di Marco Palombi (*)
Non sempre vince il migliore. Più spesso vince il sufficiente.
Il modello migliore è quello che domina la frontiera: supera benchmark difficili, impressiona i ricercatori, convince le grandi imprese, giustifica prezzi premium, richiede infrastrutture enormi e diventa misura del progresso tecnico. Il modello sufficiente è diverso: non deve essere il più potente in assoluto, deve fare abbastanza bene ciò che serve alla maggioranza degli utenti, a un costo molto più basso.
Questa distinzione è decisiva perché l’economia dell’intelligenza artificiale non coincide con la classifica dei modelli. La frontiera conta, ma non esaurisce il mercato. Molti usi ordinari dell’IA non richiedono ogni volta il modello più avanzato disponibile: automazione documentale, customer service, traduzione, sintesi, estrazione di dati, classificazione, coding ordinario, manutenzione predittiva, supporto alla vendita, gestione di ticket, interfacce conversazionali, analisi preliminare di contratti, report, email e manuali tecnici. In questi casi, la domanda non è: quale modello pensa meglio? La domanda è: quale modello svolge il compito con qualità sufficiente, velocità accettabile, costo sostenibile e integrazione semplice?
Il modello migliore vince la frontiera. Il modello sufficiente conquista il mercato.
Gli Stati Uniti dominano ancora la frontiera. Lo Stanford AI Index 2025 registra per il 2024 un investimento privato in intelligenza artificiale pari a 109,1 miliardi di dollari negli Stati Uniti, contro 9,3 miliardi in Cina. La sproporzione è enorme e conferma il vantaggio americano in capitale, cloud, semiconduttori, laboratori di punta, attrazione dei talenti e capacità di sostenere cicli di ricerca molto costosi. OpenAI, Anthropic, Google DeepMind, Meta e xAI operano dentro un ecosistema finanziario e infrastrutturale che nessun altro Paese replica pienamente.
Questo vantaggio produce modelli premium. Sono sistemi pensati per compiti difficili, clienti ad alta capacità di spesa, grandi integrazioni enterprise, coding avanzato, ricerca, agenti complessi, analisi multimodale, automazione di processi sensibili.
Costano molto perché incorporano capitale, compute, sicurezza, allineamento, valutazione, data center, personale altamente specializzato. Nel 2025, OpenAI ha fissato per o1-pro un prezzo API di 150 dollari per milione di token in input e 600 dollari per milione di token in output; Anthropic, con Claude Opus 4, si è collocata su una fascia premium da 15 dollari per milione di token in input e 75 dollari in output, mentre Claude Sonnet 4 si è attestato a 3 e 15 dollari. Questi prezzi non sono anomalie: sono il segnale economico di una frontiera costosa.
La Cina gioca una partita diversa. Non deve convincere tutti di avere il modello migliore. Deve diventare conveniente.
DeepSeek ha reso visibile questa logica. Il technical report di DeepSeek-V3 dichiara un costo di training ufficiale di 5,576 milioni di dollari, escludendo ricerca preliminare, esperimenti abortiti e altri costi di sviluppo; il dato non va letto ingenuamente come costo totale dell’impresa, ma indica una disciplina tecnica orientata all’efficienza. DeepSeek-R1 ha poi presentato modelli distillati più piccoli basati su Qwen e Llama, con l’obiettivo di trasferire capacità di ragionamento verso sistemi più economici e distribuibili. Reuters ha riportato nel febbraio 2025 che DeepSeek ha tagliato fino al 75 per cento i prezzi API nelle fasce orarie non di punta, accentuando una guerra dei prezzi che ha coinvolto anche altri operatori cinesi.
La differenza si vede nei token, cioè nella materia prima economica dell’IA generativa. DeepSeek-R1, al lancio, è stato offerto con prezzi dell’ordine di pochi yuan per milione di token: circa 4 yuan per milione di token in input non cache e 16 yuan per milione di token in output, con prezzi ancora inferiori per input cache. Anche tenendo conto di conversioni, condizioni d’uso e variazioni successive, l’ordine di grandezza resta chiaro: per molte applicazioni, il costo d’uso di un modello cinese può essere una frazione del costo dei modelli premium americani.
Qui il prezzo dell’intelligenza diventa variabile geopolitica.
Un’IA costosa resta nelle mani di Big Tech, grandi banche, grandi studi legali, grandi industrie, Stati ricchi, cloud occidentali e imprese capaci di assorbire fatture elevate. Un’IA economica entra invece in territori più larghi: piccole e medie imprese, amministrazioni locali, scuole, università minori, software verticali, call center, manifattura a basso margine, sviluppatori indipendenti, imprese dei Paesi emergenti. Non cambia soltanto chi usa l’IA. Cambia chi può permettersi di incorporarla nei propri processi.
La maggior parte dell’economia non vive alla frontiera. Vive nella sufficienza.
Un customer service non ha sempre bisogno del modello migliore al mondo; ha bisogno di rispondere correttamente a migliaia di richieste ripetitive. Un’impresa manifatturiera non ha sempre bisogno di ragionamento generale avanzato; ha bisogno di interrogare manuali, preventivi, scorte, anomalie, report di manutenzione. Un ufficio pubblico non deve necessariamente risolvere problemi matematici da olimpiade; deve classificare pratiche, riassumere documenti, generare bozze, orientare cittadini, tradurre comunicazioni. Un piccolo studio professionale non paga il massimo modello se un sistema meno costoso produce bozze utilizzabili, da rivedere poi con competenza umana.
Brynjolfsson, Li e Raymond, nello studio pubblicato sul Quarterly Journal of Economics sul customer service, hanno mostrato che l’IA generativa può aumentare la produttività soprattutto nei lavoratori meno esperti, perché trasferisce procedure, linguaggio e soluzioni operative dentro il flusso quotidiano del lavoro. Questo tipo di uso non richiede necessariamente il modello assoluto più avanzato: richiede un modello affidabile abbastanza da ridurre tempi, errori semplici e costi di gestione.
Il mercato della sufficienza nasce qui: non dall’eccellenza astratta, ma dall’adeguatezza economica.
La Cina può espandersi proprio in questo spazio. Il suo vantaggio non consiste solo nel produrre modelli meno costosi, ma nel combinarli con open-weight, API economiche, integrazione industriale, piattaforme esistenti, cloud nazionali, software verticali, dispositivi edge, applicazioni per manifattura, logistica, commercio e pubblica amministrazione. Qwen3, presentato dal team Alibaba nel 2025, ha ampliato la famiglia Qwen con modelli densi e Mixture-of-Experts, modalità di pensiero e non pensiero, supporto multilingue esteso e licenze aperte come Apache 2.0. DeepSeek ha scelto licenze permissive come MIT per alcune versioni dei propri modelli. Questa non è filantropia tecnica. È diffusione strategica.
L’open-weight abbassa la barriera. Permette a sviluppatori, imprese e ricercatori di scaricare, adattare, quantizzare, eseguire localmente o integrare modelli senza dipendere sempre da un’API proprietaria. Non equivale a piena trasparenza: spesso mancano dati di training, pipeline complete, dettagli dell’allineamento, governance e sicurezza. Ma dal punto di vista del mercato basta a creare adozione. Un modello chiuso vende accesso; un modello aperto genera ecosistema.
Reuters ha segnalato nel luglio 2026 che i modelli cinesi open-source o open-weight sono ormai adottati anche da imprese, ricercatori e sviluppatori occidentali per ragioni tecniche e di costo, con particolare forza in coding e agentic tasks. La stessa notizia riferiva che Pechino stava valutando restrizioni all’accesso estero ad alcuni modelli cinesi, segno che la disponibilità conveniente di questi sistemi è ormai percepita come leva strategica, non come semplice apertura commerciale.
La dipendenza non nasce solo dalla superiorità. Nasce dalla convenienza.
Un Paese, un’impresa o una comunità di sviluppatori può scegliere un modello cinese non perché lo consideri il migliore in assoluto, ma perché costa meno, si modifica più facilmente, gira su infrastrutture locali, consente fine-tuning, evita contratti onerosi, riduce lock-in verso cloud americani e permette di costruire prodotti rapidamente. Se quella scelta viene ripetuta migliaia di volte, il modello sufficiente diventa infrastruttura.
Il Sud Globale è il terreno naturale di questa dinamica. Molti Paesi emergenti hanno vincoli fiscali, cloud limitato, capitale scarso, necessità amministrative enormi, imprese piccole, lingue locali, sistemi educativi sotto pressione, sanità territoriale fragile, burocrazie lente. L’International Finance Corporation e lo SME Finance Forum hanno stimato nel 2025 un divario di finanziamento per le micro, piccole e medie imprese dei Paesi emergenti pari a 5,7 trilioni di dollari per le imprese formali, che sale a 8 trilioni includendo quelle informali. In economie così vincolate, l’IA premium non è il mercato principale. Lo è l’IA economica, adattabile, integrabile in servizi pubblici, banche locali, piattaforme educative, strumenti agricoli, call center, software gestionali e applicazioni industriali leggere.
Anche in Europa il problema è simile, pur con redditi e infrastrutture superiori. La piccola e media impresa non compra intelligenza artificiale come compra una grande banca. Ha margini più stretti, meno personale tecnico, meno capacità di assorbire fallimenti, più bisogno di soluzioni pronte. Studi sull’adozione dell’IA nelle PMI, come quello di Proietti e Magnani dedicato al caso italiano, individuano barriere ricorrenti: competenze, dati, costi, integrazione, fiducia, governance. In questo ambiente, il modello più potente è spesso meno importante del modello che entra nel gestionale, risponde in italiano, costa poco, non richiede un reparto interno di machine learning e produce benefici misurabili su compiti ripetitivi.
L’intelligenza artificiale diventa mercato di massa quando smette di essere evento.
Quando un’impresa deve decidere ogni volta se una richiesta merita il modello migliore, l’IA resta eccezione costosa. Quando invece può incorporare un modello sufficiente in ogni email, ticket, ordine, preventivo, traduzione, report, controllo qualità o interfaccia interna, l’IA diventa strato ordinario del lavoro. La differenza economica non sta nel singolo output, ma nel volume. Un centesimo risparmiato su milioni di chiamate API vale più di un benchmark vinto in una conferenza.
È qui che il costo di inferenza conta più del costo di training. Addestrare un modello è il costo della nascita; farlo funzionare ogni giorno è il costo della diffusione. Lo Stanford AI Index 2025 ha dedicato nuova attenzione proprio ai costi di inferenza, mostrando che il prezzo necessario per ottenere capacità equivalenti è sceso rapidamente. Questo andamento non elimina la necessità di grandi investimenti, ma cambia la traiettoria industriale: più l’inferenza si abbassa, più l’IA può entrare in software ordinari, dispositivi, processi aziendali e servizi pubblici.
Il modello sufficiente, quindi, non è un modello mediocre. È un modello economicamente proporzionato alla funzione.
Per una banca globale che automatizza analisi di rischio, compliance complessa o ricerca quantitativa, il modello premium può avere senso. Per un comune che deve classificare richieste, un produttore che deve riassumere schede tecniche, un’università minore che deve tradurre materiale didattico, una PMI che deve generare offerte commerciali, un call center che deve aiutare operatori inesperti, il premium può essere spreco. Il vantaggio competitivo va a chi offre l’equilibrio migliore tra prestazione, costo, latenza, controllo e integrazione.
Questa è la legge economica della sufficienza.
La Cina non deve sostituire OpenAI o Anthropic al vertice della piramide per modificare il mercato. Può occupare gli strati intermedi e bassi della piramide, dove si trovano la maggior parte degli utenti, delle imprese e dei casi d’uso. Può diventare il fornitore implicito di intelligenza economica: non quella che stupisce il ricercatore, ma quella che automatizza lavoro ordinario a basso costo. Può farlo direttamente, con API e servizi cloud; indirettamente, attraverso modelli open-weight; industrialmente, incorporando IA in dispositivi, veicoli, robot, software gestionali, piattaforme logistiche e fabbriche.
La posta non è solo commerciale. È infrastrutturale.
Chi fornisce il modello sufficiente entra nel processo dell’altro: nei dati, nelle abitudini, nelle interfacce, nelle dipendenze tecniche, nei flussi di aggiornamento, nei formati, nelle librerie, nei tool degli sviluppatori. Non serve imporre un sistema. Basta renderlo facile, economico, documentato, scaricabile, modificabile. L’adozione volontaria può produrre dipendenza più stabilmente dell’imposizione.
Il prezzo basso, però, non elimina il rischio. I modelli cinesi portano questioni di governance, sicurezza, censura, trasferimento dati, opacità regolatoria, dipendenza tecnologica e influenza dello Stato. Un’impresa occidentale può volerli usare per risparmiare, ma esitare per ragioni di compliance; una pubblica amministrazione può considerarli convenienti, ma trovarli incompatibili con requisiti di sovranità digitale; uno sviluppatore può scaricarli, ma incorporare senza accorgersene assunzioni, filtri o dipendenze difficili da controllare. La convenienza non è neutralità. È una forma di potere con prezzo basso.
Proprio per questo il modello sufficiente è geopolitico. Non perché sia sempre migliore, ma perché può viaggiare più lontano. Il modello di frontiera resta concentrato dove ci sono capitale, chip, cloud e clienti premium. Il modello sufficiente entra dove il costo decide l’adozione. E la maggior parte del mondo decide ancora attraverso il costo.
Gli Stati Uniti possono conservare la corona tecnica e perdere quote di normalità operativa. Possono avere il modello che vince la competizione scientifica e trovarsi davanti concorrenti che colonizzano software verticali, mercati emergenti, PMI, sistemi educativi, automazione pubblica, sviluppo locale, coding ordinario. Non è un paradosso: è la differenza tra prestigio della frontiera e potere della diffusione.
La storia industriale è piena di prodotti superiori sconfitti da prodotti sufficienti. Non perché il mercato ami la mediocrità, ma perché qualità, prezzo, accessibilità e distribuzione formano una sola decisione. L’intelligenza artificiale non sfugge a questa regola. Quando una capacità diventa abbastanza buona e abbastanza economica, smette di essere meraviglia tecnica e diventa infrastruttura.
La Cina punta a questo passaggio.
Non deve vincere ogni benchmark. Deve abbassare il prezzo dell’intelligenza.
La puntata finale partirà da qui: dalla copia come compressione del tempo, del margine, del ciclo industriale e ora del costo cognitivo.
Perché la geopolitica della copia non riguarda più soltanto chi produce meglio. Riguarda chi rende imitabile, economico e distribuibile ciò che prima sembrava riservato alla frontiera.[i]
[i] Bibliografia
- 2025. Claude 4 System Card and API Pricing. San Francisco: Anthropic.
- Brynjolfsson, E., Li, D. and Raymond, L. 2025. “Generative AI at Work”. Quarterly Journal of Economics, 140(2), pp. 889-942.
- DeepSeek-AI. 2024. DeepSeek-V3 Technical Report. arXiv:2412.19437.
- DeepSeek-AI. 2025. DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning. arXiv:2501.12948.
- 2025. API Pricing Documentation. Hangzhou: DeepSeek.
- IFC and SME Finance Forum. 2025. MSME Finance Gap: Assessment of the Shortfalls and Opportunities in Emerging Markets. Washington, DC: International Finance Corporation.
- Longpre, S., Akiki, C., Lund, C., Kulkarni, A., Chen, E., Solaiman, I., Ghosh, A., Jernite, Y. and Kaffee, L.-A. 2025. Economies of Open Intelligence: Tracing Power and Participation in the Model Ecosystem. arXiv:2512.03073.
- Maslej, N., Fattorini, L., Perrault, R., Gil, Y., Parli, V. et al. 2025. Artificial Intelligence Index Report 2025. Stanford, CA: Stanford Institute for Human-Centered Artificial Intelligence.
- 2025. Introducing GPT-4.1 in the API. San Francisco: OpenAI.
- 2025. API Pricing Documentation. San Francisco: OpenAI.
- Proietti, S. and Magnani, R. 2025. Assessing AI Adoption and Digitalization in SMEs: A Framework for Implementation. arXiv:2501.08184.
- Qwen Team. 2025. Qwen3 Technical Report. arXiv:2505.09388.
- 2025. “DeepSeek cuts off-peak pricing for developers by up to 75%”. London: Reuters.
- 2026. “China weighs silicon curtain around sought-after AI models”. London: Reuters.
(*) Economista
