Le imprese statunitensi scelgono sempre più spesso il modello AI più economico in grado di svolgere il lavoro, invece di optare automaticamente per la soluzione più avanzata disponibile. Questo cambiamento esercita pressione sui prezzi premium mentre i modelli più recenti colmano il divario di capacità e i costi dei token continuano a diminuire, secondo il Financial Times.

Comprare il modello più economico che porta a termine il lavoro

La logica è che i costosi modelli frontier debbano essere impiegati solo quando necessario, mentre i compiti di routine possono essere gestiti da modelli economici che svolgono il task in modo sufficientemente valido.

Questo schema è emerso nell'AI Index di Ramp del 9 settembre, che traccia la spesa AI delle imprese. Sulla base dei dati di spesa di agosto 2026, il 43,8% delle imprese statunitensi nel campione di Ramp ha acquistato prodotti Anthropic, rispetto al 39,8% per OpenAI. Ramp ha inoltre evidenziato il crescente utilizzo di modelli più economici come minaccia per le aziende AI i cui modelli di business si basano su imprese che spendono costantemente di più per i sistemi frontier.

La tendenza è coerente anche con i risultati del rapporto dell'OCSE sull'AI agentica pubblicato a settembre 2026. Le interviste con 25 organizzazioni hanno indicato che il risparmio sui costi era un motivo comune per l'adozione di sistemi agentici — AI in grado di pianificare ed eseguire compiti multi-fase con supervisione limitata — insieme al loro contributo a una maggiore produttività e al loro ruolo nell'affrontare la carenza di manodopera.

Una guerra dei prezzi misurata inzioni di centesimo

Il prezzo dei modelli AI sta calando rapidamente, proprio mentre viene introdotta una nuova ondata di sistemi. Secondo una precedente copertura di Cryptopolitan, OpenAI ha rilasciato GPT-6 Sol e GPT-6 Luna il 22 settembre, con prezzi almeno del 50% inferiori rispetto ai precedenti modelli GPT-5.6. Il GPT-6 Sol costa 2 dollari per milione di token di input e 10 dollari per milione di token di output, dove i token rappresentano l'unità standard di testo che i modelli elaborano e sulla quale viene misurata la tariffazione delle API.

Nella stessa settimana, Anthropic ha lanciato Opus 5.5 mentre xAI ha presentato Grok 4.7, con i debutti che sono approdati in un mercato sempre più guidato da criteri di rapporto prezzo-prestazioni. Secondo Axios, i modelli economici ma comunque efficienti rappresentano la nuova corsa competitiva del settore.

La tendenza al ribasso a lungo termine è ancora più sorprendente. Secondo Epoch AI, il prezzo per ottenere un livello costante di prestazioni AI è diminuito di circa il 47% su base trimestrale dal 2023 — circa 13 volte all'anno.

Il costo per task completato conta di più

Mentre la pressione sui prezzi si intensifica, le metriche con cui le aziende misurano il successo dell'AI stanno cambiando. La leadership nei benchmark non ha perso importanza, ma oggi si pone maggiore attenzione a quanto i clienti pagano per prestazioni efficaci.

L'AutomationBench di Zapier testa gli agenti AI su flussi di lavoro end-to-end che coprono 47 strumenti aziendali. Al 28 settembre, Claude Opus 5.5 guidava la classifica con un'efficienza del 42,47% a un prezzo di 1,44 dollari per task, mentre GPT-6 Sol registrava un 33,2% a XHigh per soli 0,27 dollari a task.

Lo stesso compromesso appare su Artificial Analysis. GPT-6 Sol al massimo sforzo ottiene 48 punti nell'Intelligence Index con un costo stimato di 1,06 dollari per task, mentre il MiMo-V2.6-Pro open-weight di Xiaomi — un modello i cui pesi sono rilasciati pubblicamente e può essere eseguito al di fuori dell'infrastruttura del fornitore — ottiene 46 a soli 0,13 dollari per task.

Questo divario è abbastanza ristretto da rendere fattibile il multi-model routing. Invece di affidarsi a un unico fornitore per tutti i carichi di lavoro, le aziende possono assegnare il modello giusto in base all'importanza relativa e alla complessità di ogni task.

Token più economici possono comunque significare bollette più alte

Prezzi più bassi non si traducono necessariamente in una spesa AI inferiore. Secondo Axios, il paradosso di Jevons — descritto per la prima volta dall'economista ottocentesco William Stanley Jevons, che osservò come una maggiore efficienza nell'uso di una risorsa tende ad aumentarne il consumo totale anziché contenerlo — indica che risorse più convenienti portano a un loro maggiore consumo. Gartner ha lanciato un avvertimento simile nella sua previsione del 17 agosto, stimando un aumento di oltre cinque volte del costo di inferenza dei flussi di lavoro agentici entro il 2028.

I modelli meno costosi possono anche ampliare l'accesso in altre parti del mondo. Secondo il Global AI Diffusion Report di Microsoft, i modelli accessibili e aperti possono contribuire a migliorare la disponibilità, ma infrastrutture, connettività e competenze svolgeranno un ruolo fondamentale nel determinare chi potrà trarne vantaggio.

Per gli acquirenti aziendali il messaggio diventa sempre più chiaro: la migliore AI potrebbe non essere l'AI più intelligente, ma quel tipo di AI che svolge il proprio lavoro in modo efficiente al costo più basso.

Fonte: Cryptopolitan