Il prezzo per usare un modello AI può scendere mentre il costo per costruire e finanziare l’infrastruttura sale. È la contraddizione emersa nelle ultime ore: i token diventano una commodity, ma memoria, chip e capitale restano risorse scarse. Per una PMI significa che il preventivo dell’API è solo una parte del costo reale.
I token costano meno, anche troppo
Darkbloom usa Mac con Apple Silicon messi a disposizione dai proprietari per eseguire inferenza distribuita. Il progetto ha superato il suo millesimo miliardo di token elaborati, ma ha anche avvertito i partecipanti che i ricavi resteranno bassi. Secondo i dati riportati da The Register, il prezzo medio per milione di token Anthropic rilevato dall’indice di Ramp è passato da 2,65 dollari il 1° maggio a 0,62 dollari il 22 ottobre 2026: un calo del 77%.
La pagina ufficiale di Darkbloom chiarisce però il limite delle stime di guadagno: dipendono da domanda sostenuta, tempo di utilizzo della macchina e capacità del modello. L’hardware inattivo non genera automaticamente un ritorno. Quando l’offerta di inferenza aumenta più velocemente della domanda, il valore si sposta dalla semplice disponibilità di calcolo alla latenza, all’affidabilità e alla distribuzione.
La memoria sposta il costo sui PC
Il secondo segnale arriva da Intel. Il 30 ottobre il titolo ha perso il 28,6%, il peggior calo dal 1974, secondo Associated Press. La previsione per il quarto trimestre ha deluso il mercato nonostante un trimestre migliore delle attese.
Il problema operativo non riguarda soltanto la Borsa. Intel ha indicato per il quarto trimestre ricavi tra 15 e 16 miliardi di dollari, contro attese vicine a 17 miliardi, e ha segnalato pressioni sui budget IT dovute a prezzo e disponibilità della memoria. TechCrunch riporta anche la previsione di margine lordo al 37%, dal 43%, e l’assenza di flusso di cassa positivo nell’anno.
Per chi rinnova notebook, server o workstation, l’AI ha quindi due prezzi: quello visibile del servizio e quello indiretto della capacità assorbita a monte. Un token più economico non compensa automaticamente RAM più cara, cicli di rinnovo anticipati o dipendenza da una singola piattaforma cloud. È lo stesso problema visto analizzando come CPU, SSD e memoria cambiano con l’AI.
Anche il capitale chiede un premio
Il terzo segnale riguarda Anthropic. Il resoconto di TechCrunch sul Financial Times riferisce che Blackstone prevede per la società un rating nell’area double B dopo l’IPO: la fascia più alta del grado speculativo. È una previsione dell’investitore, non un rating già assegnato dalle agenzie; Anthropic e Blackstone non hanno commentato.
Il dettaglio conta perché separa due rischi spesso confusi. La domanda per i prodotti AI può crescere mentre il costo del debito necessario a finanziare chip e data center rimane alto. Modelli più efficienti riducono il costo unitario, ma non eliminano l’esposizione a investimenti pluriennali e capacità acquistata in anticipo.
La regola operativa per PMI e professionisti
Non deciderei tra API cloud e modello locale guardando soltanto il prezzo per token. Serve un costo per workflow completato, misurato su almeno quattro voci: utilizzo del modello, revisione umana, integrazione e capacità hardware. A queste aggiungerei un test di uscita: quanto costa cambiare fornitore o ridurre il carico entro trenta giorni?
- Per un progetto nuovo, partire con capacità variabile e un tetto di spesa.
- Per un workflow stabile, confrontare il costo mensile completo con l’alternativa locale.
- Per acquisti hardware, evitare previsioni basate sui prezzi API di oggi.
- Per contratti annuali, chiedere portabilità dei dati, metriche d’uso ed exit plan.
La notizia utile non è che l’AI costa meno o più di ieri. È che le curve dei costi si stanno separando. Chi misura soltanto i token rischia di ottimizzare la riga più visibile e lasciare fuori quella che bloccherà davvero il budget.