---
title: "Decifrare la filiera dell'IA: analisi dei colli di bottiglia, dei fossati economici (moat) e della creazione di valore per gli investitori a lungo termine"
author: "DeepValues Research"
publisher: "DeepValues Research (DeepValues / LuLu Ventures LLC)"
type: "Research article"
date: "2026-11-05"
language: "it"
section: "Insights"
machine_translated: true
translation_method: "machine translation (gpt-6.1-sol, Azure OpenAI)"
translated_from: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value/"
original_language: "en"
translated_on: "2026-11-14"
translation_note: "Machine-translated from the original report; the original is authoritative."
canonical_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-it/"
markdown_url: "https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-it/index.md"
license: "CC BY 4.0"
license_url: "https://creativecommons.org/licenses/by/4.0/"
cite_as: "DeepValues Research, Decifrare la filiera dell'IA: analisi dei colli di bottiglia, dei fossati economici (moat) e della creazione di valore per gli investitori a lungo termine, https://research.deepvalues.ai/insights/2026-11-05-decoding-ai-value-it/"
publisher_url: "https://deepvalues.ai"
app: "https://deepvalues.ai"
api: "https://app.deepvalues.ai/developers"
data_note: "Reports are dated snapshots. Current data via the DeepValues API: https://app.deepvalues.ai/developers"
disclaimer: "Educational research, not investment advice."
disclosure: "AI-assisted"
generated_by: "NotebookLM + DeepValues editors"
category: "investing"
tickers: ["UPS"]
sources:
  - title: "Decoding AI Value"
audio: "https://anchor.fm/s/105664940/podcast/play/128876669/https%3A%2F%2Fd3ctxlq1ktw2nl.cloudfront.net%2Fstaging%2F2026-10-5%2F435999874-44100-2-a31a8c348ee018.mp3"
audio_kind: "podcast episode"
audio_page: "https://open.spotify.com/episode/1FQonylAeyz5T5jwgxdOVq"
---
# Decodificare l'architettura dell'IA: analisi dei colli di bottiglia, dei fossati economici (moat) e dell'accumulazione di valore per gli investitori di lungo termine

Il valore si accumula lungo l'architettura tecnologica dell'intelligenza artificiale non semplicemente attraverso la scarsità fisica assoluta, ma nei punti in cui i colli di bottiglia tecnologici si intersecano con il potere di determinazione dei prezzi, l'espansione ricorrente dei volumi, i costi di sostituzione e un elevato rendimento incrementale del capitale investito (ROIC). Sebbene lo schema a sei livelli di Chamath Palihapitiya (Infrastruttura, Chip, Dati, Modelli, Esecuzione, Applicazione) evidenzi correttamente la trasformazione economica dei modelli di base in prodotti indifferenziati e l'emergere di strozzature critiche nell'hardware, gli investitori di lungo termine devono distinguere tra scarsità tecnica assoluta e creazione sostenibile di valore azionario. Mentre gli operatori di infrastrutture su vasta scala si trasformano in imprese industriali ad alta intensità di capitale, per le quali si prevede una spesa superiore a $700 miliardi nel 2026 in infrastrutture di calcolo e di rete elettrica, la valutazione del valore intrinseco richiede un'analisi della tenuta del free cash flow (flusso di cassa libero), dei rischi legati all'intensità di capitale e dei circuiti di retroazione dei flussi di lavoro proprietari, anziché affidarsi esclusivamente ai colli di bottiglia fisici.

## 1. Scomporre l'architettura dell'IA: colli di bottiglia e accumulazione di valore economico

Analizzare l'intelligenza artificiale attraverso un'architettura a livelli offre una chiarezza essenziale agli investitori che si basano sui fondamentali. Chamath Palihapitiya suddivide l'ecosistema in sei strati distinti: Infrastruttura (energia, terreni, raffreddamento, minerali, impianti di fabbricazione), Chip (GPU/ASIC, memoria ad alta larghezza di banda [HBM], incapsulamento, reti), Dati (dati proprietari, sensoriali e robotici), Modelli (intelligenza di base), Esecuzione (agenti, orchestrazione, API, attuatori) e Applicazione (software e sistemi per l'utente finale). Il concetto analitico centrale che collega questi livelli è l'«asset fulcro»: un componente insostituibile attraverso il quale deve passare ogni livello superiore e che non può essere facilmente sostituito.

Esiste tuttavia una distinzione cruciale tra un collo di bottiglia tecnologico assoluto e un fossato economico (moat) ad alto rendimento. Un asset può trovarsi direttamente sul percorso critico tecnologico senza generare rendimenti finanziari proporzionali per gli azionisti. Per gli investitori di lungo termine che valutano i fossati economici (moat) secondo l'approccio di Graham e Buffett, la sola scarsità fisica non garantisce la crescita composta di lungo termine degli owner earnings (utili per il proprietario).

Questa dinamica è chiaramente illustrata dal confronto tra ASML e NVIDIA. ASML detiene un collo di bottiglia tecnologico assoluto e insostituibile nei sistemi di litografia a ultravioletto estremo (EUV); gli impianti di produzione di semiconduttori avanzati non possono sostituire i macchinari di ASML. Eppure NVIDIA ha generato un apprezzamento del valore azionario molto maggiore. ASML vende un numero limitato di macchine altamente complesse e ad alta intensità di capitale a un gruppo concentrato di acquirenti, limitando la crescita automatica dei ricavi quando il consumo globale di token raddoppia. Al contrario, NVIDIA abbina i colli di bottiglia del silicio alla catena di strumenti software CUDA, alle architetture di sistema, alle reti NVLink e a una profonda integrazione nell'ecosistema. NVIDIA beneficia direttamente della crescente elasticità dei volumi di inferenza e addestramento dell'IA.

Per valutare l'accumulazione di valore economico lungo l'architettura, gli investitori dovrebbero applicare una formula qualitativa completa anziché misurare la scarsità isolatamente:

$$\text{Value Accrual} \approx \text{bottleneck} \times \text{pricing power} \times \text{volume growth} \times \text{recurring demand} \times \text{switching costs} \times \text{incremental ROIC}$$

Rendimenti economici duraturi si concretizzano soltanto quando una strozzatura operativa si combina con elasticità dei volumi, elevati costi di sostituzione e solidi rendimenti incrementali del capitale investito.

## 2. Infrastruttura e intensità degli investimenti: la rivoluzione industriale alla base dell'IA

I livelli fondamentali dell'architettura dell'IA stanno attraversando una transizione strutturale da modelli software a bassa intensità di capitale ad attività industriali ad alta intensità di capitale. I colli di bottiglia critici alla base dell'architettura rivelano concentrazioni geografiche e aziendali estreme:

*   **Scarsità dei materiali per semiconduttori:** I fornitori giapponesi di materiali controllano circa il 78% delle vendite globali di fotoresist per semiconduttori, in base alla nazionalità delle aziende, con Shin-Etsu, JSR, Tokyo Ohka Kogyo e Fujifilm che dominano specifici mercati di sostanze chimiche ad alta purezza.
*   **Quarzo ad alta purezza (HPQ):** La produzione di lingotti di silicio di qualità adatta ai semiconduttori dipende da crogioli di quarzo fuso derivati da quarzo eccezionalmente puro estratto a Spruce Pine, nella Carolina del Nord. Sibelco (che produce materiale IOTA da due giacimenti di minerale puro) e The Quartz Corp rappresentano gli unici fornitori che producono su vasta scala e in modo economicamente sostenibile HPQ avanzato di qualità superiore.

Oltre alle materie prime fisiche, l'infrastruttura elettrica costituisce un grave vincolo operativo. L'Agenzia internazionale dell'energia (IEA) prevede che il consumo globale di elettricità dei centri dati quasi raddoppierà, passando da circa 485 TWh nel 2025 a circa 950 TWh entro il 2030. Si stima che gli investimenti degli operatori di infrastrutture su vasta scala supereranno $700 miliardi nel 2026, principalmente per effetto dell'espansione dei centri dati.

| Ambito infrastrutturale | Strozzatura critica e fornitori principali | Impatto economico e indicatori |
| :--- | :--- | :--- |
| **Materiali per semiconduttori** | Fotoresist giapponesi (*Shin-Etsu, JSR, TOK, Fujifilm*) | Quota di mercato di ~78% per nazionalità; input chimici non sostituibili. |
| **Quarzo ad alta purezza** | Giacimenti minerari di Spruce Pine (*Sibelco, The Quartz Corp*) | Fonte esclusiva per i crogioli di quarzo fuso destinati ai lingotti di silicio. |
| **Energia erogabile dalla rete** | Trasformatori, apparecchiature di manovra, UPS, interconnessioni | I vincoli emergono prima della capacità di generazione; 485 TWh $\rightarrow$ 950 TWh (IEA). |
| **Investimenti degli operatori di infrastrutture su vasta scala** | Espansione dei centri dati e accelerazione del calcolo | >$700B previsti nel 2026 (IEA); forti pressioni negative dagli ammortamenti. |

Un aspetto cruciale è che la capacità di generazione elettrica non costituisce il principale limite nel breve termine. La ricerca della Johns Hopkins University dimostra che le apparecchiature per l'erogazione dell'energia dalla rete — nello specifico trasformatori, apparecchiature di manovra, sistemi di alimentazione ininterrotta (UPS), interconnessioni di trasmissione e infrastrutture di raffreddamento specializzate — limiteranno la costruzione dei centri dati prima che la stessa capacità di generazione diventi il principale collo di bottiglia. La risorsa economicamente scarsa nell'immediato è l'energia erogabile alla tensione, nel luogo e con l'affidabilità richiesti.

Dal punto di vista dell'investimento orientato al valore, questa transizione incide pesantemente sugli stati patrimoniali delle imprese e sugli indicatori di rendimento. Quando gli operatori di infrastrutture su vasta scala impiegano oltre $700 miliardi in investimenti annui, beni fisici del valore di diversi miliardi di dollari entrano negli stati patrimoniali come immobili, impianti e macchinari (PP&E). Una volta operativi, i piani di ammortamento a quote costanti gravano sui conti economici indipendentemente dall'immediata realizzazione dei ricavi. Se la domanda monetizzabile di token o l'adozione del software aziendale restano indietro rispetto alla costruzione delle infrastrutture fisiche, il rendimento del capitale investito (ROIC) e i tassi di conversione in free cash flow (flusso di cassa libero) (FCF) crollano sotto il peso delle infrastrutture non ancora ammortizzate. Questa dinamica rispecchia direttamente gli eccessi storici di costruzione infrastrutturale, come il crollo della fibra ottica nelle telecomunicazioni che coinvolse WorldCom e Global Crossing, quando ingenti investimenti crearono un grave eccesso di capacità e distrussero valore azionario nonostante la fondatezza, nel lungo termine, delle aspettative di adozione di internet.

## 3. Chip, memoria ed economia dei modelli: standardizzazione contro frontiere in evoluzione

Sebbene i modelli teorici presumano che i colli di bottiglia dell'hardware si attenuino naturalmente nel tempo con la normalizzazione della capacità produttiva, i vincoli nell'offerta di semiconduttori rimangono acuti. La memoria ad alta larghezza di banda (HBM) e l'incapsulamento avanzato rappresentano colli di bottiglia strutturali pluriennali anziché attriti temporanei. L'IEA prevede che le carenze nell'offerta di HBM persisteranno almeno fino alla fine del 2027. Le quote di mercato rimangono fortemente concentrate; i dati Counterpoint per Q2 2026 stimano le quote dei ricavi HBM come segue:

*   **SK Hynix:** 50%
*   **Samsung:** 33%
*   **Micron:** 18%

I moderni fossati economici (moat) dell'hardware non si basano su singoli chip di calcolo, ma sull'integrazione completa a livello di sistema: chip GPU/ASIC integrati con HBM tramite interpositori, incapsulamento avanzato, reti ad alta velocità (come NVLink), alimentazione elettrica e raffreddamento specializzato. Questa integrazione di sistema diventa ancora più essenziale man mano che i carichi di lavoro si spostano dall'addestramento dei modelli all'inferenza. McKinsey prevede che l'inferenza rappresenterà circa il 60% della domanda totale di IA entro il 2030. Di conseguenza, il terreno competitivo si sta spostando direttamente verso la larghezza di banda della memoria, la capacità, la latenza, l'efficienza termica e il consumo energetico per token utile prodotto, consolidando i fossati economici (moat) strutturali dei fornitori di hardware integrato.

Parallelamente, l'economia dei modelli di intelligenza di base mostra una rapida diminuzione dei costi. I dati dello Stanford AI Index indicano che il costo di esecuzione di un modello con prestazioni MMLU al livello di GPT-3.5 è sceso da circa $20 per milione di token nel novembre 2022 a circa $0.07 nell'ottobre 2024: una riduzione dei costi di 280 volte in 18 mesi. Inoltre, gli studi dell'OCSE mostrano che i prezzi dei modelli linguistici corretti per la qualità sono diminuiti di quasi l'80% tra gennaio 2024 e aprile 2026.

| Indicatore / Ambito dell'indicatore | Livello di riferimento storico | Livello recente / previsto | Rilevanza analitica |
| :--- | :--- | :--- | :--- |
| **Costo dei token GPT-3.5 MMLU** | $20.00 / M token (nov. 2022) | $0.07 / M token (ott. 2024) | Riduzione di 280x del costo unitario dell'intelligenza (Stanford). |
| **Prezzi dei modelli linguistici** | Livello di base (gen. 2024) | Calo di ~80% (apr. 2026) | Rapido crollo dei prezzi dei risultati corretti per la qualità (OCSE). |
| **Divario di prestazioni tra modelli chiusi e aperti** | Ampio margine (2023) | Divario di 3.3%–3.4% (mar. 2026) | Standardizzazione delle capacità di base (Stanford 2026 AI Index). |
| **Quota della spesa aziendale** | 35% per i modelli di frontiera (Q3 2025) | 63% per i modelli di frontiera (Q3 2026) | Disponibilità a pagare un sovrapprezzo per il ragionamento più avanzato (Menlo). |

Nonostante questo crollo dei prezzi, i modelli di base non sono ancora diventati prodotti puramente indifferenziati. L'intelligenza di base si sta standardizzando: lo Stanford 2026 AI Index mostra che i migliori modelli di frontiera (Anthropic, xAI, Google, OpenAI) sono separati da soli 25 punti Arena Elo e che, a marzo 2026, i modelli chiusi superavano le alternative a pesi aperti di appena il 3.3%–3.4%. Tuttavia, i clienti aziendali continuano a pagare un sovrapprezzo per le capacità di frontiera. La ricerca di Menlo mostra che la quota dei modelli di frontiera nella spesa aziendale per l'IA è salita dal 35% in Q3 2025 al 63% in Q3 2026. 

Il livello dei modelli opera come una frontiera economica in evoluzione: le capacità di base si standardizzano rapidamente, mentre il ragionamento più avanzato mantiene il potere di determinazione dei prezzi, costringendo gli sviluppatori di modelli a sostenere continuamente ingenti investimenti di capitale soltanto per mantenersi al passo con la frontiera.
## 4. Piani di esecuzione, IA fisica e paradosso di Jevons

Man mano che i modelli fondazionali diventano prodotti indifferenziati, il valore economico si sposta verso il piano di esecuzione e controllo. Questo livello software intermedio comprende l'instradamento dinamico dei modelli, la memoria persistente dello stato, la gestione delle identità, la gestione delle autorizzazioni, la valutazione, l'integrazione degli strumenti e l'orchestrazione. Dal punto di vista dei bilanci aziendali, gli acquirenti di software aziendale non acquistano token fondazionali grezzi; acquistano risultati aziendali compiuti. Il livello di esecuzione opera come «software intermedio» istituzionale — analogo a Kubernetes, alla gestione delle identità e degli accessi e all'osservabilità nel calcolo in cloud — consolidando i costi di cambiamento delle imprese e proteggendo i margini di profitto anche quando i modelli di base sottostanti variano. L'indagine di LangChain sull'utilizzo in produzione del 2026 conferma che le architetture aziendali multimodello sono ormai lo standard, con i principali colli di bottiglia nell'implementazione che si spostano dai costi unitari dei token all'affidabilità dell'esecuzione, alla sicurezza e al completamento delle attività.

Analogamente, i dati generici di addestramento provenienti dal web diventano prodotti indifferenziati rispetto ai cicli di riscontro proprietari basati sui risultati. Si creano fossati economici (moat) sostenibili quando le applicazioni software si integrano direttamente in flussi di lavoro operativi specifici di un settore, nei quali le azioni generano valutazioni verificabili nel mondo reale.

Un esempio emblematico di questa dinamica è **Harvey** nel settore legale. Harvey non compete come fragile interfaccia di un modello fondazionale che vende generazione generica di token. Si integra invece direttamente nei flussi di lavoro legali, combinando sistemi legali di registrazione ufficiale, distribuzione, conformità normativa, fiducia dei clienti e cicli di riscontro proprietari (analisi del contratto $\rightarrow$ revisione dell'avvocato $\rightarrow$ deposito giudiziario finale/risoluzione). Poiché Harvey controlla il flusso di lavoro completo e i dati dei risultati che ne derivano, crea elevati costi di cambiamento e difende il proprio potere di determinazione dei prezzi, rendendo la scelta del modello fondazionale sottostante secondaria rispetto al risultato aziendale ottenuto. Cicli di riscontro analoghi, basati sui risultati, stanno emergendo in ambiti specializzati quali la programmazione (correzione $\rightarrow$ risultato del test $\rightarrow$ esito della messa in produzione), la medicina (diagnosi $\rightarrow$ terapia $\rightarrow$ esito sanitario del paziente) e la finanza (fattura $\rightarrow$ compensazione $\rightarrow$ risoluzione della controversia).

Nei sistemi di IA fisica, le dinamiche di allocazione del capitale differiscono radicalmente dall'economia delle imprese di puro software. Il software cresce con un costo marginale prossimo allo zero, mentre la robotica fisica richiede ingenti investimenti nei componenti della distinta base (BOM). McKinsey stima che gli attuatori di precisione rappresentino dal 40% al 60% della BOM di un robot umanoide, rispetto al 5%–10% dei moduli batteria. Inoltre, CRU stima che ogni robot umanoide richieda da 2 a 3 kg di magneti di terre rare NdFeB (neodimio-ferro-boro). Sebbene i componenti dell'IA fisica rappresentino un'opzionalità strategica di lungo periodo, le risorse di calcolo e memoria dei centri dati generano già oggi flussi di cassa immediati e verificabili.

| Componente fisico dell'IA | Quota stimata della BOM / delle risorse | Principali determinanti economiche e della catena di approvvigionamento |
| :--- | :--- | :--- |
| **Attuatori di precisione** | 40% – 60% della BOM totale (McKinsey) | Giunti, scatole del cambio, motori e riduttori ad alta precisione. |
| **Moduli batteria** | 5% – 10% della BOM totale (McKinsey) | Allocazione relativa del capitale inferiore rispetto all'attuazione. |
| **Magneti di terre rare NdFeB** | 2 – 3 kg per robot umanoide (CRU) | Fattore strutturale della domanda di elementi delle terre rare pesanti. |

Comprendere questa espansione strutturale degli investimenti richiede l'applicazione del paradosso di Jevons. Un calo di 100 volte dei costi unitari dei token non riduce la spesa totale per il calcolo; al contrario, prezzi unitari inferiori innescano un'espansione esplosiva del consumo aggregato di token. Quando le singole interazioni domanda-risposta vengono sostituite da cicli di ragionamento multiagente che eseguono simulazioni continue in secondo piano e chiamate automatizzate agli strumenti, la domanda aggregata di capacità di calcolo fisica accelera nonostante il crollo dei prezzi unitari.

Per gli investitori fondamentali di lungo periodo che valutano l'allocazione del capitale, l'acquisizione sostenibile di valore richiede di evitare la pura scarsità fisica, privilegiando imprese caratterizzate da un elevato ROIC incrementale, potere di determinazione dei prezzi e cicli di riscontro integrati nei flussi di lavoro. Gli investitori interessati a modelli di valutazione più approfonditi e a calcoli fondamentali degli owner earnings (utili per il proprietario) possono esplorare la nostra ricerca aziendale a codice aperto sul sito di DeepValues Research oppure valutare il valore intrinseco e il margine di sicurezza di qualsiasi azione utilizzando l'app DeepValues.

## 5. Dati chiave

*   **78%**: Quota di mercato approssimativa delle imprese giapponesi nelle vendite di fotoresist per semiconduttori, in base alla nazionalità dell'azienda.
*   **>$700 miliardi**: Investimenti stimati per il 2026 degli operatori di infrastrutture su vasta scala secondo l'IEA, prevalentemente destinati all'espansione dei centri dati.
*   **Da 485 TWh a ~950 TWh**: Aumento previsto del consumo di elettricità dei centri dati dal 2025 al 2030 (IEA).
*   **Fine del 2027**: Persistenza prevista delle carenze di offerta di memoria ad alta larghezza di banda (HBM) (IEA).
*   **50% / 33% / 18%**: Quote stimate dei ricavi HBM nel Q2 2026 per SK Hynix, Samsung e Micron, rispettivamente (Counterpoint).
*   **Da $20 a $0.07 per milione di token**: Calo del costo per ottenere prestazioni MMLU al livello di GPT-3.5 tra novembre 2022 e ottobre 2024, pari a una riduzione di 280x (indice dell'IA di Stanford).
*   **~80%**: Calo dei prezzi dei modelli linguistici corretti per la qualità da gennaio 2024 ad aprile 2026 (OCSE).
*   **25 punti Elo di Arena**: Ridotto divario prestazionale che separa i modelli di frontiera di Anthropic, xAI, Google e OpenAI a marzo 2026 (indice dell'IA di Stanford 2026).
*   **3.3%–3.4%**: Divario prestazionale tra il migliore modello a codice chiuso e il migliore modello a pesi aperti a marzo 2026 (indice dell'IA di Stanford).
*   **Dal 35% al 63%**: Aumento della quota dei modelli di frontiera nella spesa aziendale per l'IA tra Q3 2025 e Q3 2026 (ricerca Menlo).
*   **40%–60% contro 5%–10%**: Percentuale stimata della distinta base (BOM) di un robot umanoide rappresentata dagli attuatori rispetto ai moduli batteria (McKinsey).
*   **2–3 kg**: Fabbisogno stimato di magneti di terre rare NdFeB per robot umanoide (CRU).

## 6. Cosa ci farebbe cambiare opinione

*   **Rapida obsolescenza delle architetture CUDA e HBM:** Accelerazione di interconnessioni o architetture di memoria alternative che riescano a soppiantare HBM e NVLink, indebolendo i fossati economici (moat) delle reti a livello di sistema prima del 2027.
*   **Riduzione degli investimenti degli operatori di infrastrutture su vasta scala:** Una netta revisione al ribasso della traiettoria di investimenti annuali di >$700 miliardi degli operatori di infrastrutture su vasta scala, dovuta a un deludente rendimento del capitale investito (ROIC) o a gravi ritardi nell'interconnessione alla rete elettrica.
*   **Rapida monetizzazione e stagnazione dei modelli a pesi aperti:** L'annullamento del divario prestazionale di frontiera del 3.3–3.4%, che induca i clienti aziendali ad abbandonare i modelli chiusi di fascia alta a favore di modelli a pesi aperti localizzati ed economici.
*   **Implementazione accelerata dell'IA fisica:** Commercializzazione di massa e produzione su vasta scala della robotica umanoide che raggiungano milioni di unità ben prima del 2030, spostando l'acquisizione immediata di valore dei flussi di cassa verso le catene di approvvigionamento degli attuatori e dei magneti.

## 7. Fonti

Decodificare il valore dell'IA, Chamath Palihapitiya (lettera annuale 2025 e quadro di riferimento correlato)
Indice dell'IA di Stanford (Università di Stanford, dati 2024–2026)
Rapporti dell'Agenzia internazionale dell'energia (IEA) su elettricità e investimenti
Counterpoint Research (analisi del mercato dei semiconduttori e delle HBM nel Q2 2026)
Ricerca di McKinsey & Company sulla BOM della robotica
Ricerca di CRU Group sui materiali e sulle terre rare
Studi OCSE sui prezzi dei modelli linguistici (2024–2026)
Ricerca di Menlo Ventures sulla spesa aziendale per l'IA (2025–2026)
Ricerca della Johns Hopkins University sulle infrastrutture e sull'alimentazione elettrica dei centri dati
Indagine di LangChain sull'IA in produzione (2026)

## From DeepValues

- DeepValues app: intrinsic value, stances and the latest reports for 300+ stocks. [iPhone](https://apps.apple.com/us/app/deepvalues/id6775568608?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android](https://play.google.com/store/apps/details?id=app.deepvalues.android&referrer=utm_source%3Dresearch%26utm_medium%3Dweb%26utm_campaign%3Dmarkdown) · [Web](https://app.deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown)
- [Deep Value Intelligence](https://deepvalues.ai/?utm_source=research&utm_medium=web&utm_campaign=markdown): the multi-agent AI analyst behind these reports, for any listed company
- [Margin of Safety Weekly](https://app.deepvalues.ai/letter?utm_source=research&utm_medium=web&utm_campaign=markdown): free weekly email, every Saturday
- YouTube: videos on investing and on AI. [@TheDeepValues](https://www.youtube.com/@TheDeepValues?utm_source=research&utm_medium=web&utm_campaign=markdown) (investing) · [@deep-values](https://www.youtube.com/@deep-values?utm_source=research&utm_medium=web&utm_campaign=markdown) (AI)
- Podcasts: 6 shows in English and Chinese (Deep Values, 深度价值, Deep Values Frontier, 深度價值前沿, Deep Value Intelligence, 深度价值情报站). [all shows on Apple Podcasts](https://podcasts.apple.com/us/channel/deepvalues/id6826606342)
- Buffett Indicator: market-valuation gauge. [iPhone](https://apps.apple.com/us/app/buffett-indicator/id6747404614?utm_source=research&utm_medium=web&utm_campaign=markdown) · [Android (Buffett Indicator & Shiller PE)](https://play.google.com/store/apps/details?id=com.luluventures.bubblewatch.android&utm_source=research&utm_medium=web&utm_campaign=markdown)
