L’algoritmo del Dragone, la conquista cinese del mercato degli LLM

L’assunto dominante nella strategia sull’intelligenza artificiale è, in apparenza, di una semplicità disarmante: le organizzazioni che raggiungono per prime la massa critica di adozione vinceranno. Costi più bassi, rapida diffusione tra gli sviluppatori e cicli di feedback sui dati creano una dinamica auto-alimentante in cui l’utilizzo genera dati, i dati migliorano i modelli, e i modelli migliorati attirano ulteriori utenti.

A prima vista, le evidenze recenti sembrano confermare questa logica. L’uso globale dei large language model è passato da circa 2,4 miliardi a oltre 8 miliardi di visite mensili tra aprile 2024 e agosto 2025 — una crescita di 3,4 volte in sedici mesi (Wang & Siler-Evans, 2026)^[1]. Nello stesso periodo, i modelli cinesi hanno guadagnato quota a una velocità senza precedenti: dal 3% al 13% dell’utilizzo globale nel giro di due mesi dal rilascio di DeepSeek R1 (Wang & Siler-Evans, 2026)^[1].

Eppure questa interpretazione, per quanto convincente, è incompleta. Spiega come l’intelligenza artificiale si diffonde, ma non come il valore viene catturato o difeso nel tempo. Quello che manca è il livello strutturale che sta sotto all’adozione: la geografia della produzione, la distribuzione del capitale e la configurazione della catena del valore dell’IA (Agostini, 2025a; Agostini, 2025b)^[2,3].

Il vantaggio competitivo nell’IA non nasce dalla performance isolata di un modello, ma dal controllo dei sistemi che ne abilitano la produzione, la distribuzione e la scalabilità.

Un esame più attento dei dati rivela una realtà più complessa e asimmetrica. I lab cinesi stanno conquistando il layer infrastrutturale e quello dei modelli open dell’ecosistema LLM, mentre le aziende statunitensi continuano a dominare il layer enterprise e applicativo. Non si tratta di una divergenza temporanea, ma del risultato di differenze strutturali profonde nel modo in cui i due ecosistemi vengono costruiti e scalati.

La geografia della produzione IA, dove nascono i vincitori

La geografia della produzione IA offre il primo insight decisivo. Un dataset completo di 1.246 aziende IA distribuite in 32 economie mostra come lo sviluppo di intelligenza artificiale sia altamente concentrato: quasi 700 imprese si trovano negli Stati Uniti, circa 250 in Cina (Rishabh & Shreeti, 2026)^[4]. Nessun’altra regione si avvicina a questa scala.

Questa concentrazione non è semplicemente descrittiva: riflette forze economiche precise. La probabilità che un’economia ospiti aziende IA è fortemente correlata alle dimensioni del PIL, alla spesa in ricerca e sviluppo e, in modo determinante, ai flussi di venture capital (Rishabh & Shreeti, 2026)^[4]. Il venture capital gioca un ruolo sproporzionato perché finanzia imprese ad alto rischio e ad alta intensità di asset intangibili, tipologia che i sistemi bancari tradizionali non sono strutturalmente in grado di supportare.

Gli ecosistemi IA non sono quindi semplicemente fenomeni tecnologici: sono costrutti finanziari e istituzionali. E questa distinzione è fondamentale per capire chi può vincere — e su quale terreno.

Il mercato IA è un sistema a strati, non un mercato unico

L’adozione da sola non può spiegare la leadership di mercato, perché l’adozione è a valle della capacità produttiva. La capacità di costruire, distribuire e scalare sistemi IA dipende dalla densità delle aziende nell’ecosistema, dalla disponibilità di capitale e dall’integrazione all’interno di una catena del valore più ampia.

L’intelligenza artificiale non è un mercato unico, ma un sistema stratificato composto da segmenti interdipendenti: compute, infrastruttura cloud, strumenti per i dati, modelli e applicazioni. La maggior parte delle economie è specializzata in uno o due soli di questi strati. Solo un numero ristretto — principalmente Stati Uniti e Cina — opera sull’intera filiera (Gambacorta & Shreeti, 2025; Rishabh & Shreeti, 2026)^[4].

Il vantaggio sistemico non si accumula in chi domina un singolo layer, ma in chi orchestra simultaneamente più livelli della catena del valore. Questa è la differenza tra un operatore di nicchia e un attore strutturalmente dominante.

I dati operativi, quando i benchmark non raccontano la verità

A livello operativo, questo vantaggio strutturale diventa visibile osservando l’utilizzo reale — non i benchmark. OpenRouter, una piattaforma di routing multi-modello che aggrega oltre 100 trilioni di token di attività produttiva, mostra che sette dei dieci modelli più utilizzati per volume settimanale di token provengono da sviluppatori cinesi: Alibaba Qwen, DeepSeek, Minimax, Stepfun, Mimo di Xiaomi e Kimi di Moonshot AI (OpenRouter, 2026)^[5].

Questi modelli rappresentano collettivamente la maggior parte del consumo di token tra i sistemi più usati. Qwen3.6 Plus, da solo, ha generato oltre 5 trilioni di token in una singola settimana (OpenRouter, 2026)^[5]. I dati d’uso rivelano uno spostamento del potere competitivo che i ranking sui benchmark non riescono a cogliere.

I benchmark fotografano la performance in laboratorio. I token rivelano chi sta costruendo il motore industriale dell’AI.

Questo spostamento è amplificato dalle dinamiche degli ecosistemi open. La rapida proliferazione di modelli open-weight — in particolare all’interno dell’ecosistema Qwen — ha generato migliaia di modelli derivati e integrazioni su piattaforme per sviluppatori (Hugging Face, 2026)^[6]. Ogni deployment crea un nuovo nodo in una rete crescente di utilizzo, rinforzando l’adozione attraverso la scala. Nel tempo, questo produce una dinamica auto-rinforzante in cui la distribuzione si espande più rapidamente del controllo centralizzato.

La token economy, l’IA diventa sistema industriale

L’emergere della token economy accelera ulteriormente questa trasformazione. Il consumo giornaliero di token in Cina ha superato i 140 trilioni entro marzo 2026, partendo da circa 100 miliardi a inizio 2024 (Bloomberg, 2026; Fortune, 2026; Hello China Tech, 2026)^[7,8,9]. I decision maker cinesi e i protagonisti industriali hanno iniziato a inquadrare la produzione di token come una capacità industriale strategica e un potenziale fronte di esportazione (China Daily, 2026)^[10].

Aziende come MiniMax, Moonshot AI, Zhipu AI e DeepSeek sono valutate sempre più in base al throughput di token, all’utilizzo e all’efficienza dei costi (Bloomberg, 2026; Frontier Wisdom, 2026)^[7,11]. Le aziende cinesi beneficiano di vantaggi strutturali radicati in un’infrastruttura a costi più bassi, accesso a energia elettrica relativamente economica ed ecosistemi di sviluppatori altamente competitivi. Il risultato: riescono a consegnare token di output a prezzi vicini a un dollaro per milione, contro i 15 dollari o più dei sistemi statunitensi comparabili (Bloomberg, 2026; Yahoo Finance, 2026)^[7,12]. Il costo per token — non la sofisticazione del modello — sta diventando la variabile competitiva dominante.

Il path dependency, perché è difficile recuperare

Le dinamiche di investimento rinforzano le posizioni strutturali esistenti. Le aziende IA mostrano un forte home bias: le imprese statunitensi e cinesi conducono rispettivamente il 64% e il 74% delle loro operazioni a livello domestico (Rishabh & Shreeti, 2026)^[4]. I flussi di investimento tendono anche a rinforzare la specializzazione, poiché le aziende investono sproporzionatamente in imprese che operano nel loro stesso layer della catena del valore.

Questo crea path dependency, rendendo sempre più difficile per i nuovi entranti diversificarsi o riposizionarsi. Gli ecosistemi IA non sono solo competitivi: sono auto-rinforzanti e resistenti al cambiamento strutturale. Chi non è ancora posizionato nella filiera sta perdendo ogni anno di ritardo una quota di terreno più difficile da recuperare.

Ciononostante, le aziende statunitensi conservano vantaggi decisivi in altri segmenti della catena del valore. OpenAI, Google, Anthropic, Microsoft, Meta, xAI e Perplexity continuano a dominare il deployment enterprise attraverso ecosistemi integrati, infrastrutture affidabili e relazioni istituzionali profonde. Gli investimenti privati in IA negli USA rimangono significativamente più elevati, rinforzando la leadership nei segmenti ad alta intensità di capitale (Stanford HAI, 2026; Forbes, 2025)^[13,14].

La vera natura della competizione, chi controlla i vincoli

Presi insieme, questi dati portano a una conclusione fondamentale. L’intelligenza artificiale non è un mercato omogeneo governato dalla performance, ma un sistema socio-tecnico stratificato, plasmato dai vincoli. L’infrastruttura definisce i limiti fisici della scalabilità. Il capitale determina quali aziende possono sopravvivere ed espandersi. Il posizionamento nella catena del valore determina dove viene creato il valore. I framework di governance determinano ciò che è permesso (WEF, 2026)^[15].

L’apparente contraddizione tra dominanza cinese e statunitense si risolve non appena si considerano questi layer. I lab cinesi conquistano il layer infrastrutturale e d’uso attraverso efficienza dei costi, scala ed ecosistemi aperti. Le aziende statunitensi conquistano il layer enterprise e applicativo attraverso integrazione, monetizzazione e fiducia. Il mercato IA non è winner-takes-all: è strutturalmente segmentato attraverso diverse forme di controllo.

La domanda centrale non è più come massimizzare l’adozione, ma attraverso quali vincoli l’adozione deve passare — e chi li controlla.

L’adozione può essere replicata, il pricing può essere eroso, le capacità dei modelli possono convergere. I vincoli — come l’accesso al capitale, la disponibilità infrastrutturale e il posizionamento nella catena del valore — sono molto più duraturi.

Il controllo dei vincoli — non la scala dell’adozione — è la vera fonte di vantaggio a lungo termine nell’intelligenza artificiale.

In questo senso, la corsa globale all’IA non è semplicemente una competizione di modelli, metriche o quote di mercato. È una contest sistemica sull’architettura della produzione stessa. Le organizzazioni che definiranno la prossima fase dell’IA non sono quelle che costruiranno i modelli più avanzati, ma quelle che controlleranno i colli di bottiglia attraverso cui tutti i modelli devono passare. (foto di Stone John su Unsplash)

Riferimenti

[1] Wang, A. H.-E., & Siler-Evans, K. (2026). U.S.-China competition for artificial intelligence markets. RAND Corporation.  https://www.rand.org/pubs/research_reports/RRA4355-1.html

[2] Agostini, M. (2025a). AI can’t personalize chaos: Why data governance is the real engine of personalization. Medium.  https://medium.com/@tarifabeach/ai-cant-personalize-chaos-why-data-governance-is-the-real-engine-of-personalization-dc71c358e8e3

[3] Agostini, M. (2025b). AI isn’t killing search – it’s rebuilding the front door of the internet. Medium.  https://medium.com/@tarifabeach/ai-isnt-killing-search-it-s-rebuilding-the-front-door-of-the-internet-a739ed92d8b4

[4] Rishabh, K., & Shreeti, V. (2026). The geography of AI firms. Bank for International Settlements. BIS Working Paper No. 1343.  https://www.bis.org/publ/work1343.htm

[5] OpenRouter. (2026). State of AI and model usage data.  https://openrouter.ai/state-of-ai

[6] Hugging Face. (2026). Model repository and download statistics.  https://huggingface.co

[7] Bloomberg. (2026, 20 aprile). AI’s token economy revolution creates new China tech winners.  https://www.bloomberg.com/news/articles/2026-04-20/ai-s-token-economy-revolution-creates-new-china-tech-winners

[8] Fortune. (2026, 12 aprile). China’s token economy AI boom reshapes big tech and startups.  https://fortune.com/2026/04/12/china-token-economy-ai-boom-big-tech-startups/

[9] Hello China Tech. (2026). China’s AI token economy reaches 140 trillion daily tokens.  https://hellochinatech.com/p/china-token-economy-140-trillion

[10] China Daily. (2026). China accelerates AI-driven economic transformation.  https://global.chinadaily.com.cn/a/202604/06/WS69d3c692a310d6866eb41d92.html

[11] Frontier Wisdom. (2026). China AI token economy explained.  https://frontierwisdom.com/china-ai-token-economy-explained-guide/

[12] Yahoo Finance. (2026, 20 aprile). AI’s token economy revolution creates new China tech winners.  https://finance.yahoo.com/news/ais-token-economy-revolution-creates-new-china-tech-winners-035211861.html

[13] Stanford Institute for Human-Centered Artificial Intelligence. (2026). AI Index Report 2026.  https://hai.stanford.edu/ai-index/2026-ai-index-report

[14] Forbes. (2025). AI 50 list.  https://www.forbes.com/lists/ai50

[15] World Economic Forum. (2026). Global Risks Report 2026.  https://www.weforum.org/reports/global-risks-report-2026

© RIPRODUZIONE RISERVATA