L’intelligenza artificiale sta alimentando uno dei più grandi cicli di investimento della storia tecnologica. OpenAI, Google, Anthropic e i grandi operatori cloud stanno costruendo data center, acquistando chip specializzati per l’AI e assicurandosi quantità crescenti di energia con una convinzione precisa: la domanda di servizi AI continuerà a crescere e i ricavi futuri ripagheranno infrastrutture dal costo senza precedenti.
Ma cosa accadrebbe se la maggior parte degli utenti non avesse realmente bisogno dei modelli più grandi e costosi? E se una quota crescente dell’intelligenza artificiale potesse funzionare su infrastrutture più economiche, sui server delle singole aziende o direttamente su smartphone e computer?
Il problema non riguarda il futuro dell’AI in sé, ma il modello economico sul quale Big Tech sta puntando: pochi grandi modelli proprietari, eseguiti in enormi data center e venduti tramite API, abbonamenti o pubblicità.La domanda da 1.500 miliardi di dollari
Nel 2023 David Cahn, investitore di Sequoia Capital, provò a calcolare quanti ricavi sarebbero stati necessari per giustificare gli investimenti nell’infrastruttura AI. Quella che inizialmente era la “domanda da 200 miliardi di dollari” è cresciuta insieme alla spesa del settore. Nel suo aggiornamento del luglio 2026, Cahn ha portato la stima a 1.500 miliardi di dollari, precisando che potrebbe essere persino prudente.
Il principio è semplice: chip, server, reti, sistemi di raffreddamento e impianti elettrici devono generare abbastanza ricavi da remunerare il capitale investito e coprire il loro rapido ciclo di sostituzione. L’aumento degli utenti e dei ricavi dimostra che una domanda reale esiste, ma la distanza tra il valore prodotto e la scala dell’infrastruttura continua a essere enorme.
Goldman Sachs stima che l’ecosistema AI possa richiedere circa 7.600 miliardi di dollari di investimenti nei prossimi cinque anni. La cifra comprende chip specializzati per l’AI, costruzione dei data center, sistemi di supporto ed energia. Non è quindi soltanto una scommessa tecnologica: è una scommessa industriale e finanziaria paragonabile, per dimensioni, alle grandi infrastrutture del passato.
Ogni nuova generazione di modelli richiede più capacità di calcolo, ma l’impatto non è distribuito uniformemente. I data center concentrano una domanda elettrica molto elevata in specifiche aree geografiche, mettendo sotto pressione reti, autorizzazioni e comunità locali.
Secondo l’International Energy Agency, nel 2024 i data center hanno consumato circa 415 TWh, pari all’1,5% dell’elettricità mondiale. Nel suo scenario di base l’agenzia prevede che il consumo possa più che raddoppiare, raggiungendo circa 945 TWh entro il 2030. Gli AI server accelerati rappresenterebbero quasi la metà dell’incremento.
La questione non è però il consumo di una singola richiesta. L’efficienza per operazione sta migliorando rapidamente. Il problema è l’effetto combinato di miliardi di utilizzi, modelli più sofisticati e applicazioni molto più energivore, come generazione video, ragionamento avanzato e agenti autonomi. L’IEA osserva che i data center dedicati all’AI hanno aumentato il consumo elettrico del 50% nel solo 2025.
Questi numeri rendono comprensibili le resistenze locali e spiegano perché disponibilità energetica, tempi di connessione alla rete e consenso politico stiano diventando variabili strategiche quanto la qualità dei modelli.
Il modello dominante prevede che gli utenti accedano all’AI attraverso un servizio centralizzato. Il fornitore conserva il controllo sul modello e sull’infrastruttura, mentre aziende e consumatori pagano tramite abbonamenti, consumo delle API o pubblicità.
Questo approccio offre vantaggi evidenti: aggiornamenti immediati, modelli allo stato dell’arte, grande capacità di calcolo e nessuna infrastruttura da gestire per il cliente. Presenta però anche limiti importanti: costo ricorrente, dipendenza dal fornitore, trasferimento dei dati verso il cloud e difficoltà nel prevedere la spesa quando l’utilizzo cresce.
Per le imprese si aggiunge un interrogativo strategico. Se l’AI diventa parte essenziale dei processi aziendali, quanto è prudente affidare competenze, dati e automazioni a pochi fornitori esterni? E quanto valore economico rimane all’azienda cliente se il fornitore del modello può progressivamente estendere i propri servizi verso applicazioni concorrenti?L’alternativa dei modelli aperti
La prima pressione competitiva arriva dai modelli open weights, che possono essere scaricati, adattati e distribuiti su infrastrutture scelte dall’utilizzatore. Un’azienda può personalizzarli sui propri documenti, integrarli nei processi interni e mantenerne l’esecuzione all’interno di un ambiente controllato.
È utile distinguere tra open weights e vero open source. La disponibilità dei pesi non garantisce necessariamente accesso ai dati, al codice e al processo utilizzati per l’addestramento. La Open Source AI Definition dell’OSI richiede infatti libertà di utilizzo, studio, modifica e condivisione, insieme alle informazioni necessarie per comprendere e riprodurre il sistema.
Il segnale più interessante arriva oggi da Kimi K3, sviluppato dal laboratorio cinese Moonshot AI. Il modello dispone di 2.800 miliardi di parametri, contesto fino a un milione di token e capacità multimodali. Moonshot lo presenta come il proprio modello più avanzato e ne ha pubblicato i pesi e la documentazione.
Le prestazioni dichiarate lo collocano vicino ai modelli proprietari di frontiera in diversi test. Come sempre, i benchmark prodotti o selezionati dal costruttore vanno confermati nell’utilizzo reale; il punto strategico rimane comunque rilevante. Quando un modello scaricabile si avvicina alla fascia alta, i fornitori chiusi non competono più soltanto sulla qualità, ma anche su prezzo, controllo dei dati e possibilità di personalizzazione.
La seconda alternativa è rappresentata dai modelli più piccoli ed efficienti. Non devono necessariamente superare i sistemi di frontiera: è sufficiente che siano abbastanza capaci per le attività svolte dalla maggioranza degli utenti, come ricerca, sintesi, classificazione, assistenza alla scrittura e interrogazione di documenti.
PrismML ha recentemente presentato Bonsai 27B, una versione fortemente compressa di Qwen 3.6 da 27 miliardi di parametri. Nella configurazione più compatta occupa circa 4 GB ed è progettata per funzionare localmente su dispositivi mobili di fascia alta, incluso iPhone 17 Pro. Le prestazioni effettive dovranno essere validate su scala più ampia, ma la direzione tecnologica è chiara.
Anche Apple sta investendo esplicitamente nell’AI sul dispositivo. La terza generazione dei suoi Apple Foundation Models comprende un modello locale da 20 miliardi di parametri con architettura sparsa, capace di attivarne soltanto una parte in base alla richiesta.
L’esecuzione locale offre quattro vantaggi immediati: maggiore privacy, minore latenza, funzionamento anche senza connessione e costi marginali ridotti. Per molte applicazioni aziendali può inoltre semplificare la governance, perché i dati non devono necessariamente lasciare il dispositivo o il perimetro dell’organizzazione.Non è la fine dei data center
L’avanzata dei modelli aperti e locali non rende inutili i grandi data center. L’addestramento dei modelli di frontiera continuerà a richiedere infrastrutture considerevoli. Molte imprese preferiranno inoltre utilizzare modelli aperti attraverso servizi cloud gestiti, evitando la complessità dell’hosting diretto.
I modelli più grandi conserveranno probabilmente un vantaggio nei compiti difficili: sviluppo software complesso, ricerca scientifica, analisi multidisciplinare e agenti capaci di lavorare a lungo. Ma gran parte del mercato non richiede sempre il massimo livello di intelligenza disponibile.
Potrebbe quindi emergere un’architettura ibrida. Le attività comuni e sensibili vengono eseguite localmente; i compiti intermedi utilizzano modelli aperti ospitati su infrastrutture private o cloud; soltanto le richieste più complesse raggiungono i modelli proprietari di frontiera.
Per le organizzazioni, la scelta non dovrebbe ridursi a individuare “il modello migliore”. Serve comprendere quale modello sia sufficiente per ciascun processo e valutare insieme qualità, costo, latenza, sicurezza, dipendenza dal fornitore e capacità di integrazione.
Un approccio pragmatico può partire da quattro domande:
- Quali attività richiedono realmente un modello di frontiera?
- Quali dati possono essere trasferiti a un servizio esterno e quali devono restare sotto controllo diretto?
- Quanto costa il processo completo, inclusi integrazione, supervisione e consumo delle API?
- È possibile mantenere più fornitori o sostituire il modello senza riprogettare l’intera applicazione?
La decisione più solida potrebbe essere evitare una dipendenza totale da un’unica architettura. Progettare applicazioni modulari, misurare il ritorno economico e assegnare a ogni attività il modello più piccolo adeguato consente di contenere i costi senza rinunciare alle capacità avanzate quando servono.Conclusioni
La Big AI non ha necessariamente fatto la scommessa sbagliata. Ha però fatto una scommessa molto specifica: che la maggior parte dell’intelligenza artificiale continuerà a essere prodotta da pochi modelli proprietari eseguiti in infrastrutture centralizzate e costose.
La crescita dei modelli open weights, la compressione e l’AI sul dispositivo rendono questo risultato meno scontato. Se una parte consistente delle esigenze quotidiane potrà essere soddisfatta localmente o con modelli più economici, i grandi fornitori saranno costretti a ridurre i prezzi e a riservare i margini più elevati ai compiti realmente complessi.
Il futuro più probabile non sembra quindi una vittoria assoluta dei modelli aperti o di quelli chiusi, ma una competizione continua tra intelligenza locale, cloud privato e sistemi di frontiera. Per le aziende, il vantaggio non deriverà dall’adozione del modello più grande, ma dalla capacità di scegliere consapevolmente dove collocare ogni forma di intelligenza.pevolmente dove collocare ogni forma di intelligenza.