Dai titoli ipotecari immobiliari ai titoli garantiti da GPU, Nvidia sta seguendo l’esempio di AIG?

Nvidia torna a far parlare di sé con un piano di cartolarizzazione degli asset dei data center, una mossa che potrebbe spingere il boom della potenza di calcolo AI in una nuova e pericolosa fase.

Secondo l’analisi dello stratega macro di Bloomberg, Simon White, l’intenzione di Nvidia di trasformare i data center in asset investibili potrebbe portare a una grave eccedenza di capacità nel settore dell’AI computing, specialmente mentre il pricing basato sui risultati diventa progressivamente lo standard industriale. Alla base di questa valutazione: la finanziarizzazione sta amplificando artificialmente i segnali di domanda, mascherando una realtà di mercato già in eccesso di offerta – una dinamica molto simile alla bolla immobiliare che ha preceduto la crisi finanziaria del 2008.

White sottolinea che il quadro di collaborazione che Nvidia ha raggiunto con Apollo, Brookfield, KKR, Blackstone, BlackRock e Goldman Sachs mira a veicolare oltre 500 miliardi di dollari nei cosiddetti “AI factory”. Nvidia fornirà una garanzia di valore di recupero fino al 25% delle GPU poste a collaterale in alcune transazioni. Le somiglianze con la bolla immobiliare sono difficili da ignorare. Allora, AIG vendette assicurazioni sulle obbligazioni CDO di grado superiore, consentendo alle banche di ridurre l’ingaggio di capitale e distribuire più debito tossico – fino a quando la correlazione crebbe improvvisamente, portando a una crisi che dovette essere risolta con interventi statali.

Accelerazione della finanziarizzazione: il momento AIG del mercato delle obbligazioni GPU

Per Simon White, questo boom dell’infrastruttura AI ha ormai superato per portata i precedenti cicli espansivi come la costruzione delle autostrade interstatali negli USA (anni ’60) o la diffusione della banda larga negli anni 2000. Per mantenere attivo questo ciclo, sono stati chiusi diversi accordi di finanziamento incrociato e supporto dei fornitori – le sole operazioni che coinvolgono Nvidia arrivano a 750 miliardi di dollari.

Il CEO di Nvidia, Jensen Huang, ha dichiarato esplicitamente che l’obiettivo è trasformare la “computazione AI delle factory” in una nuova classe di asset investibili. Quest’anno il mercato del debito sostenuto da GPU è esploso, e questo nuovo accordo ne rappresenta una fase più avanzata – cartolarizzazione e distribuzione degli asset. I partner forniranno capitale, competenze nell’infrastruttura e facilità nella cartolarizzazione e distribuzione.

Aumentando l’attrattività delle transazioni, Nvidia consente alle obbligazioni di grado senior di ottenere rating di credito più elevati. Intanto, la Securities and Exchange Commission (SEC) ha appena alleggerito le regole per la cartolarizzazione delle obbligazioni sui data center. White paragona questo momento a quando i fondi pensione entrarono nel gioco durante la crisi finanziaria: un segnale che il rischio inizia a diffondersi sul lato delle passività, il preludio alla crisi stessa.

All’apparenza, il rischio diretto per Nvidia può sembrare limitato. Ma White avverte: era questa stessa assunzione che convinse AIG – finché, col tempo, assunse sempre più obblighi apparentemente privi di rischio e redditizi, solo per scoprire che l’aumento della correlazione del credito avrebbe portato al disastro.

Segnali di sovraccapacità: lo squilibrio domanda-offerta nascosto dall’alchimia finanziaria

Il timore principale di White è che il processo di finanziarizzazione stia sistematicamente occultando i segnali di sovraccapacità del mercato. Similmente alla bolla immobiliare, il boom attuale degli investimenti rischia di attrarre sempre più capitale grazie alle magie della finanza, favorendo una sovracostruzione. E i segnali che la potenza di calcolo sia davvero sufficiente rischiano di essere ignorati.

Sul fronte della domanda, White evidenzia un cambiamento radicale nei sistemi di valutazione. L’unità base del noleggio GPU è il costo orario, mentre nell’inferenza si conta quanto costa processare un token. Ma per l’utente finale, conta solo il risultato: quanta intelligenza ottengo per ogni dollaro speso, o più semplicemente, quanto costa portare a termine un compito?

Il costo dell’intelligenza sta diminuendo, ma questo calo non si riflette subito nei prezzi delle GPU. Se un modello è in grado di completare lo stesso task consumando 10 volte meno token, col prezzo per token invariato, ogni GPU aumenta la propria efficienza reale di 10 volte.

Con la “massimizzazione dei token” che è ormai superata, emerge sempre più la variabilità nel consumo di token da parte dei modelli per lo stesso compito. Inoltre, i grandi modelli linguistici (LLM) possono essere facilmente regolati per assorbire più token, mentre la tariffazione basata sui risultati conquista sempre più aziende. Se questo divenisse lo standard, i provider di modelli sarebbero spinti a ridurre il consumo di token, facendo pressione verso il basso sul costo del noleggio GPU.

Degno di attenzione è anche il fatto che le GPU siano, secondo diversi report, pesantemente sottoutilizzate. Secondo Cast AI, il tasso medio di utilizzo delle GPU è solo del 5%; ClearML rileva che quasi metà delle aziende spreca milioni di dollari in chip inattivi.

I limiti del paradosso di Jevons: la dipendenza dal percorso è il vero rischio per il mercato

A fronte di questi incrementi di efficienza, i sostenitori degli investimenti AI ricordano il paradosso di Jevons: se il costo dell’intelligenza guidata dalla potenza di calcolo cala, la domanda inevitabilmente salirà, compensando con i volumi.

White però non è convinto. Sostiene che il paradosso di Jevons non possa funzionare indefinitamente in ogni fase temporale, e che per il mercato la dipendenza dal percorso sia il fattore chiave. A suo avviso, nella fase attuale dominata dai grandi modelli linguistici, il tasso di crescita della domanda di intelligenza (non di token) a questi prezzi rallenterà poco a poco, fino a far scendere strutturalmente a lungo termine i costi del calcolo.

Per i creditori, quando inizia a peggiorare la correlazione degli asset collateralizzati, e la qualità del credito dei debitori peggiora simultaneamente, il rischio si accumula rapidamente. A quel punto, Nvidia sarebbe costretta a onorare le sue garanzie, mentre anche altre sue operazioni di autofinanziamento potrebbero risentirne, senza contare il calo di valore del suo prodotto principale. Anche colossi come Google, che stanno sostenendo questa febbre di investimenti AI col proprio bilancio, corrono rischi analoghi.

Come la crisi dei subprime ci insegna: quando parte la correlazione, non c’è tempo per reagire. White conclude che questa operazione proposta da Nvidia ci porta un passo più vicino a rivedere in azione queste forze naturali della finanza.