23 luglio 2026·13 min di lettura13 min·

Massimo Mentrasti, Founder & CEO

Founder & CEO

Massimo Mentrasti

Con tre decenni di lavoro in aziende internazionali, di cui gli ultimi due in ruoli manageriali e imprenditoriali, ha acquisito un’esperienza senza precedenti nella vendita e nella gestione di grandi progetti di trasformazione in diversi settori e aree funzionali (e-commerce per la vendita al dettaglio, marketing digitale per l’automotive, CRM e applicazioni per le banche, sistemi di controllo a terra per l’industria aerospaziale). In qualità di partner di Accenture, negli ultimi 15 anni ha costruito da zero e guidato lo sviluppo di practice focalizzate su un’offerta altamente innovativa, come ad esempio trasformazione digitale, analytics, marketing digitale e automazione.

massimo@aevoluta.com

Due aziende protagoniste dell'intelligenza artificiale, in procinto di quotarsi in borsa, valgono insieme quasi due trilioni di dollari. Il paradosso è che vendono qualcosa che diventa, trimestre dopo trimestre, più economico e più facile da replicare. E mentre questo accade, i governi cominciano a trattare l'AI come un'arma strategica, da razionare e concedere.

Sono OpenAI e Anthropic, e si avvicinano alla soglia del trilione di valutazione.¹ Ed è curioso che, esattamente in questa fase, il racconto apocalittico sull'AI che distrugge il lavoro si stia ammorbidendo: a maggio 2026 Sam Altman si è detto «piuttosto in errore» sull'impatto economico dell'AI, e Dario Amodei è passato dalla «distruzione» del 50% dei lavori da colletto bianco a un più rassicurante messaggio di «moltiplicazione della produzione».² Una lettura possibile è che lo scenario distopico, utile per raccogliere capitali privati, diventi scomodo nel momento in cui occorre convincere un pubblico diverso: investitori istituzionali, regolatori e clienti enterprise.

Il resto del quadro completa il disegno. Google non scorpora i ricavi di Gemini, annegati in search e cloud, ma ad aprile 2026 è entrata con decisione anche nel campo aperto, rilasciando la famiglia Gemma 4 sotto licenza Apache 2.0, la prima davvero libera per l'uso commerciale.⁴ Meta ha alzato il capex 2026 a 115-135 miliardi di dollari e ha compiuto una svolta simbolica, passando dall'aperto Llama al modello proprietario Muse Spark.⁵ DeepSeek supera 1,1 miliardi di dollari di ricavi con prezzi vicini al costo; Mistral, l'alternativa europea, punta al miliardo dopo un round che la valuta 20 miliardi di dollari.

Un dato che i ricavi nascondono è che nessuna delle due aziende di punta guadagna. OpenAI, secondo The Information, ha bruciato 3,7 miliardi di dollari di cassa a fronte di 5,7 miliardi di ricavi nel primo trimestre 2026.⁶ Gli utili veri stanno altrove: a monte, in chi vende l'infrastruttura (Nvidia, con margini lordi intorno al 70%), e a valle, in chi ha già una macchina da soldi su cui appoggiare l'AI (Google, Meta). Ed è curioso notare che proprio Meta, inizialmente sponsor dei modelli aperti, si richiuda su un modello proprietario per inseguire la frontiera, nel momento stesso in cui il mercato scopre che l'open-weight è ormai abbastanza buono — mentre Google fa il movimento opposto, aprendo Gemma 4 sotto licenza libera: la partita tra aperto e chiuso non segue una sola direzione.

Un modello chiuso funziona come un servizio di streaming. Aziende come OpenAI, Anthropic o Google addestrano il modello, lo tengono sui propri server e ti vendono l'accesso: gli mandi una domanda attraverso un'interfaccia o un'API e ti torna la risposta, esattamente come premi play e parte il film senza che quel film sia mai davvero tuo. Paghi a consumo, di solito a «token» (le unità in cui il modello misura il testo: all'incirca tre quarti di parola). Il vantaggio è la comodità: nessun server da gestire, sempre l'ultima versione disponibile. Lo svantaggio è che dipendi interamente dal fornitore, per il prezzo, per le regole d'uso, per la continuità del servizio e per dove finiscono i tuoi dati. E come su una piattaforma di streaming, il catalogo può cambiare, l'abbonamento può rincarare e l'accesso, in teoria, può esserti tolto.

Un modello aperto, o open-weight, è invece come scaricare il file e tenertelo sul disco. I «pesi» del modello — i miliardi di numeri che ne costituiscono di fatto il cervello, risultato dell'addestramento — vengono pubblicati, e chiunque può scaricarli, eseguirli sui propri computer, ispezionarli e adattarli. È la strada di modelli come quelli di Mistral, DeepSeek o, storicamente, Llama di Meta. Qui ti gestisci tu lo «spazio su disco», cioè l'hardware e le competenze per farlo girare, ma il modello è tuo: una volta scaricato nessuno può alzarti il prezzo dall'oggi al domani, cambiarti le condizioni, leggere quello che ci fai passare dentro o spegnertelo da remoto.

Due precisazioni utili per non confondersi. Primo: «open-weight» non vuol dire automaticamente «open source» nel senso pieno: nella maggior parte dei casi viene rilasciato il modello finito (i pesi), ma non i dati di addestramento né tutto il codice per ricostruirlo da zero — è come avere il file del film, ma non il girato originale né il software di montaggio per rifarlo da capo. Secondo: «aperto» non vuol dire «gratis». Scaricare il modello non costa nulla, ma farlo girare bene, su carichi importanti, richiede macchine e persone che costano.

Tenere a mente questa distinzione è ciò che rende leggibile tutto il resto. Quando lo studio del MIT, più avanti, dice che i modelli aperti offrono circa il 90% delle prestazioni a un settimo del prezzo, sta dicendo che il «file da tenere in casa» è ormai quasi buono quanto lo «streaming in abbonamento» — ed è esattamente il meccanismo che trasforma i modelli linguistici in una commodity.

Secondo una recente ricerca del MIT — una bozza di Frank Nagle e Daniel Yue — su diversi benchmark i modelli open-weight arrivano intorno al 90% delle prestazioni dei migliori modelli chiusi, a un costo di inferenza molto inferiore: circa l'87% in meno nel loro campione (0,23 contro 1,86 dollari per milione di token).⁷ Sono numeri che dipendono dai benchmark e dalle condizioni di deployment, non una legge universale, ma la direzione è netta. Lo studio aggiunge un dettaglio scomodo: in una simulazione economica, non una misura osservata, spostare la domanda verso i modelli aperti dominanti farebbe risparmiare agli utilizzatori circa 25 miliardi di dollari su base 2025. La preferenza per i modelli chiusi sembra quindi più inerzia organizzativa che vantaggio tecnico stabile — anche se non è solo inerzia: affidabilità, supporto, garanzie contrattuali e sicurezza gestita restano ragioni concrete per cui molte aziende continuano a sceglierli.

E non è più solo una dinamica di mercato: sta diventando una posizione dichiarata.

Detto dal CEO del principale finanziatore di OpenAI, mentre Microsoft stessa spinge su modelli a basso costo e intercambiabili, è un segnale che pesa: la commoditizzazione non è più soltanto ciò che il mercato fa, ma ciò che perfino gli operatori dominanti cominciano a rivendicare come necessaria.⁸

Presi insieme, i tre movimenti raccontano la stessa storia: Google apre Gemma 4, Microsoft invoca apertamente la commodity, Meta si chiude in controtendenza. Quando i giganti si muovono così, la commoditizzazione smette di essere una previsione e diventa una direzione.

Attenzione però a non generalizzare. Non sono i modelli linguistici in blocco a diventare commodity, ma molti dei loro usi più diffusi e ripetitivi. Il ragionamento di frontiera, l'orchestrazione di agenti, la multimodalità e l'integrazione enterprise profonda possono mantenere margini elevati ancora a lungo. Il mercato, più che appiattirsi, si sta biforcando: uno strato di routine a basso costo e uno strato di frontiera ancora difendibile.

Il segnale più netto è arrivato il 12 giugno 2026, quando gli Stati Uniti hanno limitato l'uso all'estero dei propri modelli di frontiera — nel caso più discusso, Fable 5 e Mythos 5: un ordine motivato da ragioni di sicurezza ne ha sospeso l'accesso a qualsiasi cittadino straniero, costringendo Anthropic a disattivarli per tutti.⁹ Per anni l'assunto implicito è stato che l'intelligenza artificiale fosse un servizio globale come un altro: paghi e accedi, da qualunque Paese. Quel blocco rompe l'assunto. Un modello di punta non è più un prodotto che chiunque, ovunque, può semplicemente comprare; diventa un asset strategico che un governo può decidere di trattenere, razionare o concedere, come già si fa con la tecnologia a «duplice uso», civile e militare insieme.

La conseguenza va nella stessa direzione delle due forze descritte sopra. Chiudere l'accesso ai modelli americani non rallenta i concorrenti: li costringe a costruirsi un'alternativa. È la spinta più potente che si possa immaginare verso la sovranità tecnologica di Europa e Cina. Questa sovranità può prendere due forme: un modello nazionale ma comunque chiuso, oppure un modello aperto. Ed è la seconda strada a uscirne rafforzata, perché un modello aperto e già scaricato sui propri server è per definizione molto più difficile da «spegnere a distanza» rispetto a un'API che dipende da un fornitore estero. Quando il rubinetto di un fornitore può essere chiuso per decisione politica, un modello che già possiedi diventa non solo più economico, ma più sicuro in senso strategico.

Si delineano così due film molto diversi. Da una parte, alcune aziende americane in procinto di quotarsi — Anthropic e OpenAI in testa — sembrano correre per costruire «il modello che dominerà il mondo»: una singola intelligenza di frontiera così avanti da rendere superfluo tutto il resto. Dall'altra, Europa e Cina lavorano proprio per sottrarsi a quel copione, costruendo alternative nazionali o aperte che impediscano a chiunque — Washington compresa — di tenere in mano l'interruttore.

Il futuro non lo conosce nessuno. Ma non sarebbe sorprendente se, fra qualche anno, il panorama si stratificasse così: un'intelligenza artificiale «abbastanza buona per la maggior parte dei lavori» diventata gratuita o quasi, aperta, scaricabile, commoditizzata — esattamente come prevede la curva dei costi vista sopra — e sopra di essa una fascia ristretta di modelli molto più costosi, riservati ai compiti di frontiera: la ricerca scientifica avanzata e, soprattutto, gli usi militari e di sicurezza nazionale. Modelli, questi ultimi, che non si vendono come un abbonamento ma si esportano come si esportano le armi: con licenze, vincoli d'uso, clausole sul dove e sul come, e versioni volutamente depotenziate per i partner stranieri.

Se così fosse, l'attuale corsa al «modello che vale mille miliardi» apparirebbe, col senno di poi, come la fotografia di un momento intermedio: quello in cui l'intelligenza di base non era ancora abbastanza diffusa da essere gratis, né abbastanza strategica da essere trattata come materiale di difesa. Un momento in cui, per una manciata di anni, è sembrato che un singolo modello potesse valere quanto un'intera industria, prima che il valore migrasse, come quasi sempre accade, altrove: in basso verso ciò che diventa infrastruttura gratuita, e in alto verso ciò che diventa segreto di Stato.

Un dato lega i due mondi: costruire l'infrastruttura costa ormai quanto l'«intelligenza» che ci gira sopra. Un grande data center vale nell'ordine del miliardo di dollari — un impianto da 100 MW costa tra 0,9 e 1,5 miliardi — una cifra dello stesso ordine di grandezza di quanto serve per addestrare un modello di frontiera: tra 200 e 500 milioni oggi, in rotta verso una forbice tra 1 e 3 miliardi entro il 2027.¹¹ La differenza è nei volumi: di data center se ne costruiscono a migliaia, di modelli di frontiera pochi. Per questo, in aggregato, l'infrastruttura pesa molto più dei modelli: McKinsey stima un investimento cumulato, non annuo, di 6.700 miliardi di dollari in data center da qui al 2030.¹⁰ Il valore, nell'AI come nel cloud, si deposita nell'infrastruttura più che nel singolo prodotto.

E come nel cloud, anche qui la sovranità sta già riscrivendo il mercato. Il cloud si è consolidato attorno a tre hyperscaler americani, che insieme valgono circa due terzi del mercato mondiale, ma il timore del CLOUD Act e le tensioni geopolitiche stanno spingendo l'Europa verso fornitori del continente, da OVHcloud alla STACKIT del gruppo Schwarz. Secondo Gartner la spesa europea in cloud sovrano passa da 6,9 miliardi di dollari nel 2025 a oltre 20 miliardi nel 2027, più del triplo in due anni.¹² È il precedente più diretto di ciò che la spinta sovrana e gli export control possono fare ai modelli.

Resta il parallelo più scomodo, quello delle telecom e della fibra del 2000: capex fuori scala, sovraccapacità, crollo dei prezzi. I sopravvissuti, da Cisco in giù, sono diventati aziende solide e profittevoli, ma mai più vicine ai multipli del 1999.

È più prudente attendersi, col tempo, multipli più vicini a quelli delle infrastrutture software mature che a quelli impliciti in una narrativa da vincitore che piglia tutto. È lo stesso schema di Cisco dopo il 2001: un'azienda rilevante e profittevole, ma mai più ai multipli di quando si pensava possedesse l'intera rete.

Del resto il conto, oggi, fatica a tornare: il capex AI dei big tech è passato da circa 410 miliardi di dollari nel 2025 a circa 725 previsti per il 2026.¹¹ E il conto di David Cahn (Sequoia), che già nel 2024 stimava in circa 600 miliardi di dollari i ricavi annui necessari a giustificare la spesa, è un divario che con questi numeri si allarga invece di chiudersi.¹³

Per chi guida un'organizzazione la lezione è pratica, non finanziaria. Il vantaggio duraturo non sta nel possedere l'accesso al modello più potente del momento, ma nei dati proprietari e nelle persone capaci di usare bene qualunque modello. Anzi, in modo ancora più esplicito:

Applied intelligence to evolve human.