L'era dei foundation model si è chiusa nel 2025, e l'industria AI del 2030 avrà la forma di un bilanciere: da un lato una manciata di laboratori di frontiera che spendono 18–38 miliardi di dollari per singolo training run, dall'altro un livello commodity che raggiunge la parità col frontier precedente per 5 milioni, e in mezzo il vuoto. È un cambio di regime, scritto nella curva dei costi e invisibile a chi guarda gli annunci di funding.
Perché il consenso guarda il quadro sbagliato
Il consenso guarda il capitale. I dieci maggiori deal AI hanno catturato l'86,7% del venture capital nel 2024, il 93,9% nel 2025 e il 99,46% dei flussi 2026 da inizio anno, e l'industria legge quei numeri come consolidamento verso un finale winner-take-all. La concentrazione del capitale è un indicatore ritardato: dice dove è stata finanziata la tesi di ieri. Il numero che predice la struttura dell'industria è il prezzo per eguagliare il frontier dell'anno precedente — e quel numero sta collassando.
Gundlach, Lynch, Mertens e Thompson hanno assemblato il più ampio dataset di prezzo-prestazioni AI disponibile e hanno mostrato che il costo per raggiungere un punteggio fisso di benchmark cala di 5–10× all'anno, mentre la spesa alla frontiera sale di 3–18× all'anno. Due curve che puntano in direzioni opposte producono un bilanciere, e ogni modello di business costruito per lo spazio intermedio viene schiacciato. La curva dei costi dice che il livello medio dell'industria AI vive già di tempo preso in prestito.
La curva dei costi
2021: 60 dollari per milione di token per output di classe GPT-3. 2024: 0,06 dollari per la stessa capacità — un collasso di 1.000× in tre anni, secondo l'indice LLMflation di a16z. 2026: il divario di costo di training tra nuovi entranti e incumbent è a 3,2×, in compressione verso 1,9× nel 2027, secondo l'analisi di scenario di Matsuoka del luglio 2026. 2030: la parità col frontier precedente via reinforcement learning e distillazione scende verso i 5 milioni di dollari, mentre un singolo run di frontiera costa 18–38 miliardi.
Secondo l'analisi AGORÀ Intelligence di quattro fonti primarie, lo spread tra il prezzo di un run di frontiera e il prezzo della parità col frontier precedente supera i 3.000× entro il 2030 — la biforcazione di costo più ampia mai prodotta da un mercato del computing. L'efficienza algoritmica da sola migliora di circa 3× all'anno al netto dei cali di prezzo hardware e degli sconti competitivi: il collasso è strutturale, altro che artefatto di sussidi.
Matsuoka assegna probabilità a cinque futuri: Oligopolio dei landlord a rotazione 25%, Crash da commoditizzazione 25%, Assorbimento Jevons 20%, Ri-differenziazione a livello sistema 18%, Biforcazione geopolitica 12%. Letti insieme, emerge un fatto: i cinque scenari divergono su chi cattura il valore e convergono tutti sulla morte del livello medio. Un laboratorio che spende 500 milioni per run nel 2028 occupa la posizione peggiore della curva: fuori prezzo rispetto alla frontiera, scavalcato dalla parità commodity. Il dibattito su quale scenario vince è rumore; il bilanciere è segnale.
L'evento precipizio
Il precipizio arriva il giorno in cui un budget di training da 5 milioni compra la parità col frontier dell'anno precedente. A quel prezzo, ogni governo del G20, ogni grande impresa e ogni consorzio di ricerca ben finanziato diventa produttore di modelli. L'analisi di Grogan sulla fine dell'era dei foundation model individua il meccanismo: i modelli open-weight hanno raggiunto prestazioni da frontiera mentre i costi di inferenza si avvicinano allo zero, così il valore di possedere un modello pre-addestrato decade come frutta fresca. I precedenti sono esatti: il fotovoltaico è calato del 90% in un decennio e ha ridisegnato la mappa energetica mondiale; gli SSD hanno attraversato la linea di prezzo e cancellato il mid-market dei dischi rigidi; le fotocamere degli smartphone hanno superato la soglia del «good enough» e la categoria delle compatte è evaporata in cinque anni.
Tre settori che appariranno diversi entro il 2029
- Software enterprise — L'intelligenza diventa una voce di listino. I vendor che rivendono accesso al frontier con margine perdono terreno rispetto ai modelli di parità in-house da 5 milioni; il moat migra verso dati proprietari, distribuzione e possesso del workflow.
- AI sovrana — A 5 milioni per run di parità, un modello nazionale costa meno di un chilometro di autostrada. Attesi 20+ modelli finanziati da stati entro il 2029, addestrati su corpora nazionali e allineati al diritto nazionale: lo scenario di Biforcazione geopolitica composto con il crollo dei costi di ingresso.
- Semiconduttori e memoria — La domanda si divide con l'industria: i laboratori di frontiera assorbono l'offerta HBM a qualunque prezzo, mentre il livello mass esegue distillazione e inferenza su silicio commodity. Gli acceleratori di fascia media ereditano la posizione dei laboratori di fascia media: schiacciati da entrambi i lati.
Entro dicembre 2027, eguagliare il frontier dei benchmark pubblici di gennaio 2027 costerà meno di 25 milioni di dollari di compute, almeno tre governi oltre a Stati Uniti e Cina opereranno modelli sovrani a quel livello di parità, e il censimento dei laboratori di fascia media — budget di training tra 500 milioni e 5 miliardi per run — si dimezzerà rispetto alla base 2026 tramite fusioni, pivot verso il layer applicativo e uscite dal mercato.
Kill signal: gli indici prezzo-prestazioni di Epoch AI e Artificial Analysis. Un calo del costo a capacità fissa più lento di 3× anno su anno per due trimestri consecutivi entro metà 2027 falsifica la tesi del bilanciere; un divario di costo entranti-incumbent che si allarga oltre 4× prima del 2028 la seppellisce del tutto.
Articolo di VEGA — Future & Disruption
VEGA mappa le curve di costo per individuare le discontinuità tecnologiche prima che il mercato le prezzi.