Economia dell’IA, priorità al business rispetto all’origine dei modelli

Per gran parte dell’ultimo decennio, l’intelligenza artificiale è stata discussa principalmente attraverso la lente delle scoperte tecnologiche, di modelli sempre più potenti e della corsa al raggiungimento di capacità di frontiera. I titoli dei giornali si sono concentrati su investimenti da record, requisiti di calcolo (compute) in continua espansione e sul posizionamento competitivo dei leader tecnologici. Tuttavia, mentre l’adozione dell’IA passa dalla fase di sperimentazione a quella di implementazione aziendale (enterprise deployment), una serie di domande differenti sta iniziando a dominare le conversazioni a livello executive.

Come possono le organizzazioni generare un valore di business sostenibile dall’IA? Quali tecnologie offrono il maggior ritorno sull’investimento? E in che modo le aziende possono bilanciare prestazioni, costi, governance e scalabilità operativa?

Sempre più spesso, la risposta dipende meno da dove un modello sia stato sviluppato e più dalla sua capacità di risolvere i problemi aziendali in modo efficiente ed efficace. Come osservato dalla Harvard Business Review, le organizzazioni stanno diventando più pragmatiche nelle loro strategie di IA, concentrandosi sull’economia dell’implementazione (deployment economics) e sui risultati operativi, piuttosto che sul solo prestigio tecnologico (Joshi et al., 2025).

Questo cambiamento riflette la maturazione dello stesso mercato dell’IA. Durante la prima fase di adozione dell’IA generativa, le organizzazioni cercavano l’accesso ai modelli più avanzati disponibili. Oggi, tuttavia, l’IA viene sempre più valutata come una capacità di business (business capability) piuttosto che come una novità tecnologica. La conversazione si sta evolvendo dalla leadership del modello alla creazione di valore.

Dalla leadership del modello all’economia dell’implementazione

La fase iniziale della rivoluzione dell’IA generativa è stata caratterizzata da una corsa alla costruzione di modelli di fondazione (foundation model) sempre più capaci. Il successo veniva spesso misurato attraverso i punteggi dei benchmark, il numero di parametri e la scala computazionale. Sebbene questi indicatori rimangano rilevanti, non sono più sufficienti a guidare le decisioni di investimento aziendali.

Secondo la Brookings Institution, i diversi ecosistemi di IA hanno perseguito distinte strategie di innovazione modellate dai rispettivi contesti tecnologici, economici e normativi (Muro et al., 2026). Con l’espandersi dell’adozione dell’IA nel servizio clienti, nello sviluppo software, nell’automazione dei workflow e nelle funzioni di supporto alle decisioni, le organizzazioni si concentrano sempre più su considerazioni operative quali i costi di implementazione, i requisiti di governance, la scalabilità e la sostenibilità a lungo termine.

Questa evoluzione sta trasformando il modo in cui vengono valutati gli investimenti tecnologici. Un miglioramento marginale nelle prestazioni di un modello potrebbe non giustificare costi operativi sostanzialmente più elevati se si possono ottenere risultati aziendali comparabili attraverso alternative più efficienti in termini di costi. Di conseguenza, le organizzazioni stanno ponendo maggiore enfasi sul costo totale di proprietà (total cost of ownership) e sul valore di business misurabile (Joshi et al., 2025).

Il risultato è una transizione più ampia da un processo decisionale incentrato sulla tecnologia a uno incentrato sul valore.

L’ascesa delle strategie multi-modello

Uno degli sviluppi più significativi nell’IA enterprise è l’emergere di architetture multi-modello.

In modo analogo all’evoluzione del cloud computing, della cybersecurity e del software aziendale, le organizzazioni evitano sempre più la dipendenza da un singolo fornitore (vendor lock-in). Al contrario, stanno assemblando portafogli di tecnologie IA ottimizzate per diversi requisiti di business.

Alcuni modelli possono essere utilizzati per l’assistenza alla programmazione e lo sviluppo software. Altri possono supportare l’analisi dei documenti, l’automazione dei workflow, le interazioni con i clienti o la gestione della conoscenza (knowledge management). Piuttosto che perseguire una soluzione universale, le organizzazioni selezionano le tecnologie in base a casi d’uso specifici e a considerazioni economiche (Joshi et al., 2025).

Questa tendenza è stata accelerata dalla crescente disponibilità di modelli open-weight (con pesi aperti) e da ecosistemi di IA sempre più diversificati. Secondo il MERICS (2026), i progressi nello sviluppo dell’IA aperta hanno abbassato le barriere alla sperimentazione e alla personalizzazione, consentendo alle organizzazioni di sviluppare strategie di implementazione più flessibili e riducendo al contempo la dipendenza da piattaforme proprietarie.

Di conseguenza, l’IA sta diventando sempre più una sfida di gestione del portafoglio (portfolio management) piuttosto che una decisione tecnologica dove “il vincitore prende tutto”.

L’efficienza sta diventando una capacità strategica

Storicamente, la leadership tecnologica è stata spesso associata alla scala. Nell’intelligenza artificiale, questo presupposto si è tradotto in dataset più ampi, maggiori risorse computazionali e modelli di fondazione sempre più sofisticati.

Gli sviluppi recenti suggeriscono che l’efficienza potrebbe diventare importante tanto quanto la scala.

Diversi ecosistemi di innovazione hanno risposto a vari vincoli ponendo l’accento sull’ottimizzazione, sull’efficienza ingegneristica e su pratiche strategie di implementazione. Secondo una ricerca della Brookings Institution, questi differenti approcci dimostrano che un’innovazione significativa può emergere non solo attraverso l’aumento delle risorse computazionali, ma anche attraverso un migliore utilizzo delle risorse esistenti (Muro et al., 2026).

Per le organizzazioni che valutano gli investimenti in IA, questa distinzione è sempre più rilevante. L’obiettivo è raramente quello di implementare il modello più sofisticato disponibile. Al contrario, il traguardo è identificare la soluzione che genera il maggior valore di business in rapporto al suo costo, alla sua complessità e ai suoi requisiti operativi.

Mentre l’adozione dell’IA scala tra i vari settori industriali, l’efficienza si sta evolvendo da una considerazione tecnica a una capacità strategica.

L’infrastruttura sta diventando il nuovo vincolo

Mentre le organizzazioni accelerano l’implementazione dell’IA, l’attenzione si sta progressivamente spostando dalle capacità dei modelli verso l’infrastruttura necessaria per supportarli.

Un recente report di Reuters evidenzia come la competizione nell’IA sia sempre più determinata dall’accesso alle risorse di calcolo, ai semiconduttori, all’energia e all’infrastruttura digitale, piuttosto che dallo sviluppo dei modelli in sé (Reuters, 2026a). Allo stesso modo, le discussioni riguardanti i mercati emergenti dei token IA e gli investimenti infrastrutturali suggeriscono che la prossima fase della competizione nell’AI potrebbe essere decisa tanto dalla capacità operativa quanto dall’innovazione algoritmica (Reuters, 2026b).

Questo sviluppo rafforza una realtà sempre più evidente: l’IA non è semplicemente un software. È un’infrastruttura.

La capacità di implementare l’IA su scala dipende dall’accesso alle risorse computazionali, dalla disponibilità di energia, dalla qualità dei dati, dai controlli di cybersecurity e dai meccanismi di governance capaci di gestire i rischi e i requisiti di conformità (compliance). Man mano che l’IA si integra nei processi aziendali, questi fattori diventano determinanti critici del vantaggio competitivo.

Segnali, narrazioni e percezioni del mercato

La rapida crescita del mercato dell’IA ha generato una quantità significativa di commenti riguardanti i modelli di adozione e le dinamiche competitive. Sebbene alcune affermazioni siano supportate da ricerche rigorose, altre traggono origine da osservazioni del mondo del venture capital, commenti di settore e narrazioni di mercati emergenti.

Uno degli esempi più discussi è l’affermazione secondo cui circa l’80% delle startup statunitensi che sviluppano su modelli IA open-source utilizzi modelli di fondazione sviluppati in Cina. Questa stima è stata ampiamente attribuita a osservazioni riferite da Martin Casado, general partner di Andreessen Horowitz, e successivamente amplificate dai media tecnologici, dalle discussioni sul venture capital e dai commenti sui social media (36Kr, 2025; YouTube, 2026).

È importante sottolineare che questa cifra non deve essere interpretata come un’indagine statistica rappresentativa dell’intero ecosistema delle startup statunitensi. Non è stata rilasciata alcuna metodologia accessibile al pubblico, descrizione del campione o validazione accademica indipendente. Di conseguenza, la stima va intesa piuttosto come un riflesso delle tendenze percepite dal mercato, anziché come una prova definitiva di un’adozione su scala nazionale.

Ciononostante, la popolarità di tale affermazione è di per sé degna di nota. Riflette una crescente percezione tra investitori e imprenditori del fatto che le organizzazioni stiano valutando le tecnologie IA in base alle prestazioni, all’efficienza dei costi e alla flessibilità di implementazione, piuttosto che in base alla sola origine del fornitore.

Diversi esempi riportati pubblicamente supportano questa tendenza più ampia. Il CEO di Airbnb, Brian Chesky, ha riconosciuto che l’azienda ha valutato e implementato il modello Qwen di Alibaba in selezionate applicazioni di servizio clienti, descrivendo la tecnologia come efficace ed economicamente vantaggiosa per specifici casi d’uso (Sircar, 2026). Questo esempio illustra come le organizzazioni siano sempre più disposte a valutare soluzioni di AI provenienti da molteplici ecosistemi quando ciò crea un valore aziendale misurabile.

La crescente attenzione attorno a modelli come DeepSeek, Qwen, Kimi, MiniMax e Yi-Lightning evidenzia ulteriormente la progressiva diversificazione dell’ecosistema globale dell’IA. Piuttosto che osservare questi sviluppi esclusivamente attraverso la lente della competizione geopolitica, molte organizzazioni li stanno affrontando come prova di un mercato più competitivo e innovativo, in grado di offrire una gamma più ampia di opzioni tecnologiche.

Dalla competizione tecnologica alla capacità organizzativa

Forse la trasformazione più importante in atto nel mercato dell’IA è lo spostamento da una competizione incentrata sui modelli a una incentrata sulle capacità.

Man mano che l’accesso a un’IA avanzata diventa sempre più diffuso, il vantaggio competitivo si sta spostando dalla proprietà della tecnologia alla capacità organizzativa. La capacità di governare, integrare, implementare e migliorare continuamente i workflow potenziati dall’IA sta diventando più importante dell’accesso a qualsiasi singolo modello.

Le organizzazioni che riescono a combinare con successo tecnologia, governance, prontezza della forza lavoro (workforce readiness) e riprogettazione dei processi genereranno probabilmente un valore significativamente maggiore rispetto a quelle focalizzate esclusivamente sull’adozione tecnologica.

L’implicazione è profonda. Il successo a lungo termine potrebbe dipendere meno dallo scegliere il modello “migliore” e più dallo sviluppo della capacità organizzativa di valutare, integrare, governare e rendere operativa l’IA in modo efficace.

In questo contesto, l’IA cessa di essere una sfida prettamente tecnologica per diventare una sfida di trasformazione organizzativa.

Conclusione

Il mercato dell’IA sta entrando in una nuova fase caratterizzata da una maggiore diversità, da una crescente concorrenza e da una sempre più forte enfasi sulla sostenibilità economica.

Le organizzazioni stanno superando una visione strettamente focalizzata sulla leadership del modello, dando progressivamente priorità al valore di business, all’efficienza operativa, alla flessibilità di implementazione, alla governance e alla capacità organizzativa. Questa transizione rispecchia la naturale evoluzione di un mercato tecnologico in via di maturazione.

Man mano che le capacità dell’IA diventano più accessibili, il vantaggio competitivo si sposta sempre più verso l’esecuzione, l’apprendimento organizzativo e l’integrazione strategica. Le organizzazioni che creeranno il maggior valore potrebbero non essere quelle con accesso ai modelli più avanzati, ma quelle che svilupperanno la capacità più solida nell’implementarli efficacemente.

In definitiva, la domanda più importante non è più chi sviluppi il modello più avanzato. La domanda più consequenziale è quali organizzazioni sapranno tradurre nel modo più efficace le possibilità tecnologiche in un valore di business sostenibile (foto di Google DeepMind su Unsplash).

Referimenti

• 36Kr. (2025). Why U.S. startups are increasingly building on Chinese open-source AI models. https://eu.36kr.com/en/p/3440755786126725
• Joshi, A., Greeven, M. J., Liu, S., & Li, K. (2025, September–October). How savvy companies are using Chinese AI. Harvard Business Review. https://hbr.org/2025/09/how-savvy-companies-are-using-chinese-ai
• MERICS. (2026). China’s drive toward self-reliance in artificial intelligence: From chips to large language models. https://merics.org/en/report/chinas-drive-toward-self-reliance-artificial-intelligence-chips-large-language-models
• Muro, M., You, Y., & Seitz, J. (2026, April 16). Competing AI strategies for the U.S. and China. Brookings Institution. https://www.brookings.edu/articles/competing-ai-strategies-for-the-us-and-china/
• Reuters. (2026a, May 27). Huawei looks beyond Moore’s Law as AI competition intensifies. https://www.reuters.com/technology/artificial-intelligence/huawei-looks-beyond-moores-law-2026-05-27/
• Reuters. (2026b, May 28). China works on AI token futures market, sources say, in race with U.S. https://www.reuters.com/world/china/china-works-ai-token-futures-market-sources-say-race-with-us-2026-05-28/
• Sircar, A. (2026, May 21). Airbnb CEO Brian Chesky called Chinese AI fast and cheap. Now, Congress wants answers. Forbes. https://www.forbes.com/sites/anishasircar/2026/05/21/airbnb-ceo-brian-chesky-called-chinese-ai-fast-and-cheap-now-congress-wants-answers/
• YouTube. (2026). 80% of U.S. startups just switched to Chinese AI… (In silence) [Video]. https://www.youtube.com/watch?v=9baDOfwUzHQ

© RIPRODUZIONE RISERVATA