No, l'AI non è una commodity
La visione che ha impoverito l'IT torna, identica, per l'intelligenza artificiale. Basta esaminare la definizione di commodity per smontarla.
Il post in tre frasi
La retorica “AI is a commodity” del 2026 ripete l’errore di “IT Doesn’t Matter” (Nicholas Carr, 2003): entrambe ignorano la definizione economica di commodity e portano alle stesse scelte manageriali sbagliate: outsourcing, gare al ribasso, impoverimento delle competenze e il loro allontanamento dai tavoli decisionali.
Applicando i parametri economici della definizione di commodity (fungibilità, standardizzazione, prezzo di mercato, basso switching cost, stabilità nel tempo, bassa barriera d’uso), l’AI non soddisfa alcuno di essi. E non si tratta di una fase transitoria: è la natura della tecnologia.
Trattare l’AI come una commodity non è un problema terminologico, ma un errore strategico: chi lo fa pagherà due volte, in valore non estratto e in vantaggio competitivo ceduto a chi ha imparato a usarla.
Chi lavora nella tecnologia da un po’ di tempo riconosce il ritornello. Cambia la sigla, ma resta la formula. Nel 2003 era “IT Doesn’t Matter” [1]: l’informatica è diventata un’infrastruttura, quindi commodity, quindi irrilevante per la strategia. Nel 2026 è “AI is a commodity”: i modelli sono accessibili via API, i prezzi per token scendono, i grandi provider offrono capacità simili; quindi l’intelligenza artificiale è diventata una commodity e si compra come la corrente elettrica.
Alcuni usano “commodity” in senso metaforico: intendono dire che l’AI sarà accessibile a tutti, come l’elettricità. È una tesi comprensibile. Ma il problema è che la parola “commodity” non è neutrale: se importata in un contesto aziendale, porta con sé una teoria economica. E la teoria economica del bene determina le strategie. Come dice Nanni Moretti, “Le parole sono importanti!”, soprattutto quando si parla di temi così delicati.
Cos’è una commodity
Il Dizionario di Economia e Finanza della Treccani definisce “commodity” come “ogni tipo di merce o materia prima tangibile e fruibile sul mercato, facilmente immagazzinabile e conservabile nel tempo” [2]. Gli esempi sono canonici: petrolio, oro, gas, cereali, caffè, bestiame. L’etimologia è illuminante: dal francese commodité, “ottenibile comodamente”.
Attorno a questa nozione la teoria economica ha costruito alcuni test operativi. Una commodity ha una serie di caratteristiche:
fungibile, cioè intercambiabile fra produttori senza differenze qualitative;
standardizzata e prezzata dal mercato, con unità di misura condivise (dollari al barile, dollari per once di oro puro al 99,5%…);
a basso costo di sostituzione tra fornitori;
stabile nel tempo, senza modifiche significative nel comportamento del bene;
a bassa barriera d’uso, nel senso che l’acquirente non deve imparare a usarla, ma solo a impiegarla nel proprio processo produttivo.
Applichiamo questi test all’AI, una proprietà alla volta.
Fungibilità: Sonnet non è Fable
La prima proprietà di una commodity è che l’acquirente sia indifferente nei confronti del produttore. Un kilowattora è un kilowattora: non cambia le sue caratteristiche in base a chi lo produce.
Sonnet non è Fable. GPT-5 non è Claude Opus. Gemini non è Llama. A parità di prompt, gli output differiscono per tono, struttura, precisione, rischio di errore, gestione dell’incertezza e capacità di seguire istruzioni complesse. Non parlo di sfumature estetiche: parlo di differenze che, in un flusso applicativo reale, si traducono in tassi di successo, retention degli utenti ed escalation al supporto umano.
Inoltre, sotto il titolo “GenAI” si celano molteplici tipologie di prodotto, ciascuna adatta a specifiche attività professionali o aziendali. Ho chiesto a Claude di generare due infografiche per mappare il panorama delle tecnologie e dei prodotti nel mondo della GenAI. Probabilmente ci sono errori e imprecisioni (GenAI è fallibile e opera in modo probabilistico!). Ma qui serve cogliere la complessità e la ricchezza di questo mondo. Sono aspetti che nessuna adozione seria può ignorare. A meno di non farne un uso semplificato ed estemporaneo.
Chiunque abbia messo in produzione una funzionalità basata su un LLM sa che cambiare modello non equivale a sostituire un fornitore di corrente. Vuol dire rivalutare l’insieme degli strumenti adottati, rifare i test, rivedere i prompt, ricalibrare i valutatori e riscrivere parti dell’orchestrazione. Inoltre, un modello non è indipendente da chi lo ha creato e addestrato, a differenza di un kilowattora prodotto da diverse centrali. Un modello è il risultato di scelte di training, di dati e di alignment: differenze qualitative che nessuna standardizzazione elimina.
Prezzo, costi, unità di misura del valore
Una commodity ha un prezzo pubblico, quotato in un’unità di misura condivisa che rappresenta il valore economico del bene. Dollari al barile, dollari all’oncia, euro al megawattora. La quotazione è trasparente perché la sostanza sottostante è omogenea.
L’AI non ha nulla di tutto questo. Il token è un’unità di consumo tecnico, non un’unità di valore. Lo stesso numero di token può generare una risposta banale che nessuno userà, oppure una decisione operativa che vale migliaia di euro. Non c’è alcuna relazione stabile tra l’input consumato e il valore restituito. Mille token consumati producono, a seconda del caso, un risultato inutile, un risultato eccellente o un’allucinazione. Il costo si misura, il valore no.
E il costo sostenuto non è facile da prevedere. Chi progetta sistemi seri se ne accorge alla prima fattura mensile, che troppo spesso sfora le previsioni fatte. Le aziende scoprono di avere agenti che consumano milioni di token per attività che, a mente lucida, ne richiederebbero decine di migliaia. I meccanismi di controllo (rate limiting, caching, model routing) sono complessi da progettare e richiedono competenze specifiche. Una commodity ha costi facilmente prevedibili e gestibili; per questo motivo si scambia sui mercati a termine. L’AI, oggi, comporta costi fuori controllo in molte adozioni concrete: il 73% delle aziende dichiara che i costi hanno superato le proiezioni iniziali [3].
Switching cost: comprare non è migrare
Nel mercato dell'AI cambiare modello significa toccare l'intero stack applicativo. Le istruzioni scritte per il modello (i prompt), i sistemi che valutano le sue risposte, i meccanismi che gli consentono di usare strumenti esterni, i sistemi che gli forniscono informazioni dall'archivio aziendale: ognuno di questi elementi è calibrato sulle peculiarità del modello scelto [4].
Chi ha adottato e usato seriamente l’AI ha già scoperto il costo della migrazione. Chi non lo ha fatto lo scoprirà quando cercherà di passare da un provider all’altro o dovrà orchestrare più modelli in parallelo. Un sondaggio Zapier del 2026 su oltre cinquecento dirigenti aziendali americani lo conferma: tra chi ha tentato una migrazione tra piattaforme di AI, il 58% afferma che la migrazione è fallita del tutto o ha richiesto molto più sforzo del previsto [5]. E il caso di Claude Fable 5, sospeso a livello globale per diciotto giorni nel giugno 2026 per un ordine di export control del Dipartimento del Commercio statunitense, ha mostrato che il lock-in su un singolo provider è un rischio operativo concreto, non ipotetico [6].
Una commodity si sostituisce, un modello si migra. Sono due verbi che descrivono economie diverse.
Evoluzione continua e artefatto conoscitivo
Il rame del 1980 è il rame del 2026. Il petrolio di dieci anni fa, raffinato per gli stessi usi, dà gli stessi risultati. La stabilità nel tempo è parte della definizione di commodity: se non fosse così, i futures non funzionerebbero.
I modelli AI si aggiornano ogni tre o sei mesi. Non solo con nuove versioni, ma con aggiornamenti che cambiano comportamenti sottili, spostano capacità, rompono valutazioni consolidate. Ogni release rimette in discussione i test di regressione, i benchmark interni, la calibrazione dei sistemi. Chi gestisce sistemi in produzione con LLM tiene un log di comportamenti che cambiano fra una release e l’altra, e sa che ogni “minor update” annunciato dal provider è un evento che richiede attenzione [7].
Questa non è un’anomalia da correggere, è la natura della tecnologia. Un modello di frontiera è un artefatto conoscitivo, il prodotto di scelte progettuali su dati, obiettivi di training, priorità di alignment, tradeoff fra capacità diverse. Riflette una teoria implicita di cosa sia utile, ragionevole, sicuro. Chiamare commodity un artefatto di questo tipo è una categoria concettuale sbagliata, prima ancora che un errore di analisi economica. Confonde il modo di produzione (industriale, su larga scala) con la natura del prodotto (contingente, situato, negoziato).
La barriera d’uso: chi accende la luce non pensa alla corrente
C’è un’ultima proprietà, la più importante. Chi compra una commodity la usa, non deve conoscerne il funzionamento. Chi accende la luce non sa come si genera la corrente; chi compra farina la impasta senza essersi mai occupato della macinazione; chi compra benzina la brucia nel motore senza pensare al giacimento. Il prodotto è pronto per essere consumato secondo protocolli stabiliti.
L’AI no. Per produrre valore va conosciuta per come funziona e per come lo fa: saperla interrogare (prompt engineering), fornirle il contesto giusto (context engineering), integrarla con i propri dati (retrieval, tool use), valutarne l’output (eval), correggerne le derive (guardrail, monitoring), aggiornarne la pipeline quando cambiano i modelli. È un lavoro cognitivo di alto livello che richiede persone che sappiano cosa stanno facendo. Non basta comprarla: bisogna imparare a usarla. Serve ricerca, serve formazione, serve l’accumulo di conoscenza all’interno dell’organizzazione.
Il costo di una categoria sbagliata
Chiamare l’AI una commodity non è una questione terminologica. È una categorizzazione che determina in anticipo come l’azienda tratterà la tecnologia. Da lì discende una cascata di scelte manageriali che derivano automaticamente dalla categoria adottata: gare al ribasso sui fornitori, esternalizzazione dei ruoli distintivi, budget di formazione tagliati, competenze tecniche allontanate dai tavoli decisionali, KPI sulla riduzione del costo per utente invece che sull’accumulo di capacità. Sono gli stessi automatismi che hanno impoverito l’IT negli ultimi vent’anni; solo che oggi il costo del non fare non si misura in progetti che finiscono in ritardo, ma in intere aziende che perdono la capacità di comprendere il proprio settore.
Chi dice “l’AI è una commodity” in un consiglio di amministrazione ottiene, senza doverlo argomentare, il consenso su un pacchetto di decisioni che nessuno voterebbe se fossero elencate esplicitamente. È l’efficacia perversa di certe parole: dispensano dal ragionamento perché portano con sé, nascoste, tutte le conclusioni.
Il verbo giusto
La commodity si compra. L’AI si adotta: un verbo diverso, con conseguenze diverse.
Adottare significa costruire competenze interne, disegnare processi, valutare, iterare, correggere, formare persone, accettare che qualcosa fallirà e che ci si imparerà. Significa trattare l’AI come si tratta una capacità organizzativa, non come un servizio di utility.
Chi la tratta come una commodity ha già scelto il proprio destino. Pagherà due volte: una perché non ne otterrà un valore proporzionato all’investimento, l’altra perché nel frattempo qualcun altro sta imparando a farlo. La differenza fra le due posture non si vedrà nel trimestre. Si vedrà nel decennio, come si è vista la differenza fra le aziende che negli anni Duemila hanno preso sul serio l’informatica e quelle che l’hanno trattata come commodity.
La domanda che ponevo alla fine del post sui quattro cavalieri era: quanti di loro galoppano nella vostra azienda? Ne aggiungo un'altra, più elementare: quando qualcuno vi dice che l'AI è una commodity, chiedetegli di nominarne un'altra che, per produrre valore, debba essere istruita a svolgere il proprio lavoro. Se non riesce, non sta conducendo un’analisi fondata. Usando la categoria della commodity, sta di fatto imponendo una scelta strategica. E le decisioni strategiche prese su una categoria sbagliata sono, per definizione, sbagliate.
Per approfondire
[1] Nicholas Carr, “IT Doesn’t Matter”, Harvard Business Review, maggio 2003, hbr.org/2003/05/it-doesnt-matter. L’articolo che ha coniato la formula “IT is a commodity” per l’informatica aziendale, da cui è scaturita una generazione di scelte manageriali di outsourcing e di riduzione dei costi.
[2] Treccani, “Commodity”, Dizionario di Economia e Finanza (2012), voce di Flavio Pressacco, treccani.it.
[3] FinOps Foundation, State of FinOps 2026 Report, data.finops.org. Il 73% delle aziende dichiara che i costi dell’AI hanno superato le proiezioni iniziali; il budget medio per l’AI è passato da 1,2 milioni di dollari nel 2024 a 7 milioni nel 2026. Sul caso Uber (intero budget AI 2026 bruciato entro aprile, con l’introduzione successiva di un cap mensile per dipendente): TechCrunch, “The token bill comes due: Inside the industry scramble to manage AI’s runaway costs”, 5 giugno 2026, techcrunch.com.
[4] OpenAI, “Prompt Migration Guide”, developers.openai.com; Anthropic, “Prompting best practices”, platform.claude.com. I due principali provider ammettono ufficialmente che i prompt non sono portabili tra modelli e forniscono guide di migrazione dedicate.
[5] Zapier, “Zapier Survey Finds Nearly 3 in 4 Enterprises Would Face Disruption If They Lost Their Primary AI Vendor”, BusinessWire, 2 aprile 2026. Sondaggio su 542 C-level executive statunitensi, condotto tramite Centiment tra il 30 gennaio e il 6 febbraio 2026. businesswire.com
[6] Anthropic, “Statement on the US government directive to suspend access to Fable 5 and Mythos 5”, 12 giugno 2026, anthropic.com/news/fable-mythos-access. Ripristino annunciato il 30 giugno 2026: CNBC, “Anthropic says Trump admin has lifted export controls on Claude Fable 5 and Mythos 5”, cnbc.com.
[7] Lingjiao Chen, Matei Zaharia, James Zou, “How Is ChatGPT’s Behavior Changing over Time?”, arXiv:2307.09009 (2023), poi pubblicato in Harvard Data Science Review, 6(1), 2024, arxiv.org/abs/2307.09009. Lo studio empirico documenta scostamenti marcati nel comportamento di GPT-3.5 e GPT-4 tra le release successive: in un caso, l’accuratezza di GPT-4 sul task di identificazione dei numeri primi è passata dall’84% al 51% tra marzo e giugno 2023.
Letture correlate
Matt Asay, “The new AI lock-in”, InfoWorld, 18 maggio 2026, infoworld.com. Il punto centrale rafforza l’argomento del post: il lock-in nell’AI non è sparito con la standardizzazione delle API, si è spostato di uno o due livelli, sull’orchestrazione, sul workflow surface, sul layer di governance. “The model call is getting easier to replace; the surrounding workflow, governance, and operating model are not.”
Gartner, Market Guide for AI Gateways, ottobre 2025. Previsione: entro il 2028 il 70% dei team di software engineering che costruiscono applicazioni multi-model userà un AI gateway (dal 25% del 2025): segnale che l’industry riconosce il lock-in come rischio operativo da gestire con layer di astrazione dedicati.
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