La domanda da 7 bilioni di dollari

Il settore dell’AI a un bivio cruciale: i limiti dell’innovazione, la pressione del capitale e la frattura strategica che sta ridisegnando il futuro

Muhammed Gider
7 min di lettura • 

La domanda da 7 bilioni di dollari

Dietro i titoli entusiastici, il settore dell’AI si confronta con domande fondamentali sullo slancio dell’innovazione, sulla sostenibilità del capitale e sui percorsi divergenti di chi sviluppa modelli e di chi crea applicazioni.

La svolta silenziosa del settore

Negli ultimi tre anni, l’intelligenza artificiale è cresciuta a un ritmo senza precedenti. Dal lancio di ChatGPT, l’adozione da parte dei consumatori ha battuto ogni record, colossi come OpenAI e Google hanno annunciato modelli in rapida successione e le aziende Fortune 500 hanno posto l’AI al centro dei propri processi aziendali. Eppure oggi, dietro i titoli entusiastici, il settore si confronta con una domanda radicalmente diversa:

L’innovazione autentica continua ad avanzare con forte slancio o stiamo osservando una macchina gigantesca che si scontra con limiti invisibili?

Per rispondere adeguatamente a questa domanda, dobbiamo osservare l’ecosistema da due prospettive distinte:

Mercato primario: aziende che sviluppano modelli di base come GPT-4, Claude e Gemini: OpenAI, Anthropic, Google DeepMind, Meta.

Mercato secondario: aziende che utilizzano questi modelli per creare soluzioni ai problemi reali degli utenti: Perplexity, Cursor, Notion AI, Replit.

Sebbene entrambi i mercati appartengano allo stesso settore, le loro dinamiche, strutture di costo, profili di rischio e aspettative di crescita sono profondamente diversi. La tensione a cui assistiamo oggi nasce proprio da questa divergenza.

Emergono i limiti naturali dello sviluppo dei modelli

Quattro fattori fondamentali hanno plasmato l’evoluzione dei grandi modelli linguistici negli ultimi cinque anni:

  • Dimensione del modello (numero di parametri)
  • Dati di addestramento (qualità e diversità)
  • Potenza di calcolo (capacità GPU/TPU)
  • Tecniche di addestramento (architetture transformer, meccanismi di attenzione)

Dal 2018 al 2023, questi quattro fattori sono cresciuti nella stessa direzione, producendo enormi balzi in avanti. È così che siamo passati da GPT-2 a GPT-4, da BERT a PaLM. Tuttavia, questa curva non proseguirà all’infinito. I dati di addestramento sono ormai il collo di bottiglia più critico del settore.

Le riserve di dati di alta qualità, diversificati e originali, prodotti da esseri umani, sono limitate. Addestri i modelli su Wikipedia, su arXiv, su GitHub: e poi? In questo ambito i costi stanno crescendo in modo esponenziale a causa di questioni di copyright, accordi sulla proprietà dei dati e restrizioni di accesso. Stringi accordi con Reddit, negozi con Stack Overflow, affronti cause intentate da The New York Times. Aumentare le dimensioni dei modelli è ancora tecnicamente fattibile, ma la disponibilità dei dati impone un limite naturale.

Per questo il settore ha spostato l'attenzione dalle dimensioni dei modelli all'efficienza. Ragionamento a catena di pensiero, apprendimento per rinforzo basato sul feedback umano (RLHF), tecniche di campionamento più efficaci, architetture mixture-of-experts (MoE): sono tutti elementi di questa trasformazione.

Sono sviluppi importanti, ma da soli non sono sostenibili. A un certo punto, infatti, anche i miglioramenti dell'efficienza raggiungono la saturazione. Il settore sta iniziando a riconoscere che l'innovazione nei modelli di base è entrata in una fase più lenta e più costosa.

La pressione dei flussi di capitale e la crescente fragilità

Man mano che i limiti tecnologici diventano tangibili, la crescita sul fronte del capitale comporta rischi ancora maggiori.

Le aziende che sviluppano modelli di base stanno costruendo enormi infrastrutture di calcolo e facendo offerte aggressive nella competizione per i talenti. Queste spese vengono sostenute prima di aver consolidato una solida base di ricavi. I costi annuali di calcolo di OpenAI raggiungono miliardi. Anthropic riceve miliardi di investimenti da Microsoft. Google destina un budget separato a DeepMind.

Miliardi investiti in data center, contratti pluriennali per le GPU, stipendi astronomici pagati a nomi come Ilya Sutskever: tutto questo gonfia drasticamente le voci di spesa delle aziende.

Questo quadro mostra che il mercato primario si fonda su un modello di crescita su scala economicamente molto fragile. La struttura dei costi dell'innovazione dei modelli supera di gran lunga i tassi di crescita dei ricavi.

L'ascesa silenziosa del livello applicativo

Mentre il mercato primario è sotto pressione, il mercato secondario segue una curva di crescita relativamente sana. Queste aziende prendono i modelli di base e li trasformano in casi d'uso concreti.

  • Perplexity: Ripensa l'esperienza di ricerca
  • Cursor & Replit: Trasformano il processo di programmazione
  • Notion AI: Rende intelligenti gli strumenti di produttività
  • Dvina: Si connette a 120+ applicazioni per gestire l'intera vita digitale da un unico livello intelligente

Il vantaggio di queste aziende è la loro maggiore vicinanza all'utente. Il valore reale emerge direttamente nell'esperienza utente. Ricerca, programmazione, creazione di contenuti, produttività, elaborazione delle informazioni: tutti questi ambiti offrono modelli di ricavo scalabili e comprensibili.

Per questo molti produttori di modelli di base hanno iniziato a spostarsi verso il livello applicativo. OpenAI ha trasformato ChatGPT in un prodotto, Anthropic ha trasformato Claude in un'offerta rivolta ai consumatori, Google ha integrato Gemini. La strategia di integrazione verticale si è diffusa rapidamente.

Ma questa strategia ha avuto effetti collaterali: i costi di acquisizione sono schizzati alle stelle e le valutazioni del mercato secondario si sono gonfiate. Il fatto che il mercato secondario, l'unica area capace di generare ricavi, sia diventato così costoso amplifica ulteriormente il rischio legato al capitale nel settore.

I cicli storici e ciò che distingue la fase attuale

L'intelligenza artificiale ha attraversato due grandi fasi di declino in passato: alla fine degli anni 1970 e all'inizio degli anni 1990. Questi periodi avevano in comune aspettative elevate, un ritmo di innovazione lento e un interesse per gli investimenti che svaniva.

La situazione di oggi è diversa. L'innovazione tecnica continua, ma il ritmo delle svolte decisive sta rallentando. Il flusso di capitale, invece, cresce su una scala senza precedenti. Sam Altman parla di un fondo da 7 mila miliardi di dollari per la capacità di calcolo, Elon Musk riversa miliardi in xAI.

Quindi quello che stiamo vivendo non è un classico "inverno dell'AI". È piuttosto un periodo di fragilità legato all'allocazione del capitale: le valutazioni si gonfiano, i costi aumentano sempre più rapidamente, ma il ritmo dell'innovazione non soddisfa le aspettative.

La nuova era: vinceranno gli approcci più intelligenti, non i modelli più grandi

La differenza più importante oggi è questa: ciò che conta non è più produrre modelli sempre più grandi aggiungendo parametri.

La vera trasformazione avverrà in questi ambiti:

  • Aumentare l'efficienza dei parametri
  • Ottenere una qualità superiore con modelli più piccoli
  • Sviluppare nuove tecniche di addestramento
  • Usare i dati in modo più strategico ed efficace
  • Ridurre radicalmente i costi di addestramento

Uno degli esempi recenti più sorprendenti è stato DeepSeek. Questa startup cinese ha sviluppato un modello con prestazioni al livello di GPT-4, ma con costi di addestramento molto più bassi. Architettura mixture-of-experts, ottimizzazione dei parametri, tecniche di addestramento orientate all'efficienza. Il mercato ha reagito con forza.

Dopo l'annuncio di DeepSeek, la capitalizzazione di mercato di NVIDIA è scesa di 600 miliardi di dollari in un solo giorno. Questo ha dimostrato che gli investitori ormai seguono non solo la corsa a modelli più grandi, ma anche quella all'efficienza e all'innovazione architetturale.

Ma questo non basta ancora. Se il settore compirà un vero salto in avanti, sarà grazie a nuovi paradigmi architetturali. Qualcosa che vada oltre l'architettura transformer. Forse il calcolo neuromorfico, forse modelli ibridi, o forse un quadro di apprendimento completamente diverso.

Trasformazioni radicali di questo tipo di solito non arrivano dalle grandi aziende. Queste operano con cautela per via delle pressioni legate alla scala, dei costi infrastrutturali e della gestione del rischio aziendale. Le vere svolte spesso nascono da startup piccole, aggressive, propense al rischio e ambiziose.

L'ecosistema attuale dell'AI è probabilmente in attesa proprio di un cambiamento dirompente di questo tipo.

Conclusione: a vincere non saranno le risorse, ma l'approccio

Il settore dell'AI oggi oscilla tra due tensioni: da un lato, una strategia di aumento delle dimensioni dei modelli che si avvicina ai propri limiti; dall'altro, rischi crescenti per il capitale e un mercato delle applicazioni il cui valore aumenta rapidamente.

Questo quadro mostra che il problema fondamentale oggi è l'approccio, non la capacità. I vincitori di domani non saranno quelli che costruiscono modelli più grandi, ma quelli che sviluppano metodi più intelligenti. Efficienza, nuove soluzioni architetturali e tecniche di addestramento ottimizzate stanno diventando la vera linea di demarcazione del settore.

In futuro sarà decisiva la qualità dell'approccio, non la potenza delle risorse. Ed è piuttosto alta la probabilità che a innescare questo cambiamento di approccio siano startup visionarie, anziché grandi aziende.

Unisciti a Dvina

Registrati gratis e riunisci tutti i tuoi strumenti in un unico, semplice spazio di lavoro.

Scopri di più