Nel mercato dell'AI enterprise, un fenomeno crescente vede l'ascesa dei modelli open source, come DeepSeek, generare un traffico elevato in termini di token. Tuttavia, questa espansione non ha ancora intaccato significativamente gli introiti delle frontier models, come quelle proposte da Anthropic. Un'analisi del settore suggerisce una complementarità tra i due segmenti: le soluzioni d'avanguardia validano i casi d'uso, che poi migrano verso alternative open source più economiche, senza intaccare la spesa complessiva in modelli avanzati.
Volumi di token e ricavi: un divario significativo
I modelli open source, come DeepSeek V4 Flash, mostrano volumi di elaborazione di token estremamente elevati, raggiungendo circa 5,3 trilioni di token a settimana. In confronto, modelli come Anthropic Opus processano circa 2 trilioni di token. Nonostante questa differenza nei volumi, il divario di prezzo per token è notevole: Anthropic applica circa 1,37 dollari per milione di token, contro i soli 0,06 dollari di DeepSeek, una differenza di circa 23 volte. Questa disparità permette ad Anthropic di mantenere la leadership nei ricavi, pur con un'adozione inferiore in termini di volumi.
Un'economia AI a due livelli
Nel mercato dell'AI enterprise, si sta consolidando un'economia a due livelli.
Le frontier models sono impiegate per la scoperta e la convalida di nuovi casi d'uso, spingendo l'innovazione. Parallelamente, i modelli open source sono utilizzati per la produzione operativa e i carichi di lavoro consolidati. Questo approccio permette alle organizzazioni di innovare con soluzioni all'avanguardia, contenendo i costi operativi grazie ad alternative più leggere ed economiche per le attività di routine.
Pressioni sui costi e la ricerca di sovranità AI
Cresce la frustrazione tra i leader aziendali riguardo al "AI business model trap": i prezzi basati sui token spesso generano costi elevati senza una correlazione diretta con il valore effettivo prodotto. Si critica questa logica, chiedendo modelli di pricing basati sui risultati più legati al valore.
Parallelamente, si intensifica la spinta verso l'"AI sovereignty", ovvero il controllo interno su infrastruttura, modelli e dati, spesso raggiunto tramite soluzioni open source.
L'adozione di modelli open source offre un vantaggio competitivo tangibile. Ad esempio, un agente di business su una piattaforma di messaggistica prevede un prezzo fisso di 2 dollari per milione di token, significativamente inferiore ai circa 50 dollari richiesti da alcuni modelli frontier. Inoltre, un modello cinese si è dimostrato circa il 48% più economico del modello Opus di Anthropic, pur offrendo prestazioni comparabili.
Divergenza tra costi e prestazioni
Ulteriori analisi confermano una marcata divergenza tra le prestazioni e i costi nel settore.
I modelli frontier possono costare fino a 65 volte di più rispetto ai modelli open-weight per specifici task, con un margine di miglioramento spesso marginale. Questa consapevolezza sta portando a un crescente allineamento dei leader aziendali verso modelli di pricing basati sui risultati, piuttosto che sul mero consumo di token. Molte grandi aziende sollecitano un ripensamento dei contratti AI per un valore più tangibile e una maggiore sostenibilità economica.
Prospettive strategiche e il futuro dell'AI enterprise
Il paradigma emergente nel mercato dell'AI enterprise è caratterizzato da un uso combinato di frontier models per l'esplorazione e l'innovazione, e di modelli open source per l'operatività consolidata.
Questo approccio mira a ottimizzare il rapporto tra innovazione e costi. La crescente pressione su pricing e accordi di servizio (SLA) evidenzia una domanda aziendale per risultati concreti, prevedibilità di spesa e controllo tecnologico interno.
Anthropic, pur affrontando una crescente adozione di soluzioni alternative, riesce a mantenere una quota significativa della spesa complessiva, beneficiando di una nicchia di valore percepito. Questo premium positioning è tuttavia sempre più sfidato dai modelli open source e dalla crescente richiesta di governance.
Il contrasto tra volumi di utilizzo e ricavi, tra costi e valore, e tra soluzioni aperte e proprietarie, riflette una fase di maturazione dell'AI enterprise.
L'innovazione deve essere bilanciata con sostenibilità e controllo. I modelli frontier non vengono soppiantati, ma reindirizzati verso nuove funzioni, mentre l'ecosistema AI ridefinisce il valore in base all'efficacia e al costo.
