Non passa giorno in cui non escano i nomi OpenAI e Anthropic o Sam Altman e Dario Amodei. Le persone informate sanno cosa vendono: modelli – la base o la frontiera – per addestrare algoritmi di intelligenza artificiale. Ci sono molti modelli nella danza. Mercoledì scorso Google ha presentato Gemini 4, soprannominato Argon, la sua risposta alle ultime versioni di GPT 6 Astra (OpenAI) e Claude Opus 5.5. (Antropologia). Tutti e tre hanno lo scopo di migliorare e automatizzare le applicazioni aziendali esistenti. Incontrano una mezza dozzina di modelle cinesi (DeepSeek, Z.ai, Qween e Kimi K3 sono le più notevoli) che mangiano il loro spuntino. D’altra parte, tra i modelli consumer – oggi gratuiti – Meta è leader, rapportando il suo modello a una famiglia di dispositivi personali. Forse Apple vuole seguire questa strada.
In questa situazione, gli aspetti economici dei modelli di intelligenza artificiale sono meno conosciuti e più complessi rispetto ai loro più agguerriti concorrenti: il bisogno di profitto, quando i consumi aumentano, i prezzi aumentano o i costi energetici diminuiscono, o entrambi, ma l’uno o l’altro non si verifica.
Anthropic annuncia la sua IPO rivelando una perdita di 48.000 milioni di dollari, secondo Chronicle of the Day, mentre Open-AI, che ha ritardato la propria per paura di uno slittamento, ammette di aver perso 21.600 milioni di dollari nel primo semestre. In contrasto con queste cifre, Anthropic spera di raggiungere una valutazione di borsa di 965 miliardi di dollari, mentre il suo diretto concorrente continua a contrarre prestiti partendo dal presupposto che varrà 852 miliardi di dollari. Questo è un aspetto dell’ingegneria finanziaria che supporta l’intelligenza artificiale di cui molti parlano.
L’ingegneria finanziaria per gli investimenti è accompagnata da una lotta per le quote di mercato
Tre fattori intervengono nella creazione della domanda delle imprese. Innanzitutto, l’aumento dei costi informatici; In secondo luogo, l’emergere di modelli cinesi Open Weight molto economici e, in terzo luogo, la sensibilizzazione per evitare che i budget dell’IA delle aziende salgano alle stelle. Nel dibattito delle ultime settimane su una proposta condivisa da Amodei e Altman – non espressa – per rallentare lo sviluppo dell’intelligenza artificiale, un quarto fattore è l’esistenza di una guerra dei prezzi non riconosciuta. I clienti stanno iniziando a incorporare modelli nei loro flussi di lavoro, il che indica una mancanza di lealtà.
A meno che l’amministrazione Trump non trovi una scusa per bloccare i modelli cinesi, farà la parte del leone. Ad aprile, l’utilizzo di DeepSeek era dell’1% e un mese dopo era del 17%. Da maggio ha goduto di un tasso di utilizzo molto più elevato rispetto agli americani, ed è comprensibile il motivo: costa da tre a dieci volte meno.
I modelli cinesi, molto più economici, prendono posizione dall’America.
La guerra dei prezzi è inevitabile? Così sembra con una sfumatura intrigante: il compenso è calcolato in gettoni (da qui il neologismo Toconomica ), un’unità di misura per i dati di input e output consumati. Un esempio: Astra (la più moderna di OpenAI) costa 10 dollari per milione di token e 50 dollari per milione a seconda che sia input o output. Le molestie sono arrivate a un punto in cui si discute se non sia conveniente consegnare gettoni e una fattura a lavoro svolto, metodo che si dice sia più autentico. Un’altra formula sperimentata, con scarso successo, è l’abbonamento a prezzo fisso per un volume massimo.
Se il costo dell’utilizzo di un modello, misurato in token, è maggiore del costo dei dipendenti da sostituire, i prezzi devono scendere affinché l’innovazione possa sostenersi. Allora chi assorbirà le perdite tra la data della parità e oggi? Lo chiedono gli investitori e per i futures quotati non ci sono risposte attendibili.