L’ultima operazione di finanziamento di OpenAI illustra un cambio di tono nel settore: gli investitori chiedono ora all’intelligenza artificiale un modello economico sostenibile e un valore misurabile, laddove finora bastava la promessa tecnologica. Secondo l’analisi pubblicata, questa svolta potrebbe essere favorevole al futuro dell’IA.
OpenAI ha raccolto 11 miliardi di dollari in una prima chiusura di finanziamento, mentre la sua ambizione iniziale puntava a un importo fino a 30 miliardi di dollari. La sua valutazione risulta di circa 1.250 miliardi di dollari, al di sotto degli obiettivi inizialmente previsti. Queste cifre restano considerevoli, ma è ora il divario tra ambizioni e realtà a richiamare l’attenzione.
L’azienda che ha contribuito a innescare la rivoluzione mondiale dell’IA generativa constata che l’entusiasmo tecnologico non basta più a garantire un accesso illimitato al capitale. Bisogna vedere in questo l’inizio dello scoppio di una bolla? L’autore non lo ritiene «necessariamente». Vi vede piuttosto il passaggio da un’economia della promessa a un’economia della prova, una transizione che non riguarda solo OpenAI.
Progresso tecnologico, adozione e creazione di valore
Dall’arrivo di ChatGPT, l’industria avanza a una velocità eccezionale. I modelli guadagnano in prestazioni, le capacità multimodali progrediscono e gli agenti sanno utilizzare strumenti, produrre codice ed eseguire sequenze di azioni complesse. Questi progressi sono innegabili, ma si è insediata una confusione: si considera che l’aumento delle capacità tecniche comporti meccanicamente una creazione di valore proporzionale.
Un modello più intelligente non è necessariamente più redditizio, e una tecnologia ampiamente adottata non è per forza sostenibile economicamente. Il numero di utenti, il volume di token consumati (unità di testo elaborate da un modello) o il numero di agenti distribuiti sono indicatori di attività. Da soli, non dimostrano la creazione di valore.
Un’organizzazione può moltiplicare le sperimentazioni e constatare guadagni di produttività individuali senza un miglioramento notevole dei suoi risultati operativi. Il tempo risparmiato da uno sviluppatore non accelera automaticamente la messa in produzione, e un agente che automatizza dieci compiti non crea necessariamente valore se il processo globale resta invariato. Come riassume l’autore: «Abbiamo imparato a misurare ciò che l’IA produce. È ora di misurare ciò che trasforma.»
Il paradosso economico dell’IA
Da un lato, il costo d’uso di molte capacità di inferenza (far funzionare un modello già addestrato) diminuisce grazie alle ottimizzazioni hardware, software e architetturali. Dall’altro, la corsa ai modelli all’avanguardia richiede investimenti importanti nelle infrastrutture, nell’energia, nei data center e nella capacità di calcolo. Ogni unità di elaborazione diventa meno costosa, ma le spese necessarie per restare competitivi aumentano.
Gli investimenti non garantiscono nemmeno una differenziazione duratura. I modelli concorrenti progrediscono, le alternative open guadagnano in prestazioni e le aziende imparano a orchestrare più modelli in base alle loro esigenze e ai loro costi. Dove si troverà il valore, nei modelli, nelle infrastrutture, nelle piattaforme o nella trasformazione dei processi aziendali? L’autore ritiene che si sposterà progressivamente verso quest’ultima dimensione, senza far scomparire il valore degli altri strati.
Per le aziende utilizzatrici, la necessità di misurare i risultati si accompagna a un’esigenza di flessibilità. La loro strategia non deve dipendere interamente da un unico fornitore, e devono conservare la capacità di cambiare modello, di controllare i propri dati e di seguire i propri costi. La prima fase della rivoluzione dell’IA ha consistito nel rendere questa tecnologia accessibile a tutti; la seconda dovrà dimostrare che può creare un valore economico sostenibile.
