Chi paga il conto

L’articolo su quanto costa far girare un agente tratta il prezzo dei token come un dato di fatto: c’è un listino, si fanno i conti, si progetta di conseguenza. È il modo giusto di ragionare per chi deve costruire qualcosa adesso, e lascia aperta una domanda che prima o poi finisce sul tavolo di chi decide.

Quel prezzo, da dove viene? E reggerà?

Non è una curiosità da economisti. Chi ha già costruito qualcosa su questi prezzi ha sotto i piedi un terreno che può muoversi, e il momento per accorgersene è adesso.

Il conto che resta aperto

Gli investimenti crescono più in fretta dei ricavi attribuiti all’AI. Il dato segnala un’incertezza sul rendimento futuro, senza dimostrare che ogni servizio perda denaro.

Il modello di riferimento del Goldman Sachs Global Institute stima per il 2026 765 miliardi di dollari di investimenti annui in calcolo, centri dati ed energia, destinati a salire a 1.600 miliardi l’anno entro il 2031: circa 7.600 miliardi in tutto nell’arco di sei anni. Gli autori osservano che l’intero dibattito su queste cifre si riduce a una sola incognita: l’uso giustificherà la spesa? La lasciano aperta.

Qualcuno ha provato a misurare quanto sia aperta. Allianz Research misura il divario fra investimento e ricavo: gli investimenti corrono più in fretta dei ricavi, e lo scarto fra le due velocità è di circa 46 punti, contro i 32 della bolla delle telecomunicazioni del 2001. Il paragone viene da un assicuratore del credito e merita attenzione, pur senza trasformarsi in una previsione.

Un dato però complica il racconto, e senza quel dato il discorso diventa una previsione di crollo che nessuno è in grado di fare. Secondo Bloomberg i ricavi dell’AI hanno cominciato a superare gli ammortamenti dei centri dati per due trimestri consecutivi.

L’ammortamento è la quota con cui ogni anno si ripartisce nei conti il costo di un bene destinato a durare: un centro dati da un miliardo, che si prevede resti in servizio sei anni, pesa sul bilancio per poco meno di centosettanta milioni l’anno. Ricavi superiori a quella quota non dimostrano né il recupero dell’intero investimento né un utile, perché mancano gli altri costi. Impediscono però di concludere che i prezzi correnti non ripaghino la capacità. Investimenti, ricavi e ammortamenti appartengono a passaggi contabili diversi. Insieme mostrano che il rendimento dipende dall’uso futuro; il margine odierno del singolo servizio resta ignoto.

Per chi costruisce un agente la conseguenza è concreta: i prezzi di oggi non sono garantiti. Un sistema il cui equilibrio economico sta in piedi solo con le tariffe di adesso è un sistema fragile, e il difetto non si corregge rifacendo il preventivo: sta nel modo in cui il sistema è costruito.

Sono prezzi promozionali?

Una strategia di conquista del mercato è plausibile. Da soli i dati aggregati non provano però che una chiamata sia venduta sotto costo.

La spiegazione più immediata va considerata: costruire capacità prima che arrivi la domanda e abbassare i listini può servire a conquistare il mercato. Il copione dei prezzi predatori è più preciso e richiede una prova ulteriore: vendita sotto costo per escludere i concorrenti e recupero successivo grazie al potere di mercato. Gli investimenti elevati, i prezzi in calo e il vincolo al fornitore rendono serio il rischio, ma non dimostrano quella condotta.

I fatti mostrano che gli investimenti infrastrutturali e i ricavi attribuiti all’AI crescono a velocità diverse. Non mostrano se il prezzo di un determinato servizio ripaghi la capacità usata per erogarlo. Come spiega l’articolo su ricavi, carico e capacità, il costo unitario dipende dall’utilizzo e dal livello di servizio: lo stesso prezzo può stare sopra il costo diretto a un carico e sotto a un altro.

Il costo di servizio comprende la quota di capacità e gli altri costi direttamente attribuibili alle richieste servite nel periodo. Il costo totale comprende anche ricerca, addestramento, capitale e costi aziendali successivi. Un fornitore può avere un margine positivo sull’inferenza senza avere ancora recuperato gli investimenti complessivi. Può anche sostenere il servizio con altri ricavi. Dall’esterno questi conti non sono separabili, perché chi vende non li pubblica con quel dettaglio.

La conclusione utile è quindi più stretta: i prezzi possono cambiare e il loro andamento non si può dedurre dagli investimenti aggregati. Il rischio va gestito senza trasformarlo in previsione.

I modelli a pesi aperti aggiungono un riferimento competitivo, ma non fissano un tetto automatico. L’alternativa disciplina il prezzo soltanto quando offre qualità, disponibilità, regione e livello di servizio confrontabili e quando chi la usa può sostenere il costo della capacità necessaria. La sua efficacia dipende dunque dalla sostituibilità reale del modello. La sola possibilità di scaricarne i pesi non basta.

Dipendere per funzionare

Il modello si ospita in casa per riservatezza e per obblighi di legge. Della terza ragione si parla poco, ed è la più seria.

Quando un’impresa valuta se ospitare il modello in casa, le ragioni che vengono elencate sono quasi sempre due: la riservatezza dei dati e il rispetto delle norme. Della terza si discute meno, e a mio parere pesa di più, perché riguarda il funzionamento dell’azienda.

Nella fase sperimentale nessun processo dipende dall’agente. Quando funziona, invece, l’agente entra nel processo: le persone smettono di fare a mano il lavoro che fa lui, la procedura manuale non si esegue più, e nel giro di un anno chi sapeva eseguirla è passato ad altro. A quel punto la dipendenza non è più una scelta tecnologica: è la condizione di funzionamento dell’azienda.

E il fornitore non ha promesso di restare uguale. Un modello non è un oggetto permanente, è un prodotto: il ciclo di vita di un modello ha un inizio e una fine come quello di qualunque altro. Viene pubblicato, resta in servizio per un tempo che nessuno dichiara in anticipo, a un certo punto ne viene annunciata la dismissione, e alla fine smette di rispondere. Chi costruisce un agente appoggia quindi un processo aziendale su un componente che ha già una data di fine, decisa da altri.

L’ultima fase ha un nome: è il ritiro delle versioni. Il modello resta raggiungibile per il periodo annunciato, poi si spegne, e al suo posto c’è una versione nuova che con le stesse istruzioni si comporta in modo diverso. È tutto scritto e regolare: chi vende pubblica i propri preavvisi, e conoscerli è la differenza fra pianificare e subire.

I preavvisi però non si somigliano affatto, e questa è la parte da guardare. Sui modelli di listino OpenAI dichiara almeno sei mesi, che scendono a tre per le varianti specializzate e a due settimane per i modelli in anteprima; Microsoft, per i modelli distribuiti attraverso la propria piattaforma, garantisce almeno sessanta giorni. Un processo aziendale costruito su una versione in anteprima sta quindi in piedi su un preavviso di quattordici giorni, e quasi sempre chi l’ha costruito non lo sa.

Quello che invece non viene pubblicato è la durata. I fornitori dichiarano con quanto anticipo avvertiranno. La durata del modello resta sconosciuta: la scadenza esiste e la data non è scritta da nessuna parte. È da qui, molto più che dal ritiro in sé, che viene il rischio vero. Una data che non si conosce non si può mettere in un piano, e l’unica difesa che resta è progettare come se fosse vicina.

Niente di tutto questo è malafede: i fornitori si comportano come qualunque produttore di software, e lo dichiarano. Resta il fatto che il processo può fermarsi per un aggiornamento deciso altrove e in una data che l’impresa non ha scelto.

È il rischio di dipendenza, che le imprese conoscono già bene sotto altro nome - continuità operativa, dipendenza da fornitore - e che qui si presenta con una differenza: il componente da cui si dipende non è deterministico, cioè alla stessa domanda non risponde sempre allo stesso modo. Non basta quindi congelare una versione, bisogna anche accorgersi di quando cambia. Le contromisure sono note e non hanno niente di straordinario:

• tenere documentata la via manuale, e ripercorrerla ogni tanto, perché una procedura che nessuno esegue più smette di essere una via d’uscita;
• avere un banco di prova che riveli se il comportamento del modello è cambiato, invece di scoprirlo dai reclami;
• non lasciare che il processo dipenda da un fornitore soltanto.

Quando andarsene costa troppo

Non poter smettere e non poter cambiare sono due cose diverse. La seconda ha un rimedio nuovo, e viene dal regolamento europeo sui dati.

La dipendenza descritta finora riguarda il funzionamento: il processo si ferma se l’agente si ferma. La seconda riguarda la libertà di andarsene, e si chiama vincolo al fornitore. Le due si confondono facilmente e vanno tenute separate, perché si contrastano in modi diversi.

Il vincolo si costruisce con pezzi che presi uno per uno sembrano innocui:

• i formati proprietari in cui finiscono le conversazioni e le istruzioni messe a punto in mesi di lavoro;
• le integrazioni scritte sulle particolarità di un fornitore;
• le tariffe di uscita per riprendersi i propri dati;
• gli strumenti di contorno che funzionano bene solo dentro quell’ecosistema.

Nessuno di questi impedisce di cambiare; messi insieme rendono il passaggio ad altri abbastanza caro da non farlo, e il risultato è lo stesso, ottenuto in modo più elegante.

Su questo l’Europa ha fatto qualcosa di recente e ancora poco noto. Il regolamento sui dati - il Data Act, in vigore dal settembre 2025 - dedica un capitolo intero al passaggio da un fornitore di servizi di trattamento dei dati a un altro: obbliga a rimuovere gli ostacoli tecnici, contrattuali ed economici al cambio, impone di restituire i dati entro tempi definiti e in un formato leggibile da altri sistemi, vieta le tariffe di uscita eccessive. Che il vostro fornitore di modelli rientri o no fra quelli dipende da come è scritto il contratto, e in generale non si può rispondere: è però una verifica che adesso ha senso fare, perché fino a ieri non aveva risposta.

Detto altrimenti: «ospitiamo in casa?» non è solo una questione di dati e di costi. Si sta decidendo quanto si è disposti a dipendere, ed è meglio deciderlo prima che decida l’abitudine.

Comprare le macchine non libera dalla dipendenza

Chi vuole uscire dalla dipendenza comprando macchine scopre che le macchine costano care proprio perché tutti gli altri scelgono di dipendere.

La reazione istintiva - allora ospito in proprio e mi tolgo dal problema - ha un fondamento solido: il costo non dipende più dal listino API del produttore. Non dipende però soltanto dalle macchine. Contano utilizzo della capacità, ammortamento, energia, personale, software e livello di servizio. Il preventivo si scontra inoltre con il rincaro della memoria. Far girare un modello grande in casa richiede macchine con centinaia di gigabyte di memoria, e la memoria è proprio il componente il cui prezzo è esploso, perché i centri dati la stanno comprando tutta.

I numeri riportati da IEEE Spectrum sono questi: i prezzi della memoria sono saliti fra l’80 e il 90% in un solo trimestre (stima Counterpoint Research); in Micron la memoria ad alta banda e quella per il cloud sono passate dal 17% dei ricavi di reparto nel 2023 a quasi il 50% nel 2025, segno di quanta produzione sia stata riorientata verso l’AI; e l’amministratore delegato di Intel ha detto senza giri di parole che prima del 2028 non ci sarà tregua.

Le due strade espongono a rischi diversi. Il prezzo a token è deciso da chi vende e può cambiare con un listino nuovo. Il costo della capacità propria dipende invece da utilizzo, ammortamento e prezzi dei componenti. Il rincaro della memoria non si allenta a comando: la domanda dei centri dati rende più costosa anche l’alternativa ospitata sulle proprie macchine.

I pesi aperti, e i dubbi che si portano dietro

I modelli cinesi a pesi aperti non richiedono il pagamento dell’API al produttore. Eseguirli e svilupparne di nuovi continua però a costare.

Chi porta il modello sulle proprie macchine deve poi decidere quali pesi installarci, e nell’ultimo anno nessuna scelta è cambiata quanto questa. I laboratori cinesi - DeepSeek, Qwen di Alibaba, Kimi di Moonshot, GLM - pubblicano modelli a pesi aperti: si scaricano, si installano e si usano senza pagare l’API del produttore. Restano i costi dell’esecuzione e le dipendenze da hardware, software e operatori eventualmente scelti per ospitarli. Fino a ieri non erano competitivi, adesso lo sono. La misura più prudente che conosco è quella di Epoch AI, che invece di confrontare punteggi confronta il tempo: dall’inizio del 2026 i migliori modelli a pesi aperti stanno indietro rispetto ai modelli chiusi di punta di circa quattro mesi. E i modelli cinesi, sempre secondo Epoch, restano indietro dai migliori americani di sette mesi in media dal 2023.

Quattro mesi di ritardo, senza pagare l’API al produttore, possono essere un buon compromesso per molti usi, purché il costo dell’esecuzione resti sostenibile. Per un’organizzazione europea che non vuole legarsi a un fornitore americano è la strada più interessante comparsa finora. Va guardata però con lo stesso occhio con cui abbiamo guardato le altre.

Anche qui il conto dello sviluppo resta aperto. Addestrare un modello di punta vuol dire centinaia di acceleratori di calcolo occupati per mesi, e i numeri di Epoch AI dicono due cose. La prima riguarda la composizione della spesa: 47–67% le macchine, 29–49% il personale di ricerca, appena il 2–6% l’energia. La voce di cui si parla di più è quella che pesa di meno, e il grosso sta nelle macchine e negli stipendi di persone molto contese. La seconda riguarda l’andamento: il costo di addestramento cresce di circa 2,4 volte l’anno dal 2016 - in tre anni si moltiplica per quattordici - e di questo passo l’addestramento più caro è stimato superare il miliardo di dollari entro il 2027.

Una spesa del genere richiede nel tempo una fonte di rendimento, privata, pubblica o strategica. Il rilascio dei pesi non rivela chi finanzierà l’addestramento successivo né a quali condizioni. Pubblicarli può servire a erodere il vantaggio di chi vende accesso, costruire un ecosistema o far conoscere il laboratorio; sono scelte strategiche e quindi reversibili.

Una cosa però non è reversibile: quello che avete già scaricato non ve lo può ritirare nessuno. La versione che avete oggi resta vostra anche se domani il laboratorio che l’ha prodotta chiude o cambia idea, e non c’è listino nuovo che possa togliervela. È una garanzia stretta, perché copre il modello di adesso e non quello che verrà, ed è l’unica di tutto questo mercato che non dipenda dalla volontà di qualcun altro.

L’Europa non guida il mercato dei modelli di punta, pur con eccezioni come Mistral. Per la maggior parte delle aziende conviene chiedersi in quale parte del sistema costruire un vantaggio, invece di tentare l’addestramento di un modello di frontiera.

Dove costruire il vantaggio

I motori aperti che eseguono e adattano i modelli richiedono molto meno capitale dell’addestramento di frontiera. Qui un’azienda europea può costruire un vantaggio proprio.

La risposta sta soprattutto nei motori che fanno girare i modelli. Gli strumenti che eseguono i pesi in modo efficiente, li adattano a un compito specifico e li fanno stare su macchine più piccole sono in gran parte aperti e sviluppati da comunità. È un livello nel quale l’ingegno pesa più del capitale richiesto per addestrare un modello di frontiera. Qui opera anche l’harness, che incide sul costo, sulla sostituibilità e sulla riuscita del sistema insieme al modello scelto.

Il motore di esecuzione non serve solo a spendere meno. È anche dove si decide se domani potrete cambiare modello senza rifare il lavoro. Chi lo costruisce bene ottiene le due cose insieme; chi non lo costruisce le perde tutte e due, e se ne accorge nel giorno peggiore.

Come si progetta con questa incertezza

L’harness va progettato dal primo giorno per far girare più di un modello. E «funziona» deve voler dire «con la stessa qualità», non «senza errori».

Quale strada prevarrà - canoni americani, pesi aperti cinesi, qualcosa che ancora non c’è - non si sa, e chi sostiene di saperlo ha qualcosa da vendere.

La conseguenza pratica porta a una raccomandazione che regge in tutti questi scenari: l’harness va progettato dal primo giorno per far girare più di un modello. La proprietà da cercare si chiama sostituibilità del modello e va prevista all’origine. Aggiungerla quando serve impone una riscrittura: esattamente il progetto che manca il tempo di fare nel giorno in cui diventa necessario.

E far girare non vuol dire funzionare. Un modello sostituito può rispondere senza rompere niente e intanto sbagliare una classificazione su cinque. In quel caso la migrazione ha prodotto un guasto che nessuno ha visto. Il criterio è la stessa qualità di lavoro, e la qualità o si misura o è una parola.

Sembra un principio, e in pratica sono quattro cose concrete:

• il modello si chiama da un solo punto del vostro codice, non da trenta;
• le istruzioni e le definizioni degli strumenti stanno in file vostri, in un formato che non appartiene a nessun fornitore;
• conversazioni, esiti e correzioni restano in casa vostra, e non soltanto nella cronologia di chi vi vende il servizio;
• c’è una valutazione, cioè quell’insieme di casi con l’esito atteso di cui parla l’articolo sull’harness: è l’unico strumento che distingue «gira» da «lavora come prima», e senza di essa la sostituibilità tecnica non vi serve a niente.

Non è un consiglio prudenziale generico: è quello che rende praticabile l’alternativa il giorno in cui serve. Un modello a pesi aperti che sta quattro mesi dietro ai migliori vi protegge dal rialzo dei prezzi solo se potete davvero passarci; un ritiro di versione vi costa poco solo se cambiare versione è un’operazione e non un progetto. Sarebbe una buona regola di mestiere anche in un mercato tranquillo, e questo non lo è. Se il passaggio richiede tempi irragionevoli, l’alternativa resta soltanto teorica.

I concetti che questo articolo introduce

Tredici voci nuove, fra mercato, rischio e architettura. I concetti dell’articolo sui costi non sono ripetuti.

Fonti

• George Lee e Lucas Greenbaum, Goldman Sachs Global Institute, Tracking Trillions: The Assumptions Shaping the Scale of the AI Build-Out (1 maggio 2026) - i 765 miliardi di investimenti annui nel 2026 e i 7.600 miliardi cumulati al 2031.
• Allianz Research, AI capex cycle: war-proof for now (25 marzo 2026) - lo scarto di 46 punti fra crescita degli investimenti e crescita dei ricavi, e il confronto con i 32 punti del ciclo delle telecomunicazioni del 2001.
• Samuel K. Moore, AI Boom Fuels DRAM Shortage and Price Surge, IEEE Spectrum (10 febbraio 2026) - l’aumento dell’80–90% in un trimestre stimato da Counterpoint Research, lo spostamento dei ricavi Micron verso la memoria per l’AI e la previsione di Intel sulla durata della carenza.
• Epoch AI, How Much Does It Cost to Train Frontier AI Models?
  • la composizione della spesa di addestramento e la crescita di 2,4 volte l’anno; e i due indicatori sul ritardo dei modelli a pesi aperti e cinesi rispetto ai migliori.
• OpenAI, Deprecations e Microsoft, Model retirement schedule
  • i preavvisi di ritiro dichiarati dai due fornitori, da cui vengono i sei mesi, i tre, le due settimane e i sessanta giorni.
• Regolamento (UE) 2023/2854, Data Act, capo VI, e la pagina della Commissione europea
  • gli obblighi sul passaggio fra fornitori di servizi di trattamento dei dati, applicabili dal 12 settembre 2025.

Il dato sui ricavi che superano gli ammortamenti è riportato da Bloomberg e non è stato verificato su una fonte primaria accessibile. Va nella direzione opposta alla tesi dell’articolo.