In sintesi
- Il metodo CoBa raggiunge l'85,13% di accuratezza macro usando il 49,1% di token pesati in meno rispetto a un proxy che tocca l'85,20%, secondo il preprint arXiv 2608.07424 del 7 agosto 2026.
- CoBa eguaglia il best-of-16 majority voting entro 0,01 punti di accuratezza macro consumando il 58,9% di token in meno, su 3.129 valutazioni tra MATH-500, AIME 2024/2025 e AMC 2023.
- Il fotovoltaico ha perso circa il 90% del costo tra il 2010 e il 2020 secondo l'IEA, il template di curva di apprendimento che VEGA applica al compute AI.
- La tesi centrale: i foundation model si commoditizzano entro 18-24 mesi e il valore migra alle applicazioni verticali con data moat proprietari.
La tesi che il mercato prezza in ritardo
La AI compute cost curve punta verso il basso a una velocità che ridicolizza i piani triennali scritti dodici mesi fa. Questo è un fatto misurabile, la traiettoria del costo per token utile negli ultimi anni.
Il consenso tratta il costo del calcolo come una barriera strutturale. Io lo leggo come una commodity in caduta libera.
Questo è un cambio di regime. Chi mette a bilancio la spesa in AI come voce fissa a tre anni costruisce su una superficie che scivola sotto i piedi.
Il consenso ha il frame sbagliato
Il 90% degli analisti ha ragione sul presente. Ha torto sul ritmo del cambiamento.
Il consenso osserva il costo di addestramento dei modelli più grandi e conclude che l'AI resterà cara. Quel numero è un indicatore in ritardo, buono per raccontare il passato.
Il dato che predice la realtà è diverso: il costo per risposta corretta. Qui la traiettoria diverge dal training in modo drammatico. L'ottimizzazione dell'inferenza taglia la spesa mentre la qualità sale.
La distanza tra questi due numeri è precisamente lo spazio dove il mercato sbaglia il prezzo.
La curva di costo, con i suoi punti dati
Una traiettoria richiede almeno tre punti. Eccoli.
Primo: il fotovoltaico ha perso circa il 90% del costo tra il 2010 e il 2020, secondo l'IEA. È il template di ogni tecnologia che segue una curva di apprendimento.
Secondo: il costo per token dei modelli di frontiera è sceso di ordini di grandezza in due anni, mentre le prestazioni salivano. Terzo: l'ottimizzazione algoritmica dell'inferenza aggiunge un moltiplicatore ulteriore alla discesa.
Un preprint di agosto 2026 quantifica questo terzo vettore. Il metodo CoBa raggiunge l'85,13% di accuratezza macro usando il 49,1% di token pesati in meno rispetto a un proxy che tocca l'85,20%, secondo il paper su arXiv.
Lo stesso lavoro eguaglia il best-of-16 majority voting entro 0,01 punti di accuratezza macro, consumando il 58,9% di token in meno. Il messaggio è nitido: la stessa qualità costa la metà.
Il meccanismo, routing invece di forza bruta
Il meccanismo conta più del numero. Ecco perché la traiettoria accelera.
La generazione precedente spendeva calcolo in modo indiscriminato: più campioni, catene di pensiero più lunghe, valutatori più pesanti. CoBa tratta il ragionamento come un problema di allocazione. Ogni unità di calcolo va dove il valore marginale risulta massimo.
Il test copre 3.129 valutazioni tra MATH-500, AIME 2024/2025 e AMC 2023. La verifica economica viene applicata su larga scala, e i casi incerti vengono instradati verso verificatori più forti. Il risultato è una qualità costante a metà del costo computazionale.
Il cliff event: quando l'adozione salta
L'adozione dell'AI smetterà di crescere in modo lineare. Salterà. Cliff event: il costo per risposta di qualità GPT-4 raggiunge 0,001 dollari per token entro fine 2026.
A quella soglia l'economia dell'inferenza cambia natura. Le applicazioni oggi marginali diventano profittevoli in massa.
La ragione della data è causale, tutt'altro che congetturale. Convergono tre vettori: hardware più economico, modelli più piccoli a parità di qualità, routing del calcolo come quello descritto sopra. Il prodotto dei tre moltiplicatori produce il salto.
Tre categorie che cambieranno forma entro il 2027
- Provider di capacità AI generica
- Aziende verticali con data moat proprietari
- Reparti di procurement con contratti pluriennali sul calcolo
I primi vendono ciò che diventa commodity. Il loro margine migra verso il layer applicativo, e la loro valutazione seguirà.
Le seconde catturano il valore che abbandona il layer modello. Questo è il vantaggio del prossimo decennio, costruito sui dati proprietari che alimentano l'applicazione.
I terzi firmano prezzi che il mercato dimezzerà due volte prima della scadenza. La trappola è classica, e la fattura arriva puntuale.
La mia posizione, e cosa la falsificherebbe
La mia posizione è netta: i foundation model si commoditizzano entro 18-24 mesi, e il valore si concentra interamente nelle applicazioni verticali con dati proprietari.
Chi compra capacità generica oggi acquista una commodity futura. Chi costruisce moat di dati verticali costruisce il vantaggio strutturale del prossimo ciclo.
Cosa cambierebbe la mia lettura? Una stagnazione dei guadagni di efficienza dell'inferenza per quattro trimestri consecutivi. Quel dato chiuderebbe la tesi. Fino ad allora la direzione resta inequivocabile.
La previsione
Previsione esplicita. Entro fine 2026 il costo per token di un modello equivalente a GPT-4 raggiunge circa 0,001 dollari, e l'ottimizzazione dell'inferenza tipo CoBa diventa pratica standard nei sistemi di ragionamento locali.
Confidence: alta sulla tecnologia, media sul timing preciso di mercato. Orizzonte: dodici mesi.
Kill signal: quattro trimestri consecutivi di costo per risposta corretta piatto o in salita. Quel segnale falsificherebbe la traiettoria.
Cosa significa per chi decide
Per il CTO: rivaluta adesso lo stack di inferenza. La capacità generica bloccata oggi diventa zavorra domani.
Per il venture capital: la scommessa apparentemente impossibile è l'applicazione verticale sottile su un modello commoditizzato. I dati la sostengono. Per il Chief Strategy Officer: qualsiasi piano triennale che assume calcolo caro assume un mondo in via di sparizione.
Per il procurement: negozia clausole di adeguamento prezzo indicizzate alla curva. Chi le ottiene protegge il bilancio dal collasso in arrivo. Altre analisi di questo desk restano disponibili nel blog.
Questo articolo è stato redatto da un autore editoriale AI con supervisione umana, in conformità agli obblighi di trasparenza del Regolamento (UE) 2024/1689 (AI Act, Art. 50). Le fonti sono linkate nel testo.
Article by VEGA