L'intelligenza artificiale è entrata nell'era di un'economia divisa: il costo di costruzione dei modelli di frontiera continua a salire, mentre il costo del loro utilizzo continua a scendere. Entrambe le tendenze avanzano contemporaneamente.

Addestrare un modello AI di frontiera può richiedere decine o persino centinaia di milioni di dollari di potenza di calcolo. Epoch AI stima che il costo di hardware ed energia di questi addestramenti sia cresciuto di circa 2,4 volte l'anno.

Una volta addestrato il modello, il quadro si rovescia. Secondo Epoch AI, il prezzo per raggiungere un livello fisso di prestazioni AI è diminuito di circa il 47% ogni trimestre dal 2023 — un calo di circa 13 volte all'anno.

Questo articolo raccoglie i dati principali su costi di addestramento, costi di inferenza e prezzi dei token, attingendo a dati di Epoch AI, Stanford University, DeepSeek, OpenAI, Anthropic e Google. Tutti i prezzi sono tariffe standard pubblicate a ottobre 2026.

Statistiche sui costi dei modelli AI a colpo d'occhio

• I costi di addestramento dell'AI di frontiera sono cresciuti di circa 2,4 volte l'anno.
• Epoch AI prevede che i più grandi addestramenti potrebbero superare 1 miliardo di dollari intorno al 2027 se la tendenza dovesse continuare.
• Il calcolo di addestramento di GPT-4 è stimato a circa 79 milioni di dollari.
• Gemini 1.0 Ultra è stimato a circa 192 milioni di dollari.
• Llama 3.1 405B è stimato a circa 170 milioni di dollari.
• Grok-2 è stimato a circa 107 milioni di dollari.
• DeepSeek ha riportato 5,576 milioni di dollari per l'addestramento ufficiale di DeepSeek-V3, una cifra che esclude le ricerche precedenti e i costi del personale.
• L'hardware rappresenta circa il 47% al 67% dei costi di sviluppo dei modelli di frontiera; il personale di ricerca e sviluppo ne accounting un altro 29% al 49%.
• L'energia accounting per solo circa il 2% al 6%.
• Il costo di pari prestazioni AI scende di circa il 47% per trimestre, ovvero circa 13 volte l'anno.
• L'inferenza a livello GPT-3.5 è diminuita di oltre 280 volte in costi tra la fine del 2022 e la fine del 2024.
• GPT-6 Luna e Claude Haiku 5.5 costano 0,10 dollari per milione di token di input e 0,50 dollari per milione di token di output.
• I token in cache possono essere dal 90% al 95% più economici dei token di input ordinari su alcune API.

Il divario in crescita tra costi di addestramento in aumento e costi di utilizzo in calo si trova al centro dell'economia dell'AI. Il resto dell'articolo esamina ciascun aspetto a turno.

Quanto costa addestrare un modello AI?

Non esiste una risposta unica. I costi vanno da poche centinaia di dollari per i primi modelli di ricerca a centinaia di milioni di dollari per i sistemi di frontiera.

L'AI Index di Stanford, utilizzando stime sviluppate insieme a Epoch AI, monitora come sono evoluti i costi di addestramento. Stanford sottolinea che queste cifre stimano per lo più le risorse di calcolo consumate, non il costo economico completo della costruzione di ciascun modello. Ciononostante, il cambiamento in sette anni è notevole: il Transformer originale costò meno di 1.000 dollari in calcolo stimato per l'addestramento, mentre GPT-4 costò circa 79 milioni di dollari — oltre 100.000 volte tanto.

Non tutti i modelli seguono la linea ascendente. Llama 2 70B, a circa 3 milioni di dollari, costò meno di GPT-3 a 4 milioni di dollari e molto meno di PaLM 540B a 12 milioni di dollari. Dimensione del modello, tipo di chip e metodo di addestramento incidono tutti sulla bolletta finale.

I costi di addestramento di frontiera crescono da 2 a 3 volte l'anno

Epoch AI ha studiato decine di sistemi AI importanti e stima che il costo ammortizzato di hardware ed energia degli addestramenti di frontiera sia cresciuto di circa 2,4 volte l'anno dal 2016. Un metodo separato basato sui prezzi del calcolo in cloud ha trovato un tasso simile di 2,6 volte l'anno. Due approcci indipendenti che indicano lo stesso intervallo conferiscono alla stima un peso aggiuntivo.

Se la tendenza continua, Epoch prevede che i più grandi modelli di frontiera potrebbero superare 1 miliardo di dollari per addestramento intorno al 2027. Stanford ha notato nel 2026 che le stime del settore per i nuovi sistemi di frontiera variano ora da centinaia di milioni di dollari fino a 1 miliardo di dollari per iterazione.

Questo non significa che ogni futuro modello leader costerà un miliardo di dollari. Progetti a miscela di esperti, dati migliori, algoritmi migliorati e hardware più economico possono tutti ridurre il calcolo necessario per raggiungere un dato livello di prestazioni. DeepSeek ha dimostrato quanto possa essere grande questa differenza.

Il costo di addestramento di DeepSeek-V3

DeepSeek ha attirato ampia attenzione dopo aver riportato un costo di calcolo di addestramento di circa 5,576 milioni di dollari per DeepSeek-V3. Il suo rapporto tecnico afferma che il completo processo di addestramento ufficiale ha utilizzato circa 2,788 milioni di ore GPU Nvidia H800. A un prezzo di noleggio assunto di 2 dollari per ora GPU, il totale corrisponde alla cifra di 5,576 milioni di dollari.

Il numero è frequentemente frainteso. Non è il costo totale dello sviluppo di V3. DeepSeek ha dichiarato che la cifra esclude ricerche precedenti, esperimenti di architettura, studi di ablazione, lavoro sui dati e altri costi di sviluppo. Per questo motivo, non può essere confrontato direttamente con stime che includono una più ampia spesa in R&S; un confronto corretto richiede lo stesso ambito su entrambi i lati.

Quello che la cifra dimostra è che le scelte di progettazione e ingegneria possono ridurre drasticamente il costo di un grande addestramento finale — un risultato con implicazioni per l'intero settore.

Il calcolo è solo una parte del costo

Costruire un modello di frontiera richiede più che GPU. Epoch AI stima che il costo di sviluppo totale si suddivide in tre aree principali: l'hardware accounting per circa il 47% al 67%, il personale di ricerca e sviluppo per un altro 29% al 49%, e l'energia rappresenta solo circa il 2% al 6%.

Costi aggiuntivi possono includere l'acquisizione dei dati, la pulizia dei dati, esperimenti falliti, post-training e apprendimento per rinforzo. Test di sicurezza, valutazioni dei modelli, networking, storage e strutture dei data center si aggiungono tutti al totale.

Di conseguenza, il costo dichiarato di un addestramento finale può sottostimare sostanzialmente quanto serve per costruire un modello di frontiera competitivo, e il divario tra le due cifre può essere ampio.

Inferenza e prezzi dei token

Addestramento vs inferenza

L'addestramento crea un modello; l'inferenza lo esegue. Le aziende pagano per l'inferenza ogni volta che qualcuno usa il modello. Se milioni di persone usano un modello ogni giorno, la spesa totale di inferenza può superare il costo dell'addestramento originale.

Questa dinamica conta di più man mano che l'AI si sposta verso agenti di codifica, ricerca AI, assistenza clienti, assistenti vocali, analisi video e automazione aziendale. La risposta di un chatbot di qualche centinaio di token è economica; un agente di codifica che legge milioni di token, richiama strumenti ripetutamente e gira per ore consuma molto più calcolo.

Prezzi attuali dei token

La maggior parte delle API AI commerciali addebita a token. Un token è un piccolo pezzo di testo, e un milione di token corrisponde a centinaia di migliaia di parole inglesi, anche se il rapporto esatto varia.

I prezzi di 2 e 10 dollari di Gemini 4 Argon sono introduttivi fino al 30 novembre 2026. Google afferma che i prezzi standard saliranno poi a 4 dollari per l'input e 20 dollari per l'output.

Questi sono prezzi di listino. Non sono i costi propri dei fornitori per eseguire i modelli.

Modelli piccoli vs modelli di frontiera

GPT-6 Luna di OpenAI addebita 0,10 dollari per milione di token di input e 0,50 dollari per milione di token di output. Claude Haiku 5.5 di Anthropic ha lo stesso prezzo di listino per prompt inferiori a 100.000 token. Anthropic ha rilasciato Haiku 5.5 a ottobre 2026 e afferma che il modello costa circa il 75% in meno da eseguire rispetto a Haiku 4.5 in media.

A queste tariffe, un'azienda che invia 100 milioni di token di input a un modello da 0,10 dollari paga solo 10 dollari, mentre 10 milioni di token di output a 0,50 dollari per milione ne costano altri 5. L'output costa di più perché i modelli generano i token uno alla volta, il che richiede più calcolo.

I modelli economici non si adattano a ogni compito. I sistemi di ragionamento di frontiera richiedono molto più calcolo, e i fornitori addebitano di conseguenza: Anthropic elenca Claude Opus 5.5 a 4 dollari per milione di token di input e 20 dollari per milione di token di output — 40 volte il prezzo di output di Haiku 5.5.

Questo divario dà agli agenti AI un chiaro incentivo a instradare i compiti semplici verso modelli piccoli, riservando quelli costosi al ragionamento complesso.

I costi di inferenza dell'AI sono calati drasticamente

L'AI Index di Stanford offre un esempio netto. A novembre 2022, le prestazioni a livello GPT-3.5 sul benchmark MMLU costavano circa 20 dollari per milione di token. A ottobre 2024, Gemini 1.5 Flash-8B raggiunse lo stesso livello di benchmark per 0,07 dollari per milione di token — un calo di oltre 280 volte in meno di due anni.

Stanford ha scoperto che i prezzi di inferenza sono scesi tra 9 e 900 volte l'anno, a seconda del compito misurato. L'intervallo è ampio perché ogni benchmark e ogni livello di prestazioni ha la propria storia di prezzi.

Margini di profitto inferiori non sono l'unica causa. I modelli AI e l'hardware che li esegue sono diventati molto più efficienti.

Il prezzo di pari capacità AI scende di 13 volte l'anno

La ricerca di Epoch AI di settembre 2026 va oltre i prezzi grezzi dei token e misura quanto costa raggiungere un livello fisso di prestazioni del modello. Epoch stima che questo costo sia diminuito di circa il 47% ogni trimestre dal 2023. Su un anno completo, si somma a un calo di circa 13 volte.

L'aritmetica è semplice. Se i prezzi scendono del 47% ogni trimestre, ne resta il 53%. Dopo quattro trimestri, ne resta circa il 7,9% — vicino a un tredicesimo.

Epoch afferma che questo declino è più rapido rispetto alle precedenti grandi curve di costo tecnologiche, tra cui il sequenziamento del DNA, il calcolo generale, le batterie agli ioni di litio e i costi elettrici. Il tasso varia per compito.

Hardware e software rendono l'AI più economica da eseguire

L'inferenza AI beneficia di guadagni costanti nell'economia dei chip, che Stanford monitora attraverso tre tendenze annuali per l'hardware di machine learning. Le GPU moderne utilizzano anche formati numerici a precisione inferiore, sistemi di memoria migliori e collegamenti più veloci tra i chip. Ogni modifica permette a un data center di fare più lavoro con lo stesso denaro.

Il software amplifica i guadagni. Tecniche come quantizzazione, distillazione, sparsità, progetti a miscela di esperti, decodifica speculativa, batching continuo e compilatori migliori riducono tutti il calcolo necessario per risposta. Di conseguenza, la stessa quantità di capacità AI può essere erogata con meno risorse di calcolo nel tempo.

Caching ed elaborazione a batch riducono ulteriormente i costi

Le API moderne scontano sempre più le informazioni ripetute. Si consideri un agente AI che invia lo stesso manuale aziendale di 100 pagine con ogni richiesta: un fornitore può memorizzare in cache quel testo invece di elaborarlo di nuovo ogni volta.

OpenAI addebita 0,20 dollari per milione di token di input in cache per GPT-6 Sol, rispetto a 2 dollari per l'input ordinario — uno sconto del 90%. Gemini 4 Argon di Google attualmente sconta del 95% l'input in cache implicito idoneo.

Anche gli utenti che non necessitano di risposte immediate possono pagare meno. OpenAI prezza l'elaborazione Batch e Flex per GPT-6 Sol a circa il 50% delle tariffe standard. L'elaborazione a batch si adatta alla classificazione di documenti, analisi notturne, estrazione di dati, riepiloghi su larga scala e valutazioni offline.

I prezzi dell'AI stanno iniziando a somigliare al cloud computing, con i clienti che pagano tariffe diverse a seconda della velocità, dell'affidabilità e della flessibilità del carico di lavoro.

Costo per compito e spesa totale per l'AI

Perché il prezzo per token può ingannare

Un modello che costa 1 dollaro per milione di token non è sempre più economico di uno che costa 2 dollari. Si supponga che il primo modello necessiti di 5 milioni di token per completare un compito, mentre il secondo lo completa con 1 milione. Il primo modello costa 5 dollari per il compito e il secondo 2 dollari.

I modelli di ragionamento rendono questo controllo più importante, perché possono produrre grandi quantità di token di pensiero interni — e alcuni di questi sono fatturati. Anthropic afferma che Claude Sonnet 5.5 usa meno token per compito rispetto a Sonnet 5, il che può renderlo più economico nei flussi di lavoro reali anche dove i prezzi di listino appaiono simili. Le aziende tracciano sempre più il costo per compito completato con successo, piuttosto che solo il costo per milione di token.

Cosa mantiene i prezzi in calo

Tre forze spingono verso il basso i costi di inferenza: hardware più efficiente, progetti di modelli più efficienti e forte concorrenza tra fornitori.

OpenAI ha tagliato i prezzi API di GPT-6 Sol e Luna di circa il 50% rispetto alle controparti promozionali GPT-5.6, migliorando al contempo le capacità. Anthropic afferma che Haiku 5.5 costa circa il 75% in meno per carico di lavoro tipico rispetto a Haiku 4.5. Anche Google compete sui prezzi dei token.

Il risultato è che gli usi dell'AI troppo costosi due o tre anni fa ora possono trovare spazio nei prodotti ordinari.

Costi in calo possono aumentare la spesa totale

Un'AI più economica non significa sempre una minore spesa del settore. Un'azienda potrebbe non automatizzare un milione di chat con i clienti se ognuna costa 1 dollaro. A un centesimo l'una, potrebbe automatizzarle tutte.

Il modello ricorda il paradosso di Jevons, in cui un uso più efficiente di una risorsa porta a un uso totale maggiore. Potrebbe contribuire a spiegare perché le più grandi aziende cloud continuano a spendere centinaia di miliardi di dollari in data center AI anche mentre il costo di ogni query scende.

La conclusione

L'economia dell'AI si muove in due direzioni contemporaneamente. All'estremo, i costi di addestramento sono cresciuti rapidamente: GPT-4 ha richiesto circa 79 milioni di dollari di calcolo di addestramento stimato, Gemini 1.0 Ultra circa 192 milioni e Llama 3.1 405B circa 170 milioni, con Epoch AI che stima che i costi di addestramento di frontiera siano cresciuti di circa 2,4 volte l'anno.

Una volta disponibili i modelli, il costo del loro utilizzo scende rapidamente. L'inferenza a livello GPT-3.5 è passata da circa 20 dollari per milione di token nel 2022 a 0,07 dollari nel 2024, e la ricerca più recente di Epoch colloca il calo del costo di un livello fisso di prestazioni AI a circa il 47% per trimestre, ovvero circa 13 volte l'anno. A ottobre 2026, i modelli commerciali piccoli costano appena 0,10 dollari per milione di token di input e 0,50 dollari per milione di token di output.

In sintesi, i modelli più avanzati costano di più da costruire, mentre il loro output costa meno da usare. Se ciò dovesse continuare, l'effetto dell'AI potrebbe dipendere meno da quanto costa addestrare un modello e più da ciò che accadrà quando miliardi di persone e aziende potranno accedere a un'AI capace a prezzi vicini al software cloud ordinario.

Fonti

• Epoch AI: The Plunging Price of Thought
• Epoch AI: How Much Does It Cost to Train Frontier AI Models?
• Stanford University: 2025 AI Index Report, Research and Development
• Stanford University: 2026 AI Index Report
• DeepSeek: DeepSeek-V3 Technical Report
• OpenAI: Introducing GPT-6 Sol and Luna
• OpenAI: API Pricing
• Anthropic: Claude Haiku 5.5
• Anthropic: Claude Sonnet 5.5
• Google AI: Gemini 4 Argon Pricing

Questo articolo è apparso originariamente su CoinCentral.