Il dato più interessante della nuova competizione tra modelli generativi non è che GPT-6 Astra abbia vinto una classifica. È che DeepSeek V4.1 Flash gli sia arrivato praticamente alle spalle spendendo una frazione microscopica del budget. Secondo i risultati pubblicati da OpenDesign Arena, GPT-6 Astra ha ottenuto 82,7 punti su 100 nei test dedicati alla progettazione di web app, dashboard, interfacce mobile e landing page, mentre DeepSeek V4.1 Flash si è fermato a 81,2. La distanza è quindi di appena 1,5 punti, pari a circa il 98,2% del punteggio del modello OpenAI. Il dato diventa molto più significativo quando entra in scena il costo: 1,61 dollari per artefatto per Astra contro 0,023 dollari per DeepSeek, vale a dire circa l’1,4% della spesa. In termini brutali, DeepSeek risulta circa 70 volte più economico in questa specifica prova.

OpenDesign Arena non pretende di misurare l’intelligenza artificiale in senso generale, e questa distinzione è essenziale. Il suo test attribuisce 30 punti alla capacità di rispettare effettivamente il brief e 70 alla qualità visuale, valutando elementi come layout, gerarchia, colore e coerenza dello stile. È quindi un benchmark orientato al lavoro concreto del designer digitale, non un esame di matematica, ragionamento scientifico o programmazione generale. La metodologia è interessante proprio perché sposta l’attenzione dalla solita gara a chi ottiene il punteggio più alto su un benchmark astratto alla domanda che interessa realmente a un’azienda: quanto costa produrre qualcosa che possa essere consegnato a un cliente e quanto spesso quel risultato arriva senza doverlo rifare da capo.

Su questo terreno Astra resta davanti, ma non domina. Il modello OpenAI impiega mediamente 11,1 minuti e costa 1,61 dollari per artefatto; V4.1 Flash impiega 5,3 minuti e costa 0,023 dollari. Claude Fable 5.1, il modello Anthropic rilasciato il primo settembre, arriva a 80,3 punti, con 12,8 minuti di elaborazione e un costo stimato di 3,66 dollari per artefatto. Il confronto è particolarmente interessante perché Fable 5.1 non è un modello marginale: Anthropic lo posiziona per ragionamento complesso, coding agentico e attività professionali di lunga durata, con una finestra di contesto da un milione di token e prezzi API di 10 dollari per milione di token in ingresso e 50 in uscita.

Il dettaglio che dovrebbe interessare maggiormente i responsabili IT è però un altro. V4.1 Flash non ottiene il risultato comprimendo semplicemente un modello gigantesco in un pacchetto più piccolo. DeepSeek dichiara un’architettura Mixture-of-Experts da 552 miliardi di parametri, nella quale soltanto una parte relativamente ridotta viene attivata durante l’elaborazione. Il nuovo schema Causal Encoder-Decoder attiva 8 miliardi di parametri per l’input e 16 miliardi per l’output. DeepSeek sostiene inoltre di avere ridotto drasticamente il consumo della KV cache, portandolo a un quarto della generazione precedente per la memoria HBM e a un ottavo per lo storage SSD. È una scelta architetturale che porta la discussione dall’ossessione per il numero totale dei parametri a una metrica molto più concreta: quanti parametri devono effettivamente lavorare per produrre una risposta.

La differenza non è semantica. Nell’economia dell’inferenza, avere un modello enorme non significa necessariamente dover pagare il costo computazionale dell’intero modello per ogni token. La sparse activation permette di utilizzare una capacità complessiva molto elevata mantenendo più contenuto il carico computazionale per richiesta. È una delle ragioni per cui la guerra dei modelli sta progressivamente diventando una guerra sull’efficienza. Il vantaggio competitivo dei prossimi anni potrebbe dipendere meno da chi possiede il modello con più parametri e più da chi riesce a trasformare quei parametri in token utili con il minor consumo possibile di GPU, memoria e tempo.

Anche il concetto di performance cambia quando si introduce il costo. Un modello che ottiene 82,7 invece di 81,2 è migliore sul benchmark; un modello che costa circa 70 volte meno e impiega meno della metà del tempo può però essere economicamente molto più interessante per determinati carichi di lavoro. Non significa che DeepSeek abbia superato Astra. Significa che il vantaggio qualitativo di Astra, in questo particolare test, potrebbe non essere sufficiente a giustificare il differenziale di prezzo per ogni caso d’uso. È esattamente il tipo di problema che i responsabili procurement preferiscono ai proclami sull’AGI: una differenza di 1,5 punti contro una differenza di 70 volte sul conto.

C’è poi un numero che ridimensiona parecchio il titolo trionfale. La delivery rate di DeepSeek V4.1 Flash è stata del 57,7%, contro il 60% di GPT-6 Astra e il 56,7% di Claude Fable 5.1. In altre parole, il benchmark mostra che nessuno dei tre modelli consegna sistematicamente un risultato pronto all’uso. Astra è davanti anche su questo parametro, seppure di poco. La differenza tra un output tecnicamente funzionante e un artefatto realmente consegnabile resta quindi un problema aperto. Il 98% della qualità media non significa 98% della probabilità di ricevere un prodotto finito.

La stessa cautela vale per la struttura del test. OpenDesign Arena assegna zero a un output che non riesce a produrre una pagina funzionante e non lo sottopone a un secondo tentativo; inoltre, i costi pubblicati sono stime calcolate sulla base dell’utilizzo di token e dei prezzi, non costi contabili certificati. Un’azienda che confrontasse direttamente questi numeri con il proprio conto AWS, Azure o con una piattaforma proprietaria rischierebbe quindi di confondere una misura sperimentale con un business case. Anche il risultato medio può nascondere differenze importanti tra scenari: analisi indipendenti dei dati dell’arena indicano, per esempio, che in alcune categorie V4.1 Flash può comportarsi diversamente dalla media complessiva.

La notizia strategica, tuttavia, rimane intatta. DeepSeek sta dimostrando ancora una volta che la competizione cinese non deve necessariamente vincere costruendo il modello più costoso o spendendo più capitale occidentale per ogni token. Può competere attraverso architetture sparse, ottimizzazione dell’inferenza, compressione della memoria, reinforcement learning e una disciplina quasi industriale sul costo computazionale. Il modello V4.1 Flash è stato presentato da DeepSeek proprio come il più piccolo della nuova famiglia architetturale, ma con l’ambizione di offrire capacità superiori, maggiore velocità e throughput più elevato. Reuters ha collegato il lancio anche alla preparazione della società a una possibile quotazione sul mercato STAR di Shanghai, aggiungendo una dimensione finanziaria a una competizione che ormai è chiaramente diventata industriale.

Per OpenAI il risultato non rappresenta una sconfitta tecnica, almeno non secondo questo benchmark. GPT-6 Astra resta primo e OpenAI lo ha presentato il 3 settembre come il proprio modello più capace ampiamente distribuito, con risultati di vertice anche in computer use, software engineering e altre attività professionali. Il problema è economico: quando un concorrente arriva a pochi punti di distanza in una mansione concreta e contemporaneamente dimezza i tempi e riduce il costo di circa due ordini di grandezza, il vantaggio del modello premium deve essere giustificato da qualcosa di più di una leaderboard.

È probabilmente questo il passaggio più importante della nuova fase dell’AI. La domanda non sarà più semplicemente quale modello sia il più intelligente, perché quella metrica da sola interessa soprattutto chi costruisce classifiche e presentazioni per gli investitori. Le imprese dovranno scegliere quale modello massimizza il rapporto tra qualità, affidabilità, latenza, costo di inferenza, privacy, disponibilità e possibilità di esecuzione infrastrutturale. In questa prospettiva, DeepSeek V4.1 Flash non ha bisogno di battere GPT-6 Astra. Gli basta rendere economicamente difficile spiegare perché, per una determinata classe di lavori, un’azienda dovrebbe pagare 70 volte tanto per ottenere 1,5 punti in più.

La Silicon Valley ha passato anni a convincere il mercato che la frontiera dell’intelligenza artificiale coincidesse con modelli sempre più grandi, GPU sempre più numerose e fatture energetiche degne di una piccola nazione. DeepSeek sta riportando brutalmente la conversazione sulla produttività. È un terreno meno spettacolare, ma molto più pericoloso per chi vende infrastruttura AI a prezzo premium: quando la qualità si avvicina abbastanza, il costo torna a essere una tecnologia competitiva. E il CFO, contrariamente a quanto talvolta sembra nelle conferenze sull’AI, sa ancora fare una divisione.