La bolla dell’AI potrebbe non scoppiare mai. Ed è questo il problema.

Illustrazione di un caccia F-35 con i loghi di OpenAI, Anthropic e altre aziende tecnologiche, simbolo degli investimenti nell'intelligenza artificiale.

Una tecnologia può trasformare l’economia senza rendere redditizi tutti gli investimenti necessari a svilupparla. Nell’intelligenza artificiale, però, c’è un rischio ulteriore: che una parte dei costi venga trasferita a consumatori e collettività, indipendentemente dal destino finanziario delle aziende che stanno guidando la corsa.

Questo articolo riprende e amplia una riflessione pubblicata inizialmente su LinkedIn. Qui approfondisco i meccanismi finanziari che sostengono la corsa all’intelligenza artificiale, le analogie con le grandi espansioni infrastrutturali del passato e, soprattutto, il modo in cui i costi di questa crescita rischiano di ricadere anche su chi non partecipa direttamente ai suoi benefici economici.

Negli Stati Uniti stanno recuperando i motori di vecchi aerei per trasformarli in generatori elettrici alimentati a gas naturale. Servono a produrre l’energia necessaria ai data center dell’intelligenza artificiale senza aspettare i tempi di adeguamento delle reti elettriche. Lo ha raccontato il New York Times il 3 novembre, descrivendo un’industria che è arrivata a cercare capacità di generazione elettrica persino nei depositi degli aerei dismessi.

È un’immagine efficace del momento che stiamo attraversando. Una tecnologia presentata come il futuro richiede quantità crescenti di energia, al punto da giustificare il ricorso a motori aeronautici recuperati e adattati per bruciare combustibili fossili.

Il problema non è il recupero dei motori, né l’impiego di turbine aeroderivate, una tecnologia industriale consolidata. Il problema è che la velocità degli investimenti nell’AI sta superando quella dello sviluppo delle infrastrutture necessarie a sostenerli. E che la risposta, in alcuni casi, consiste nel realizzare nuovi impianti alimentati a gas naturale, aggiungendo emissioni e consumi a un settore la cui sostenibilità economica complessiva resta ancora da dimostrare.

Secondo l’Agenzia internazionale dell’energia, i consumi elettrici mondiali dei data center potrebbero passare dai 415 TWh del 2024 a circa 945 TWh nel 2030. Sono dati che comprendono anche i data center non dedicati all’intelligenza artificiale, ma l’AI rappresenta il principale motore dell’incremento previsto. Le fonti rinnovabili contribuiranno in misura importante a soddisfare la domanda, insieme al gas naturale e, in alcune regioni, al carbone.

L’elettricità è soltanto una parte del problema. Ci sono l’acqua necessaria per alcuni sistemi di raffreddamento, i materiali, le reti, gli impianti di generazione e i terreni. Soprattutto, ci sono gli investimenti necessari a costruire tutto questo, sostenuti sulla base di aspettative di crescita della domanda che nessuno può garantire nel lungo periodo.

Da mesi la discussione sull’economia dell’AI ruota attorno alla possibilità che sia in corso una nuova bolla speculativa. Quanto sono giustificate le valutazioni delle aziende? Quando arriverà la correzione? Assisteremo a una nuova crisi delle dot-com? Sono domande legittime. Ma forse ne stiamo trascurando una ancora più interessante.

E se la bolla dell’AI non scoppiasse? Se il sistema riuscisse a correggere progressivamente i propri eccessi, senza un collasso generale, mentre una parte delle conseguenze economiche viene trasferita all’esterno?

Il futuro delle ferrovie non era in discussione. Quello degli investitori sì.

Nella seconda metà dell’Ottocento, gli Stati Uniti attraversarono una fase di straordinaria espansione ferroviaria. Le compagnie raccoglievano capitali per costruire linee che avrebbero collegato territori, favorito il commercio e trasformato l’economia americana.

Le aspettative erano tutt’altro che infondate. Le ferrovie avrebbero effettivamente rivoluzionato il paese, diventando una delle infrastrutture fondamentali della sua crescita industriale. Il problema era che non tutti gli investimenti necessari a realizzarle erano economicamente giustificabili.

Nel 1873 il sistema entrò in crisi. Il fallimento della banca Jay Cooke & Co., fortemente esposta alla costruzione della Northern Pacific Railway, contribuì a scatenare un panico finanziario che travolse banche, investitori e compagnie ferroviarie. La Federal Reserve ricorda che negli anni precedenti la crisi i nuovi investimenti ferroviari avevano cominciato a superare la domanda effettiva di capacità, comprimendo i rendimenti. La costruzione continuava, ma le prospettive di profitto diventavano sempre meno convincenti.

Le ferrovie, naturalmente, non scomparvero. Erano un’infrastruttura indispensabile e avrebbero continuato a esserlo. Scomparvero invece molte delle società che le avevano finanziate e costruite, mentre altre vennero ristrutturate o cambiarono proprietario. È un precedente utile, anche se non perfettamente sovrapponibile.

Il successo di una tecnologia non garantisce la redditività degli investimenti effettuati per svilupparla. Possiamo immaginare un futuro nel quale l’intelligenza artificiale diventi indispensabile per milioni di persone e aziende, senza che questo renda automaticamente sostenibili tutti i data center, i chip e le infrastrutture energetiche che stiamo costruendo.

C’è anche una differenza sostanziale. Una linea ferroviaria può mantenere valore per decenni, persino quando è inizialmente sottoutilizzata. Un data center può essere aggiornato o riconvertito, ma gli acceleratori che ospita sono soggetti a cicli tecnologici molto più brevi. Una capacità di calcolo costruita per anticipare la domanda potrebbe quindi perdere valore prima di avere avuto il tempo di ripagarsi.

Vale la pena distinguere, inoltre, tra tre fenomeni diversi. Una bolla finanziaria riguarda aspettative e valutazioni degli asset. Una sovracapacità industriale riguarda l’eccesso di offerta rispetto alla domanda economicamente remunerativa. L’esternalizzazione dei costi riguarda invece la possibilità che una parte delle conseguenze economiche e ambientali ricada su soggetti diversi da quelli che hanno deciso di investire.

I tre fenomeni possono sovrapporsi, ma non sono la stessa cosa. Ed è possibile che il secondo e il terzo si manifestino anche senza uno scoppio generalizzato del primo.

Anthropic: quasi 900 miliardi di impegni, ma i clienti non sono garantiti

Il caso Anthropic offre una fotografia particolarmente interessante della dimensione raggiunta dagli investimenti nell’intelligenza artificiale. Il 2 novembre 2026 la società ha aggiornato il prospetto depositato presso la SEC in vista della quotazione in Borsa.

I risultati sono impressionanti. Nel terzo trimestre 2026 Anthropic ha registrato ricavi per quasi 17 miliardi di dollari, con una crescita del 47% rispetto al trimestre precedente. Il fatturato dei primi nove mesi dell’anno ha raggiunto 33,2 miliardi, contro 2,5 miliardi nello stesso periodo del 2025.

Non siamo di fronte a un’azienda incapace di generare domanda. La crescita commerciale è reale, così come la capacità di monetizzare i servizi. Ma i ricavi non raccontano da soli l’intera storia.

Nel secondo trimestre Anthropic aveva registrato un utile operativo di 974 milioni di dollari. Nel terzo è tornata a una perdita operativa di 567 milioni, anche per effetto di maggiori costi di calcolo e di alcune componenti contabili non monetarie. È importante non confondere questi risultati con la perdita netta di 104 miliardi di dollari registrata nei primi nove mesi dell’anno. Circa 94,3 miliardi derivano da variazioni contabili del valore di strumenti finanziari, principalmente legate all’aumento della valutazione della società. Non rappresentano una perdita operativa di pari entità, né una corrispondente uscita di liquidità.

La questione più interessante riguarda invece gli impegni futuri. Nel prospetto Anthropic dichiara circa 895,4 miliardi di dollari di impegni contrattuali complessivi, prevalentemente legati alla capacità di calcolo e alle infrastrutture. Circa 447,5 miliardi sono previsti entro il 2030 e quasi 70 miliardi nei dodici mesi successivi al 30 settembre 2026. Il resto si estende fino al 2045.

Non sono 895 miliardi di perdite, né denaro già speso. Inoltre, alcuni accordi dipendono da condizioni che devono ancora realizzarsi o prevedono specifiche possibilità di risoluzione. Rimane però una sproporzione fondamentale tra la durata degli impegni e la prevedibilità dei ricavi.

Anthropic riconosce esplicitamente che molti clienti possono ridurre i consumi, interrompere gli acquisti o non rinnovare i contratti con un preavviso limitato. Al contrario, diversi accordi per la capacità di calcolo prevedono pagamenti minimi anche quando le risorse non vengono interamente utilizzate. Un esempio è l’accordo con Amazon sottoscritto nell’aprile 2026: almeno 110 miliardi di dollari di spesa tra maggio 2026 e aprile 2036, indipendentemente dall’utilizzo effettivo, secondo le condizioni descritte nel prospetto.

E non è soltanto una questione di crescita della domanda. C’è anche il problema dei prezzi ai quali quella domanda potrà essere soddisfatta. La progressiva maturazione dell’offerta cinese, ormai competitiva in molte fasce del mercato, esercita pressione sui listini e sui margini dei laboratori americani. Una domanda crescente non si traduce necessariamente in ricavi sufficienti a sostenere qualsiasi investimento infrastrutturale.

Il punto non è che questi contratti siano necessariamente sbagliati. Assicurarsi capacità di calcolo a lungo termine può ridurre i costi unitari e proteggere l’azienda da future carenze di offerta. Anthropic stessa presenta questa strategia come un modo per ottenere maggiore efficienza. Ma l’asimmetria rimane. Una parte importante dei costi futuri è già contrattualizzata. I ricavi necessari a sostenerli devono ancora essere conquistati.

Questo non dimostra che Anthropic sia destinata a fallire. Dimostra qualcosa di diverso: che la sostenibilità di investimenti di questa dimensione dipende da una crescita futura della domanda che non è possibile considerare acquisita. E Anthropic è soltanto uno dei protagonisti del mercato.

Quando chi vende finanzia anche chi compra

L’espansione dell’intelligenza artificiale coinvolge un numero di attori molto maggiore rispetto alle aziende che sviluppano modelli. Ci sono i produttori di semiconduttori, i fornitori di servizi cloud, le imprese che costruiscono e gestiscono data center, i produttori di energia, i fondi di investimento e le istituzioni finanziarie. Sono legati da rapporti commerciali, ma anche da partecipazioni, finanziamenti, contratti pluriennali, garanzie e accordi sulla capacità futura.

Un caso significativo è quello di NVIDIA. Nel proprio rapporto trimestrale pubblicato nell’agosto 2026, la società ha comunicato di avere sottoscritto garanzie finanziarie condizionate fino a 105 miliardi di dollari per sostenere parte degli obblighi relativi a un grande campus di data center sviluppato da SB Energy in Ohio.

La capacità del campus è destinata a OpenAI attraverso contratti di locazione ventennali, e l’infrastruttura utilizzerà tecnologia NVIDIA. Le garanzie entrano in vigore progressivamente e possono essere escusse soltanto in determinate circostanze, tra cui specifiche inadempienze contrattuali. Non equivalgono quindi a 105 miliardi di finanziamenti già erogati.

Il significato industriale, però, è evidente: chi vende la tecnologia contribuisce anche a rendere finanziabile l’infrastruttura destinata ad acquistare quella tecnologia.

Il finanziamento dei clienti non è una pratica nuova né necessariamente irrazionale. È presente da tempo in diversi settori, dall’industria aeronautica ai macchinari industriali. Ma quando fornitori, clienti e investitori partecipano allo stesso circuito finanziario, la valutazione della domanda diventa più complessa. Una parte degli ordini può essere resa possibile proprio dai finanziamenti e dalle garanzie offerti dai soggetti che beneficiano di quegli ordini.

Questo non significa che la domanda sia fittizia. Significa che la crescita dei ricavi di alcuni attori della filiera non dimostra, da sola, che l’intero sistema stia creando valore economico sufficiente a remunerare tutti gli investimenti.

Le posizioni sono inoltre molto diverse. Un produttore di chip può ottenere margini elevati mentre un operatore infrastrutturale fatica a ripagare il debito. Un grande gruppo tecnologico può assorbire perdite in un’attività grazie agli utili generati dalle altre. Una società specializzata nello sviluppo di modelli potrebbe avere meno possibilità di farlo.

Questa struttura produce interessi convergenti nel mantenere elevato il ritmo degli investimenti, ma distribuisce il rischio in maniera diseguale. In una crisi, le interdipendenze possono amplificare le perdite. Non c’è alcuna garanzia che un settore nel quale tutti finanziano tutti sia più stabile. È però plausibile anche un’altra dinamica: che invece di un grande crollo si verifichi una lunga successione di rinegoziazioni, rifinanziamenti, acquisizioni e consolidamenti.

Le aziende meglio capitalizzate potrebbero acquistare infrastrutture svalutate, incorporare concorrenti e aumentare ulteriormente il proprio peso. La tecnologia continuerebbe a svilupparsi. Il mercato resterebbe attivo. Ma la distribuzione dei profitti e delle perdite cambierebbe radicalmente.

A complicare ulteriormente il quadro c’è la competizione internazionale. La crescita dei modelli cinesi e la loro diffusione presso clienti occidentali mostrano quanto rapidamente possano cambiare gli equilibri competitivi. Le aziende che oggi sottoscrivono impegni infrastrutturali pluriennali non possono dare per scontato che il loro vantaggio tecnologico e commerciale duri altrettanto.

Il conto dell’AI arriva anche a chi non la utilizza

Fin qui abbiamo parlato degli investitori e delle aziende. Ma c’è una differenza tra il rischio finanziario di chi decide di investire e i costi sostenuti dalla collettività per rendere possibile quell’investimento. Una parte dei costi dell’espansione infrastrutturale può ricadere su persone e imprese che non partecipano direttamente ai benefici economici del settore.

Il caso dell’elettricità è particolarmente chiaro. Quando un data center viene costruito, possono rendersi necessari nuovi collegamenti, linee di trasmissione, trasformatori e capacità di generazione. Sono investimenti che qualcuno deve finanziare. Chi paga dipende dalle regole del mercato elettrico, dai contratti sottoscritti e dalle decisioni delle autorità di regolazione.

Uno studio del MIT CEEPR pubblicato nel giugno 2026 e aggiornato a ottobre ha analizzato l’impatto dell’arrivo di nuovi data center sui mercati elettrici statunitensi tra il 2010 e il 2024. I ricercatori stimano un incremento medio delle tariffe elettriche al dettaglio del 2,7%, con un effetto del 2,1% sulle utenze residenziali. L’impatto è maggiore in alcune categorie di aziende elettriche e in determinati mercati.

Sono dati relativi ai data center in generale, non soltanto a quelli dedicati all’intelligenza artificiale. Non possono essere utilizzati per prevedere automaticamente rincari analoghi in Italia o per attribuire tutto l’aumento all’AI generativa. Dimostrano però che l’espansione di infrastrutture digitali ad alta intensità energetica può produrre costi misurabili anche per gli altri utenti della rete. E soprattutto che la ripartizione di questi costi non è inevitabile, ma dipende dalle regole.

In Ohio, per esempio, nel 2025 le autorità hanno approvato una tariffa specifica per i grandi data center. Il meccanismo prevede obblighi minimi di pagamento per la capacità elettrica contrattualizzata, fino all’85%, anche quando viene utilizzata meno energia del previsto. Gli accordi possono estendersi fino a dodici anni. Lo scopo è impedire che le infrastrutture costruite per soddisfare pochi grandi clienti finiscano per essere pagate dagli altri consumatori se quella capacità rimane sottoutilizzata. È una misura significativa perché riconosce esplicitamente il rischio di trasferimento dei costi.

La dimensione ambientale è ancora più complessa. L’elettricità deve essere prodotta, i sistemi di raffreddamento possono richiedere acqua, le infrastrutture utilizzano materiali e occupano territorio. Quando si ricorre a gas naturale o carbone, si aggiungono emissioni che dipendono dalle tecnologie impiegate e dalle condizioni locali. Questi costi si producono mentre le infrastrutture vengono costruite e utilizzate. Non aspettano che il mercato decida se gli investitori abbiano fatto bene i propri conti.

Il trasferimento dei costi, peraltro, non riguarda soltanto l’energia. Ho già raccontato come la corsa alle memorie destinate ai data center AI stia contribuendo al rincaro dei componenti per smartphone e computer. I produttori di semiconduttori privilegiano le memorie ad alta larghezza di banda, più redditizie, riducendo la capacità disponibile per altri segmenti del mercato. È un altro esempio di come i costi dell’espansione possano manifestarsi lontano dai servizi di intelligenza artificiale.

Sul fronte commerciale, il trasferimento è meno automatico. Non possiamo affermare che gli abbonamenti AI siano inevitabilmente destinati ad aumentare. La concorrenza e l’efficienza dei modelli potrebbero ridurre il costo per singola operazione. Una parte delle infrastrutture potrebbe inoltre rivelarsi redditizia, mentre le perdite di altri progetti potrebbero restare interamente a carico degli investitori. Ma esiste anche la possibilità che i costi vengano recuperati attraverso contratti cloud, API, servizi aziendali e prodotti che incorporano funzionalità AI.

L’utente finale potrebbe quindi non pagare soltanto attraverso un abbonamento a ChatGPT o Claude. Potrebbe pagare indirettamente quando acquista software, utilizza servizi digitali o sostiene le tariffe energetiche necessarie a finanziare nuove infrastrutture. Il punto non è prevedere un rincaro generalizzato. È capire attraverso quali canali i costi dell’espansione vengono distribuiti e chi abbia effettivamente la possibilità di sottrarsi al conto.

Una bolla può sgonfiarsi senza un grande crollo?

Immaginiamo uno scenario.

Nei prossimi anni la domanda di intelligenza artificiale continua a crescere, ma meno rapidamente di quanto previsto nei piani industriali attuali. Nel frattempo i modelli diventano più efficienti. Alcuni servizi trovano un mercato stabile, altri no. Parte della capacità di calcolo realizzata in anticipo risulta meno redditizia del previsto.

Gli operatori più esposti iniziano a rinegoziare i contratti e a rinviare nuovi investimenti. Alcune imprese non riescono a ripagare i finanziamenti, altre vendono infrastrutture a prezzi inferiori al costo di costruzione. I grandi gruppi acquisiscono asset svalutati o assorbono le perdite grazie ad attività già redditizie. Qualche azienda fallisce, altre cambiano proprietario. I fondi e gli investitori subiscono svalutazioni. Le valutazioni di Borsa possono ridimensionarsi anche pesantemente.

Ma l’intelligenza artificiale non scompare. Anzi, continua a diffondersi.

Non c’è un giorno nel quale il mercato scopre che tutta la tecnologia era un’illusione. C’è una lunga correzione industriale e finanziaria, con conseguenze molto diverse per i singoli protagonisti. Non sarebbe una situazione priva di crisi. Sarebbe una crisi distribuita nel tempo, con perdite selettive e un progressivo consolidamento del mercato. È uno scenario possibile, non una previsione.

Oggi non disponiamo delle prove per sostenere che esista già una sovracapacità generalizzata nelle infrastrutture AI. In molte aree, al contrario, la domanda di capacità di calcolo e di energia supera ancora l’offerta disponibile. Inoltre, una maggiore efficienza potrebbe rendere economicamente accessibili applicazioni oggi troppo costose, generando ulteriore domanda e aumentando l’utilizzo delle infrastrutture.

Sono elementi che potrebbero contribuire a giustificare una parte significativa degli investimenti. Ma la domanda attuale non dimostra che tutta la capacità programmata sarà utilizzata a condizioni economicamente remunerative. È perfettamente possibile che l’AI diventi una tecnologia fondamentale e che una parte degli investimenti effettuati per svilupparla si riveli eccessiva. Così come è possibile che alcune aziende ne escano fortemente rafforzate proprio grazie alla difficoltà dei concorrenti di sostenere il costo delle infrastrutture.

Il risultato potrebbe essere un mercato più concentrato, nel quale i grandi operatori controllano una quota crescente della capacità di calcolo e delle piattaforme necessarie a utilizzarla. Non necessariamente perché tutti abbiano investito bene, ma perché alcuni avevano le risorse per sopravvivere agli investimenti sbagliati.

Chi paga per tenere in piedi il sistema?

La domanda sulla bolla dell’AI è spesso formulata come se esistessero soltanto due risultati possibili: il trionfo economico della tecnologia oppure un crollo finanziario che travolge gli investitori. La realtà potrebbe essere molto meno spettacolare.

Un settore può continuare a crescere mentre corregge i propri eccessi. Le aziende possono perdere denaro senza scomparire. Le infrastrutture possono essere vendute, riconvertite o ristrutturate. I prezzi possono scendere in alcuni segmenti e salire in altri. Oppure può verificarsi una crisi molto più violenta, con fallimenti, svalutazioni e perdite che si propagano attraverso i finanziamenti incrociati. In entrambi i casi, però, una parte delle conseguenze economiche e ambientali può essere già stata distribuita nella società.

I grandi produttori di chip potrebbero aver realizzato profitti considerevoli. Gli operatori infrastrutturali potrebbero aver accumulato debiti. Alcuni sviluppatori di modelli potrebbero essere diventati aziende redditizie, mentre altri avrebbero bisogno di essere acquisiti. E i consumatori potrebbero aver già sostenuto parte dei costi attraverso bollette, servizi e risorse collettive, indipendentemente dai risultati degli investimenti.

Questo non significa che tutti i benefici rimangano privati e tutti i costi diventino pubblici. Significa che chi prende le decisioni, chi incassa i profitti e chi sopporta i rischi non sono necessariamente gli stessi soggetti. È questa la distribuzione che dovremmo imparare a osservare. Perché il problema non è soltanto stabilire se l’intelligenza artificiale valga quanto le aziende e gli investitori sostengono. È capire quali obblighi economici stiamo assumendo per costruirla, chi li ha sottoscritti, chi è in grado di rispettarli e chi finirà per sostenerne le conseguenze se le aspettative non verranno soddisfatte.

La bolla dell’intelligenza artificiale non deve necessariamente scoppiare perché qualcuno ne paghi le conseguenze. Ma nemmeno il suo eventuale scoppio garantirebbe che a pagare siano soltanto gli investitori.

Potrebbe sgonfiarsi lentamente, attraverso una lunga serie di aggiustamenti. Oppure esplodere, provocando una crisi che ridimensiona aziende e valutazioni. In entrambi gli scenari, una parte del costo dell’espansione potrebbe essere ormai incorporata nelle infrastrutture, nelle tariffe e nell’ambiente, indipendentemente dal risultato economico dei singoli investitori.

Forse, invece di chiederci soltanto quando scoppierà la bolla dell’AI, dovremmo cominciare a chiederci chi sta già pagando per tenerla gonfia. E chi finirà per pagare il conto, qualunque cosa accada.

Kimi K3 e la morte di un cliché: l’AI cinese ora ha un listino completo

Kimi K3

C’è un dettaglio, nel lancio di Kimi K3, che vale più di tutti i benchmark messi insieme: un laboratorio cinese ha alzato i prezzi. Non di poco. Moonshot AI, la startup di Pechino che il 16 luglio ha presentato il suo nuovo modello di punta, chiede 3 dollari per milione di token in input e 15 in output. È lo stesso listino di Claude Sonnet, circa il 40% sotto Claude Opus, e soprattutto è 3-4 volte il prezzo del predecessore Kimi K2.6 (che costava 0,95 e 4 dollar)i. È il modello più caro mai rilasciato da un lab cinese.

Per un ecosistema che per due anni ha costruito la propria identità sul prezzo stracciato, è un gesto quasi eretico. E infatti la lettura più diffusa in queste ore è: finisce l’era dell’AI cinese low cost. È una lettura pigra, e sbagliata. Quello che sta succedendo è più interessante, e per i concorrenti americani parecchio più scomodo.

Il low cost non è finito

Partiamo dai fatti. Kimi K3 è un modello da 2,8 trilioni di parametri, il primo modello aperto di classe 3T. Usa un’architettura Mixture of Experts estremamente sparsa: dei suoi 896 “esperti” (sottoreti specializzate) ne attiva 16 alla volta, circa 50 miliardi di parametri attivi per ogni risposta. Ha visione nativa, quindi capisce immagini e video senza moduli aggiuntivi, e una finestra di contesto da un milione di token. I pesi sono promessi entro il 27 luglio (il technical report non è ancora uscito). Su quest’ultimo punto torniamo dopo, perché conta.

Ora, se il prezzo di K3 segnasse “la fine del dumping cinese”, come titolano in molti, dovremmo vedere tutto l’ecosistema muoversi nella stessa direzione. Succede il contrario. DeepSeek V4 Flash costa 0,14 dollari in input e 0,28 in output. DeepSeek V4 Pro sta a 0,435 e 0,87. GLM 5.2 di Z.ai costa circa la metà di K3 in input. La gamma Qwen di Alibaba copre uno spettro che va da 0,01 a 3,20 dollari. K3 è l’eccezione che si aggiunge alla regola, non la nuova regola.

Peraltro parlare di dumping è sempre stato improprio. Il dumping presuppone vendita sottocosto per eliminare i concorrenti, e non c’è mai stata prova che i lab cinesi vendessero in perdita: i loro prezzi bassi venivano da architetture sparse e da un’efficienza ingegneristica reale, semmai accompagnata da prezzi da conquista di mercato. La differenza non è pedanteria: un prezzo basso sostenibile non “finisce” quando qualcuno lancia un prodotto premium. Convive.

Un catalogo in espansione

Il quadro che emerge, se si guarda alla scala prezzi invece che al singolo lancio, è quello di un’offerta che si è variegata. E su due livelli. Il primo è tra laboratori: DeepSeek presidia il low cost estremo, GLM la fascia media, Kimi ora la fascia alta. Il secondo, più significativo, è dentro i singoli laboratori: DeepSeek ha lo split Pro/Flash, Qwen ha una gamma che attraversa tre ordini di grandezza di prezzo. Non è una strategia coordinata da Pechino, e trattare “i cinesi” come un attore unico è l’errore analitico da cui questa storia dovrebbe guarirci. È il risultato emergente di una concorrenza interna feroce, con laboratori che si rubano ricercatori, utenti e quote a vicenda.

Ed è proprio il carattere emergente a rendere il fenomeno più serio, non meno. Una segmentazione decisa a tavolino da un ministero si può smontare con una decisione politica. Una segmentazione che emerge dal mercato significa che il mercato ha raggiunto la massa critica per sostenerla: abbastanza domanda, abbastanza differenziazione tecnica, abbastanza fiducia da parte di chi vende. Nessuno segmenta mentre insegue. Si segmenta quando si ritiene di avere un prodotto che regge il confronto in ogni fascia.

Il prezzo come dichiarazione

Qui sta il punto della maturità. Nel manuale del marketing, la segmentazione dell’offerta è il segnale classico di un settore che passa dalla fase di conquista a quella di consolidamento. E il prezzo di K3 è prima di tutto segnaletica commerciale: mettersi allo stesso listino di Claude Sonnet è un modo per dire “giochiamo nella stessa categoria”. Un atto di fiducia che sarebbe suicida se il prodotto non reggesse.

Il prodotto, per quanto ne sappiamo oggi, regge. Con le cautele del caso: i benchmark del lancio sono auto-riportati, e le note a piè di pagina di Moonshot rivelano che modelli diversi sono stati valutati con harness diversi, cioè con impalcature di test non identiche, il che rende i confronti meno puliti di quanto sembrino. E il technical report, ripetiamolo, non c’è ancora. Però le conferme indipendenti iniziali vanno nella stessa direzione: nella valutazione di knowledge work di Artificial Analysis, K3 raggiunge un Elo di 1547, dietro solo a Claude Fable 5. È primo nella Frontend Code arena di Arena.ai, nono nella classifica generale per il testo. Moonshot stessa, con un’onestà rara nei comunicati stampa, ammette che K3 resta dietro Claude Fable 5 e GPT-5.6 Sol. Non è il migliore. È abbastanza buono da giustificare il listino, però, ed è questo che conta per la tesi.

Anche sul costo effettivo per compito, i numeri di Artificial Analysis raccontano una scala prezzi ormai completa: un task costa in media 0,94 dollari con K3, 1,04 con GPT-5.6 Sol, 1,80 con Claude Opus 4.8. Ma anche 0,32 con GLM-5.2 e 0,04 con DeepSeek V4 Pro, che costa 20 volte meno di K3. Dallo stesso ecosistema, oggi, si può comprare l’utilitaria e la berlina di rappresentanza.

Pesi aperti, margini chiusi

C’è poi la parte apparentemente contraddittoria del modello di business: come si tiene insieme un listino premium con la promessa di pubblicare i pesi del modello il 27 luglio? Se chiunque può scaricare K3, chi pagherà Moonshot 15 dollari a milione di token?

La risposta ha due facce, e vanno tenute insieme. La prima è la necessità: un modello da 2,8 trilioni di parametri costa moltissimo per farlo funzionare. Non gira su una macchina qualsiasi, Moonshot raccomanda configurazioni “supernode” da 64 o più acceleratori, e il listino alto è prima di tutto il riflesso di quel costo. È lo stesso identico problema che hanno OpenAI e Anthropic: modelli enormi, infrastruttura mostruosa, prezzi che devono ripagarla. Su questo piano Moonshot non sta facendo niente di esotico: sta scoprendo che la frontiera costa, per tutti e a tutte le latitudini.

La seconda faccia è la strategia, ed è qui che i pesi aperti smettono di sembrare un controsenso. Se il tuo modello richiede 64 acceleratori solo per accendersi, “aprirlo” è un gesto a rischio quasi zero: l’appassionato nel sottoscala non lo scaricherà mai, e i pochissimi provider terzi in grado di servirlo bene dovrebbero replicare un’infrastruttura che Moonshot ha già ottimizzato, a partire da un cache hit rate dichiarato sopra il 90% nei carichi di coding, cioè oltre nove richieste su dieci servite dalla cache a 0,30 dollari invece che a 3. Ti prendi la bandiera dell’apertura, il favore degli sviluppatori e l’ecosistema, senza regalare il business. Con una precisazione dovuta: pesi aperti non significa open source. Non ci sono i dati di training né il codice, quindi il modello si può usare e adattare, non riprodurre.

Va detto che questa è la parte fragile della scommessa. Se dopo il 27 luglio qualche grande cloud riuscisse a servire K3 bene e a prezzo inferiore, il listino premium di Moonshot durerebbe poco. È un equilibrio da verificare tra qualche settimana, non un dato acquisito.

I mercati temono il tracollo, la realtà dice altro

Venerdì 17 luglio i titoli AI e dei semiconduttori sono scesi, e il riflesso condizionato degli investitori è stato evocare il “DeepSeek moment” del gennaio 2025: la Cina fa modelli competitivi a costi ridotti, quindi servirà meno calcolo, quindi giù i produttori di chip. È esattamente la lettura sbagliata, ed è sbagliata due volte. Primo, perché K3 non è un modello efficiente e frugale: è un colosso da 2,8 trilioni di parametri che richiede più compute per essere servito, non meno. Secondo, perché il parallelo con DeepSeek presuppone ancora la cornice “Cina uguale cloni economici”, che è precisamente ciò che questo lancio manda in pensione.

La notizia vera non è che un modello cinese costa quanto Claude Sonnet. È che l’ecosistema cinese ora copre l’intera scala prezzi, dal quasi gratuito al premium, e ci arriva per selezione competitiva interna, non per decreto. Per i laboratori americani questo è più minaccioso di qualunque guerra al ribasso: la concorrenza sul low cost erode i volumi, la concorrenza su ogni segmento erode anche i margini, cioè il posto dove OpenAI e Anthropic devono ripagare i loro investimenti monumentali.

La supremazia americana esiste ancora, i numeri di K3 lo dicono chiaramente: dietro Fable 5, dietro GPT-5.6 Sol. Ma si è ristretta a un solo piano, quello della frontiera assoluta. Sul prezzo, sull’apertura, sulla copertura di gamma e ora anche sul segmento premium la partita è già in pareggio o persa. La domanda con cui conviene chiudere non è chi ha il modello migliore, ma quanto vale avere il modello migliore quando il secondo migliore costa la metà, si scarica, e arriva da un ecosistema che ormai presidia ogni fascia. Chi si consola pensando che almeno i cinesi hanno smesso di fare prezzi bassi non ha capito il problema. Ora li fanno bassi, medi e alti insieme.