L’onda dell’intelligenza artificiale ha ampliato gli intervalli di valutazione, ma ha anche reso fragile l’uso di multipli standard fuori contesto. Un metodo solido per i titoli AI lega unit economics qualità del moat tecnologico e sensibilità a capex e costo del capitale. L’obiettivo non è inseguire la narrativa, ma stimare multipli sostenibili coerenti con cassa, cicli di investimento e rischio competitivo.
Il perno è trasformare gli indicatori di mercato in parametri operativi: EV/Sales come funzione del margine di lungo termine, EV/EBITDA come proxi di cassa pre-capex e PEG come disciplina di prezzo ancorata a crescita realmente monetizzabile. Ogni step va stressato per il costo del capitale, perché l’AI è intensiva in server, rete e dati, e il rendimento reale si misura sul capitale investito, non solo sugli utili contabili.
EV/Sales: quando il fatturato merita un premio
Per aziende AI early-stage, EV/Sales è utile solo se tradotto in redditività a regime. La mappa: EV/Sales sostenibile ≈ (margine operativo a regime × EV/EBIT) diviso (vendite), dove margine a regime incorpora costi di inferenza, supporto modello e go-to-market. Due driver contano: 1) mix ricavi ricorrenti vs project; 2) rapporto gross margin/servizi cloud. Un fornitore con gross margin strutturalmente sopra il 70% e LTV/CAC > 3x può legittimare multipli doppi rispetto a chi dipende da rivendita hardware o servizi professionali. Senza visibilità su margini a regime, EV/Sales alto è solo un anticipo sulla speranza.
EV/EBITDA: la cerniera tra contabilità e cassa
Nel software AI maturo, EV/EBITDA diventa la cerniera disciplinante: l’EBITDA va depurato da crediti d’imposta, capitalizzazioni aggressive di R&D e revenue sharing con hyperscaler. Per società che addestrano modelli, il costo di training va trattato come investimento ricorrente: l’EBITDA “pulito” si confronta con capex e spese di acquisizione dati. Un multiplo elevato è sostenibile solo se il conversione EBITDA–FCF è alta nel ciclo completo: inferenza, aggiornamenti del modello, sostituzione GPU. Se la reinternalizzazione dell’infrastruttura riduce l’Opex ma alza Capex e ammortamenti, servono scenari che riportino il multiplo a free cash flow yield target coerente con il rischio.
PEG: crescita che vale il prezzo
Usare il PEG nell’AI richiede definire la “G” giusta. La crescita da considerare è quella monetizzabile al netto di cannibalizzazione e compressione prezzi in inferenza. Un PEG intorno a 1–1,5 può essere ragionevole per ricavi ricorrenti con churn basso, mentre modelli esposti a cicli hardware o licenze one-off meritano uno sconto. L’earnings power deve incorporare il costo della potenza di calcolo e la traiettoria di efficienza (token/US$). Se la crescita dipende da sussidi cloud o crediti, il PEG va ricalcolato su utili “normalizzati”. La disciplina è rifiutare PEG bassi se ottenuti gonfiando la “G” con metriche non sostenibili.
Unit economics: LTV/CAC, gross margin e densità di calcolo
La sostenibilità del multiplo nasce dagli unit economics. Tre checkpoint: 1) LTV/CAC e payback: periodi sotto 12 mesi giustificano crescita aggressiva; 2) gross margin riflette pricing power e costi cloud; 3) densità di calcolo per dollaro di ricavo: token inferiti per GPU/ora o queries/US$. Se la curva di efficienza migliora 20–30% l’anno grazie a ottimizzazioni modello e serving, il margine a regime sale e con esso il multiplo. Al contrario, una pipeline dipendente da modelli di terzi o da burst capacity non contrattualizzata comprimerebbe i margini, imponendo EV/Sales più basso o EV/EBITDA più conservativo.
Moat tecnologico: dati, distribuzione, integrazione verticale
Il premio di valutazione si decide sul moat tecnologico. Tre strati fanno la differenza: 1) dati proprietari difficili da replicare, con diritti chiari; 2) distribuzione integrata nel flusso di lavoro (SDK, estensioni, API embed) che riduce il churn; 3) integrazione verticale hardware–software che migliora latenza e costi. Un’azienda con dataset unico, integrazione in piattaforme enterprise e ottimizzazioni inferenza custom può permettersi una banda alta di multipli. Se il vantaggio è solo temporaneo (accesso GPU o partnership revocabili), il moat è debole: l’arbitraggio competitivo eroderà prezzi e margini, comprimendo PEG e EV/Sales entro pochi trimestri.
Capex e costo del capitale: stressare i multipli
I titoli AI sono sensibili a capex e WACC. Stimare multipli sostenibili implica: 1) modellare il ciclo data center (build, ramp, saturazione, refresh) e la quota di capex di crescita vs manutenzione; 2) testare la struttura finanziaria con WACC crescenti e riduzione dei crediti fiscali; 3) calcolare ROIC a regime vs WACC. Multipli elevati hanno senso se ROIC–WACC è ampiamente positivo e difendibile. Una “curva a forbice” tra efficienza di calcolo e costo del capitale guida la banda: se l’efficienza migliora più lentamente del WACC, EV/EBITDA deve comprimersi o il mercato richiederà un FCF yield superiore. Il pricing finale è una conseguenza, non un presupposto.
Tradurre la teoria in una banda di valutazione
Si arriva alla stima operativa così: 1) fissare margine operativo a regime dai unit economics 2) derivare EV/Sales coerente (margini, mix ricavi, ricorrenza); 3) validare con EV/EBITDA normalizzato per capex ciclico; 4) controllare il PEG usando una crescita monetizzabile a 12–24 mesi; 5) stressare tutto con WACC e scenari capex; 6) applicare un premio/sconto dal moat tecnologico. Il risultato non è un numero puntuale ma una banda: fascia alta per ricorrenza elevata, dati proprietari e ROIC superiore; fascia bassa per modelli commodity, dipendenza da terzi e cassa sensibile al ciclo hardware.
