustrate nel rapporto dell'azienda "Investing for the Compute Bottleneck", segnalano inoltre che le infrastrutture fisiche necessarie per far funzionare questi sistemi restano limitate. Grayscale sostiene che la crescente domanda di potenza di calcolo potrebbe superare i guadagni di efficienza, intensificando la pressione su data center disponibili, forniture elettriche e GPU.

Modelli AI più economici potrebbero espandere l'utilizzo

I costi in calo rendono l'intelligenza artificiale più accessibile per applicazioni e flussi di lavoro automatizzati. Secondo quanto dichiarato dall'azienda, l'ultimo modello Sonnet di Anthropic ora costa fino al 30% in meno per attività, mentre la concorrenza dei modelli open-weight a prezzo inferiore — i cui parametri sono pubblicamente disponibili per il download e l'esecuzione — esercita una continua pressione al ribasso sui prezzi dei token.

I token misurano il testo che i modelli AI elaborano e generano, e gli sviluppatori ne pagano il consumo. Con la riduzione dei prezzi, le aziende potrebbero trovare nuovi usi per l'AI che in precedenza costavano troppo. Il rapporto esamina come un'intelligenza più economica possa favorire un'adozione più ampia.

Gli agenti AI potrebbero moltiplicare la domanda di calcolo

I "dots" introdotti di recente da OpenAI sono agenti sempre attivi, progettati per lavorare agli obiettivi degli utenti giorno e notte. A differenza dei chatbot, che rispondono a singole domande, gli agenti possono completare più passaggi all'interno di un unico flusso di lavoro. La preparazione a una riunione con un cliente, ad esempio, potrebbe richiedere la revisione degli appunti, l'analisi delle variazioni del portafoglio e la stesura di un ordine del giorno.

Secondo Grayscale, attività di questo tipo possono consumare da cinque a 50 volte più token rispetto a un'interazione standard con un chatbot, a seconda della complessità. Gli agenti potrebbero di conseguenza determinare una crescita sostanziale dell'inference, il calcolo necessario per far funzionare i modelli AI. Goldman Sachs prevede che il consumo di token possa aumentare di 24 volte entro il 2030, attribuendo tale incremento in larga misura all'adozione degli agenti.

Le infrastrutture fisiche restano un collo di bottiglia per il calcolo

Sebbene i modelli AI stiano diventando più efficienti, la domanda totale di calcolo può comunque aumentare quando l'utilizzo cresce più rapidamente di quanto i guadagni possano compensare, una dinamica che richiama il paradosso di Jevons, l'osservazione economica ottocentesca secondo cui una maggiore efficienza può aumentare anziché ridurre il consumo complessivo di una risorsa. Fornire le infrastrutture necessarie richiede tempo. La dispon di energia, i data center e le GPU restano essenziali per sostenere carichi di lavoro in espansione, e la loro offerta limitata potrebbe vincolare la velocità di crescita della capacità di calcolo insieme all'adozione dell'AI.

Grayscale ha inoltre citato CoreWeave, che ha recentemente annunciato la firma di nuovi contratti a prezzi di calcolo più elevati, come esempio della persistente pressione sui prezzi delle infrastrutture nonostante il calo del costo delle singole attività AI.

L'analisi di Pandl sostiene che modelli più economici e agenti più capaci potrebbero aumentare l'utilizzo a sufficienza da superare i guadagni di efficienza. In questo scenario, la domanda potrebbe avvantaggiare i proprietari di infrastrutture di calcolo fisiche scarse. L'evoluzione dell'equilibrio tra costo dei token in calo e prezzi infrastrutturali in aumento potrebbe emergere da ulteriori riduzioni dei prezzi dei modelli da parte di fornitori come Anthropic, dalle divulgazioni sui contratti di operatori come CoreWeave e dalle revisioni delle stime della domanda come la proiezione di 24 volte di Goldman Sachs.