Il costo dell’illusione cognitiva
Il modello Sora, sviluppato da OpenAI, è stato rilasciato al pubblico nel novembre 2025 e chiuso dopo sei mesi. Non per problemi di sicurezza, ma per ragioni di sostenibilità operativa. Il sistema generava video di alta qualità con un consumo energetico stimato a 120 megawattora per ogni minuto di output. Questo non è un caso isolato: la stessa architettura che permette descrizioni dettagliate di immagini non viste (mirage reasoning) richiede un consumo di compute che non è più sostenibile per l’infrastruttura esistente. Il fenomeno non è un errore tecnico, ma un sintomo di una tensione strutturale: la capacità di generare contenuti intelligenti è ormai decoupled dalla capacità di eseguirli in tempo reale.
Ne consegue che il paradigma dell’IA non è più quello della competizione tra modelli, ma della competizione tra sistemi di calcolo. Il modello più sofisticato non vince se non può essere eseguito. In altri termini, l’efficienza di inferenza, non la complessità del modello, determina la scalabilità. Questo implica che la vera frontiera dell’innovazione non è nel design dell’algoritmo, ma nel controllo logistico dei chip di calcolo.
Architettura del bottleneck
La scarsità di chip di calcolo è un vincolo fisico, non un problema di mercato. Nvidia detiene attualmente l’80% del mercato globale di GPU per AI, con un lead tecnologico che non è riducibile in meno di tre anni. Questo monopolio crea un colletto di bottiglia: ogni tentativo di sviluppare un modello di inferenza avanzato è condizionato dalla disponibilità di hardware. Il costo di esecuzione di un modello non è più determinato dalla sua complessità, ma dalla sua dipendenza da chip rari.
Un recente studio condotto da Stanford, UC Berkeley, CMU e Microsoft Research ha rilevato che il modello scelto per essere “78% più economico” in termini di prezzo per token può risultare in realtà costoso al 22% in più. Questo fenomeno, chiamato Price Reversal, è causato da un’ottimizzazione fallita: i modelli a basso costo richiedono più iterazioni, più memoria temporanea e più passaggi di inferenza per raggiungere lo stesso risultato. Il costo effettivo non è nel prezzo listino, ma nel consumo di compute durante l’esecuzione. La conseguenza operativa è che l’efficienza di inferenza non è una metrica secondaria, ma il fattore decisivo per la sostenibilità economica.
La simbiosi imperfetta tra tecnologia e potere
“Inference compute will shape AI’s future”, ha dichiarato Mustafa Suleyman, CEO di Microsoft AI. La frase non è un’opinione, ma un’osservazione di mercato: chi controlla il flusso di chip controlla l’accesso al pensiero sintetico. Il finanziamento di 830 milioni di dollari per il data center di Mistral, che prevede l’acquisto di 13.800 GPU Nvidia, è un esempio di questa dinamica. Il finanziamento è stato ottenuto da un consorzio di banche francesi e internazionali, ma il vero valore risiede nel controllo fisico delle unità di calcolo.
“Frontier models readily generate detailed image descriptions without visual input. We term this phenomenon mirage reasoning.” — Gary Marcus, ricercatore
La citazione rivela una tensione sistemica: i modelli non sono intelligenti, ma simulano intelligenza attraverso pattern. Questa simulazione, tuttavia, richiede un consumo di energia che non è più sostenibile per l’infrastruttura esistente. Il dato rivela una tensione strutturale: l’IA non è limitata dalla sua capacità cognitiva, ma dalla sua dipendenza da risorse fisiche rare. Le aspettative di un’IA autonoma sono incompatibili con la realtà tecnica di un sistema basato su chip di calcolo limitati.
Scenario: il costo del pensiero
Entro il prossimo ciclo elettorale, il costo di esecuzione di un modello di inferenza per un’azienda media sarà superiore al costo di sviluppo. Questo non è un futuro ipotetico: è già in atto. Le aziende che non riescono a ottenere accesso a chip di calcolo a basso costo saranno costrette a ridurre l’uso di modelli di inferenza, anche se questi sono più efficienti. Il costo sistemico non è solo finanziario, ma di accesso al pensiero sintetico.
Chi pagherà questo costo? Non gli utenti finali, ma le aziende che investono in IA. I costi di calcolo non sono più un input, ma un asset strategico. Le decisioni di investimento non saranno più basate sulla qualità del modello, ma sulla capacità di ottenere accesso a chip. Il futuro dell’IA non è quello di un’entità intelligente, ma di un sistema di controllo logistico. Il vero potere non è nel modello, ma nel chip che lo esegue.
Foto di Shubham Dhage su Unsplash
I testi sono elaborati autonomamente da modelli di Intelligenza Artificiale