Il costo dell’AI crolla: perché la strategia pubblica va riscritta

Una caduta dei prezzi senza precedenti

Il 22 settembre Epoch AI ha pubblicato il report The plunging price of thought, che evidenzia una diminuzione del 47 % a trimestre del costo dell’intelligenza artificiale. In termini pratici, il prezzo si riduce di un fattore 13 in un anno, superando di gran lunga la velocità di svalutazione di tecnologie tradizionali quali l’elettricità, il sequenziamento del DNA, la potenza di calcolo o le batterie al litio.

Come è stata misurata la riduzione

Gli autori Luke Emberson e David Roodman hanno adottato la cosiddetta “frontiera di Pareto”, valutando il costo per compito: la spesa media necessaria a rispondere a una domanda di benchmark. Per ogni livello di punteggio è stato individuato il modello più economico disponibile in quel momento.

I benchmark includono cinque test, dal calcolo matematico alla scienza di livello dottorale, fino a un gioco segreto concepito per evitare che i laboratori addestrino i modelli sui test più noti. Il caso più leggibile è l’esame scientifico GPQA Diamond, dove il modello GPT‑5.6 “Lunalo” ha raggiunto un costo di 0,04 centesimi di dollaro per domanda, rispetto a 0,30 centesimi per GPT‑3 nel 2025, una riduzione di 725 volte.

Misurando i prezzi in punti logaritmici, il report mostra che il prezzo dell’inferenza cala quattro volte più velocemente del sequenziamento del DNA, sei volte più della potenza di calcolo, diciotto volte più delle batterie al litio e cinquantacuattro volte più dell’elettricità domestica negli Stati Uniti tra il 1892 e il 1973.

Limiti e avvertenze dei dati

Gli autori sottolineano che i benchmark sono un indicatore imperfetto. I laboratori possono ottimizzare i modelli sui test più noti, e la serie copre appena tre anni. Uno studio di Gundlach e colleghi, considerato più completo da Epoch, suggerisce una riduzione tra cinque e dieci volte l’anno, confermando comunque una velocità di svalutazione molto più elevata rispetto a qualsiasi altra tecnologia.

Inoltre, il modello di “acquirente ideale” ipotizzato dal report prevede il passaggio immediato al modello più conveniente, mentre nella realtà le organizzazioni cambiano modello raramente e mantengono contratti pluriennali.

Il Codice dei contratti pubblici di fronte alla nuova realtà

L’articolo 60 del Codice dei contratti pubblici prevede una revisione dei prezzi quando il costo varia oltre il 5 %, riconoscendo l’80 % dell’eccedenza. Questa soglia è calibrata su indici ISTAT (prezzi al consumo, prezzi alla produzione, retribuzioni) e funziona per fattori produttivi tradizionali.

Con un decremento del 47 % a trimestre, la componente di inferenza di un servizio supera il 5 % in poche settimane, rendendo i meccanismi attuali insufficienti. Il comma 4‑ter consente di agganciare la revisione a indici settoriali specifici; un “indice pubblico del costo per compito”, costruito con metodologie analoghe a quelle di Epoch, potrebbe colmare questa lacuna.

Strategie contrattuali consigliate

Per adeguare gli appalti pubblici alla rapida svalutazione dell’AI, si propongono le seguenti misure:

• Durate brevi o rinegoziabili per la componente di inferenza, con clausole di revisione trimestrale.
• Corrispettivi legati al compito svolto anziché al volume di token, in modo da riflettere il valore reale fornito.
• Prove di prestazione periodiche su scenari reali dell’amministrazione, per verificare la continuità delle capacità richieste.
• Accordi quadro con riapertura del confronto competitivo, inseriti fin dalla fase di gara.
• Clausole di rinegoziazione previste dall’articolo 9 per contratti particolarmente esposti a sopravvenienze.
• Sostituibilità dell’architettura, ossia la possibilità di cambiare modello senza riscrivere l’intero servizio.

Implicazioni per la politica industriale

La doppia dinamica descritta dal report evidenzia che, mentre il modello di frontiera si svaluta rapidamente, i fattori a monte – semiconduttori, energia, competenze specializzate – diventano più scarsi e più costosi. Una strategia europea basata esclusivamente sulla capacità di produrre modelli di frontiera rischia di ignorare queste dipendenze strutturali.

Il valore strategico dell’AI dovrebbe quindi spostarsi dalla produzione di modelli a breve vita verso lo sviluppo di infrastrutture proprie (chip, data center, energia rinnovabile) e di competenza specialistica capace di mantenere la sovranità digitale.

Il ruolo dei modelli aperti

Il report evidenzia che, vicino allo stato dell’arte, la competizione di prezzo più intensa si è verificata tra modelli chiusi. Tuttavia, in un caso il modello più economico era aperto, scaricabile ed eseguibile da chiunque, suggerendo che la pressione dei modelli aperti possa alimentare indirettamente la concorrenza.

Per l’Europa, il valore di un modello aperto non è primariamente il prezzo, ma la capacità di far girare l’intelligenza artificiale su infrastrutture proprie, sotto regole proprie. Man mano che il costo d’uso si avvicina a quello di una commodity, l’utilità strategica dei modelli aperti aumenta sensibilmente.

AI Act e la nuova realtà dei costi

L’AI Act individua i modelli di uso generale a rischio sistemico anche attraverso una presunzione legata alla scala dell’addestramento: l’articolo 51 scatta quando il calcolo cumulato supera certe soglie. Con la rapida riduzione dei costi di inferenza, le soglie attuali rischiano di diventare poco significative, poiché il costo di utilizzo scende più velocemente della capacità di calcolo impiegata.

È necessario, quindi, rivedere le metriche di rischio dell’AI Act, includendo parametri dinamici che tengano conto della velocità di deprezzamento dei servizi di infer