A giugno OpenAI ha portato il listino del suo modello di punta a 5 dollari per milione di token in ingresso e 30 in uscita, quasi il triplo del GPT-5 lanciato appena dieci mesi prima. A luglio Anthropic ha presentato Claude Fable 5 a 10 e 50 dollari, il modello più costoso della sua storia recente. Per chi segue il settore da qualche anno è una notizia strana: i prezzi dell’intelligenza artificiale, finora, erano solo crollati, e non di poco.
Il token è l’unità di misura con cui si vende l’AI: un milione di token corrisponde a circa 750mila parole. Nel novembre 2021 farsi generare un milione di token dal miglior modello disponibile, GPT-3, costava 60 dollari, come documenta Epoch AI. Oggi esistono modelli molto più capaci di quello che costano mezzo dollaro. Due ordini di grandezza in meno di cinque anni: nessun altro bene, nella storia industriale recente, si è svalutato a questa velocità.
Eppure, proprio mentre il prezzo del prodotto precipitava, l’industria che lo produce ha messo in piedi il più grande ciclo di investimenti della storia tecnologica, con 770 miliardi di dollari di spesa attesi nel solo 2026. Mai nessuno aveva speso così tanto per vendere qualcosa che vale ogni giorno di meno.
Indice degli argomenti
Prezzi dell’intelligenza artificiale tra modelli proprietari e open-weight
Il crollo, però, non ha riguardato tutti allo stesso modo: il mercato si è diviso in due fasce che seguono regole opposte. Da una parte ci sono i modelli proprietari noti ai più, prodotti da aziende come OpenAI, Anthropic e Google: solo loro conoscono e custodiscono la “ricetta” dei modelli, e ne stabiliscono liberamente il prezzo. Dall’altra ci sono i modelli open-weight, oggi in gran parte cinesi, come DeepSeek, MiniMax e Qwen, che pubblicano i loro algoritmi.
Scaricarli è gratuito; farli funzionare no, perché servono i chip e i data center. Per questo è nato un mercato di puri distributori, come Together, Fireworks e DeepInfra, che mettono a disposizione la potenza di calcolo necessaria: vendendo tutti lo stesso identico prodotto, possono farsi concorrenza soltanto sul prezzo. Il risultato è che usare un modello open-weight costa una frazione di un modello proprietario di pari livello.
I numeri lo mostrano bene. Nel 2023 il miglior open-weight disponibile (Llama 2, allora americano) costava circa 90 centesimi per milione di token; DeepSeek V3 debuttò a fine 2024 a 48 centesimi; oggi MiniMax M3, che nei test di ragionamento se la gioca con i modelli di punta, costa intorno ai 53 centesimi. In questa fascia il prezzo continua a scendere, trimestre dopo trimestre.
Nella fascia proprietaria è andata diversamente. I modelli flagship sono scesi per quattro anni consecutivi, da 60 a 37,50 a 7,50 fino ai 3,44 dollari di GPT-5, e poi, nel 2026, hanno invertito la rotta: GPT-5.5 costa 11,25 dollari per milione di token, Claude Opus 4.8 ne costa 10, Fable 5 addirittura 17,50. Il mercato viaggia ormai a due velocità: due curve che per anni scendevano insieme ora divergono, una punta verso il basso e una ha ripreso a salire.
Un prodotto il cui prezzo medio è crollato del 90% l’anno dovrebbe mettere in fuga gli investitori. Sta accadendo l’esatto contrario.
Data center e chip dietro la corsa all’AI
Dal lancio di GPT-4, la spesa in conto capitale in infrastruttura AI cresce di circa il 70% l’anno. Ha sfiorato il mezzo trilione di dollari nel 2025 e, se il ritmo regge, toccherà i 770 miliardi quest’anno e supererà il trilione nel 2027. Per dare una scala: più di un terzo del PIL italiano, in un anno, in data center e chip.
Ad allentare i cordoni della borsa sono per lo più Microsoft, Amazon, Alphabet, Meta e Oracle. Data center e cloud sono il loro investimento, e i laboratori che producono i modelli sono i loro inquilini: se il prezzo dei token non genera ricavi sufficienti, il conto arriva a cascata sui loro bilanci. C’è poi un livello ulteriore: tra le big tech e i laboratori si sono creati rapporti di finanza circolare — Microsoft è azionista di OpenAI, Amazon e Google di Anthropic — per cui il padrone di casa è spesso anche socio dell’inquilino. Un intreccio che concentra ulteriormente il rischio invece di distribuirlo.
Il capex oltre la cassa delle big tech
Il dato più significativo, però, non è quanto si spende ma con quali soldi. Elaborando i flussi di cassa dai bilanci trimestrali depositati alla SEC emerge una realtà alquanto allarmante. Alphabet, Meta e Microsoft investono in infrastrutture tra il 57 e il 63% della cassa che generano; il capex degli ultimi quattro trimestri di Amazon ha superato la sua cassa operativa (102%), e Oracle spende più del doppio di quanto incassa (205%), in accelerazione verticale da quando ha firmato i contratti che la legano a OpenAI. Non a caso, le due aziende oltre la linea rossa sono le più esposte ad OpenAI, il laboratorio di gran lunga più affamato di calcolo.
Chi spende più di quanto incassa deve farsi prestare la differenza, e infatti il boom ha cambiato modo di finanziarsi. La Bank of England, nel Financial Stability Report di luglio, segnala che le big tech valgono da inizio anno oltre il 15% delle emissioni obbligazionarie investment-grade americane; Morgan Stanley stima in circa 800 miliardi di dollari il credito privato e fuori bilancio che finanzierà i data center entro il 2028. Per la prima volta, il rischio della corsa ai data center esce dai bilanci delle big tech ed entra nel sistema finanziario.
Onestà impone il contrappunto: la scommessa, per ora, sta pagando. Secondo il rapporto “State of the AI Economy” di Exponential View, dal quarto trimestre 2025 i ricavi dell’ecosistema AI superano per la prima volta l’ammortamento corrente dell’infrastruttura, anche se di poco.
Ricapitolando: il prezzo del prodotto precipita da cinque anni, l’investimento per produrlo cresce del 70% l’anno e ha superato, per due aziende su cinque, la cassa disponibile. O l’industria è collettivamente irrazionale, o a far tornare i conti provvedono due forze che le curve, da sole, non mostrano.
Volumi e paradosso di Jevons nei token AI
La prima forza è nota come paradosso di Jevons: quando una risorsa diventa più efficiente e più economica, il suo consumo totale esplode. Con i token sta accadendo in forma estrema. Le stime di Exponential View indicano che ogni calo di prezzo del 10% genera un aumento dei consumi del 12-18%, quindi la spesa complessiva sale a ogni ribasso. E il passaggio dalle chat agli agenti, software che lavorano da soli per ore, moltiplica il tutto: un compito di programmazione agentica consuma in media 4 milioni di token, oltre mille volte una normale conversazione.
Il risultato è che i ricavi crescono nonostante la deflazione. L’ecosistema dell’AI generativa ha superato i 175 miliardi di dollari di ricavi annualizzati, con una crescita del 35% a trimestre, tre volte più veloce di internet, del mobile e del cloud alla stessa età. Ma l’aumento della domanda da solo non basta: vendere volumi giganteschi a prezzo di costo genera fatturato, non margine, e con il fatturato non si ripaga un’infrastruttura da 770 miliardi l’anno.
Lo spread tra AI proprietaria e modelli open-weight
La seconda forza parte da un’osservazione semplice. I distributori di modelli open-weight vendono tutti lo stesso identico prodotto e sono in concorrenza perfetta tra di essi. Questo schiaccia i loro listini fin quasi al costo di produzione, e guardare i loro prezzi significa quindi, in pratica, leggere quanto costa davvero produrre intelligenza artificiale.
Se il prezzo open-weight è il costo, allora il rapporto tra il prezzo di un modello proprietario di punta e quello dell’open-weight altrettanto capace misura lo spread che il mercato è disposto a pagare pur di avere il modello migliore e più riconosciuto. A luglio 2024, quando Llama 3.1 raggiunse il livello di GPT-4, questo spread era di appena 1,7 volte, e sembrava che presto nessuno avrebbe più pagato un sovrapprezzo per i modelli proprietari. Da allora è successo il contrario. Dopo lo shock DeepSeek lo spread ha oscillato considerevolmente e oggi vale circa 20. In concreto: per un milione di token Claude Opus 4.8 chiede 10 dollari e GPT-5.5 ne chiede 11,25, mentre MiniMax M3, che li tallona nei benchmark, si ferma a 53 centesimi. Quasi venti volte meno, a parità di prestazioni misurate.
Il premio pagato dalle imprese per i modelli migliori
Non è solo teoria da listino. Secondo un recente studio di YipitData, oggi le aziende pagano i token appena il 6% in meno rispetto a inizio 2026, dopo un semestre in cui il prezzo era crollato del 39%: la deflazione si è quasi fermata, perché le imprese continuano a scegliere e pagare i modelli migliori. Ed è su questa fetta di clienti che poggia l’intera struttura. A ripagare gli investimenti infrastrutturali non sarà il prezzo medio del token, ma la dimensione e la fedeltà del segmento disposto a pagare venti volte il costo. Per chi compra AI, imprese e pubbliche amministrazioni comprese, la biforcazione è ormai una scelta di procurement con un cartellino esplicito, venti a uno: sapere quando serve il farmaco di marca e quando basta l’equivalente generico è diventata una competenza economica, non solo tecnica.
Il quadro finale è questo: il prezzo dell’intelligenza artificiale crolla, ma non per tutti allo stesso modo. La fascia commodity corre verso il costo di produzione, quella di frontiera si fa pagare venti volte tanto e nel 2026 ha perfino alzato i listini: è questo sovrapprezzo, moltiplicato per volumi in esplosione, a reggere i 770 miliardi di investimenti. Due anni fa lo spread valeva 1,7 e il mercato lo dava per morto; oggi è ai massimi e finanzia la più grande scommessa industriale del secolo. Chi investe in AI punta su due condizioni: che la crescita dei volumi non rallenti, e che le imprese continuino a pagare un sovrapprezzo per accaparrarsi i modelli proprietari.
Partecipa alla community