TL;DR: l’AI entra nella fase dei conti. Microsoft porta Azure oltre 100 miliardi di dollari annui e supera 30 milioni di licenze Copilot; Meta aumenta ricavi e spesa, ma comprime il cash flow; GitHub spegne Models e sposta gli utenti verso servizi più strutturati. Per PMI e professionisti il criterio non è più “quale modello?”, ma quale risultato resta dopo costi, dipendenze e manutenzione.

Le notizie del 29 e 30 luglio raccontano la stessa transizione da tre angoli diversi. L’adozione AI diventa misurabile, l’infrastruttura pesa sui bilanci e i servizi sperimentali vengono consolidati o chiusi. La demo continua a essere facile. Tenere in produzione un workflow utile, invece, richiede numeri e un piano di uscita.

Microsoft mostra due ricavi, non una promessa

Nei risultati del quarto trimestre fiscale pubblicati il 29 luglio, Microsoft ha dichiarato 90 miliardi di dollari di ricavi trimestrali, in crescita del 18% su base annua. Azure ha superato per la prima volta 100 miliardi di ricavi nell’anno fiscale, mentre Microsoft 365 Copilot ha oltrepassato 30 milioni di licenze a pagamento. I ricavi di Azure e degli altri servizi cloud sono cresciuti del 43% nel trimestre.

Il segnale interessante non è la dimensione assoluta. Microsoft sta monetizzando sia l’infrastruttura sia l’applicazione sopra l’infrastruttura. Questo rende più credibile la spesa AI, ma crea anche un incentivo forte a legare identità, dati, agenti e fatturazione allo stesso stack. Per una PMI la comodità ha valore; va però misurata insieme al costo di uscita.

Meta fa vedere quanto costa costruire la capacità

Meta ha riportato ricavi trimestrali per 60,8 miliardi di dollari, il 28% in più rispetto a un anno prima. Nello stesso periodo i costi e le spese sono saliti del 55% a 42,03 miliardi. Gli investimenti in capitale, inclusi i pagamenti principali dei leasing finanziari, sono stati 31,08 miliardi; la previsione per l’intero 2026 è ora compresa tra 130 e 145 miliardi.

Il free cash flow del trimestre è sceso a 784 milioni di dollari. Non tutto dipende dall’AI: nei costi sono inclusi 2,4 miliardi per procedimenti legali e 1,18 miliardi per uscite del personale. Il punto resta utile: costruire capacità prima che ogni prodotto la monetizzi assorbe cassa e margine. Chi compra servizi AI non vede direttamente quei data center, ma ne eredita prezzi, limiti e cambi di priorità.

GitHub Models chiude: il prototipo ha una scadenza

Il 30 luglio è anche la data di ritiro definitivo di GitHub Models. Playground, catalogo, inference API ed endpoint BYOK non sono più disponibili, anche per i clienti esistenti. GitHub indica Microsoft Foundry per l’accesso ai modelli e Copilot per i workflow dentro la piattaforma.

La chiusura non dimostra che il servizio fosse inutile. Dimostra che un endpoint comodo non è un’architettura. Se un’automazione WordPress o un processo commerciale dipendono dal provider, bisogna separare almeno configurazione del modello, credenziali, prompt, eval e gestione degli errori. La scelta pratica è la stessa discussa nel confronto tra RAG e fine-tuning per le PMI: il ciclo di vita del fornitore è parte del progetto.

La take operativa: chiedere prove al workflow

Per PMI e professionisti userei una scheda di controllo corta. Primo: costo completo per attività riuscita, non prezzo per token. Secondo: tasso di errori e revisioni umane. Terzo: tempo necessario per cambiare modello o provider. Quarto: dati e log che restano disponibili dopo la migrazione. Se queste quattro risposte non esistono, il progetto è ancora un test, anche se usa un modello di frontiera.

La mia take è netta: nel 2026 il vantaggio non arriva dall’accesso al modello migliore per qualche settimana. Arriva da un workflow che produce un risultato verificabile e sopravvive a un listino, un deprecato o un cambio di piattaforma. La velocità conta. La reversibilità conta di più.

Fonti