Le fatture milionarie raffreddano l’entusiasmo delle aziende: la nuova competizione si gioca sul lavoro utile prodotto da ogni dollaro speso
LA NOTIZIA IN BREVE – OpenAI, Meta e SpaceXAI spostano la competizione sull’intelligenza artificiale dal primato delle prestazioni alla riduzione dei costi. I nuovi modelli GPT-5.6, Muse Spark 1.1 e Grok 4.5 promettono di completare attività complesse consumando meno token, utilizzando meglio gli strumenti e contenendo le fatture che hanno già costretto molte imprese a limitare l’uso dell’IA.
Il prezzo per milione di token, però, racconta soltanto una parte della convenienza. Il parametro decisivo diventa il costo per risultato accettabile, che comprende tentativi falliti, errori, tempi di elaborazione e interventi umani necessari per concludere correttamente il lavoro. Un modello più caro può quindi risultare più economico quando raggiunge subito l’obiettivo.
Questa logica apre la strada alla tariffazione per risultato: aziende e clienti potrebbero pagare ogni pratica chiusa, fattura riconciliata, documento approvato o richiesta di assistenza realmente risolta. Intercom applica già un prezzo per esito, mentre Salesforce utilizza formule basate su conversazioni e azioni.
La corsa al ribasso coinvolge anche Meta, OpenRouter, DeepSeek e i modelli aperti, ma resta il peso di centri dati, chip, energia e raffreddamento. Per le imprese italiane, soprattutto le PMI, l’IA diventerà davvero conveniente soltanto attraverso modelli adeguati, controlli di spesa, sicurezza dei dati e risultati verificabili.
Se vuoi andare oltre alla sintesi della nostra notizia leggi qui di seguito l’approfondimento:
L’APPROFONDIMENTO – OpenAI, Meta e SpaceXAI hanno lanciato dei nuovi modelli progettati per offrire maggiore capacità di calcolo a costi più contenuti. Tra il 9 e il 16 luglio 2026 sono arrivati GPT-5.6, Muse Spark 1.1 e Grok 4.5, tre sistemi differenti che condividono una filosofia apparentemente comune: riuscire a completare attività complesse consumando meno token, riducendo i passaggi superflui e rendendo più prevedibile la spesa sostenuta dalle imprese. La corsa all’intelligenza artificiale entra così in una fase più matura e, termin e che vogliamo usare con le pinze, “sostenibile”. Dopo gli investimenti iniziali e l’utilizzo spesso indiscriminato degli strumenti generativi, i clienti chiedono risultati concreti, budget controllabili e un ritorno economico misurabile.
Indice
- 1 Perché il costo è diventato il vero terreno di scontro?
- 2 Che cosa cambia con GPT-5.6?
- 3 Come risponde SpaceXAI con Grok 4.5?
- 4 Quale strategia ha scelto Meta?
- 5 Perché il prezzo di un token può ingannare?
- 6 Si arriverà a pagare ogni richiesta risolta?
- 7 In che modo le aziende possono ridurre la spesa?
- 8 Che cos’è il model routing?
- 9 Quanto pesano i modelli cinesi e le alternative aperte?
- 10 Quali limiti hanno i confronti presentati dalle aziende?
- 11 Che cosa significa questa svolta per l’Italia?
- 12 Chi vincerà la guerra dell’intelligenza artificiale economica?
Perché il costo è diventato il vero terreno di scontro?
Fino a pochi mesi fa molte aziende incoraggiavano i dipendenti a utilizzare l’intelligenza artificiale il più possibile. La pratica aveva persino conquistato un nome, tokenmaxxing: una corsa interna a moltiplicare richieste, analisi, automazioni e agenti digitali nella convinzione che un uso più intenso avrebbe prodotto maggiore innovazione.
Le fatture hanno cambiato il clima. Secondo il materiale analizzato da Bloomberg, diversi dirigenti hanno scoperto spese molto superiori alle previsioni. Gautier Cloix, amministratore delegato della startup parigina H Company, ha raccontato di aver visto il conto mensile di un’impresa arrivare a diversi milioni di dollari per l’utilizzo dei modelli di OpenAI e Anthropic. Alcune società hanno quindi introdotto limiti, budget e controlli più severi. La domanda si è spostata dalla quantità di intelligenza artificiale impiegata al valore realmente ottenuto.
Il problema emerge soprattutto nei sistemi agentici. Un normale chatbot genera una risposta dopo aver ricevuto una richiesta. Un agente può invece consultare documenti, interrogare database, utilizzare applicazioni esterne, scrivere codice, verificare il risultato e correggere eventuali errori. Ogni passaggio consuma token, mentre i tentativi falliti e le informazioni riportate continuamente nel contesto fanno crescere rapidamente la spesa.
La nuova competizione cerca di rendere sostenibile proprio questo tipo di utilizzo. Il modello più conveniente coincide sempre meno con quello che applica il prezzo unitario più basso e sempre più con quello capace di concludere il lavoro con meno passaggi, meno errori e una minore necessità di controllo umano.
Leggi di più
Che cosa cambia con GPT-5.6?
OpenAI ha reso disponibile GPT-5.6 il 9 luglio 2026, ponendo al centro del lancio la quantità di lavoro utile ottenuta da ogni token. La nuova famiglia comprende Sol, destinato alle attività più difficili, Terra, pensato per l’uso quotidiano, e Luna, il modello più rapido ed economico. Nell’API, Sol costa 5 dollari per un milione di token in ingresso e 30 dollari per quelli generati; Terra scende a 2,50 e 15 dollari, mentre Luna arriva a 1 e 6 dollari.
La differenza tra i tre modelli permette alle aziende di evitare l’impiego sistematico della soluzione più potente. Un’attività ripetitiva, come la classificazione di documenti o l’estrazione di informazioni da una fattura, può essere affidata a Luna. Terra copre flussi più articolati, mentre Sol entra in gioco quando servono ragionamento avanzato, programmazione complessa o analisi scientifiche.
Il risparmio dipende anche dal modo in cui il sistema utilizza gli strumenti. Con la funzione Programmatic Tool Calling, GPT-5.6 può scrivere ed eseguire in memoria piccoli programmi temporanei per coordinare le operazioni, elaborare i risultati intermedi e trattenere soltanto le informazioni necessarie. Il modello evita così di trasferire nel contesto interi documenti o grandi quantità di dati a ogni passaggio. OpenAI sostiene che questo approccio consenta di completare più lavoro con un numero inferiore di token; il vantaggio effettivo varia comunque in base al compito, alla qualità delle istruzioni e all’architettura costruita dall’azienda.
Alla componente tecnica si affiancano gli strumenti per il controllo economico. Le imprese possono analizzare l’utilizzo, gestire i budget e monitorare la spesa, mentre la suddivisione della famiglia in tre livelli permette di riservare la potenza più costosa ai casi in cui produce un beneficio verificabile. OpenAI presenta questa impostazione come un passaggio dalla ricerca della massima capacità in ogni richiesta a una selezione più razionale delle risorse.
Anche il prompt caching può ridurre il conto. Le parti delle istruzioni già elaborate vengono conservate e riutilizzate, evitando di pagarle ogni volta alla tariffa piena. Per GPT-5.6, le letture dalla cache ricevono uno sconto del 90% rispetto al normale prezzo dell’input, un vantaggio rilevante nei processi che utilizzano continuamente gli stessi manuali, regolamenti o documenti aziendali.
Leggi di più
Come risponde SpaceXAI con Grok 4.5?
SpaceXAI ha seguito una strada particolarmente aggressiva sul prezzo. Grok 4.5 costa 2 dollari per un milione di token in ingresso e 6 dollari per quelli in uscita, una tariffa pensata per attirare sviluppatori e imprese che utilizzano l’intelligenza artificiale su larga scala. Il modello concentra le proprie capacità sulla programmazione, sui processi agentici e sul lavoro professionale basato sulla conoscenza.
L’azienda guidata da Elon Musk rivendica un’efficienza in token circa doppia rispetto a modelli concorrenti comparabili, sostenendo che Grok 4.5 possa completare alcune attività con meno della metà dei passaggi. Si tratta di risultati presentati dallo stesso sviluppatore e ricavati da specifici ambienti di prova. Un vantaggio osservato nella programmazione, quindi, non può essere trasferito automaticamente alla scrittura, all’analisi documentale, alla medicina o alla ricerca scientifica.
Il posizionamento di Grok 4.5 punta sull’equilibrio tra capacità, velocità e costo. Per un’impresa che deve eseguire migliaia di operazioni ogni giorno, una differenza limitata nelle prestazioni può risultare accettabile quando produce un risparmio rilevante sul conto complessivo.
Quale strategia ha scelto Meta?
Meta ha presentato Muse Spark 1.1, un modello multimodale sviluppato per interpretare testi e immagini, scrivere codice, utilizzare strumenti e gestire processi agentici. Il sistema è accessibile attraverso la nuova Meta Model API, avviata in anteprima pubblica, e dispone di una finestra di contesto vicina al milione di token.
La società può sfruttare i ricavi prodotti dalla pubblicità e dall’ampio ecosistema delle proprie piattaforme per applicare prezzi aggressivi alle API. Secondo Artificial Analysis, Muse Spark 1.1 costa 1,25 dollari per un milione di token in ingresso e 4,25 dollari per quelli in uscita, collocandosi sotto molti concorrenti della stessa fascia. Nei test della piattaforma ha raggiunto un punteggio di 51 nell’Intelligence Index, mostrando una buona velocità ma anche una produzione di testo superiore alla media. Quest’ultimo elemento conta perché un modello molto prolisso può consumare più token e ridurre parte del vantaggio offerto dal listino.
Muse Spark 1.1 rappresenta quindi una componente di una strategia più ampia. Meta punta ad attirare sviluppatori nel proprio ecosistema, rendere sostenibili i flussi agentici su larga scala e utilizzare il prezzo come leva competitiva contro i laboratori che dipendono maggiormente dalla vendita diretta dei modelli.
Perché il prezzo di un token può ingannare?
I listini permettono un confronto immediato, ma raccontano soltanto una parte del costo. Un modello economico può diventare dispendioso quando genera risposte inutilmente lunghe, ripete più volte lo stesso tentativo, utilizza male gli strumenti o richiede un controllo umano continuo. Un sistema più caro può invece completare il compito al primo passaggio e produrre un risultato migliore con una spesa complessiva inferiore.
OpenAI propone quindi di misurare la “intelligenza utile per dollaro”. Il calcolo tiene conto del lavoro portato a termine, della percentuale di successo, dell’affidabilità e del valore generato. La domanda centrale diventa: quanto costa ottenere un’attività completata correttamente?
Il costo per risultato accettabile non coincide con il prezzo della singola risposta. È anzitutto una metrica che l’impresa utilizza per valutare l’efficienza del sistema. Nel conto entrano i token consumati, i tentativi falliti, il tempo di elaborazione, gli errori, le correzioni e le ore di lavoro necessarie per verificare il risultato.
Due modelli possono quindi presentare listini molto diversi e produrre l’effetto opposto a quello suggerito dal prezzo nominale. Un sistema economico che completa correttamente cinque attività su dieci può costare più di un modello premium che ne conclude nove, perché le richieste fallite devono essere ripetute o affidate a una persona.
La qualità assume un peso ancora maggiore nei settori sensibili. Un errore nella sintesi di una riunione interna produce conseguenze limitate; un’informazione inesatta inserita in un contratto, in un referto o in un’analisi finanziaria può generare danni molto superiori al risparmio ottenuto sull’API.
Si arriverà a pagare ogni richiesta risolta?
La logica del costo per risultato può preparare il passaggio verso un modello commerciale diverso, nel quale il cliente paga il lavoro effettivamente concluso anziché la quantità di elaborazione consumata. OpenAI ha già indicato la tariffazione basata sui risultati, insieme agli accordi di licenza e alle formule legate alla proprietà intellettuale, tra i possibili sviluppi dell’economia dell’intelligenza artificiale.
Un’impresa potrebbe quindi pagare per ogni pratica chiusa, fattura riconciliata, documento approvato, errore software corretto o problema del cliente risolto. Il fornitore si assumerebbe una parte maggiore del rischio economico: un agente che consuma molti token senza raggiungere l’obiettivo non genererebbe lo stesso ricavo di uno capace di completare l’operazione.
Questo modello esiste già nell’assistenza clienti. Intercom applica al proprio agente Fin una tariffa di 0,99 dollari per risultato. L’addebito scatta quando il sistema risponde alla domanda e il cliente conferma che il problema è stato risolto oppure conclude la conversazione senza chiedere ulteriore assistenza. Intercom non fattura i tentativi che falliscono e cancella l’addebito quando il cliente torna nella stessa conversazione perché il problema persiste.
Salesforce utilizza formule differenti. Agentforce può essere acquistato attraverso crediti legati alle azioni eseguite oppure con una tariffa di 2 euro per conversazione nei servizi rivolti ai clienti. In questo caso il pagamento riguarda l’interazione e non coincide necessariamente con la verifica completa del risultato.
La differenza è sostanziale. Una tariffa per conversazione remunera l’attività svolta dal sistema; una tariffa per risultato remunera l’esito raggiunto. Nel secondo caso il fornitore ha un incentivo economico più diretto a migliorare precisione, affidabilità e capacità di completare il lavoro.
La difficoltà consiste nel definire che cosa rappresenti realmente un successo. Una richiesta di assistenza può sembrare risolta e riaprirsi dopo alcune ore. Un documento può superare il controllo automatico e contenere comunque un errore. Una prenotazione può essere modificata correttamente ma creare un costo inatteso per il cliente. Il contratto deve quindi stabilire chi verifica il risultato, per quanto tempo deve restare valido e quali condizioni fanno scattare o annullano il pagamento.
Potrebbero così diffondersi formule ibride, capaci di combinare un abbonamento di base, una quota legata al consumo e un compenso collegato agli esiti verificati. Nelle attività di maggiore valore potrebbero comparire accordi basati sul risparmio prodotto, sui ricavi generati o sulla quantità di lavoro umano evitata.
Il passaggio dai token ai risultati trasformerebbe profondamente il mercato. Oggi il cliente sostiene gran parte del rischio, perché paga anche le elaborazioni inutili e i tentativi falliti. Con la tariffazione a risultato, una parte di quel rischio passerebbe allo sviluppatore del sistema.
In che modo le aziende possono ridurre la spesa?
La riduzione dei costi nasce soprattutto da una progettazione più accurata. Le imprese che inviano continuamente al modello cronologie complete, documenti duplicati e istruzioni ridondanti consumano token senza ottenere un beneficio equivalente. La selezione delle informazioni rilevanti, l’uso della memoria temporanea e la suddivisione dei compiti rendono il sistema più leggero.
Anche la scelta dinamica del modello incide sul conto. Le richieste semplici possono passare a soluzioni economiche, mentre i problemi più delicati vengono inoltrati ai sistemi di frontiera. Questo approccio evita di utilizzare un modello premium per rispondere a domande standard, classificare messaggi o compilare campi già strutturati.
Il controllo deve proseguire dopo l’avvio del progetto. Il consumo cambia quando aumentano gli utenti, crescono le dimensioni dei documenti o gli agenti ricevono maggiore autonomia. Dashboard e budget acquistano valore soltanto quando qualcuno analizza gli scostamenti e interviene sui processi che generano spese prive di un risultato proporzionato.
La metrica più utile resta il costo del lavoro correttamente completato. Contare i token mostra quanto il modello ha elaborato; misurare gli esiti mostra quanto valore ha prodotto.
Che cos’è il model routing?
La crescita dell’offerta sta favorendo i servizi di model routing, piattaforme che selezionano automaticamente il modello più adatto a ogni richiesta. Il sistema valuta il prezzo, la velocità, la difficoltà del compito, la disponibilità del fornitore e le regole stabilite dall’azienda.
Una domanda semplice può essere affidata a un modello piccolo ed economico. Un’analisi complessa passa invece a una soluzione più potente. Quando un servizio rallenta o diventa indisponibile, il router può scegliere un’alternativa senza modificare l’applicazione utilizzata dal cliente.
OpenRouter rappresenta uno dei principali operatori di questo settore. Il 28 maggio 2026 ha annunciato un finanziamento da 113 milioni di dollari, guidato da CapitalG con la partecipazione di fondi collegati a Nvidia, ServiceNow, MongoDB, Snowflake e Databricks. La società si presenta come uno strato intermedio capace di gestire instradamento, affidabilità, conformità e ottimizzazione dei costi tra gli agenti e i diversi fornitori di modelli.
Il routing riduce la dipendenza da un unico sviluppatore, ma introduce un nuovo intermediario. L’impresa deve quindi verificare dove transitano i dati, quali informazioni vengono conservate, come vengono scelti i fornitori e quali garanzie esistono in caso di errore o interruzione.
Quanto pesano i modelli cinesi e le alternative aperte?
La pressione sui prezzi arriva anche dai modelli cinesi e dalle soluzioni open weight. DeepSeek e altri sviluppatori offrono sistemi che, pur restando spesso distanti dai migliori modelli americani nei compiti più complessi, garantiscono prestazioni sufficienti per classificazioni, traduzioni, assistenza clienti, analisi di documenti e programmazione ordinaria.
Per molte aziende la qualità massima rappresenta un requisito soltanto in una parte limitata dei processi. Nelle attività ripetitive, una soluzione meno sofisticata può risultare più conveniente e semplice da controllare. La diffusione di modelli economici tende così a trasformare l’intelligenza artificiale in una componente sempre più sostituibile dell’infrastruttura aziendale.
Il valore si sposta progressivamente verso i dati, l’integrazione nei processi, la sicurezza e la capacità di verificare i risultati. Quando più modelli raggiungono una qualità adeguata, il vantaggio competitivo dipende meno dal nome del fornitore e più dal modo in cui l’impresa utilizza la tecnologia.
Quali limiti hanno i confronti presentati dalle aziende?
Le dichiarazioni sull’efficienza provengono in gran parte dagli stessi sviluppatori che vendono i modelli. Ogni società seleziona benchmark, livelli di ragionamento e modalità di utilizzo che possono valorizzare il proprio prodotto.
Un test di programmazione misura la capacità di correggere software, mentre fornisce poche indicazioni sull’accuratezza in campo medico, giuridico o scientifico. Anche il consumo di token varia in base alle istruzioni, alla lunghezza dei documenti, agli strumenti collegati e alla quantità di verifiche richieste.
I prezzi possono inoltre cambiare rapidamente. Le aziende applicano sconti per l’elaborazione differita, per la cache o per grandi volumi, rendendo difficile ricavare un costo universale. La valutazione più affidabile nasce quindi da prove condotte sullo stesso compito, con identici documenti e criteri di qualità.
La maggiore efficienza durante l’utilizzo non cancella il peso delle infrastrutture. Addestrare e distribuire modelli di frontiera richiede centri dati, chip avanzati, energia, acqua per il raffreddamento e reti ad alta capacità. La promessa di un’intelligenza artificiale quasi gratis rischia infatti di scontrarsi con costi energetici, infrastrutturali e operativi che prima o poi riemergono nel conto finale. Un’API meno costosa per il cliente può dunque continuare a poggiare su investimenti industriali enormi, trasferiti su altri servizi, assorbiti dagli investitori o recuperati attraverso nuove formule commerciali.
Che cosa significa questa svolta per l’Italia?
Nel 2025 il 16,4% delle imprese italiane con almeno dieci addetti utilizzava almeno una tecnologia di intelligenza artificiale, contro l’8,2% registrato nel 2024. La quota raggiungeva il 53,1% tra le grandi aziende, mentre le piccole e medie imprese si fermavano al 15,7%. La discesa dei prezzi può ridurre una delle barriere all’ingresso, soprattutto per le PMI. Il costo dell’API rappresenta però soltanto una parte dell’investimento. Servono dati ordinati, competenze interne, sistemi di sicurezza, formazione e procedure capaci di controllare gli errori.
Il quadro normativo aggiunge un’altra variabile. Gli obblighi dell’AI Act per i fornitori di modelli di uso generale si applicano dal 2 agosto 2025, mentre dal 2 agosto 2026 la Commissione europea potrà esercitare pienamente i propri poteri di controllo e applicare le sanzioni previste. Le imprese dovranno quindi valutare prezzo e prestazioni insieme alla trasparenza, alla protezione dei dati, al rispetto del diritto d’autore e alla possibilità di ricostruire il funzionamento dei sistemi.
Per le aziende italiane, la convenienza dipenderà dalla capacità di scegliere strumenti proporzionati alle esigenze. Un modello economico può favorire l’adozione, ma produce valore soltanto quando entra in un processo ben progettato, verificabile e controllato.
Chi vincerà la guerra dell’intelligenza artificiale economica?
La nuova competizione premierà il modello capace di offrire risultati affidabili a un costo sostenibile, più che quello che conquista il punteggio assoluto più alto in ogni classifica. OpenAI punta sull’efficienza dei token e sulla differenziazione tra Sol, Terra e Luna. SpaceXAI combina prezzi aggressivi e capacità agentiche. Meta sfrutta la propria scala industriale per comprimere i costi e attirare sviluppatori. La sfida coinvolge anche le piattaforme di routing, i modelli aperti e gli sviluppatori cinesi. Il mercato si allontana dall’idea di un’unica intelligenza artificiale adatta a qualsiasi attività e si avvicina a un sistema composto da strumenti diversi, selezionati in base al costo, alla difficoltà e al rischio. Il passaggio più importante potrebbe riguardare il modo stesso in cui questi servizi vengono venduti. Oggi le imprese acquistano token, crediti, conversazioni o accessi mensili. Domani potrebbero pagare soprattutto il lavoro realmente concluso.
Link utili:
GPT-5.6: caratteristiche, disponibilità e prezzi – OpenAI
Il confronto Bloomberg sui nuovi modelli più efficienti
Note per i lettori
L’immagine usata per questo articolo è stata creata grazie all’utilizzo di un sistema di Intelligenza Artificiale
