Crollo dei prezzi del 90% per l'IA di frontiera: come la Cina sta rivoluzionando il mercato tecnologico globale

La rottura silenziosa dell'IA: perché i giganteschi modelli linguistici sono improvvisamente diventati obsoleti per le aziende

La scalabilità è una cosa del passato: perché i piccoli modelli di intelligenza artificiale privati ​​stanno conquistando l'economia

Il mercato dell'intelligenza artificiale sta attraversando una fase di profondo cambiamento. Mentre i fornitori cinesi esercitano una pressione enorme sui colossi statunitensi con drastici tagli di prezzo per i modelli di linguaggio generativo, e la potenza di calcolo per l'IA sta diventando sempre più accessibile, al di là della guerra dei prezzi sta emergendo un dilemma tecnologico più profondo. L'architettura Transformer, dominante e spina dorsale di quasi tutti i modelli di IA attuali, sta raggiungendo i suoi limiti strutturali in termini di ragionamento complesso ed elaborazione senza errori di dati sensibili. In risposta, stanno emergendo approcci completamente nuovi: dalle "neurotopologie" dinamiche, che stanno dimostrando la loro validità nei mercati finanziari reali, ai modelli di IA personalizzati e sovrani che privilegiano la completa sovranità dei dati e la tracciabilità assoluta. La corsa geopolitica per la maggiore potenza di calcolo sta cedendo il passo a una battaglia per l'architettura più intelligente e sicura, uno sviluppo che sta costringendo le aziende di tutto il mondo a rivalutare radicalmente le proprie strategie di IA.

Per "Intelligenza Artificiale di Frontiera" si intendono i sistemi di IA più potenti e ampiamente applicabili attualmente disponibili. "Frontiera" significa semplicemente: al limite estremo di ciò che è tecnicamente possibile al momento.

L'era Transformer si riferisce alla fase di sviluppo dell'IA iniziata nel 2017, in cui i modelli Transformer sono diventati il ​​fondamento tecnico centrale dell'IA generativa moderna. Non si tratta di un singolo prodotto, bensì di un cambio di paradigma: da modelli più specializzati e sequenziali a modelli di IA su larga scala e di applicazione generale.

La pausa silenziosa nella corsa all'intelligenza artificiale

Quando i prezzi crollano di oltre il 90% senza un calo della domanda, non si tratta di una strategia di marketing, ma di un cambiamento strutturale in un intero settore. Questo è esattamente ciò che è accaduto nel mercato della modellazione linguistica generativa nel corso del 2026. Aziende cinesi come DeepSeek, Alibaba, Moonshot AI, Xiaomi e Zhipu hanno drasticamente ridotto il costo dei loro modelli di punta, tanto che il costo per milione di caratteri di testo elaborati è ora da quindici a duecento volte inferiore rispetto a quello di aziende americane come OpenAI e Anthropic. DeepSeek ha reso permanente lo sconto del 75% sul modello V4 Pro, offrendo l'elaborazione di un milione di frammenti di testo per 0,87 dollari, mentre prodotti americani comparabili a volte costano più di 30 dollari. Secondo la società di analisi Artificial Analysis, l'ultimo modello V4 Flash costa solo circa tre centesimi di dollaro nei test di benchmark, rispetto agli oltre tre dollari del modello di punta di Anthropic. Questo cambiamento non incide solo sui bilanci delle aziende tecnologiche, ma sull'intera struttura dei costi con cui le aziende di tutto il mondo integrano l'intelligenza artificiale nei propri flussi di lavoro.

Perché la potenza di calcolo sta improvvisamente diventando una merce

Il crollo dei prezzi non è una coincidenza, bensì il risultato di diverse forze economiche parallele. In primo luogo, gli sviluppatori cinesi hanno creato modelli utilizzando le cosiddette architetture "mixed-of-experts". Questi modelli possiedono trilioni di parametri, ma ne attivano solo una frazione per le singole query, riducendo drasticamente i costi di calcolo. In secondo luogo, sofisticate tecniche di caching, come il sistema di riutilizzo delle informazioni contestuali di DeepSeek, consentono di elaborare le query più utilizzate quasi gratuitamente, a volte per meno di tre millesimi di dollaro per milione di caratteri. A ciò si aggiungono i minori costi energetici in Cina, i programmi di sovvenzione governativa per la produzione nazionale di semiconduttori e la volontà politica di raggiungere l'indipendenza tecnologica dalle restrizioni statunitensi all'esportazione di chip, che ha spinto aziende come Huawei a creare un'alternativa nazionale all'hardware occidentale con il suo processore Ascend 950. Il risultato è una guerra dei prezzi che, secondo uno studio della Commissione per la revisione economica e di sicurezza USA-Cina, ha portato i modelli cinesi a costare solo da un sesto a un quarto del prezzo dei sistemi americani a parità di prestazioni. Per le aziende, ciò significa un ricalcolo radicale di quanto l'automazione supportata dall'intelligenza artificiale possa effettivamente costare per essere economicamente sostenibile.

Il vero problema alla base del calo dei prezzi

Per quanto impressionante sia la riduzione dei costi, non risolve un dilemma tecnico fondamentale. Tutti i modelli menzionati, siano essi statunitensi o cinesi, si basano sulla stessa architettura fondamentale, il cosiddetto Transformer, che ha costituito la base di quasi tutti i principali modelli linguistici sin dalla sua introduzione nel 2017. Un Transformer elabora il linguaggio calcolando le probabilità statistiche sulla sequenza di elementi testuali e derivando la continuazione più probabile. Questo metodo ha permesso enormi progressi, ma raggiunge un limite strutturale quando si tratta di un vero e proprio ragionamento indipendente dal contesto in ambiti in cui gli errori hanno reali conseguenze finanziarie o operative. Un Transformer più economico rimane un Transformer nella sua funzionalità di base, indipendentemente da quanto diminuisca il costo del suo utilizzo. Questa osservazione è il punto di partenza per un piccolo ma crescente gruppo di aziende che stanno mettendo in discussione l'architettura prevalente, anziché limitarsi a renderla più economica.

Un concetto architettonico che si reinventa a ogni richiesta

L'azienda Vertus, con sede a Miami, persegue un approccio fondamentalmente diverso con la sua architettura proprietaria, che chiama neurotopologia o topologia neurale dinamica. Invece di instradare le query attraverso una rete fissa di pesi pre-addestrati, come avviene comunemente con i modelli transformer, il sistema è progettato per costruire nuovi percorsi neurali per ogni singola query, in modo simile a come un cervello biologico attiva connessioni sinaptiche di diversa densità per compiti di diversa complessità. Una semplice domanda attiverebbe quindi un percorso di elaborazione snello, mentre un'attività di analisi complessa attiverebbe una struttura densa e altamente interconnessa che viene poi dissolta al termine del calcolo. L'azienda promuove due varianti del modello, denominate architetture a otto meganeuroni e a sedici meganeuroni, progettate rispettivamente per il ragionamento generale e per attività di analisi multidimensionale orientate alla ricerca. Vertus afferma di gestire oltre un milione di sottosistemi interni addestrati su un dataset proprietario chiamato Broker Money Flow, che mappa i movimenti di capitale tra intermediari finanziari, e che questa architettura non si basa su modelli linguistici esterni come GPT o Gemini, ma piuttosto su una struttura progettata da zero per il pensiero finanziario.

La dura prova pratica sul mercato azionario

La scelta del terreno di prova è particolarmente rivelatrice. Invece di testare inizialmente il nuovo concetto architettonico in un ambiente a basso rischio, Vertus sta implementando il suo sistema nei mercati finanziari reali, dove gli errori di valutazione causano perdite finanziarie immediate e in tempo reale. L'azienda dichiara un rendimento superiore al 51% per il 2025 e un volume di scambi giornaliero nell'ordine dei miliardi. Queste cifre, qualora si rivelassero attendibili, sarebbero eccezionali, ma al momento scarseggiano audit indipendenti e documentazione tecnica verificabile a supporto delle affermazioni dell'azienda. Un'inchiesta giornalistica conclude che, sebbene le dichiarazioni tecniche di Vertus siano formulate in modo plausibile, sono scarsamente supportate da dettagli verificabili in modo indipendente, il che, in un settore notoriamente caratterizzato da promesse di performance esagerate, impone cautela. Allo stesso tempo, il terreno di prova scelto è straordinariamente astuto: i mercati finanziari forniscono un feedback oggettivo e quotidiano sotto forma di profitti o perdite, che non può essere eluso o oscurato da astute strategie di marketing. Se una nuova architettura dovesse costantemente fornire risultati migliori rispetto ai modelli consolidati per un periodo prolungato, sarebbe un forte indizio che la sua validità va ben oltre una semplice affermazione. L'azienda annuncia inoltre l'intenzione di espandere la propria tecnologia oltre il settore finanziario, in ambiti quali la biotecnologia, la difesa, l'industria aerospaziale e la scienza dei materiali.

Quando la scalabilità non è più l'unica risposta

Negli ultimi anni, lo sviluppo dell'intelligenza artificiale è stato in gran parte guidato da una formula semplice: più dati, più parametri, maggiore potenza di calcolo portano a modelli migliori. Questa logica ha innescato investimenti giganteschi in data center e chip specializzati, spingendo le valutazioni di mercato delle principali aziende americane di IA a livelli storici. Tuttavia, l'attuale guerra dei prezzi con la Cina dimostra che la pura scalabilità sta raggiungendo i suoi limiti economici, poiché i concorrenti con architetture più efficienti possono offrire prestazioni simili a una frazione del costo. Se inoltre emergesse che concetti architetturali alternativi, come la neurotopologia perseguita da Vertus, fossero effettivamente superiori al Transformer in determinati casi d'uso, ciò cambierebbe ancora una volta la logica degli investimenti dell'intero settore. La questione cruciale non sarebbe più quale paese o azienda gestisce i data center più grandi, ma piuttosto quale principio computazionale fondamentale prevarrà nel lungo periodo. Questo passaggio da una corsa geopolitica a una competizione architetturale rappresenterebbe uno dei più significativi riorientamenti nella giovane storia dell'intelligenza artificiale.

Una nuova dimensione della trasformazione digitale con 'Managed AI' (Intelligenza Artificiale) – Piattaforma e soluzione B2B | Xpert Consulting - Immagine: Xpert.Digital

Qui scoprirai come la tua azienda può implementare soluzioni di intelligenza artificiale personalizzate in modo rapido, sicuro e senza elevate barriere all'ingresso.

Una piattaforma di intelligenza artificiale gestita è la soluzione completa e senza pensieri per l'intelligenza artificiale. Invece di dover gestire tecnologie complesse, infrastrutture costose e lunghi processi di sviluppo, riceverai una soluzione pronta all'uso, su misura per le tue esigenze, da un partner specializzato, spesso entro pochi giorni.

I principali vantaggi in sintesi:

⚡ Implementazione rapida: dall'idea all'applicazione pronta all'uso in pochi giorni, non mesi. Forniamo soluzioni pratiche che creano un valore aggiunto immediato.

🔒 Massima sicurezza dei dati: i tuoi dati sensibili restano con te. Garantiamo un'elaborazione sicura e conforme alle normative, senza condividere i dati con terze parti.

💸 Nessun rischio finanziario: paghi solo per i risultati. Gli elevati investimenti iniziali in hardware, software o personale vengono completamente eliminati.

🎯 Concentrati sul tuo core business: concentrati su ciò che sai fare meglio. Ci occupiamo dell'intera implementazione tecnica, del funzionamento e della manutenzione della tua soluzione di intelligenza artificiale.

📈 A prova di futuro e scalabile: la tua IA cresce con te. Garantiamo ottimizzazione e scalabilità continue e adattiamo i modelli in modo flessibile alle nuove esigenze.

Maggiori informazioni qui:

• La soluzione di intelligenza artificiale gestita - Servizi di intelligenza artificiale industriale: la chiave per la competitività nei settori dei servizi, dell'industria e dell'ingegneria meccanica

La sovranità dei dati come nuova valuta dell'IA aziendale

Parallelamente al dibattito su architettura e costi, sta emergendo una seconda tendenza, altrettanto rilevante dal punto di vista economico: la domanda di modelli di intelligenza artificiale proprietari e di piccole dimensioni, che rimangono interamente sotto il controllo del cliente. L'azienda myAux Labs, con sede a Marina del Rey, in California, si posiziona proprio in questa nicchia. Il suo modello di business affronta due ostacoli che finora hanno impedito a molte aziende di adottare ampiamente l'IA: la tendenza dei modelli linguistici di grandi dimensioni a generare affermazioni apparentemente plausibili ma errate, e i requisiti normativi o contrattuali che impediscono ai dati aziendali sensibili di uscire dall'infrastruttura IT dell'azienda. A differenza dei tradizionali fornitori di servizi cloud, che offrono un modello universale a fronte di un canone di utilizzo ricorrente, myAux collabora con il cliente per definire un caso d'uso specifico, raccoglie i dati proprietari necessari, addestra e convalida un modello personalizzato a partire da tali dati e infine consegna al cliente i pesi completi del modello. Il cliente detiene quindi la piena proprietà del modello, non ci sono costi ricorrenti per richiesta, non vi è dipendenza da un singolo fornitore e nessun dato deve uscire dall'ambiente del cliente, poiché l'implementazione può essere effettuata in loco o completamente disaccoppiata dalle reti esterne.

Perché la comprensibilità sta diventando più importante della pura fluidità linguistica

Una caratteristica tecnica fondamentale dell'offerta di myAux è l'architettura vincolata al contesto, sviluppata in collaborazione con l'azienda partner TopoLift AI. Questa architettura limita deliberatamente le affermazioni che un modello può fare, basandosi esclusivamente su strutture effettivamente presenti e verificabili all'interno dei dati del cliente. Ogni risposta del sistema può quindi essere ricondotta alla specifica prova che l'ha originariamente resa possibile. Questo approccio si differenzia fondamentalmente dalla funzionalità dei classici modelli linguistici ad addestramento generico, che derivano la loro conoscenza da un'enorme quantità di dati di addestramento generali e possono, per loro stessa natura, generare affermazioni che, pur linguisticamente convincenti, non possono più essere chiaramente ricondotte a una fonte specifica e verificabile. Per settori come la finanza, l'energia, la pubblica amministrazione, la sanità e l'istruzione, dove la tracciabilità e la protezione dei dati sono prerequisiti imprescindibili, questo principio rappresenta una differenza cruciale. Sposta il vantaggio competitivo dalla mera dimensione di un modello alla questione di quanto precise e verificabili siano effettivamente le sue affermazioni all'interno di un campo chiaramente definito.

Due risposte alla stessa domanda fondamentale

A prima vista, Vertus e myAux perseguono strategie completamente diverse, ma in realtà entrambe affrontano la stessa questione fondamentale da prospettive opposte: come superare le debolezze intrinseche dei sistemi di intelligenza artificiale odierni, ovvero la loro scarsa affidabilità in situazioni critiche e la mancanza di controllo sui propri dati. Vertus si basa su un'architettura universale radicalmente nuova, pensata per un utilizzo trasversale a diversi settori, che inizialmente si affermerà in un singolo ambito particolarmente esigente. MyAux, d'altro canto, evita deliberatamente di definirsi come un'intelligenza artificiale generale e si concentra invece su modelli di piccole dimensioni, rigorosamente definiti, ma pienamente controllabili e tracciabili per le singole aziende. La seguente panoramica illustra le principali differenze concettuali tra i due approcci.

Perché le dimensioni non saranno più un fattore determinante nella vittoria

La combinazione tra il crollo dei prezzi dei modelli generici di frontiera e la contemporanea comparsa di alternative più piccole, specializzate o architettonicamente molto diverse, indica un processo di maturazione del mercato simile a quello osservato in altri cicli tecnologici. Nelle fasi iniziali di un ciclo tecnologico, la concorrenza si concentra in genere sulle prestazioni pure e sulla scalabilità, mentre in una fase più matura, la differenziazione, l'efficienza dei costi e l'affidabilità diventano centrali. Per un'azienda di medie dimensioni o operante in un settore altamente regolamentato, ciò significa che la scelta della giusta strategia di intelligenza artificiale dipenderà meno dal modello che ottiene il punteggio più alto nei benchmark linguistici generali e più dal sistema che meglio soddisfa i requisiti operativi specifici dell'azienda in termini di costi, controllo e tracciabilità. Un'azienda di logistica con dati sensibili sulla catena di approvvigionamento ha priorità diverse rispetto a una startup che necessita semplicemente di una generazione di testo rapida ed economica, ed entrambe differiscono da un istituto finanziario che deve prendere decisioni di trading solide in tempo reale.

Rischi e questioni aperte da non sottovalutare

Nonostante la giustificata curiosità che circonda i nuovi concetti architettonici e gli approcci di modellazione sofisticati, un sano scetticismo è doveroso. Le affermazioni di Vertus in merito a rendimenti e volumi di trading si basano finora in gran parte sulle dichiarazioni della stessa azienda; mancano in larga misura audit indipendenti e tecnicamente verificabili dell'architettura sottostante, e il settore finanziario conosce numerosi esempi di sistemi apparentemente rivoluzionari i cui successi si sono poi rivelati non riproducibili. Si raccomanda inoltre cautela riguardo alla questione dei vantaggi di prezzo offerti dalla Cina, poiché analisti indipendenti sottolineano che molti dei modelli cinesi a basso costo risultano sensibilmente più lenti in presenza di carichi di lavoro intensivi e ad alto throughput, e i loro risultati di benchmark vengono regolarmente rivisti al ribasso da revisori esterni. Inoltre, con i servizi cloud cinesi, si pone il problema dell'accesso ai dati da parte delle agenzie governative, un aspetto che rappresenta un serio rischio per le aziende europee e americane con rigidi requisiti di conformità e che difficilmente può essere completamente eliminato tramite garanzie contrattuali. Anche con modelli sovrani e specifici per ogni azienda, come quelli di myAux, resta da vedere quanto bene i sistemi strettamente integrati e progettati per un singolo caso d'uso possano effettivamente adattarsi alle mutevoli esigenze aziendali e se la tracciabilità promessa venga mantenuta in modo affidabile anche in presenza di problematiche più complesse e a più fasi.

Una valutazione ragionata degli ulteriori sviluppi

Dal punto di vista odierno, molti elementi indicano che il mercato dell'IA si dividerà nei prossimi anni lungo due percorsi di sviluppo paralleli e complementari. Da un lato, il prezzo dei modelli linguistici generici e ampiamente applicabili continuerà a diminuire, e questi sistemi diventeranno sempre più un componente infrastrutturale praticamente invisibile e intercambiabile, proprio come lo storage cloud o la potenza di calcolo sono già in gran parte diventati commodity. Dall'altro lato, sta emergendo un mercato in crescita per soluzioni specializzate, architettonicamente differenziate o proprietarie, che affrontano con precisione i limiti strutturali dei modelli generici, sia nelle decisioni ad alto rischio e in tempo reale, come nel settore finanziario, sia in ambiti con rigidi requisiti di sovranità e tracciabilità dei dati, come la sanità e la pubblica amministrazione. Non è ancora possibile stabilire con certezza se gli approcci neurotopologici come quello di Vertus si dimostreranno alla fine superiori a Transformer, ma il semplice fatto che aziende serie con capitali concreti stiano perseguendo questa strada e si sottopongano al test più impegnativo disponibile nel mondo reale – i mercati finanziari – merita attenzione economica. Per le aziende che oggi definiscono la propria strategia di intelligenza artificiale, la conseguenza pratica non è quella di concentrarsi esclusivamente sui fornitori più grandi e conosciuti, ma piuttosto di definire con precisione i propri requisiti in termini di costi, controllo, tracciabilità e tolleranza ai guasti, e di allineare di conseguenza la scelta della tecnologia più adatta. La vera sfida dei prossimi anni si deciderà quindi meno tra singole nazioni o multinazionali, ma tra concezioni radicalmente diverse di ciò che l'intelligenza artificiale dovrebbe effettivamente essere nella sua essenza.

La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business - Immagine: Xpert.Digital

Xpert.Digital è un hub industriale B2B basato sui dati, guidato da Konrad Wolfenstein . L'azienda funge da soluzione esterna, quasi interna, per i partner industriali, colmando le lacune operative in marketing, contenuti e vendite, senza richiedere risorse aggiuntive al cliente.

Maggiori informazioni qui:

• La soluzione quasi interna: come Xpert.Digital colma le lacune operative nel marketing e nelle vendite B2B – Smart Content-Driven Business

☑️ La nostra lingua aziendale è l'inglese o il tedesco

☑️ NOVITÀ: Corrispondenza nella tua lingua madre!

Konrad Wolfenstein

Io e il mio team saremo lieti di essere a tua disposizione come tuo consulente personale.

Puoi contattarmi compilando il modulo di contatto qui [email protected]:o semplicemente chiamandomi al numero +49 7348 4088 965. Il mio indirizzo email è

Non vedo l'ora di iniziare il nostro progetto comune.

☑️ Supporto alle PMI in strategia, consulenza, pianificazione e implementazione

☑️ Creazione o riallineamento della strategia digitale e digitalizzazione

☑️ Espansione e ottimizzazione dei processi di vendita internazionali

☑️ Piattaforme di trading B2B globali e digitali

☑️ Sviluppo aziendale pionieristico / Marketing / PR / Fiere