Il mercato dell’intelligenza artificiale generativa entra in una fase che somiglia sempre meno a una competizione tecnologica e sempre più a una guerra di pricing industriale, con dinamiche che ricordano i cicli estremi delle telecomunicazioni o del cloud nei primi anni della loro maturità. Secondo quanto riportato dal Wall Street Journal, OpenAI starebbe valutando una riduzione significativa dei prezzi per sviluppatori ed enterprise, una mossa difensiva e allo stesso tempo aggressiva, costruita nell’attesa di strategie simili da parte di Anthropic. Sullo sfondo, la dichiarazione di Sam Altman su un futuro in cui il valore aumenterà mentre la spesa diminuirà assume il tono classico delle narrative da ciclo espansivo, proprio mentre i numeri raccontano una realtà meno elegante, con margini operativi rettificati profondamente negativi e una struttura di costo ancora fortemente legata al compute.
Il punto non è più la capacità dei modelli, ma il prezzo marginale dell’intelligenza. Il dato citato dal Wall Street Journal su un margine operativo rettificato del meno centoventidue per cento nel primo trimestre del 2026, se letto senza enfasi retorica, segnala una tensione strutturale tra crescita e sostenibilità economica. In parallelo, la perdita di quota di traffico globale di ChatGPT rispetto all’ecosistema generativo complessivo indica che la leadership di mercato non è più un vantaggio statico ma una variabile continuamente contestata. La compressione competitiva si riflette anche nei flussi di spesa enterprise, dove secondo vari indici di procurement AI più aziende stanno progressivamente allocando budget verso Anthropic rispetto a OpenAI, segnale che la scelta del modello non è più ideologica ma ottimizzazione di costo per unità di output.
La trasformazione più rilevante però non riguarda i singoli player, ma la struttura del mercato dei token. L’emergere di una domanda enterprise definita “tokenmaxxing”, ovvero l’utilizzo intensivo e talvolta inefficiente di capacità di calcolo AI senza un ritorno immediato proporzionale, sta creando una distorsione simile a quella vista nelle prime fasi del cloud computing, quando la scalabilità non era ancora accompagnata da disciplina finanziaria. In questo contesto, realtà come JPMorgan Chase e gruppi industriali globali stanno osservando incrementi di consumo AI difficilmente prevedibili nei modelli di budgeting tradizionali, mentre figure del settore come Alex Karp di Palantir hanno già iniziato a descrivere questa dinamica con linguaggi volutamente provocatori, segnalando una crescente tensione tra utilità percepita e costo reale dell’intelligenza distribuita.
Il vero nodo strategico emerge però nella divergenza tra modelli chiusi e infrastrutture open source. Da un lato, i sistemi proprietari continuano a posizionarsi come asset premium, giustificando prezzi elevati con prestazioni e affidabilità; dall’altro, l’ecosistema open e semi-open, particolarmente accelerato dai laboratori cinesi, sta comprimendo drasticamente il costo dell’inferenza. L’argomentazione secondo cui il costo marginale del modello tende verso lo zero quando l’accesso al modello stesso è gratuito ribalta l’intera logica economica dell’AI as a service. In questo scenario, la crescita di provider di inferenza che ospitano modelli come DeepSeek o Kimi introduce una variabile deflazionistica che rende strutturalmente instabile qualsiasi tentativo di mantenere margini elevati nel lungo periodo.
La conseguenza più rilevante di questa dinamica è che la competizione tra OpenAI e Anthropic non è più soltanto una corsa all’innovazione, ma una battaglia sul controllo della curva dei prezzi in un mercato che tende naturalmente alla commoditizzazione. Le dichiarazioni di leadership, le strategie di prodotto come Codex o Claude Code, e le recenti accelerazioni nei ricavi annualizzati diventano così indicatori di una fase intermedia, in cui la crescita è ancora possibile ma sempre più dipendente da un equilibrio fragile tra capacità di calcolo, prezzi API e adozione enterprise. In termini economici, si sta osservando la transizione da un mercato di scarsità tecnologica a un mercato di abbondanza computazionale, dove il vantaggio competitivo non è più chi costruisce il modello migliore, ma chi riesce a sostenere il costo più basso per unità di intelligenza utile.
In ultima analisi, la traiettoria suggerita dai dati e dalle dichiarazioni pubbliche indica che la pressione sui prezzi non è una scelta tattica ma una conseguenza inevitabile dell’architettura stessa del settore. Se la competizione globale continua a includere attori con strutture di costo radicalmente diverse, come nel caso dei laboratori cinesi open source, allora il prezzo dell’intelligenza tende a convergere verso il basso indipendentemente dalle strategie delle singole aziende. In questo scenario, l’ipotesi di una redditività stabile per i grandi provider occidentali diventa meno una previsione e più un problema di ingegneria finanziaria ancora irrisolto, dove ogni nuova generazione di modelli sposta semplicemente il punto di equilibrio senza mai fissarlo davvero.