Il divario che 285 miliardi di dollari non sono riusciti a comprare
C’e’ un numero che dovrebbe togliere il sonno a chiunque abbia investito in OpenAI o Anthropic: gli Stati Uniti hanno speso 23 volte piu’ della Cina in investimenti privati sull’AI nel 2025. 285,9 miliardi di dollari contro 12,4 miliardi. E il divario di performance tra i migliori modelli americani e cinesi? Secondo lo Stanford HAI AI Index 2026, si e’ ridotto a 2,7 punti percentuali.
A maggio 2023, quel divario era tra 17,5 e 31,6 punti. Tre anni e centinaia di miliardi di dollari dopo, e’ un errore di arrotondamento.
DeepSeek V4 Pro totalizza 87 su BenchLM. GPT-5.4 totalizza 88. DeepSeek ammette apertamente di essere indietro rispetto alla frontiera assoluta di “circa 3-6 mesi.” Ma V4 e’ open-weight, ha 1,6 trilioni di parametri, e costa quattro volte meno dei competitor americani. La domanda non e’ se il divario si chiudera’. E’ cosa succede all’intera economia americana dell’AI quando succedera’.
“Copiano i modelli americani” e altre favole
Togliamoci subito un pensiero. La narrativa secondo cui i modelli cinesi di AI sono forti perche’ distillano quelli americani non e’ solo sbagliata. E’ un assurdo matematico, e chiunque la ripeta nel 2026 dovrebbe essere escluso da qualsiasi discussione seria sull’intelligenza artificiale.
Si puo’ fare supervised fine-tuning dagli output di un altro modello? Certo. Puoi far emergere alcune capacita’ latenti, trasferire certi pattern di ragionamento, calibrare la qualita’ delle risposte. Ma pensare di poter ricostruire un modello di frontiera dalle tracce delle API e’ come vedere una manciata di punti su una superficie n-dimensionale e credere di poterla interpolare nella sua interezza. Non si puo’. L’informazione semplicemente non c’e’.
Quello che c’e’, invece, sotto gli occhi di tutti, e’ la ricerca pubblicata da DeepSeek. Paper dettagliati sull’architettura MoE, sulle pipeline di reinforcement learning, sul meccanismo di attenzione piu’ avanzato disponibile pubblicamente. Questa gente non copia i compiti. Scrive il libro di testo.
E qui viene la parte che rende l’accusa di distillazione genuinamente imbarazzante: gli LLM stessi sono una distillazione della conoscenza umana pubblica. Ogni modello americano di frontiera e’ addestrato sullo stesso internet pubblico, sugli stessi libri, sugli stessi paper. Accusare la Cina di distillazione mentre si fa esattamente la stessa cosa con un conto GPU piu’ salato e’, per dirla con garbo, una posizione molto complicata da sostenere.
Il vero motivo per cui la Cina puo’ costruire modelli di frontiera (non e’ complicato)
La risposta e’ dolorosamente semplice. Hanno il talento, la ricetta e la motivazione.
Talento: la Cina ha una popolazione enorme che ha investito massicciamente nell’istruzione tecnica. La pipeline di ricercatori ML e’ gigantesca. Mentre i ricercatori occidentali vengono assorbiti dai laboratori aziendali dove il loro lavoro diventa proprietario, i ricercatori cinesi pubblicano. La Cina ha pubblicato piu’ paper di ricerca sull’AI degli USA nel 2025.
La ricetta: l’architettura Transformer e’ pubblica. Le tecniche di addestramento sono ben documentate. Se guardi DeepSeek V4 e poi guardi GPT-2, non vedi due tecnologie diverse. Vedi un raffinamento dello stesso approccio fondamentale. Non c’e’ nessuna salsa segreta. C’e’ esecuzione.
I limiti sulle GPU come vantaggio: i controlli sull’export americani sui chip Nvidia H100 e A100 hanno costretto i laboratori cinesi a innovare sull’efficienza software. Quel vincolo ha prodotto scoperte nell’ottimizzazione algoritmica che ora beneficiano l’intero ecosistema open-source. A volte il modo migliore per stimolare l’innovazione e’ togliere l’opzione della forza bruta.
I modelli open-weight non sono beneficenza. Sono strategia.
Perche’ la Cina rilascia modelli gratis? Per capirlo, immaginatevi il contrario. Immaginatevi che la Cina non abbia LLM competitivi, come l’Europa.
Le conseguenze sarebbero catastrofiche. Dipendenza totale dall’infrastruttura americana per AI militare, governativa e aziendale. Ogni query sensibile che passa per server americani. Un’emorragia massiccia di capitali, centinaia di miliardi che fluiscono dall’economia cinese a Silicon Valley solo per restare al passo. E un divario di produttivita’ che si accumulerebbe anno dopo anno: se i programmatori del tuo concorrente generano 10.000 righe di codice all’ora con l’assistenza AI e i tuoi ne generano 200, non stai competendo. Stai morendo.
Non avere LLM nazionali sarebbe stata una condanna a morte. La Cina l’ha capito immediatamente.
Ma hanno anche capito che non potevano vendere le API. Gli americani avevano piu’ GPU, il vantaggio del first-mover, e la fiducia del mercato enterprise globale. Quindi la Cina ha fatto l’unica cosa razionale: regalare i modelli, distribuire la conoscenza, e conquistare l’ecosistema.
Il risultato? La famiglia Qwen di Alibaba ha ora 942 milioni di download totali, piu’ del doppio dei successivi otto competitor messi insieme. Non e’ beneficenza. E’ la platform play piu’ riuscita dai tempi di Android.
Il crollo dei costi di 1.000 volte che nessuno ha prezzato
I numeri finanziari sui costi di inferenza degli LLM sono quasi comici per quanto velocemente si sono mossi.
A fine 2022, usare un modello di classe GPT-4 costava circa $20 per milione di token. A inizio 2026, performance equivalenti costano $0,40 per milione di token. Una riduzione di 1.000 volte in tre anni, uno dei cali di costo piu’ rapidi nella storia dell’informatica.
DeepSeek V3.2 costa $0,28 per milione di token in input. GPT-5.2 costa circa $10. Una differenza di prezzo di 35 volte per qualita’ quasi equivalente sulla maggior parte dei task. Per programmazione, matematica e carichi di lavoro generali, i modelli cinesi offrono spesso parita’ qualitativa a 1/15 del costo.
Gartner prevede un altro calo del 90%+ entro il 2030. Un paper accademico pubblicato all’inizio di quest’anno ha identificato una rottura strutturale a maggio 2024: il passaggio dal calo dei prezzi guidato dalla tecnologia (hardware, architettura) al calo guidato dalla competizione (provider che si sottoquotano a vicenda per quota di mercato). Il calo tecnologico ha limiti fisici. Il calo competitivo puo’ spingere i prezzi sotto costo. Che e’ esattamente quello che sta accadendo.
OpenAI brucia. Anthropic corre. Nessuno dei due potrebbe vincere.
Il quadro finanziario dei due principali laboratori AI americani e’ uno studio di contrasti, ma entrambi affrontano la stessa domanda esistenziale.
OpenAI: 900 milioni di utenti, solo il 5,5% paga. Brucia 17 miliardi di dollari l’anno in contanti. HSBC prevede 44 miliardi di perdite cumulative fino al 2028. L’azienda prevede di spendere 121 miliardi in compute nel solo 2028, e non si aspetta di raggiungere il pareggio prima del 2030. Questo non e’ un modello di business. E’ una preghiera.
Anthropic: ora supera OpenAI nei ricavi con 30 miliardi di ARR contro i 24 di OpenAI. Cresciuta 30 volte in 15 mesi. Spende 4 volte meno in training. Genera il 70% in piu’ di ricavi per unita’ di compute. Prevede flusso di cassa positivo entro il 2027.
La divergenza e’ strutturale. OpenAI e’ un’azienda consumer che costruisce prodotti enterprise. Anthropic e’ un’azienda enterprise che ha anche un prodotto consumer. OpenAI regala il 94,5% del suo prodotto e spera che il restante 5,5% copra le spese. Anthropic fa pagare prezzi premium a professionisti che non possono permettersi output scadenti.
Ma ecco la cosa da cui nessuna delle due puo’ scappare: cosa succede quando capacita’ quasi equivalenti costano 1/15 del prezzo? Puoi essere il laboratorio AI americano piu’ efficiente della storia e comunque perdere contro “gratis.”
Entrambe le aziende stanno virando verso i servizi enterprise per sfuggire alla pura commoditizzazione dei modelli. Anthropic ha stretto una partnership con Blackstone, Goldman Sachs e Hellman & Friedman per formare una societa’ di servizi AI. OpenAI ha raccolto 4 miliardi per creare “The Deployment Company.” Stanno entrambe scappando dallo stesso mostro: il giorno in cui vendere accesso API a un LLM sara’ come vendere acqua del rubinetto.
Il mercato azionario e’ in piedi su una botola
Nvidia ha superato i 5 trilioni di dollari di capitalizzazione, piu’ del PIL di ogni paese al mondo tranne USA e Cina. Sei aziende legate all’AI pesano per circa il 30% dello S&P 500. Il settore tech ha emesso 428 miliardi di dollari in obbligazioni nel 2025, in gran parte per capex AI.
E tutto e’ costruito su un finanziamento circolare. Oracle costruisce data center per OpenAI. Nvidia rifornisce Oracle. Nvidia investe in OpenAI. OpenAI ha un accordo con CoreWeave, che ha un accordo con Oracle. Il capitale si mangia la coda, e ogni attore riporta la spesa circolare come crescita dei ricavi.
Michael Burry, l’investitore che ha previsto il crollo immobiliare del 2008, sta accumulando put contro Nvidia. John Higgins di Capital Economics ha identificato qualcosa di ancora piu’ allarmante: non solo una bolla dei prezzi azionari, ma potenzialmente una bolla degli utili. “Potrebbe essercene una nel lato fondamentale delle cose, il che e’ piuttosto raro.” Se gli utili effettivi sono gonfiati dalla spesa circolare nell’ecosistema AI, una correzione non si limiterebbe a riprezzare le azioni. Farebbe crollare i fondamentali.
Il fatto che OpenAI abbia mancato gli obiettivi di crescita a inizio 2026 e’ esattamente il tipo di crepa che potrebbe propagarsi attraverso questa struttura. La Bank of England ha avvertito dei rischi crescenti di una correzione globale dei mercati dovuta alla sopravvalutazione delle aziende tech AI. Quando le banche centrali iniziano a preoccuparsi, dovresti farlo anche tu.
Questa e’ la corsa agli armamenti nucleari della nostra generazione
Entrambe le parti erano obbligate a farlo. Gli USA non potevano non costruire un’industria AI, perche’ restare indietro rispetto alla Cina avrebbe significato subordinazione strategica in capacita’ militare, produttivita’ economica e ricerca scientifica. La Cina non poteva non costruire LLM, perche’ dipendere dall’infrastruttura AI americana sarebbe stata una trappola geopolitica.
Il parallelo con la corsa agli armamenti nucleari sembra forzato finche’ non ci pensi per cinque minuti. La RAND Corporation e l’Atlantic Council lo inquadrano entrambi in questi termini. Entrambe le nazioni sono costrette a investire a prescindere dal ritorno, perche’ l’alternativa, cedere il dominio sull’AI, e’ inaccettabile.
Ma c’e’ una differenza cruciale: gli americani hanno interpretato questa compulsione attraverso il turbocapitalismo. Costruire unicorni, attrarre venture capital, puntare a valutazioni da trilione di dollari. I cinesi l’hanno interpretata attraverso la costruzione di ecosistema diretta dallo stato. Distribuire la tecnologia, democratizzare l’accesso, costruire soft power.
L’approccio americano assume che il vincitore catturi rendite monopolistiche. L’approccio cinese assume che l’AI diventi una commodity e si comporta di conseguenza. Se la tesi della commodity e’ corretta, e tutte le evidenze puntano in quella direzione, una di queste due strategie e’ stata un errore da 285 miliardi di dollari.
E quindi chi vince davvero?
Non OpenAI, a meno che non riescano a passare da “il miglior modello” a “la migliore piattaforma enterprise” abbastanza in fretta. Il loro tasso di combustione del cash e’ un orologio che ticchetta.
Non Nvidia, alle valutazioni attuali. Se l’inferenza diventa una utility commodity, la domanda insaziabile di hardware di training all’avanguardia si appiattisce. La capitalizzazione da 5 trilioni assume scarsita’ permanente. La commoditizzazione e’ l’opposto della scarsita’.
Probabilmente Anthropic, se qualcuno. Hanno costruito il business AI con i ricavi per utente piu’ alti, hanno il posizionamento enterprise piu’ forte, spendono molto meno in training e sono i piu’ vicini alla redditivita’. Ma “probabilmente vince tra gli americani” non e’ la stessa cosa di “vince.”
I veri vincitori sono gli sviluppatori e le aziende ovunque nel mondo. Competizione piu’ commoditizzazione uguale strumenti migliori e piu’ economici per tutti. La domanda “chi ha accesso all’AI?” scompare. La domanda “chi costruisce i prodotti migliori con l’AI?” prende il suo posto.
E l’Europa? L’Europa ha contribuito con Hinton, Bengio, meta’ della ricerca fondamentale dietro al Transformer, e poi ha guardato l’intera industria essere costruita da altri. Nessun modello di frontiera, nessuna grande azienda AI, nessuna posizione strategica. Solo una base clienti molto grande. Non ci meritavamo questo esito, ma l’abbiamo ottenuto comunque. (Ho scritto di piu’ sulla rivoluzione open-weight nella mia analisi di GLM 5.2.)
L’orologio sta ticchettando
Il campo di gioco sta cambiando. Quando cambiano i confini del gioco, chi oggi sembra marginale puo’ trovarsi al centro, e i giganti di oggi possono trovarsi in difficolta’. Gli USA sono avanti oggi. Il momentum appartiene alla Cina. E il divario tra queste due affermazioni si sta chiudendo piu’ velocemente di quanto il mercato azionario abbia prezzato.
I prossimi 18 mesi ci diranno se l’economia americana dell’AI e’ stata un investimento generazionale o un errore generazionale. In entrambi i casi, i modelli stanno diventando una commodity. L’unica domanda rimasta e’ chi si adatta per primo.
Fonti: Stanford HAI AI Index 2026, Council on Foreign Relations, Gartner, RAND Corporation, Atlantic Council, Brookings Institution. Questa analisi e’ stata anche ispirata da un video di Salvatore Sanfilippo (antirez), creatore di Redis, sulla logica strategica dell’approccio cinese all’AI open-weight.