Il Codice dei contratti pubblici fa scattare la revisione prezzi di un servizio quando il suo costo varia di oltre il 5%, riconoscendo l’80% della parte eccedente.
Il costo dell’intelligenza artificiale, secondo la misura pubblicata il 22 settembre da Epoch AI nel report «The plunging price of thought», scende del 47% a ogni trimestre, una divisione per tredici in un anno, e nessuna delle tecnologie di trasformazione con cui il report la confronta, dall’elettricità al sequenziamento del DNA, si è mai deprezzata a questa velocità.
Tra quei due numeri sta la distanza fra gli strumenti con cui le istituzioni comprano, regolano e programmano la tecnologia e il comportamento economico della tecnologia su cui oggi si concentrano investimenti pubblici e privati.
La conseguenza investe tre piani della politica pubblica insieme, gli acquisti, la politica industriale e la regolazione, e su ciascuno chiede di passare da una logica di prezzo a una logica di traiettoria.
Indice degli argomenti
Il costo dell’intelligenza artificiale scende del 47% a trimestre
Il report di Luke Emberson e David Roodman misura il costo per compito, cioè quanto si spende in media per rispondere a una domanda di un benchmark, la batteria standard di test con cui si confrontano i modelli, e per ogni livello di punteggio individua il modello più economico disponibile in quel momento, la cosiddetta frontiera di Pareto.
Le prove sono cinque, dalla matematica di ricerca alle scienze di livello dottorale fino a un gioco tenuto segreto perché i laboratori non possano addestrarvi i modelli. Il caso più leggibile riguarda l’esame scientifico GPQA Diamond: il punteggio che nel 2025 o3 di OpenAI otteneva, secondo le stime di Epoch, spendendo circa 30 centesimi di dollaro a domanda, meno di un anno e mezzo dopo GPT-5.6 Luna lo raggiunge con quattro centesimi di centesimo, un calo che il report quantifica in 725 volte.
Il confronto con le tecnologie che hanno trasformato l’economia
Misurato in punti logaritmici, come fa il report per confrontare velocità di discesa così diverse, il prezzo dell’inferenza (l’uso di un modello già addestrato per produrre risposte) cala quattro volte più in fretta del sequenziamento del DNA, sei volte più della potenza di calcolo, diciotto più delle batterie al litio e cinquantaquattro più dell’elettricità domestica americana tra il 1892 e il 1973.
Fonte: elaborazione su dati Epoch AI, «The plunging price of thought»
I limiti dei benchmark e la stima più prudente
Le stesse cautele che gli autori dichiarano vanno tenute presenti da chi usa questi numeri per decidere. I benchmark sono un indicatore imperfetto del lavoro utile e i laboratori possono addestrare i modelli sui test più noti, anche se il gioco segreto, pensato per neutralizzare questo effetto, mostra comunque un calo del 44% a trimestre.
La misura descrive un acquirente che passa ogni volta al modello più conveniente, mentre nella realtà si cambia modello di rado, e la serie copre appena tre anni. Lo studio di Gundlach e colleghi, che Epoch considera il più completo finora, arriva a cali fra cinque e dieci volte l’anno: una stima più prudente, che lascia comunque l’intelligenza artificiale molto sopra il ritmo storico di qualsiasi altra tecnologia confrontata.
Appalti pubblici e costo dell’AI: perché la revisione prezzi non basta
La revisione prezzi dell’articolo 60 del Codice dei contratti è costruita per proteggere entrambe le parti da sopravvenienze economiche, con una soglia del 5% e il riconoscimento dell’80% dell’eccedenza, misurate per servizi e forniture su indici ISTAT dei prezzi al consumo, dei prezzi alla produzione e delle retribuzioni.
È uno strumento pensato per l’inflazione dei fattori produttivi tradizionali, e a un ritmo del 47% a trimestre il costo della componente di inferenza di un servizio varia di oltre il 5% nel giro di poche settimane, mentre gli indici generali seguono dinamiche del tutto diverse. Il comma 4-ter consente di agganciare la revisione a indici specifici di settore, e un indice pubblico del costo per compito, costruito con un metodo simile a quello di Epoch, sarebbe un intervento alla portata di un’istituzione statistica o di un’agenzia tecnica.
Il premio sullo stato dell’arte
Il report aggiunge un elemento che riguarda il momento dell’acquisto. Su tre dei cinque benchmark principali il costo di un livello di prestazione scende più in fretta subito dopo che quel livello è stato raggiunto per la prima volta, quando rappresenta lo stato dell’arte, il meglio disponibile sul mercato: mediando sui cinque test il calo è del 66% a trimestre al debutto, una divisione per 75 in un anno, e del 32% due anni dopo. Gli autori avanzano un’ipotesi commerciale, per cui chi arriva per primo su una capacità nuova la fa pagare a premio per un breve periodo, finché i concorrenti lo raggiungono.
Fonte: elaborazione su dati Epoch AI, «The plunging price of thought»
Contratti pluriennali e sostituibilità dei modelli
Un contratto pluriennale che compra una capacità appena uscita fissa il prezzo nella fase più cara della curva e rinuncia alla parte più ripida della discesa. Il Codice offre già gli strumenti per evitarlo, dagli accordi quadro con riapertura del confronto competitivo, da prevedere fin dai documenti di gara, alle clausole di rinegoziazione che l’articolo 9 invita a inserire nei contratti più esposti alle sopravvenienze, e le stazioni appaltanti possono usarli con una logica diversa da quella attuale:
durate brevi o rinegoziabili per la componente di inferenza, corrispettivi legati al compito svolto più che al volume di token, prove di prestazione ripetute periodicamente sui compiti reali dell’amministrazione. Il requisito che chiude il sistema è la sostituibilità, ossia architetture che permettano di cambiare modello senza riscrivere il servizio, perché in un mercato che si deprezza a questo ritmo un fornitore scelto oggi per convenienza rischia di trasformarsi presto in un vincolo.
Quando il costo dell’AI cala, il valore si sposta su energia e chip
Epoch apre il report con un contrasto. Che il boom dell’AI faccia salire i prezzi di tutto ciò che consuma, chip ed energia fino alle ore di lavoro degli elettricisti, è ormai noto, mentre è molto meno riconosciuto che il prodotto in uscita dai data center si stia deprezzando a una velocità senza precedenti tra le tecnologie confrontate. Gli autori ne traggono una conseguenza: i profitti superiori alla norma nella vendita di inferenza possono durare poco per ciascun modello, e questa brevità è insieme causa e conseguenza della competizione serrata tra i laboratori.
Dove si accumula il valore stabile della filiera
Letta in chiave di politica industriale, la doppia dinamica indica dove si accumula il valore stabile della filiera. Il modello è il segmento che si svaluta più in fretta, perché ogni vantaggio di prestazione viene raggiunto e scontato nel giro di pochi trimestri, mentre i fattori a monte (semiconduttori, energia, lavoro specializzato per costruire i data center) diventano più scarsi e più cari proprio perché la domanda di AI cresce.
Una strategia europea che misuri la propria sovranità soprattutto sulla capacità di produrre un modello di frontiera rincorre il segmento con la vita economica più breve, e lascia scoperte le dipendenze che durano, quelle da chip progettati e prodotti in larga parte fuori dall’Unione e da un costo dell’energia che pesa su ogni risposta generata.
Modelli aperti e autonomia europea
Il report segnala anche che, vicino allo stato dell’arte, la concorrenza di prezzo più accesa è avvenuta tra modelli chiusi, e che in un solo caso il secondo modello capace di abbassare il costo di un traguardo aveva pesi aperti, scaricabili ed eseguibili da chiunque. Gli autori non escludono che la pressione dei modelli aperti alimenti indirettamente quella competizione.
Per l’Europa il modello aperto ha un valore diverso dal prezzo: è la condizione per far girare l’intelligenza artificiale su infrastrutture proprie, sotto regole proprie, e la sua utilità strategica cresce quanto più il costo d’uso si avvicina a quello di una commodity.
Costo d’uso e AI Act: nuove soglie per capacità sempre più accessibili
L’AI Act individua i modelli di uso generale con rischio sistemico anche attraverso una presunzione legata alla scala dell’addestramento: l’articolo 51 la fa scattare quando il calcolo cumulato usato per addestrare il modello supera 10^25 operazioni in virgola mobile, e affida alla Commissione il compito di aggiornare soglie e indicatori con atti delegati, tenendo conto dei miglioramenti algoritmici e dell’efficienza dell’hardware. Il legislatore ha quindi previsto che la tecnologia si sarebbe mossa, e i dati di Epoch indicano la velocità con cui si muove sul versante dell’uso.
Fonte: elaborazione su dati Epoch AI, «The plunging price of thought»
Dal calcolo di addestramento al costo per capacità
Una capacità che nel 2025 costava circa 30 centesimi a domanda, meno di diciotto mesi dopo costa quattro centesimi di centesimo, e se la traiettoria prosegue ciò che oggi definisce il vertice del mercato tende a diventare in pochi trimestri un servizio a basso costo alla portata di chiunque.
Una soglia fondata sulla scala dell’addestramento descrive chi costruisce i modelli più grandi, mentre la diffusione di una capacità nell’economia e nella società dipende soprattutto dal suo costo d’uso. Per la vigilanza questo comporta di affiancare alla soglia di calcolo un monitoraggio periodico del costo per capacità, che consenta di anticipare il momento in cui una funzione oggi riservata a pochi fornitori diventa accessibile a una platea molto più ampia, e di calibrare di conseguenza obblighi, controlli e capacità ispettive.
La pubblica amministrazione mentre il costo dell’AI crolla
Nel 1990 l’economista Paul David, nel saggio «The Dynamo and the Computer», ricostruì perché l’elettricità avesse impiegato circa quarant’anni a comparire nelle statistiche sulla produttività americana. Le prime fabbriche sostituirono la grande macchina a vapore centrale con una grande dinamo, lasciando intatti alberi di trasmissione, cinghie e stabilimenti su più piani, e il salto arrivò solo negli anni Venti, quando ogni macchina ebbe il proprio motore e gli stabilimenti vennero ridisegnati su un solo livello, attorno al flusso dei materiali.
Riorganizzare i procedimenti prima di comprare licenze
All’epoca il prezzo della corrente scendeva di pochi punti percentuali l’anno, e la riorganizzazione delle fabbriche richiese una generazione. Con l’intelligenza artificiale le due velocità si sono separate: il costo della tecnologia si divide per tredici ogni anno, mentre la riorganizzazione procede con i tempi delle persone, delle procedure e delle norme.
In una pubblica amministrazione il vincolo principale si è spostato in larga parte dalla spesa alla capacità di ridisegnare i procedimenti, e una politica dell’innovazione efficace investe più nelle competenze interne, nella revisione dei processi e nella misurazione dei risultati che nell’acquisto di licenze, il cui costo unitario la curva di Epoch provvede comunque a ridurre.
Il vantaggio nasce dall’uso, non dal prezzo
Nella ricostruzione di David il vantaggio dell’elettrificazione venne dal modo di usare la corrente, più che dal suo prezzo. Con un costo del ragionamento automatico che si dimezza quasi a ogni trimestre, la stessa selezione tende a compiersi in tempi molto più brevi, e a separare le amministrazioni e le economie che avranno riorganizzato il lavoro attorno a un’intelligenza sempre più economica da quelle che l’avranno inserita in procedure rimaste identiche.
Partecipa alla community