La commodity che non c’è
AI non è una commodity. E chi la chiama così regala ad altri il piano dove il valore si costruisce davvero.
Seconda parte del ragionamento aperto la settimana scorsa in “No, l’AI non è una commodity”.
Il post in tre frasi.
Alex Imas prevede che l’AGI (l’intelligenza artificiale generale) diventerà una commodity, ma un economista che studia i mercati delle commodity gli risponde “very strange notion of commodity”.
Il modello base non è una commodity: cade su tutte le proprietà che la definiscono e il prezzo che scende non è la prova, ma capitale sussidiato in un oligopolio. L’open source abbassa ulteriormente la soglia di accesso, ma il lavoro di integrazione e adozione resta lo stesso: le dinamiche sottostanti non cambiano.
Dietro la parola commodity c’è la mossa vera: i lab stanno investendo miliardi per prendersi il piano di adozione delle imprese attraverso ingegneri distaccati presso i clienti, ed è su questo piano che un’azienda deve prestare la massima attenzione.
Il 18 luglio scorso, Alex Imas (economista comportamentale della University of Chicago Booth, dallo scorso maggio Director of AGI Economics a Google DeepMind) ha scritto su X una tesi che merita di essere discussa [1]:
AGI will very likely be a commodity. This is not a value judgement, it’s just the outcome of an economically-valuable product + competitive markets. Implicitly people see this coming and are leaning into it, hence the big push from all the labs to go vertical.
A few things can prevent this: 1) regulation or 2) a moat, so it’s definitely not a certainty. But absent that, this is where things are going.
Nel thread la tesi è stata contestata subito. David Rein (@idavidrein) — il ricercatore che ha creato il benchmark GPQA, uno di quelli che cito più avanti per mostrare che nessun modello vince ovunque — ha risposto con l’obiezione di merito più netta: “Commodities form when you can’t innovate anymore, and it seems very unlikely we’ll hit capability ceilings anytime soon, so I’d bet against this” [2]. Imas ha ribattuto che i due modelli di testa già oggi competono sul prezzo e che le imprese passano di continuo dall’uno all’altro. E, in coda, tagliente, Pedro Tremacoldi-Rossi — financial economist presso Cornerstone Research, che studia i mercati delle commodity — ha liquidato la definizione: “very strange notion of commodity” [3].
La settimana scorsa ho argomentato che chiamare l’AI commodity è una categoria sbagliata: i grandi modelli linguistici non soddisfano nessuna delle proprietà economiche del bene commodity: fungibilità, prezzo per unità di valore, basso costo di migrazione, stabilità nel tempo, basse barriere d’uso. Il post di Imas e l’obiezione di Tremacoldi-Rossi mi hanno portato a chiedermi se, alla luce di ciò che i dati mostrano oggi sul mercato dei modelli di base, quella conclusione regga.
Una prima reazione all’affermazione di Imas potrebbe consistere nelle sue stesse parole: è più una previsione di ciò che potrebbe accadere che una presa d’atto di un fatto acclarato. Ma sarebbe un artificio retorico per evitare il problema, che invece va affrontato direttamente, ripercorrendo le caratteristiche chiave del concetto di commodity.
La fungibilità: quale intercambiabilità
Uno studio del Digital Economy Lab di Stanford, pubblicato a marzo e firmato da Elisa Pereira, Alvin Wang Graylin ed Erik Brynjolfsson, tra gli economisti più autorevoli sulla produttività dell’IT, analizza 51 casi di successo di adozione aziendale in 41 organizzazioni. Uno dei risultati principali, riportato senza mezzi termini [4]: “For 42% of implementations, model choice was fully interchangeable.” Cioè, in quasi la metà dei casi reali che hanno generato valore misurabile, la scelta del modello di base era irrilevante. Il dato è scomodo per il mio argomento della settimana scorsa. Va affrontato, non eluso.
La domanda giusta è: che tipo di intercambiabilità stanno documentando? Ci sono due letture possibili. Una, la lettura forte dell’indifferenziazione, sostiene che i modelli si sono equivalsi qualitativamente. L’altra dice che i casi d’uso documentati erano sotto una soglia di capacità così bassa da poter essere risolti da qualunque modello di frontiera. Sono ovviamente casistiche molto diverse tra loro.
I dati dei test di valutazione sembrano orientarsi verso la seconda situazione. A luglio 2026 nessun modello vince ovunque: Claude Fable 5 guida sulla scrittura di codice di frontiera (SWE-bench Verified attorno al 95%), Gemini 3.1 Pro guida sulle prove di ragionamento scientifico e astratto (GPQA Diamond, ARC-AGI-2), GPT-5.4 guida nell’uso autonomo del computer (OSWorld-Verified 75,0%, sopra il livello umano di riferimento) [5]. I profili prestazionali restano distinti quando il compito diventa difficile. La fungibilità che Stanford osserva è sufficienza, non identità: per i casi d’uso sotto soglia qualunque modello di frontiera basta — ma “bastare” non è “essere lo stesso bene”. E infatti la fungibilità non regge nemmeno dove sembra reggere. Due modelli non sono lo stesso bene: anche quando su un compito neutro l’esito è ugualmente valido, non producono la stessa risposta, e l’equivalenza svanisce del tutto non appena il compito tocca qualcosa che i loro addestramenti trattano in modo diverso.
Una commodity è neutra rispetto al produttore — la specifica cancella chi l’ha fatta: 220 volt sono 220 volt, il barile Brent è Brent da qualunque pozzo arrivi. Un modello non è mai neutro rispetto a chi l’ha addestrato: dati, allineamento e filtri incorporano scelte di valore che restano in ogni risposta. The Economist lo mostra con il caso più clamoroso: i modelli cinesi open-weight, scaricabili e installabili sui propri server, sono offerti al mondo come “shared asset for all humanity”, ma sono tenuti a rispettare i “core socialist values”. Come riporta la testata, una bambola AI esportata dalla Cina, interrogata sullo status di Taiwan, risponde che l’isola “is an inalienable part of China” e che ciò “cannot be refuted” [6]. La differenziazione non è un divario temporaneo che la concorrenza cancella — l’assunto di Imas — è impressa nel bene alla fabbricazione.
E non è solo la Cina: cambia il valore che gli viene attribuito, non il fatto che ci sia. Grok, il modello di Elon Musk, la dipendenza dal proprietario l’ha messa a verbale — nel maggio 2025 ha cominciato a infilare la teoria del “white genocide” sudafricano in risposte che non c’entravano (xAI l’ha attribuito a una modifica “non autorizzata” del system prompt, poi resa pubblica); a luglio, istruito a non evitare il “politicamente scorretto”, è arrivato a definirsi “MechaHitler” [7]. All’estremo opposto Anthropic pubblica la “costituzione” con cui allinea Claude, e gli studi comparativi misurano orientamenti diversi da un modello all’altro — Grok il più oscillante, Claude il più centrista, i modelli OpenAI più a sinistra [8]. Meta ha scelto l’open-weight: rilasciare i pesi è già, di per sé, un atto strategico e di valore. Mistral porta un’impronta ancora diversa: quella regolatoria europea, GDPR-native e vincolata dall’AI Act [9]. La domanda non è se un modello sia neutro — non lo è nessuno — ma di chi siano i valori che porta dentro e se li dichiara. La corrente elettrica non ha un “di chi”.
E vale perfino all'interno di un solo fornitore: le versioni successive dello stesso modello non sono intercambiabili, e il loro comportamento dipende da due strati — come sono addestrate e come le istruisci — un comportamento che non è quello di una commodity: risponde con toni e atteggiamenti diversi, come ho sperimentato passando da Sonnet a Opus 4.7 e Opus 4.8.
Si obietterà che anche le commodity hanno qualità diverse: il greggio sweet e sour, i diversi livelli di ottani. Ma le qualità di una commodity sono trasparenti, definite e prezzate: compri “Brent” e sai esattamente che cosa ti arriva, chiunque l’abbia estratto. Il condizionamento di un modello è opaco, non dichiarato e deliberato: il produttore non converge verso uno standard comune, ma imprime i propri valori di proposito. In una commodity le differenze tendono a sparire, a convergere verso uno standard comune; in un modello AI sono volute: ogni produttore vi imprime scelte proprie che lo qualificano rispetto agli altri. È il contrario esatto della commoditizzazione.
La fungibilità è solo la prima delle cinque proprietà (il prezzo non misura il valore, il costo di migrazione è elevato, la stabilità non c’è, la barriera d’uso è alta, come mostrano i prossimi paragrafi), ma è quella che cade più a fondo: il modello la manca alla radice, non per una differenza di grado.
Standardizzazione e prezzo: il costo che non è prezzo
La caduta dei prezzi dei token (le unità con cui si misura ciò che entra ed esce da un modello) è ormai un dato di fatto. Da quando GPT-4 è uscito nel marzo 2023 a 30 dollari per milione di token in ingresso, il prezzo dei modelli di frontiera è sceso di oltre il 90%. Oggi il successore di punta di quella linea è intorno ai 2 dollari, mentre le versioni più leggere della stessa famiglia sono sotto 1 dollaro. Il segnale sembra quello di un mercato delle commodity in tendenza verso l’equilibrio, in cui il prezzo scende fino al costo marginale e nessuno cattura margine.
I numeri di chi produce i modelli raccontano un’altra storia. OpenAI proietta una perdita di 14 miliardi di dollari per il 2026, senza redditività prevista prima del 2029–2030 [10]. Anthropic ha visto il margine lordo passare dal -94% nel 2024 a circa il 60% nel 2026, ma il salto è dovuto a un’esecuzione dei modelli più efficiente, non al rialzo dei prezzi [11]. E c’è uno schema, documentato dagli analisti, che spiega una parte dell’anomalia: il capital recycling. Amazon ha investito fino a 25 miliardi di dollari in Anthropic; Anthropic si è impegnata a spendere oltre 100 miliardi di dollari per il calcolo su AWS. OpenAI, dal canto suo, ha firmato con la stessa AWS un impegno d’acquisto di calcolo per 38 miliardi. E Microsoft, che possiede il 27% di OpenAI, ha contabilizzato nel solo trimestre 3,1 miliardi di dollari come propria quota del rosso di OpenAI (un passivo che, riproporzionato, implica una perdita trimestrale di OpenAI di circa 11,5 miliardi) mentre riconosce ricavi da Azure dallo stesso cliente che quella spesa genera [12].
Il prezzo che scende in queste condizioni non è il prezzo di equilibrio in un mercato competitivo come ipotizza Imas. È un prezzo determinato con lo scopo di conquistare quote di mercato, una strategia che prosegue finché il capitale regge. E soprattutto: il costo misurato per token non fornisce alcuna unità condivisa di misura del valore. Mille token possono produrre una risposta inutile o una decisione operativa da migliaia di euro. Il costo si misura, il valore no. La seconda proprietà della commodity, il prezzo per unità di valore, non è nemmeno definibile.
Il costo di migrazione: il moat che si costruisce
Nella terminologia della strategia aziendale, moat (“fossato”) è la barriera strutturale che protegge un business dai concorrenti: costi di ingresso elevati, effetti di rete, brevetti, marchi. È la parola che Imas usa nel tweet: la sua previsione sulle commodity vale solo se non emerge un moat. Il mercato dei modelli di base ne ha almeno uno sulle barriere all’ingresso e, a maggio 2026, i lab hanno iniziato a costruirne un secondo sull’adozione.
Un rapporto RAND del 2024, applicato empiricamente al mercato dei modelli di base, conclude che “il caso attuale per un monopolio naturale è relativamente forte”: modelli omogenei, economie di scala elevate, costi in gran parte nascosti ed effetti di rete pronunciati [13]. Il costo di addestramento di GPT-4 è stimato tra 63 e 100 milioni di dollari in termini di potenza di calcolo e, secondo le proiezioni di Epoch AI, addestrare un modello di punta supererà il miliardo entro il 2027. È una soglia che esclude ogni attore al di fuori di un ristretto cerchio di grandi operatori del cloud e dei loro partner. È il primo moat: la struttura di mercato è oligopolistica a causa dei costi di ingresso.
E qui si vede la seconda mossa, quella che Imas descrive parzialmente e che si è chiarita solo a maggio. All’inizio di maggio 2026, a pochi giorni l’uno dall’altro, i due lab principali hanno annunciato iniziative dedicate all’adozione presso i clienti per un nuovo capitale di 5,5 miliardi di dollari. Anthropic ha lanciato una joint venture con Blackstone, Goldman Sachs e Hellman & Friedman (per un valore di 1,5 miliardi, secondo la stampa finanziaria) per integrare Claude nelle operazioni delle società partecipate dai fondi coinvolti. OpenAI ha annunciato The Deployment Company (4 miliardi da 19 tra investitori, società di consulenza e integratori di sistemi, con una valutazione di 10 miliardi prima dell’investimento) e ha acquisito Tomoro per portare a bordo, dal primo giorno, 150 ingegneri distaccati presso il cliente, i “forward deployed engineers” [14]. Il modello ricalca da vicino quello di Palantir: l’ingegnere va dal cliente, ne impara il flusso di lavoro, scrive software che avvolge il modello attorno al problema, e resta finché il sistema funziona in modo stabile.
La logica che giustifica l’operazione è quella classica del mercato aziendale: attorno a ogni euro di licenza software ruota una spesa per servizi di integrazione molto più elevata. È esattamente la fetta di valore che il piano di adozione (coordinamento dei sistemi, dati proprietari, integrazione nei processi, competenze) rappresenta. La proprietà del basso costo di migrazione sta cambiando. I lab stanno impostando costi di migrazione elevati nel piano di adozione, con una soluzione che, una volta installata, è su misura per il flusso di lavoro del cliente, integrata con i suoi dati e appresa dai suoi ingegneri interni. Cambiare fornitore significa interrompere un rapporto operativo di mesi con persone insediate nel proprio processo.
Stabilità nel tempo, barriera d’uso
Le altre due proprietà si commentano brevemente. Sui modelli usati in azienda, il ritmo di aggiornamento resta di tre-sei mesi e ogni nuova versione vanifica test consolidati e riapre le valutazioni. Il declino dei prezzi accelera invece di rallentare: a parità di prestazioni, il costo per ottenerle si riduce ogni anno di un fattore compreso tra 9 e 900 volte, a seconda del compito, secondo lo Stanford AI Index. Il mercato stesso è in trasformazione strutturale ogni pochi mesi, come mostra la mossa sull’adozione di maggio. Le commodity vere non fanno questo. Il rame del 1980 è il rame del 2026 e non sviluppa un modo di parlarti. Lo tocco con mano da utente: la versione di Claude che uso oggi non risponde come quella di qualche mese fa e, discutendo proprio di questo pezzo, mi ha contraddetto dove le precedenti avrebbero assecondato. Il modello di tre versioni fa non è quello di adesso.
Sulla barriera d’uso, la conferma arriva dalla stessa fonte che sembrava metterla in difficoltà. Lo studio di Stanford dice che il 77% delle sfide più difficili nelle adozioni riguarda costi invisibili, non tecnici: gestione del cambiamento, qualità dei dati, ridisegno dei processi. Brynjolfsson lo scrive esplicitamente: “the durable advantage is in the orchestration layer, not the foundation model.” E dal fronte opposto — un venture capitalist che ha investito miliardi nell'AI, non un economista accademico — Marc Andreessen arriva alla stessa conclusione: il moat è ciò che costruisci attorno al modello, non il modello stesso [15]. Il consenso trasversale è ormai netto: la barriera d’uso è alta e sta crescendo.
Non è la prima volta
Questa confusione ha una storia, e la parola commodity torna sempre allo stesso modo. Nel maggio 2003 Nicholas Carr pubblicò su Harvard Business Review “IT Doesn’t Matter”: l’informatica aziendale, sosteneva, ha “all the hallmarks of an infrastructural technology” ed è perciò destinata a una “particularly rapid commoditization”. La conclusione: non offre un vantaggio competitivo, è solo un costo da comprimere — meglio esternalizzare, seguire invece di guidare, rimandare gli investimenti. Presa alla lettera, quella tesi produsse un decennio di scelte sbagliate.
L’errore non era dire che qualcosa si fosse commoditizzato. Alcune cose lo sono davvero: i PC, la potenza di calcolo a consumo, alcuni servizi cloud. L’errore era il salto di strato — trattare l’intero campo come se fosse definito dallo strato dell’infrastruttura. Una commodity ha, per definizione, un basso o nullo rischio di adozione: la compri, la monti, la usi. Se l’IT lo fosse stato davvero, perché i progetti di adozione fallivano con la regolarità che Carr stesso documentava? È l’argomento che porto avanti da vent’anni: le tante delusioni sono la prova che l’IT, salvo i suoi componenti di base, non è mai stato una commodity. Con l’AI la scena torna identica, di nuovo con un salto di strato: si guarda il prezzo per token, che crolla, e si dichiara commodity l’intero campo, quando è il piano di adozione a decidere il valore — ed è quanto di più lontano da una commodity ci sia.
E stavolta il coro non è quello di un solo economista. Accanto a Brynjolfsson e Andreessen, citati sopra, negli ultimi mesi si sono aggiunte altre voci, da parte di chi non ha alcun interesse a negare la potenza dell’AI. McKinsey, in uno studio di luglio [16], è netta: “AI does not create enterprise value simply because more people use it. Individual productivity gains matter, but they rarely translate into lasting advantage when the organization around them stays the same.” In un secondo lavoro [17] concede che “capabilities that differentiate one platform today often become standard within months”, e proprio da lì conclude che “most AI value comes from people and process transformation, not algorithms, technology, or data infrastructure.” È lo stesso punto della fungibilità: anche concedendo che i modelli si equivalgono, la categoria non si sposta, perché il valore sta altrove. E chi guarda il problema dal lato di chi deve realizzarlo arriva alla stessa diagnosi [18]: “The gap isn’t the technology. It’s the foundational work most organizations haven’t done: data readiness, operating models, governance, skills, and culture. […] They’re tackling the unglamorous work themselves.”
Tre voci diverse, una conclusione sola: il valore sta nel piano di adozione, ed è un processo complesso e ad alto tasso di fallimento — non un interruttore. È il rovescio di una commodity. Di una commodity puoi fidarti: il litro di benzina fa sempre la stessa cosa e, se la tua flotta fallisce, non è colpa della benzina ma del tuo piano. Di un modello no: il bene non è neutro e non ti dà lo stesso risultato ogni volta — parte del rischio è nel bene stesso. Perfino l’inefficienza spinge nella stessa direzione. Un’analisi di Atlantic [19] nota che i modelli generativi scalano al rovescio rispetto a ogni altro software, “the bigger an AI model is, the less it improves with each added parameter”, così che il prezzo che scende non segnala un bene che matura, ma capitale che ne copre uno che perde.
La questione strategica
Se i cinque piani della definizione di commodity non si applicano, e i dati di mercato lo confermano, la domanda diventa: cosa c’è dietro l’insistenza con cui la parola torna? La risposta sta nella mossa delle imprese del settore.
L’insistenza nel presentare il modello come commodity copre uno spostamento strategico da parte dei venditori verso il piano di adozione. Il modello base, come servizio venduto al minuto, è la parte che i lab hanno smesso di considerare strategica. Il valore che stanno costruendo lo mettono altrove: nella verticalizzazione (il passaggio dal modello generale a soluzioni su misura, calate sul cliente e sul suo settore), attraverso ingegneri distaccati presso il cliente, nell’integrazione su misura nei processi del cliente, nella cattura della spesa per i servizi che circondano ogni licenza software. La spinta a “verticalizzare” che Imas osserva è la strategia con cui i lab entrano nel mercato dell’adozione, cioè nel piano che, nel post della settimana scorsa, indicavo come quello in cui il valore per l’azienda si costruisce internamente.
Il consiglio d’amministrazione che sente “AI is a commodity” e ne trae la conclusione manageriale familiare: tagliare il budget di formazione, esternalizzare le competenze per l’uso e l’istruzione dei modelli, scegliere il fornitore in base al prezzo per token. Così facendo, sta regalando due cose contemporaneamente: rinuncia a costruire capacità sul piano su cui si concentra il valore e consegna quel piano nelle mani di chi ha appena costruito 5,5 miliardi di dollari di infrastruttura per prenderlo. È l’errore della consulenza SAP/Oracle degli anni Duemila, con una differenza: il vincolo di secondo livello che si crea con un ingegnere distaccato e insediato nel processo aziendale è più profondo di quello che si creava con un consulente SAP, e si stringe in mesi invece che in anni.
E qui entra la terza forza che Imas non menziona. Accanto ai modelli proprietari — quelli che usi solo attraverso il fornitore — sono arrivati i modelli open source, che chiunque può scaricare ed eseguire per conto proprio, oggi in media quattro mesi più tardi rispetto ai migliori proprietari [20]. Con loro la soglia di accesso al modello si azzera quasi: niente licenza, niente fornitore. Ma l'accessibilità non definisce una commodity. Non è che prendi un modello, lo colleghi e lo usi come la corrente: sotto quella soglia di adozione bassissima c’è tutto il lavoro di prima: metterlo in produzione, valutarlo, integrarlo nei processi, adattarlo ai tuoi dati. La barriera che il fornitore ti nascondeva non sparisce, si sposta intera sull’adozione. È il profilo rovesciato di una commodity: un prodotto sempre più accessibile che richiede investimenti crescenti di competenza e di adozione. I modelli open source spingono l’accesso verso il basso senza mai toccare la categoria; anzi, sono la prova più chiara che il valore non sta nel modello, ma in ciò che l’azienda ci costruisce attorno.
Qualche conclusione
La parola commodity cade su tutte le proprietà che la definiscono: il prezzo non misura il valore, il costo di migrazione sale invece di essere basso, la stabilità non c’è, la barriera d’uso è alta. Perfino la fungibilità, l’unico appiglio della tesi contraria, si ferma ai casi d’uso più semplici — la coppia modello-uso, non il modello — e non tocca il bene, che porta impressa l’origine di chi l’ha addestrato. Il prezzo che scende, l’unico segnale che sembra dire il contrario, non è la prova di un mercato-commodity: è capitale sussidiato in un oligopolio, non un equilibrio competitivo. Chi la porta in consiglio d’amministrazione come argomento per non investire in adozione fa un salto di categoria che vent’anni fa costò caro: è lo stesso errore di Carr, che spinse molte aziende a esternalizzare l’IT dopo “IT Doesn’t Matter” [21], e le lasciò, dieci anni dopo, con dipartimenti ridotti a comprare licenze e la strategia digitale in mano al system integrator di turno. La differenza è che oggi chi vende il modello offre anche l’adozione, con ingegneri che si siedono ai tuoi tavoli, imparano i tuoi processi, scrivono il software e lo controllano per te.
Se decidi che l’AI è commodity, in consiglio, hai preso in dieci secondi due decisioni: non costruisci capacità interna e la compri da chi vende il modello. Nel decennio, si vedrà chi ha scelto bene.
Per approfondire
[1] Alex Imas (@alexolegimas), tweet del 18 luglio 2026, x.com/alexolegimas/status/2078529740281970689. Imas è professore alla University of Chicago Booth School of Business (in aspettativa) e, dal maggio 2026, Director of AGI Economics a Google DeepMind. Il “big push from all the labs to go vertical” è nelle parole di Imas; la lettura di quella “verticalizzazione” come strategia di adozione — ingegneri distaccati presso il cliente, modello Palantir — è sviluppata in questo pezzo, non una definizione data da Imas.
[2] David Rein (@idavidrein), interventi nel thread sotto il tweet di Alex Imas, 19 luglio 2026. Rein fa ricerca su valutazione e controllo dei sistemi di AI (METR) ed è il primo autore del benchmark GPQA (D. Rein et al., “GPQA: A Graduate-Level Google-Proof Q&A Benchmark”, 2023).
[3] Pedro Tremacoldi-Rossi (@pedrotrossi1), intervento nella discussione sotto il tweet di Alex Imas, 19 luglio 2026, x.com/pedrotrossi1/status/2078633442795802712. Tremacoldi-Rossi è financial economist a Cornerstone Research ed è postdoctoral research scholar al Department of Economics della Columbia University, dove insegna. Ha conseguito il PhD alla University of Illinois at Urbana-Champaign, dove ha tenuto il corso Commodity Futures and Options ed è affiliato all’Office for Futures and Options Research; la sua ricerca riguarda i mercati finanziari e la loro microstruttura.
[4] Elisa Pereira, Alvin Wang Graylin, Erik Brynjolfsson, The Enterprise AI Playbook — Lessons from 51 Successful Deployments, Stanford Digital Economy Lab, marzo 2026, digitaleconomy.stanford.edu/publication/enterprise-ai-playbook.
[5] Dati dei test di luglio 2026 da Artificial Analysis e da vals.ai per SWE-bench Verified; le cifre sull’uso autonomo del computer di GPT-5.4 (OSWorld-Verified 75,0%) sono dalla pagina ufficiale OpenAI. Le classifiche di frontiera cambiano rapidamente e i numeri esatti variano tra aggregatori: qui si riportano le posizioni di leadership per famiglia di compiti, non una classifica puntuale.
[6] “When China’s open-source AI is a trap”, The Economist, sezione International (The Telegram), 14 luglio 2026 (edizione a stampa del 18 luglio 2026), economist.com. L’esempio della bambola Miiloo è attribuito dalla testata a “American researchers” non nominati.
[7] Su Grok e la sua dipendenza dal system prompt: “Grok started calling itself ‘MechaHitler’”, NPR, 9 luglio 2025, npr.org; “Users accuse Grok of a rightward tilt after xAI changed its internal instructions”, Fortune, 8 luglio 2025, fortune.com; l’episodio “white genocide” (maggio 2025) è ricostruito da PBS News, pbs.org.
[8] Sugli orientamenti politici misurati nei modelli: “Popular AI Models Show Partisan Bias When Asked to Talk Politics”, Stanford Graduate School of Business, 2025, gsb.stanford.edu; “Evaluating political bias in LLMs”, Promptfoo, 2025, promptfoo.dev. Anthropic ha pubblicato la propria ricerca sull’even-handedness politica nel novembre 2025.
[9] Mistral AI: posizionamento europeo “sovrano”, GDPR-native e conformità all’AI Act (obblighi per i modelli GPAI dal 2 agosto 2026), da materiali legali Mistral, legal.mistral.ai, e analisi di settore 2026.
[10] Le proiezioni finanziarie interne di OpenAI — perdita di circa 14 miliardi di dollari nel 2026 e ritorno all’utile non prima del 2029–2030 — sono state anticipate da The Information sulla base di documenti interni e riprese dalla stampa finanziaria: Fortune, “OpenAI says it plans to report stunning annual losses through 2028—and then turn wildly profitable just two years later”, 12 novembre 2025, fortune.com.
[11] Stime SemiAnalysis sui margini di Anthropic (margine lordo dal -94% nel 2024 a circa il 60% nel 2026, trainato dall’efficienza di inferenza), riprese da BigGo Finance, “On the Eve of Trillion-Dollar Valuations: Anthropic Turns Profitable First”, luglio 2026. Sono stime di analisti, non dati ufficiali certificati.
[12] Cifre di capital recycling da fonti primarie e stampa finanziaria: l’investimento Amazon in Anthropic (fino a 25 mld, aprile 2026) e l’impegno Anthropic di spesa di calcolo su AWS (oltre 100 mld) da CNBC e TechCrunch; l’impegno d’acquisto OpenAI–AWS da 38 mld dal comunicato Amazon (novembre 2025); i conti Microsoft Q1 FY26 (ottobre 2025) registrano 3,1 mld come quota del 27% di OpenAI, che implica un passivo trimestrale di OpenAI di circa 11,5 mld, da The Register.
[13] Jon Schmid, Tobias Sytsma, Anton Shenk, Evaluating Natural Monopoly Conditions in the AI Foundation Model Market, RAND Corporation, RR-A3415-1, settembre 2024, rand.org/pubs/research_reports/RRA3415-1. Il rapporto valuta il mercato “as of January 2024” e conclude che il caso per un monopolio naturale è “relatively strong”.
[14] Comunicati ufficiali Anthropic (la nuova società di servizi enterprise con Blackstone, Hellman & Friedman e Goldman Sachs, 4 maggio 2026) e OpenAI (il lancio di The Deployment Company, con l’acquisizione di Tomoro e i 150 ingegneri distaccati presso il cliente). Le cifre finanziarie sono da stampa primaria: 1,5 mld della joint venture Anthropic da CNBC e Fortune (non riportati nel comunicato Anthropic); 4 mld di nuovo capitale e valutazione di 10 mld prima dell’investimento di The Deployment Company da OpenAI e Bloomberg.
[15] La posizione è ripresa e parafrasata in: The AI Corner, “The AI moat is not the model. Marc Andreessen on why AI gets more expensive as it commoditizes”, 18 maggio 2026, che la attribuisce a un intervento di Andreessen a un meeting LP di a16z (gennaio 2026). Trattandosi di un evento privato senza trascrizione a verbale, la frase è resa come parafrasi e non come citazione testuale.
[16] McKinsey & Company, “From Adoption to Impact: Three Horizons of AI Transformation”, 8 luglio 2026, mckinsey.com.
[17] “The Operating Model Advantage: Why AI Winners Are Rewiring Their Organizations”, McKinsey & Company, 7 luglio 2026, mckinsey.com.
[18] Stephanie Overby, “CIOs Must Rethink Operating Models to Unlock AI at Scale”, CIO, 13 luglio 2026, cio.com.
[19] Alex Reisner, “Generative AI Is an Engineering Disaster”, The Atlantic, 14 luglio 2026, theatlantic.com.
[20] Jack Edwards, Luke Emberson, “Open models lag state-of-the-art closed models by 4 months”, Epoch AI, 29 maggio 2026, epoch.ai/data-insights/open-closed-eci-gap. Il gap medio è di quattro mesi (8 punti ECI) nel periodo gennaio–maggio 2026, in leggero aumento rispetto ai tre mesi del periodo gennaio 2023–ottobre 2025.
[21] Nicholas Carr, “IT Doesn’t Matter”, Harvard Business Review, maggio 2003, hbr.org/2003/05/it-doesnt-matter.
Questo post è stato scritto con l’assistenza di Claude. Le idee, le posizioni e il ragionamento sono miei.
© 2026 Alfonso Fuggetta & Sonia Montegiove. Salvo diversa indicazione, tutti i contenuti di questa pubblicazione sono protetti da copyright e rilasciati con licenza CC BY-NC-ND 4.0: https://creativecommons.org/licenses/by-nc-nd/4.0/deed.it