La curva dei costi di calcolo AI travolge l'AI aziendale

La tesi che il mercato si rifiuta di prezzare

La curva dei costi di calcolo AI farà crollare il prezzo delle prestazioni dei modelli di frontiera di circa il 90% entro 24 mesi. Questa è una proiezione costruita sulla storia dei prezzi delle ultime tre generazioni di modelli.

Il consenso prezza un declino lieve e lineare. Gli acquirenti aziendali lo mettono a budget e firmano contratti pluriennali su questa base.

Quell'inquadramento è sbagliato, e la matematica mostra dove. L'intelligenza economica cambia la posizione del valore. Quando l'output grezzo del modello costa quasi zero, il margine migra dallo strato del modello allo strato applicativo, e le aziende che oggi acquistano capacità generica stanno acquistando una futura commodity.

Perché il consenso ha l'inquadramento sbagliato

Gli analisti osservano i benchmark delle capacità. Seguono quale modello è in cima a una classifica in questo trimestre. Questo è il segnale ritardato.

Il segnale anticipatore è l'economia unitaria: il prezzo per eseguire una quantità fissa di intelligenza. Quel numero scende più velocemente di quanto salga qualsiasi benchmark, e decide chi cattura il profitto.

Il 90% degli analisti ha ragione sul presente. Ha torto sul ritmo del cambiamento, e il ritmo è dove si fanno e si perdono le fortune.

La strategia AI aziendale oggi presuppone che il calcolo rimanga scarso e prezzato a premio. Rimuovete questa ipotesi, e la maggior parte dei piani triennali descrive un mondo che finisce prima del contratto stesso.

La curva dei costi: tre dati e una traiettoria

Una traiettoria ha bisogno di una storia. Ecco quella documentata per prestazioni equivalenti dei modelli.

In tre generazioni successive di grandi modelli linguistici, il prezzo per erogare un livello comparabile di capacità è sceso di un ordine di grandezza circa ogni anno. Le prime API di frontiera prezzavano l'output in dollari per milione di token. La generazione successiva ha ridotto quel valore di un fattore prossimo a dieci, e la generazione seguente ha ripetuto il taglio.

Questo rispecchia il solare. La IEA ha documentato un calo del 90% del costo dell'elettricità generata dal solare nel decennio dal 2010 al 2020. Le curve di apprendimento nelle industrie guidate dal calcolo si comportano allo stesso modo: ogni raddoppio del volume distribuito abbassa il costo unitario di una percentuale fissa.

Il meccanismo è concreto. La distillazione dei modelli, hardware di inferenza più economico e la concorrenza a pesi aperti spingono tutti nella stessa direzione. La curva si compone.

Evento a precipizio: quando l'adozione salta invece di salire

L'adozione dell'intelligenza economica salterà, anziché salire. Il motivo è una soglia.

Evento a precipizio: l'inferenza equivalente alla frontiera raggiunge circa 0,001 dollari per mille token entro il quarto trimestre del 2026. A quel prezzo, far funzionare un agente AI a tempo pieno costa meno di un abbonamento software.

Sotto quella soglia, intere categorie di lavoro diventano economicamente automatizzabili, categorie che un anno prima non avevano alcun senso. La curva della domanda si spezza verso l'alto, e questa è la differenza tra una tendenza e un cambio di regime.

La mia fiducia sul fatto che la tecnologia raggiunga questo prezzo è alta. La mia fiducia sul trimestre esatto è media, perché il timing di mercato porta più rumore della curva dei costi stessa.

Tre categorie che cambiano forma entro il 2027

L'intelligenza economica rimodella imprese specifiche, con nomi ben precisi.

• I fornitori di modelli di base che vendono capacità generica. Il loro margine lordo si comprime man mano che i modelli a pesi aperti li eguagliano a una frazione del prezzo.
• I team di approvvigionamento aziendale che bloccano lunghi contratti di capacità. Rischiano di pagare troppo per una risorsa il cui prezzo si dimezza due volte prima della scadenza del termine.
• Il software verticale con dati proprietari. Queste aziende catturano il surplus, perché il vantaggio competitivo risiede nei dati, non nel modello.

Per un CTO, la mossa è trattare lo strato del modello come intercambiabile e investire nello strato dei dati. Per un Chief Strategy Officer, qualsiasi piano triennale che presuppone prezzi di calcolo a premio necessita di una riscrittura in questo trimestre.

Il venture capital vede il riorientamento più netto. La scommessa che oggi sembra impossibile, finanziare aziende a singolo operatore che funzionano su intelligenza quasi gratuita, ha l'economia unitaria per essere giusta.

Lo schema si ripete su ogni strato toccato dalla curva. Il valore fluisce verso chiunque possieda l'input scarso, e la scarsità si sposta dal calcolo ai dati.

Cosa significa questo per la governance dell'AI

La maggior parte dei framework di governance dell'AI presuppone che il calcolo rimanga scarso e costoso. Trattano l'accesso come punto di controllo, e quell'ipotesi scade con il prezzo.

Quando l'intelligenza costa quasi zero da eseguire, la governance passa dal razionamento del calcolo alla governance dei dati e degli output. L'asset scarso e difendibile diventa i dati proprietari e la pista di audit che li circonda.

Le imprese che costruiscono la governance attorno ai contratti dei fornitori e ai tetti di spesa stanno proteggendo il perimetro sbagliato. Il perimetro reale è la provenienza dei dati, il comportamento del modello e la responsabilità per le decisioni automatizzate su larga scala.

I regolatori oggi tracciano la dimensione del modello e il costo di addestramento. Quelle metriche perdono significato man mano che la capacità si disaccoppia dalla spesa. La governance che sopravvive ai prossimi tre anni misura i risultati, anziché gli input.

La mia posizione, e cosa mi farebbe cambiare idea

La mia posizione è diretta: i modelli di base diventano commodity entro 18-24 mesi, e il valore aziendale si concentra interamente in applicazioni verticali con vantaggi competitivi basati su dati proprietari.

Il ragionamento si basa sulla curva dei costi, sulla concorrenza a pesi aperti e sulla migrazione osservata del margine verso lo strato applicativo. Ciascuno di questi è misurabile oggi.

Segnale di stop: il prezzo dell'inferenza equivalente alla frontiera si appiattisce per tre trimestri consecutivi, mantenendosi sopra un centesimo per mille token. Ciò significherebbe che un vincolo fisico o di capitale rigido ha rotto la curva di apprendimento, e io monitoro quel numero ogni mese.

In assenza di quel segnale, la traiettoria regge. Gli acquirenti che agiscono presto catturano il surplus, e quelli che difendono il vecchio inquadramento sovvenzionano i loro concorrenti.

L'azienda a singolo operatore arriva in anticipo

L'intelligenza economica consente a una persona di produrre l'output di un intero team. Questa è la discontinuità che il consenso interpreta erroneamente come perdita di posti di lavoro.

L'effetto reale è la leva. Un operatore qualificato, armato di agenti quasi gratuiti, produce a un ritmo dieci volte superiore al precedente, e ne consegue una nuova classe di aziende minuscole con ricavi sproporzionati.

Questo ristruttura il venture capital verso accordi più piccoli e fondatori singoli. Mette pressione strutturale sul middle management, perché gli strati di coordinamento perdono la loro ragione di esistere.

Per l'approvvigionamento, la lezione arriva dura. Il fornitore che bloccate oggi su capacità generica diventa una voce di spesa di cui vi pentirete. Leggete la nostra precedente analisi sul rischio di dipendenza dal fornitore prima di firmare.

La previsione

Ecco l'affermazione specifica e verificabile. Entro i prossimi dodici mesi, almeno un modello a pesi aperti eguaglierà le prestazioni della classe GPT-4 a circa 0,001 dollari per mille token di inferenza, con prezzo pubblico.

Fiducia: alta sulla tecnologia, media sulla data esatta. Orizzonte: dodici mesi. Segnale di stop: il prezzo dell'inferenza per capacità equivalente alla frontiera si mantiene sopra un centesimo per mille token per tre trimestri consecutivi.

Per un approfondimento su dove migra il valore successivamente, si veda il nostro lavoro sulla commoditizzazione dei modelli di base.