Quanti parametri possiede il modello? Ogni nuova generazione sembrava dover essere semplicemente più grande della precedente, alimentando una competizione miliardaria tra OpenAI, Google, Anthropic, Meta, Alibaba e DeepSeek per costruire reti neurali sempre più estese e costose da addestrare. Oggi quella narrazione sta mostrando i suoi limiti. Gli ultimi risultati ottenuti da DeepSeek, Alibaba e dalla ricerca accademica suggeriscono che il vantaggio competitivo non dipende più principalmente dalla dimensione del modello, ma da ciò che accade dopo il pretraining. Il vero campo di battaglia si chiama post training, e potrebbe rappresentare il cambiamento più importante dell’industria dell’AI dopo l’introduzione dei modelli transformer.
DeepSeek ne ha offerto una dimostrazione concreta con V4-Flash, una variante che, pur mantenendo sostanzialmente la stessa scala del modello di punta V4-Pro, riesce a superarlo nei benchmark dedicati agli agenti intelligenti. Il dato più interessante non è tanto il miglioramento delle prestazioni quanto la sua origine. Non si tratta di un modello gigantesco costruito con più GPU o con un dataset radicalmente diverso. Il salto deriva da un nuovo processo di addestramento successivo al pretraining, che comprende tecniche di reinforcement learning, ottimizzazione del comportamento, miglior gestione del ragionamento e maggiore efficienza nell’utilizzo delle conoscenze già apprese. È una dimostrazione che il software sta tornando a prevalere sull’hardware, almeno in parte, e che la qualità dell’ottimizzazione può valere più di miliardi di parametri aggiuntivi.
La stessa direzione emerge dal lavoro di Alibaba. Il nuovo Qwen3.8-Max è stato sottoposto a una prova molto diversa dai tradizionali benchmark. Invece di risolvere una serie di esercizi isolati, il modello ha sviluppato codice in maniera autonoma per dieci giorni consecutivi, correggendo errori, pianificando modifiche, mantenendo memoria del progetto e adattandosi ai risultati ottenuti durante il processo. È un cambiamento sostanziale nel modo di valutare l’intelligenza artificiale. I benchmark tradizionali misurano la capacità di rispondere correttamente a una domanda. Gli agenti del futuro saranno invece giudicati dalla loro resistenza operativa, dalla capacità di lavorare per giorni o settimane senza perdere coerenza, proprio come farebbe un team di sviluppatori.
Anche la ricerca scientifica contribuisce a demolire alcuni miti consolidati. Un recente studio ha dimostrato che l’introduzione di un semplice ciclo iterativo, un normale for loop, nel processo di generazione delle immagini può aumentare fino a sei volte l’efficienza del sistema. La scoperta è interessante proprio perché non richiede nuovi modelli né hardware più potente. Il miglioramento nasce da una diversa organizzazione dell’inferenza, nella quale il modello riutilizza progressivamente le informazioni prodotte nelle iterazioni precedenti invece di ripartire ogni volta da zero. Ridurre il numero di passaggi necessari significa abbassare i costi energetici, diminuire la latenza e aumentare il numero di richieste che un’infrastruttura può gestire a parità di GPU.
Questi esempi raccontano una trasformazione più profonda di quanto possa apparire. L’industria dell’AI sta entrando in una fase nella quale il valore economico si sposta dall’addestramento iniziale all’ottimizzazione continua. Il pretraining rimane indispensabile, ma rischia di diventare sempre più una commodity riservata a pochi operatori con enormi risorse computazionali. Il vero vantaggio competitivo si costruisce successivamente, attraverso tecniche di reinforcement learning, distillazione, ottimizzazione delle policy, memoria persistente, gestione degli agenti e algoritmi di inferenza sempre più sofisticati.
Dal punto di vista industriale questa evoluzione ha implicazioni enormi. Se le prestazioni possono crescere senza aumentare la dimensione del modello, anche il costo marginale dell’innovazione diminuisce. Le aziende non saranno più costrette a investire esclusivamente in giganteschi cluster di GPU per competere. Potranno differenziarsi sviluppando pipeline di post training più efficaci, algoritmi di ottimizzazione migliori e sistemi di orchestrazione degli agenti più intelligenti. È un cambiamento che potrebbe favorire nuovi protagonisti, proprio come DeepSeek ha dimostrato negli ultimi mesi, mettendo in discussione il vantaggio storico dei laboratori statunitensi.
Questa dinamica ricorda da vicino l’evoluzione dei microprocessori. Per molti anni la competizione si basava quasi esclusivamente sull’aumento della frequenza di clock. Quando i limiti fisici hanno reso quella strada sempre meno sostenibile, l’innovazione si è spostata sull’architettura, sulle cache, sul parallelismo e sull’efficienza energetica. L’intelligenza artificiale sembra seguire una traiettoria sorprendentemente simile. Dopo una fase dominata dalla crescita dei parametri, l’attenzione si concentra ora sulla qualità dell’architettura software e sull’intelligenza dei processi di ottimizzazione.
La conseguenza più interessante riguarda anche gli investimenti. Per oltre due anni il mercato ha premiato quasi esclusivamente chi possedeva più GPU e costruiva data center sempre più grandi. Quelle infrastrutture continueranno a essere fondamentali, soprattutto per il pretraining dei modelli di frontiera, ma il valore potrebbe progressivamente spostarsi verso chi riuscirà a utilizzare in modo più efficiente la potenza di calcolo disponibile. In un settore in cui ogni punto percentuale di efficienza può tradursi in milioni di dollari risparmiati, un miglior algoritmo può avere un impatto economico superiore all’acquisto di migliaia di acceleratori aggiuntivi.
L’hype dell’AI ci ha abituati a identificare il progresso con numeri sempre più grandi. Più parametri, più token, più GPU, più miliardi investiti. La realtà tecnologica, come spesso accade, è meno spettacolare ma molto più interessante. Il futuro potrebbe appartenere non ai modelli più grandi, bensì a quelli addestrati meglio, ottimizzati con maggiore intelligenza e capaci di trasformare la stessa quantità di calcolo in risultati superiori. Se questa tendenza verrà confermata nei prossimi mesi, il post training non sarà soltanto una fase del ciclo di sviluppo, ma diventerà il principale terreno di competizione dell’intera industria dell’intelligenza artificiale.