Dietro i titoli scintillanti, l’industria dell’AI si confronta con domande fondamentali sul ritmo dell’innovazione, sulla sostenibilità del capitale e sui percorsi divergenti tra gli sviluppatori di modelli e i costruttori di applicazioni.
Il silenzioso punto di svolta 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 infranto ogni record, i colossi da OpenAI a 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 scintillanti, il settore si confronta con una domanda profondamente diversa:
La vera innovazione sta ancora avanzando con slancio, oppure stiamo osservando una macchina gigantesca che urta contro limiti invisibili?
Per rispondere correttamente a questa domanda, dobbiamo osservare l’ecosistema attraverso due lenti distinte:
Mercato primario: aziende che sviluppano modelli fondamentali come GPT-4, Claude e Gemini: OpenAI, Anthropic, Google DeepMind, Meta.
Mercato secondario: aziende che prendono questi modelli e costruiscono soluzioni per problemi reali degli utenti: Perplexity, Cursor, Notion AI, Replit.
Sebbene entrambi i mercati esistano all’interno dello 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 precisamente da questa divergenza.
Stanno emergendo 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 computazionale (capacità GPU/TPU)
- Tecniche di addestramento (architetture transformer, meccanismi di attention)
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 continuerà all’infinito. I dati di addestramento sono ormai il collo di bottiglia più critico del settore.
I bacini di dati generati da esseri umani, di alta qualità, diversificati e originali, sono limitati. Ti alleni su Wikipedia, ti alleni su arXiv, ti alleni 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. Chiudi accordi con Reddit, negozi con Stack Overflow, affronti cause legali da parte del The New York Times. Aumentare la dimensione dei modelli è ancora tecnicamente fattibile, ma il lato dei dati crea un tetto naturale.
Per questo il settore ha spostato l'attenzione dalla dimensione dei modelli all'efficienza. Ragionamento chain-of-thought, reinforcement learning from human feedback (RLHF), tecniche di campionamento più efficaci, architetture mixture-of-experts (MoE): tutto questo fa parte di questa trasformazione.
Si tratta di sviluppi importanti, ma non sostenibili da soli. Perché a un certo punto anche i guadagni di efficienza raggiungono la saturazione. Il settore sta iniziando a riconoscere che l'innovazione nei modelli fondamentali è entrata in una fase più lenta e più costosa.
Pressione dei flussi di capitale e fragilità crescente
Man mano che i limiti tecnologici diventano tangibili, la crescita sul fronte del capitale ha assunto un profilo di rischio ancora maggiore.
Le aziende dei modelli fondamentali stanno costruendo infrastrutture computazionali enormi e facendo offerte aggressive nella guerra dei talenti. Queste spese avvengono prima che si siano consolidate solide basi di ricavi. I costi annuali di calcolo di OpenAI arrivano a miliardi. Anthropic riceve miliardi di investimenti da Microsoft. Google assegna un budget separato a DeepMind.
Miliardi investiti in data center, contratti pluriennali per GPU, stipendi astronomici pagati a nomi come Ilya Sutskever: tutto questo gonfia drasticamente le voci di costo delle aziende.
Questo quadro mostra che il mercato primario si fonda su un modello di scaling 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 procede con una curva di crescita relativamente sana. Queste aziende prendono i modelli fondamentali e li trasformano in casi d'uso reali.
- Perplexity: Riprogetta l'esperienza di ricerca
- Cursor & Replit: Trasformano il processo di coding
- Notion AI: Rendono intelligenti gli strumenti di produttività
- Dvina: Si connette a oltre 120 applicazioni per gestire intere vite digitali da un unico livello intelligente
Il vantaggio di queste aziende è essere le più vicine all'utente. Il valore reale emerge direttamente nell'esperienza utente. Ricerca, coding, creazione di contenuti, produttività, elaborazione delle informazioni: tutti questi ambiti offrono modelli di ricavo scalabili e comprensibili.
Per questo molti produttori di modelli fondamentali hanno iniziato a spostarsi verso il livello applicativo. OpenAI ha trasformato ChatGPT in un prodotto, Anthropic ha reso Claude un'offerta consumer, Google ha integrato Gemini. La strategia di integrazione verticale si è diffusa rapidamente.
Ma questa strategia ha prodotto effetti collaterali: i costi di acquisizione sono schizzati alle stelle, 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 di capitale nel settore.
I cicli storici e il fattore distintivo di oggi
L'intelligenza artificiale ha già attraversato due grandi fasi di ribasso in passato: la fine degli anni Settanta e l'inizio degli anni Novanta. Ciò che accomunava quei periodi era questo: aspettative elevate, bassa velocità di innovazione e appetito per gli investimenti in evaporazione.
La situazione di oggi è diversa. L'innovazione tecnica continua, ma il ritmo delle svolte decisive sta rallentando. Il flusso di capitale, però, cresce su una scala senza precedenti. Sam Altman parla di un fondo da 7 trilioni di dollari per il compute, Elon Musk riversa miliardi in xAI.
Perciò, quello che stiamo vivendo non è un classico "inverno dell'AI". È piuttosto un periodo di fragilità basato sull'allocazione del capitale: le valutazioni si gonfiano, i costi accelerano, ma la velocità dell'innovazione non soddisfa le aspettative.
La nuova era: non vinceranno i modelli più grandi, ma gli approcci più intelligenti
La differenza più critica di oggi è questa: ciò che conta ora non è produrre modelli sempre più enormi aggiungendo più 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 mostrato che gli investitori ormai seguono non solo la corsa verso modelli più grandi, ma anche la corsa verso l'efficienza e l'innovazione architetturale.
Ma ancora non basta. Se il settore dovrà compiere un vero salto, questo arriverà attraverso nuovi paradigmi architetturali. Qualcosa che vada oltre l'architettura transformer. Forse il calcolo neuromorfico, forse modelli ibridi, o forse un framework di apprendimento completamente diverso.
Trasformazioni radicali di questo tipo di solito non arrivano dalle grandi aziende. Operano con cautela a causa della pressione della scala, dei costi infrastrutturali e della gestione del rischio aziendale. Le vere svolte spesso emergono da startup piccole, aggressive, tolleranti al rischio e ambiziose.
L'ecosistema AI di oggi probabilmente è in attesa proprio di una disruption 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 scaling dei modelli che si avvicina ai suoi limiti; dall'altro, rischi di capitale in crescita e un mercato delle applicazioni che si apprezza rapidamente.
Questo quadro mostra che il problema fondamentale ora è l'approccio, non la capacità. I vincitori di domani non saranno quelli che costruiscono modelli più grandi, ma quelli che costruiscono metodi più intelligenti. Efficienza, nuovi design architetturali e tecniche di addestramento ottimizzate stanno diventando la vera linea di demarcazione del settore.
Ciò che sarà decisivo in futuro sarà la qualità dell'approccio, non la potenza delle risorse. Ed è piuttosto alta la probabilità che siano startup visionarie, più che grandi aziende, a innescare questo cambiamento di approccio.
