La corsa all'IA non riguarda più il modello più grande.

      TL;DR L'assunzione che il modello di intelligenza artificiale più grande vinca sta crollando, con le aziende che ora scelgono i modelli in base al compito, al costo e al controllo piuttosto che alla posizione in classifica. A guidare questo cambiamento sono le spese per i modelli che arrivano a milioni al mese, l'emergere del routing dei modelli e agenti specializzati per compiti specifici, che Gartner prevede saranno presenti nel 40% delle applicazioni aziendali entro la fine del 2026, rispetto a meno del 5%. Se la capacità si sta commoditizzando, il margine si sposta verso chi esegue l'inferenza al costo più basso. Per anni, l'industria si è basata su un'unica assunzione, che il modello più grande vince. Questa convinzione ora sta crollando, riporta CNBC. Le aziende stanno scegliendo i modelli in base al compito, al costo e al controllo invece che alla posizione di riferimento. La frontiera conta ancora, ma non è più l'unica cosa che viene acquistata. La ragione è poco romantica. Su scala aziendale, le spese per i modelli raggiungono milioni di dollari al mese. L'emergere del "buono abbastanza" Il principio operativo ora è il modello più economico che supera il livello di qualità. Gli acquirenti hanno capito che la maggior parte dei compiti non ha bisogno di un sistema all'avanguardia. Il routing dei modelli è emerso per automatizzare quel giudizio, inviando ogni richiesta al modello più adatto. Un lavoro di sintesi e un lavoro di ragionamento multi-step non vanno più nello stesso posto. Modelli specializzati e specifici per settore stanno colmando il resto del divario. Gartner prevede che il 40% delle applicazioni aziendali integrerà agenti di intelligenza artificiale specifici per compiti entro la fine del 2026, rispetto a meno del 5% un anno prima. Perché le spese hanno costretto questo L'economia ha smesso di tornare. I prezzi per token sono crollati, eppure le spese per l'IA aziendale sono triplicate comunque, perché gli strumenti agentici consumano enormemente più token per compito. Gli acquirenti se ne sono accorti. Il CEO di Palo Alto Networks, Nikesh Arora, ha affermato che i prezzi dei token devono scendere fino al 90% affinché l'adozione possa scalare. Alcune aziende hanno smesso di aspettare e hanno iniziato a razionare. Un'ondata di "minimizzazione dei token" ha portato le aziende a limitare drasticamente la spesa per l'IA dei dipendenti. Dove si sposta il valore successivo Se la capacità si sta commoditizzando, il margine migra verso chi la gestisce al costo più basso. L'ottimizzazione dell'inferenza è diventata silenziosamente uno dei livelli più preziosi dell'infrastruttura dell'IA. Modelli aperti ed economici affilano il punto. I modelli cinesi si stanno avvicinando ai laboratori di frontiera statunitensi a una frazione del prezzo, il che limita ciò che chiunque può addebitare per un output semplicemente competente. Questo è scomodo per la tesi della scalabilità. Centinaia di miliardi in spese in conto capitale sono state giustificate dalla premessa che i modelli più grandi sarebbero rimasti decisamente migliori, e ora gli acquirenti stanno votando diversamente. Nulla di tutto ciò significa che i modelli di frontiera siano finiti. Significa che l'industria sta scoprendo che la maggior parte del lavoro è noiosa, e il lavoro noioso non ha bisogno dello strumento più costoso in negozio.

      Pubblicato il 12 luglio 2026 - 15:02 UTC

      Torna in cima