In cima alla lista: come la fuga dell'intelligenza artificiale dalla trappola delle materie prime mette a rischio il lock-in aziendale

Di Arvind Narayanan e Akash Kapur

Il nostro obiettivo in questo saggio è andare oltre il dibattito sul fatto se l'intelligenza artificiale sia una bolla. Lo facciamo in due modi: separando chiaramente gli attuali aspetti finanziari dalla questione di chi acquisirà valore nel lungo periodo e riconoscendo che i laboratori non si limitano a essere fornitori modello. Possono migrare verso l'alto nello stack e lo stanno già facendo in modo aggressivo. Ciò probabilmente consentirà loro di sfuggire alla trappola delle materie prime, ma solleva nuove preoccupazioni: la dipendenza dei clienti e la riduzione della concorrenza.

Akash Kapur è visiting fellow a Princeton e senior fellow a New America. Non ha alcuna relazione con Sayash Kapoor.

Mentre le principali aziende di intelligenza artificiale continuano a investire massicciamente in capacità e a correre verso IPO di successo, permangono seri interrogativi sui loro modelli di business. In che modo queste aziende, insieme al vasto ecosistema di produttori di chip, hyperscaler e partner infrastrutturali che dipendono da loro, recupereranno i 4-8 trilioni di dollari stimati che verranno investiti nell'infrastruttura IA entro l'inizio degli anni '30?

La conversazione attuale si divide tra critici e sostenitori. I critici sottolineano le crescenti perdite, il divario tra spese di capitale e entrate e i rapporti sull’enorme consumo di denaro dei principali laboratori. I promotori citano la rapida crescita accelerata dei ricavi, l'adozione da parte delle imprese e traguardi come il primo trimestre redditizio di Anthropic. Ogni campo ha un punto valido. Ma entrambi guardano nel posto sbagliato: le stesse dichiarazioni trimestrali, la stessa visione a breve termine di un settore che rimane in continuo cambiamento.

Negli ultimi mesi abbiamo riflettuto sulla natura e sulla sostenibilità del business dell'intelligenza artificiale e siamo arrivati ​​a un punto diverso rispetto alla maggior parte dei commenti esistenti. Oggi le aziende di intelligenza artificiale guadagnano gran parte delle loro entrate addebitando l’inferenza, ma le condizioni dell’inferenza di frontiera rendono questo business insolitamente difficile da mantenere. I modelli sono in gran parte indifferenziati, i principali laboratori operano con strutture di capitale simili, i costi di passaggio sono bassi e i prezzi possono essere adeguati liberamente. Tutto ciò sembra creare le condizioni per una trappola delle materie prime che porrebbe sfide reali al compito di creare attività ad alto margine o addirittura redditizie.

Allo stesso tempo, riteniamo che il settore rimanga in una fase di transizione e che la sua struttura apparirà molto diversa una volta maturata. Basandosi sia sull’evidenza storica che sulla teoria economica, sosteniamo che la concorrenza in questo equilibrio probabilmente spingerà il prezzo dell’inferenza del modello verso il costo marginale di produzione dei token, lasciando poco spazio per profitti durevoli a livello del modello. Ciò non significa, tuttavia, che il business dell’intelligenza artificiale sia di per sé impraticabile. La stessa analisi suggerisce un percorso da seguire per i laboratori di intelligenza artificiale e porta all'argomento centrale del nostro articolo:

Il percorso più probabile dei laboratori verso una redditività duratura non passa attraverso gli strati fondamentali (chip, data center, modelli) che finora hanno rappresentato la maggior parte degli investimenti, ma più in alto, attraverso un mix di integrazione verticale, implementazioni aziendali integrate e la costruzione deliberata di costi di passaggio e altri "fossati".

Le strategie dei laboratori per acquisire valore scalando la classifica, molte delle quali prese in prestito dal manuale del software aziendale, sono già iniziate. Al di là della sostenibilità dell’attuale ecosistema dell’intelligenza artificiale, sollevano questioni di più ampia preoccupazione sociale, riguardanti la concorrenza, l’innovazione e la distribuzione complessiva del potere economico e politico. Finora il dibattito pubblico sull’intelligenza artificiale è stato caratterizzato da una dicotomia alquanto paradossale: ansia per la concentrazione monopolistica e il potere di mercato in fuga, ma una realtà di bassi costi di cambiamento e modelli relativamente intercambiabili che sembra smentire tali paure. Ma se abbiamo ragione nel ritenere che i laboratori si sposteranno sempre più in alto, allora vale la pena prendere sul serio le preoccupazioni sulla concentrazione e sulla concorrenza ora, piuttosto che dopo che gli effetti del lock-in iniziano a materializzarsi. Ritorneremo su queste questioni più ampie nella conclusione e in un prossimo articolo che approfondirà molti degli argomenti trattati in questo post.

Analisi storica: il livello dell'infrastruttura non riesce assolutamente a catturare il valore che crea

Il framework AI as Normal Technology si impegna a trarre insegnamenti, ove applicabile, dalle tecnologie trasformative del passato. Riteniamo che l’intelligenza artificiale sia soggetta a molte delle stesse dinamiche legate agli investimenti, alla concorrenza e all’acquisizione di valore che hanno plasmato le precedenti ondate di innovazione tecnologica. Nell'ambito della nostra ricerca, abbiamo quindi esaminato il mistero dell'acquisizione del valore dell'intelligenza artificiale e la probabile risposta dei laboratori ad esso, attraverso una lente storica più ampia.

Abbiamo esaminato sei esempi storici di settori infrastrutturali ad alta intensità di capitale (ferrovie, elettricità, telecomunicazioni e fibra, cloud computing, produzione di semiconduttori e aviazione commerciale). Riteniamo che l’intelligenza artificiale oggi abbia molte caratteristiche simili a quelle infrastrutturali: massicci requisiti di capitale; basso costo marginale; un prodotto di base che è in qualche modo disaccoppiato dalle applicazioni che in definitiva creano valore. Ciò rende le infrastrutture un settore notoriamente difficile in cui operare.

Ma allo stesso tempo, l'intelligenza artificiale è un software e il business del software è stato storicamente redditizio, con margini eccezionalmente elevati. L’industria ha ambizioni di margine sul software. Pertanto, abbiamo anche esaminato le strategie di valore aggiunto e di lock-in del software come servizio e analizzato se l’intelligenza artificiale può replicarle. La nostra tesi è che la sostenibilità e la cattura di valore delle aziende di intelligenza artificiale dipendono in gran parte dal successo con cui riescono a migrare dal primo gruppo di proprietà infrastrutturali verso le seconde proprietà software aziendali.

In generale, dalla nostra analisi storica abbiamo identificato tre lezioni istruttive per l'intelligenza artificiale. Innanzitutto, i fornitori di infrastrutture raramente acquisiscono il valore che creano. Nel settore ferroviario, elettrico, delle telecomunicazioni e delle compagnie aeree, le aziende che hanno creato capacità sono finite in concorrenza, regolamentate o mercificate con margini ridotti. In molti casi, furono completamente distrutti. Durante lo sviluppo delle telecomunicazioni e della fibra alla fine degli anni ’90, la capacità è esplosa di 186.000 volte in sette anni, i prezzi sono crollati e circa 2 trilioni di dollari di capitalizzazione di mercato sono stati cancellati. Il valore generato dall’infrastruttura è andato principalmente alle industrie e alle applicazioni costruite su di essa. L'aviazione commerciale ha distrutto il capitale degli investitori per ottant'anni, perché i margini netti tipici sono del 2-4%, spesso inferiori al costo del capitale, anche se aziende di ogni tipo hanno beneficiato di un'economia globalizzata.

Crediamo che l'intelligenza artificiale, almeno nella sua attuale forma hyperscaler, rischi di cadere nella stessa trappola delle materie prime che ha tormentato tanti precedenti costruttori di infrastrutture. Carlota Perez ha teorizzato il fenomeno paradossale secondo cui i costruttori che creano infrastrutture durante il “periodo di installazione” raramente sopravvivono per catturare il valore creato.

In secondo luogo, il software aziendale non è soggetto a questo modello e sfugge alla trappola attraverso una serie di meccanismi specifici e riproducibili. Laddove le società di infrastrutture hanno faticato, il software aziendale ha sostenuto margini lordi del 75% o più per decenni. Lo fa combinando tre proprietà che mancano alle aziende infrastrutturali: costo marginale di riproduzione pari a zero, costi di cambiamento profondi e valore non effimero che consente di ammortizzare i costi fissi di costruzione nel corso di decenni. Le strategie di lock-in dei laboratori di intelligenza artificiale sono meglio intese come tentativi di importare queste proprietà strutturali del software nell'intelligenza artificiale.

Infine, due eccezioni parziali rivelano cosa potrebbe servire all'IA per battere le probabilità storiche. Due aziende infrastrutturali – il cloud computing e la fabbricazione di chip – sono riuscite a sfuggire alla trappola delle materie prime. Il cloud ha acquisito proprietà simili al software (blocco dei servizi gestiti, tariffe di uscita, accordi di spesa impegnata) e TSMC ha raggiunto una posizione quasi monopolistica nella fabbricazione all'avanguardia. Questi casi sono importanti perché mostrano cosa richiede effettivamente la fuga dalla trappola delle merci. Le industrie ad alta intensità di capitale possono sostenere margini durevoli, ma solo diventando software funzionalmente o raggiungendo la concentrazione del mercato.

Perché riteniamo che l'addebito dell'inferenza del modello non consentirà di recuperare gli investimenti infrastrutturali

Come notato, i critici dello sviluppo dell'intelligenza artificiale sottolineano le perdite attuali dei laboratori e gli incentivi ai primi profitti, ma entrambi stanno commettendo lo stesso errore: confondere il periodo di transizione con l'equilibrio. Siamo ancora nei primi anni della trasformazione dell’economia basata sull’intelligenza artificiale e l’estrapolazione ingenua è errata. In equilibrio, sia il lato della domanda che quello dell'offerta appariranno molto diversi rispetto a oggi.

Alcuni esempi delle fortune altalenanti dei laboratori di intelligenza artificiale finora: una massiccia e speculativa costruzione di infrastrutture che era probabilmente in anticipo rispetto alla domanda; il momento Deepseek in cui i modelli open-weight hanno quasi raggiunto la frontiera; un’impennata della domanda poiché le aziende hanno abbracciato gli agenti di intelligenza artificiale, spesso accompagnata da pratiche irrazionali e dispendiose come le classifiche dei token, che hanno portato a una cosiddetta era di scarsità dei token; e, più recentemente, una rinnovata spinta verso un ecosistema open source competitivo mentre le aziende riconsiderano la propria spesa su modelli di frontiera.

Questi alti e bassi hanno molti paralleli nei casi di studio storici menzionati sopra. All'inizio le ferrovie videro una frenesia speculativa (la mania ferroviaria degli anni Quaranta dell'Ottocento in Gran Bretagna). In America, nel corso del tempo, la domanda ha superato la capacità, determinando rendimenti diretti e indiretti stimati del 15% annuo sul capitale ferroviario fino al 1860: enormi per l’epoca. Ma con la maturazione della rete, la capacità si è adeguata alla domanda, la concorrenza ha ridotto i margini e molte compagnie ferroviarie sono fallite.

Pertanto, per prevedere meglio le prospettive a lungo termine dei laboratori, è utile fare un passo indietro rispetto alle oscillazioni dei dati finanziari (e delle narrazioni) di anno in anno e di trimestre in trimestre e fondare la nostra analisi sulla teoria economica. Un concetto chiave è il paradosso di Bertrand: ciò afferma che quando le imprese vendono un prodotto omogeneo (inferenza del modello di frontiera), la concorrenza sui prezzi le costringerà a vendere ciascuna unità (token) al costo marginale di produzione.

L'analisi teorica è importante perché è controversa la questione di quanto bene i dati storici prevedano le fortune del settore dell'intelligenza artificiale. Ad esempio, il nostro collega Mihir Kshirsagar identifica la regolamentazione come il motivo principale per cui le società ferroviarie, elettriche e di telecomunicazioni non sono state in grado di estrarre il surplus generato dalle loro infrastrutture, piuttosto che considerarlo una conseguenza intrinseca della loro economia. Pertanto, la teoria ci fornisce un ulteriore motivo per aspettarci una compressione dei margini. Sebbene sia facile sfuggire al paradosso teorico nella pratica, riteniamo che l'inferenza del modello contenga una versione insolitamente pura delle condizioni che producono il paradosso:

• I modelli sono in gran parte indifferenziati. Almeno tre aziende, OpenAI, Anthropic e Google sono riuscite a rimanere all'avanguardia e a produrre modelli che si comportano e funzionano in modo simile tra loro. Inoltre, per una percentuale crescente di casi d'uso, le prestazioni di frontiera non sono necessarie e i modelli open-weight sono abbastanza buoni. Inoltre, la quasi equivalenza dei modelli viene facilmente osservata o percepita dai clienti, poiché esistono centinaia di benchmark in base ai quali i modelli vengono regolarmente valutati e i modelli di frontiera tendono tutti a raggrupparsi ai vertici.

  Per un contrasto rivelatore con un altro settore, Apple notoriamente sostiene margini elevati sfuggendo a questo aspetto della concorrenza di Bertrand. Resiste alla competizione su dimensioni di prestazioni oggettivamente osservabili (gigahertz, megapixel), preferendo invece risultati pubblicitari e qualità ineffabili ("funziona e basta") e crea una forte differenziazione del marchio.

• Tutti i fornitori hanno costi di capitale simili. La conoscenza dell’IA si diffonde rapidamente; i principali paradigmi di sviluppo del modello – scalabilità del modello, scalatura dell’inferenza, apprendimento per rinforzo e così via – hanno proceduto quasi a passo di passo. Pertanto, per produrre un token con una determinata qualità di output, tutti i laboratori spendono importi simili per la formazione. In un ipotetico futuro in cui la frontiera non si sposta così rapidamente, i costi saranno dominati dall'inferenza e il costo dell'inferenza tenderà ad essere ancora più simile al costo della formazione.

• Mancanza di differenziazione geografica. Nel caso delle ferrovie, un mosaico di monopoli locali e capacità vincolata ha fornito una certa difesa contro la compressione dei margini. Il business dell’inferenza dell’intelligenza artificiale è privo di questa differenziazione e le aziende possono servire efficacemente l’intero mercato. Sebbene oggi esista probabilmente un vincolo sulla capacità dei token, prevediamo che questo sia temporaneo.

• I prezzi possono essere modificati liberamente, senza collusioni. Le ferrovie e i servizi pubblici sono stati in grado di colludere, tacitamente o esplicitamente, per mantenere i prezzi elevati in alcuni momenti della loro storia. Ma questo è altamente improbabile con i modelli di intelligenza artificiale perché c'è una forte concorrenza da parte dei modelli sub-frontalieri.

• I costi di cambio sono minimi. Anche l'attrito della migrazione delle API viene in gran parte eliminato da un livello di routing strumenti indipendenti dal provider.1

Una potenziale risposta a tutto ciò è sostenere che non importa quanto i margini vengano ridotti, perché le aziende di intelligenza artificiale semplicemente recupereranno in termini di volume. Ma i numeri non funzionano. Se assumiamo un margine netto del 5% – molto più alto di quello delle compagnie aeree – e la necessità di recuperare i suddetti 4-8 trilioni di dollari di investimenti su un orizzonte di 5 anni, ci ritroveremo con un fabbisogno compreso tra 16 e 32 trilioni di dollari di entrate annuali, il cui limite superiore è un quarto del PIL mondiale di oggi.

Adottare questa prospettiva a lungo termine, fondata sulla storia e sulla teoria economica, ci consente di ignorare diversi fattori su cui altri analisti tendono a indicizzare criticamente. Per ora, siamo in un periodo in cui massicci corsi di formazione ad alta intensità di capitale continuano a produrre modelli migliori. Ciò costringe i laboratori a rimanere su un tapis roulant di aggiornamento in cui reinvestono i propri ricavi nella formazione (e altro ancora) assumendo investimenti sempre più elevati. Quando questo tapis roulant rallenterà,2 l’azienda raggiungerà una nuova fase di equilibrio che probabilmente sembrerà molto diversa da quella odierna. In quello stato, tre fattori che attualmente dominano il dibattito conteranno molto meno di quanto sembrano ora.

Il primo è il calo dei prezzi simbolici guidato dai miglioramenti in termini di efficienza, che i critici citano come prova di una corsa al ribasso che ridurrà le dimensioni della torta. A nostro avviso, anche se è vero che i prezzi dei token sono in rapida caduta (e che questa tendenza probabilmente continuerà), non è necessariamente un problema per i laboratori. A seconda della forma della curva di domanda, lo sblocco della domanda potrebbe più che compensare il calo dei prezzi: il cosiddetto paradosso di Jevons, in cui i guadagni di efficienza portano a un maggiore (e non minore) consumo di una risorsa.

Il secondo è la scarsità di token, che i promotori citano come prova del potere di fissazione dei prezzi dei laboratori. Qualsiasi scarsità, tuttavia, è probabilmente un fenomeno temporaneo che sarà alleviato o eliminato da una combinazione di investimenti infrastrutturali e miglioramenti algoritmici. È quindi improbabile che la scarsità di token consenta ai laboratori di aumentare i propri margini.

Il terzo fattore che domina il discorso attuale è la disponibilità a pagare. I critici a volte prevedono che la domanda evaporerà quando i laboratori metteranno fine ai prezzi di abbonamento sovvenzionati e sottocosto. Ma questo considera la disponibilità a pagare come una quantità fissa, qualcosa che può essere estrapolato a partire da oggi. Nel lungo termine, ci aspettiamo che l’intelligenza artificiale diventi una parte essenziale della maggior parte del lavoro basato sulla conoscenza e che la tecnologia sarà trasformativa quanto la rivoluzione industriale. In una transizione di questa portata, la disponibilità a pagare è potenzialmente enorme.

In altre parole, dobbiamo distinguere tra creazione di valore e acquisizione di valore. Ci aspettiamo che il valore creato sia insondabilmente grande. La domanda centrale – forse addirittura esistenziale – per i laboratori è se saranno in grado di catturare anche una piccola percentuale di quel valore. Quale frazione del valore creato dall’intelligenza artificiale per un’azienda sarà disposta a pagare i fornitori di intelligenza artificiale? Questo non è un numero fluttuante, determinato esogenamente. È in gran parte determinato dalla misura in cui i laboratori di intelligenza artificiale sono in grado di sfuggire alla trappola delle merci.

Come sosteniamo di seguito, il modo più affidabile per sfuggire alla trappola delle materie prime è spostarsi a valle nella catena del valore economico (nel caso dell'intelligenza artificiale, ciò significa spostarsi "verso l'alto"). La transizione dalla vendita di infrastrutture fisiche o prodotti a pacchetti che includono servizi è talvolta chiamata “servitizzazione”. Ad esempio, quando l’hardware è diventato una commodity, IBM è passata con successo a una società di servizi, vendendo infine la sua divisione PC a Lenovo. Anche le società di telecomunicazioni hanno compiuto sforzi costanti e strenui per evitare di diventare “stupidi tubi”, ma senza successo. Il valore è stato invece catturato dalle applicazioni che utilizzavano l’infrastruttura, portando alla crescita delle Big Tech. Riteniamo che ora i laboratori si trovino ad affrontare più o meno lo stesso bivio: acquisire valore negli strati sopra i modelli o osservare gli altri creare attività redditizie sfruttando l'infrastruttura che hanno costruito e per cui hanno pagato.

Come stanno rispondendo i laboratori

Per riassumere la nostra argomentazione finora, la nostra analisi storica e la teoria economica suggeriscono che esistono solo due percorsi plausibili per uscire dalla trappola delle materie prime: stabilire un controllo di tipo monopolistico sul mercato o acquisire valore ai livelli più alti dello stack, spesso accompagnato da maggiori costi di trasferimento.

Crediamo che la prima via sia improbabile e che la frontiera rimarrà competitiva. I sostenitori dell’eccezionalismo dell’IA potrebbero non essere d’accordo, prevedendo uno sviluppo senza precedenti storici: una discontinuità di capacità così drammatica da rimodellare completamente il panorama competitivo. In questo scenario di "decollo difficile", uno o più laboratori ottengono un auto-miglioramento ricorsivo, rendendo l'economia attuale in gran parte irrilevante.

Nel nostro articolo completo, spieghiamo perché questo scenario è altamente implausibile. Per ora, sottolineiamo che molti politici, investitori e altre parti interessate non si sentono a proprio agio nello scommettere su una simile possibilità e devono invece pianificare uno scenario in cui non si realizza.

Ciò lascia lo spostamento verso l'alto nello stack come il percorso più probabile da seguire. Riteniamo che le società di intelligenza artificiale siano ben consapevoli della trappola delle materie prime; stanno passando a pieno ritmo oltre l'essere puri fornitori di inferenza (ovvero vendendo token indifferenziati tramite API modello) e cercando di perseguire l'acquisizione di valore a livelli più alti dello stack. Siamo agli inizi di questi sforzi ed è probabile che emergano molte strategie nuove e più sistematiche (ne esamineremo alcune nella prossima sezione). Ma alcuni sforzi sono già evidenti.

• Prodotti come ChatGPT o Claude Code si collocano a un livello superiore ai modelli. I prodotti non sono intercambiabili come lo sono i modelli, per una serie di ragioni tecniche, contrattuali e comportamentali, come discuteremo nella sezione seguente. Nel caso di OpenAI, ChatGPT, e non l'API OpenAI, rappresenta da tempo la maggior parte dei suoi entrati. All'inizio del 2026, i ricavi di Anthropic erano ancora dominati dalla sua API, ma con la crescita esplosiva di Claude Code, ciò potrebbe non durare a lungo.

• Il livello successivo nello stack è SaaS nativo dell'intelligenza artificiale o "intelligence as a service" e i laboratori hanno fatto i primi passi in questa direzione: la funzionalità conoscenza aziendale di ChatGPT e la visione di agenti all'interno del sistema di registrazione di Anthropic. Tuttavia, questo è il livello in cui i laboratori sono più vulnerabili agli operatori SaaS esistenti, in particolare Microsoft.

• Le aziende di intelligenza artificiale stanno inoltre perseguendo implementazioni su misura e riprogettazione del flusso di lavoro, attraverso ingegneri distaccati e partnership con società di consulenza. Questo non si adatta perfettamente allo stack. Lo stack presuppone un equilibrio in cui i luoghi di lavoro sono stati trasformati attraverso l'intelligenza artificiale, mentre questa categoria riguarda il tentativo di monetizzare la trasformazione stessa.

• La strada più speculativa e potenzialmente più redditizia per l'acquisizione di valore è il livello più alto: l'idea degli agenti IA come "lavoratori digitali". Molte aziende hanno pubblicizzato questa idea. Forse la prima versione di un'importante azienda di intelligenza artificiale che è stata progettata per funzionare in modo analogo a un lavoratore digitale piuttosto che a uno strumento è Claude Tag, lanciata nel giugno 2026. Un lavoratore digitale integrato in ogni team di un'azienda diventa rapidamente un deposito di conoscenza tacita per l'intera organizzazione e diventa essenziale per i flussi di lavoro e i processi aziendali tra team diversi. A meno che la portabilità non sia esplicitamente integrata, diventa un dipendente digitale che di fatto non può essere licenziato, creando un livello di lock-in che supera quello del software aziendale nella sua versione peggiore. Quando le aziende vendono lavoratori digitali, il mercato indirizzabile totale è rappresentato dall’intera spesa per il lavoro dell’economia, molto più grande dei budget IT delle aziende. Ma proprio per questi motivi, la visione incontrerà probabilmente le maggiori resistenze da parte delle imprese.

L'illustrazione di copertina ridisegnata riassume alcuni di questi sforzi in corso. Tieni presente che lo stack descrive ciò per cui paga il cliente, non l'unità di fatturazione. Il prezzo tramite token può essere utilizzato a qualsiasi livello dello stack e altre unità (abbonamenti, risultati) possono essere utilizzate in combinazione o come sostituti ai livelli più alti. È il tipo di valore in ciascun livello dello stack che determina se si applica la trappola delle materie prime, non il modello di prezzo. Discuteremo le strategie di prezzo in modo più dettagliato nella sezione seguente.

Un aspetto chiave di questo saggio è che le aziende che operano più in alto in questo stack possono acquisire una quota maggiore del valore che creano. Possono differenziare meglio le loro offerte e costruire una varietà di fossati (come discuteremo di seguito), molti dei quali sono probabilmente nuovi e più potenti di quelli di cui godono i software aziendali.

Un avvertimento importante: affinché i laboratori di intelligenza artificiale, in particolare OpenAI e Anthropic, per salire di livello, devono competere con operatori storici più grandi che godono di molti vantaggi, in particolare canali di distribuzione esistenti e profonde relazioni con i clienti aziendali. Google gode di una facile integrazione verticale nella sua linea di prodotti di consumo esistente. Gli operatori storici del SaaS, in particolare Microsoft, scommettono di poter decifrare il modello di “intelligence as a service” più velocemente di quanto possano fare i laboratori di intelligenza artificiale. Questa disuguaglianza rimodella le dinamiche competitive dell'ecosistema dell'intelligenza artificiale e sottolinea importanti differenze tra i principali attori che tentano di scalare la classifica del valore.

Spostarsi verso l'alto nella pila apre una serie di fossati varia e potente

In che modo salire di livello consente alle aziende di sfuggire alla trappola delle materie prime? La risposta non è semplicemente che gli strati più alti creano più valore economico. Il fatto è che rendono il valore catturabile e duraturo: operare più in alto nello stack consente ai laboratori di distinguere le proprie offerte e di costruire costi di lock-in e di commutazione di un tipo non disponibile per i venditori di inferenza grezza, ovvero i fornitori di API. Consentono effettivamente alle aziende di intelligenza artificiale di sfuggire alla mancanza di differenziazione che è al centro del paradosso di Bertrand. Gli spostamenti verso l'alto non sono solo nuove strategie di prodotto; sono strategie di costruzione del fossato. In questa sezione esamineremo diversi tipi di fossati, alcuni che i laboratori stanno già costruendo e altri che potrebbero essere realizzati in futuro.

Per identificare quali fossati si aprono man mano che le società di intelligenza artificiale emergono dal livello del modello, abbiamo esaminato il modo in cui le società di software aziendale generano potere di fissazione dei prezzi e acquisiscono valore, quindi abbiamo analizzato quali di queste strategie sono probabilmente applicabili alle società di intelligenza artificiale e quali di nuove diventano disponibili.

Notiamo due sfumature importanti prima di approfondire. In primo luogo, mentre i fossati sono modi per difendere la quota di mercato dai concorrenti, il nostro interesse è analizzare la capacità delle aziende di intelligenza artificiale di catturare il valore che creano per i clienti. Tuttavia, le strategie coinvolte sono in gran parte le stesse, perché entrambe richiedono di evitare una corsa ai prezzi al ribasso.

In secondo luogo, la nostra analisi si concentra sul mercato aziendale, poiché riteniamo che rappresenterà la maggior parte dei ricavi. Recentemente OpenAI si è orientato in questa direzione, mentre Anthropic si è concentrato costantemente sull'impresa. Anche se è possibile che i prodotti di consumo basati sulla pubblicità possano costituire un flusso di entrate significativo in futuro, svolgendo così un ruolo importante nel sfuggire alla trappola delle materie prime, ciò non mina la nostra tesi sui fossati aziendali.

1. Fossati incorporati: i modelli di intelligenza artificiale sono qualcosa che i clienti invocano nei loro flussi di lavoro. Ma un’altra visione dell’intelligenza artificiale è un sistema in cui vive il cliente. Quest'ultimo è più favorevole alla costruzione di fossati.

Anche se il modello sottostante rimane intercambiabile, lo stato che lo circonda per un dato cliente potrebbe non esserlo. Nel tempo, quello stato accumula: memoria persistente e cronologia delle conversazioni, corpora di documenti caricati e indici di recupero, competenze personalizzate o suite di valutazione, flussi di lavoro e processi aziendali e varie forme di messa a punto o personalizzazione. Questa "gravità dei dati" è in gran parte ciò che conferisce al software aziendale la sua appiccicosità e il motivo per cui la sua sostituzione è stata descritta come "intervento a cuore aperto".

Sia OpenAI (Company Knowledge) che Anthropic (Claude Cowork, la partnership PwC) stanno già perseguendo questi percorsi. La durabilità di queste strategie rimane una questione aperta. Una complicazione è che i dati che potrebbero aiutare a costruire fossati in genere si trovano sui server delle aziende in sistemi consolidati come Salesforce, Workday e SAP, in gran parte inaccessibili ai laboratori di intelligenza artificiale. Per superare questo problema, le società di intelligenza artificiale potrebbero costruire fossati controllando gli strati di orchestrazione occupati dagli agenti, fornendo così effettivamente il tessuto connettivo che lega i flussi di lavoro di un’organizzazione. Tuttavia, se gli standard aperti mantengono il livello di orchestrazione sottile e scambiabile, il valore potrebbe alla fine affluire agli integratori di agenti e alle imprese piuttosto che ai laboratori stessi.

2. Fossati dell'ecosistema: i software aziendali come Windows, GitHub e SAP hanno tutti beneficiato del fatto che, man mano che hanno acquisito più clienti o sviluppatori che hanno sviluppato sulla piattaforma, il valore della piattaforma è cresciuto. Il mercato dell’intelligenza artificiale non mostra ancora forti fossati ecosistemici. I Labs hanno compiuto sforzi per creare mercati bilaterali sulla base dell'intelligenza artificiale come piattaforma, ma finora questi non hanno avuto successo (negozio GPT) o sono troppo limitati per creare costi di cambiamento significativi (plug-in Claude).

Un tipo di effetto di rete molto discusso ma ancora non realizzato è il "volano" dell'addestramento di modelli o sistemi di intelligenza artificiale che utilizzano l'IP dei clienti, siano essi dati, ambienti in cui gli agenti eseguono, tracce di esecuzione di tali agenti o suite di valutazione private. Finora, le aziende sono state restie a consentire che la loro proprietà intellettuale fosse utilizzata in questo modo dagli sviluppatori di intelligenza artificiale, ma la situazione potrebbe cambiare in futuro. Dopotutto, basta che un solo cliente (opportunamente incentivato) in ogni settore diserti per mettere in moto un volano.

3. Fossati commerciali: questa categoria copre una serie di strategie familiari, in gran parte prese in prestito dal software aziendale e dal cloud computing. I contratti commerciali possono includere vari meccanismi (accordi pluriennali, livelli di impegno di spesa, crediti prepagati) che rendono antieconomica la defezione ai rivali. I laboratori stanno già implementando alcuni di questi meccanismi nei loro accordi aziendali, ma anche la durabilità di questo fossato è discutibile. Sofisticati team di procurement aziendale richiederanno la portabilità prima di firmare e il vincolo contrattuale è altamente leggibile per le autorità di regolamentazione antitrust.

L'integrazione verticale offre una versione più potente della stessa logica commerciale. Quando un assistente AI viene integrato in un software per il quale un’azienda già paga (Copilot in Microsoft 365, Gemini in Google Workspace), il costo marginale dell’IA sembra essere pari a zero, rendendo difficile per i concorrenti indipendenti competere sul prezzo. Gli attori integrati possono anche sfruttare i rapporti di vendita e approvvigionamento esistenti: invece di aggiudicarsi una nuova linea di budget, semplicemente integrano l’intelligenza artificiale in una conversazione di rinnovo del software per il quale il cliente è già impegnato. Naturalmente, questa strategia è disponibile solo per gli operatori storici integrati come Google e Microsoft. Come osservato in precedenza, ciò significa che laboratori autonomi come OpenAI o Anthropic devono competere su un terreno di gioco strutturalmente diseguale, spesso affittando l'infrastruttura dalle stesse aziende con cui si confrontano.

4. Fossati comportamentali: mentre i fossati discussi sopra operano attraverso meccanismi tecnici o commerciali, i fossati comportamentali funzionano attraverso gli esseri umani che utilizzano i sistemi di intelligenza artificiale. Proprio come le precedenti ondate di software aziendale (Microsoft Excel, sistemi CRM), l’uso di strumenti di intelligenza artificiale può portare a un’erosione dell’abilità nell’eseguire attività senza aiuto, sviluppando allo stesso tempo competenze specifiche del fornitore nel guidare prodotti agenti, creando dipendenza. Si tratta di un'area in cui la posta in gioco per la società potrebbe essere acuta, al di là delle sue implicazioni per l'acquisizione di valore: l'erosione delle competenze potrebbe avere profonde implicazioni per la resilienza della forza lavoro, la sicurezza e la distribuzione del potere tra le persone e i sistemi di intelligenza artificiale.

Ma i fossati comportamentali includono anche forme nuove e poco conosciute di blocco dell'IA che non hanno analoghi netti nei software precedenti. Una manifestazione degna di nota è l'attaccamento relazionale al tono o alla "personalità" di un modello, come vividamente dimostrato dalla reazione contro #Keep4o, quando OpenAI è stato costretto a ripristinare GPT-4o in risposta alle richieste degli utenti. Più speculativamente, per il lavoro di conoscenza collaborativa come la scrittura o il lavoro pesante di giudizio (al contrario dell’automazione), la qualità del contributo dell’intelligenza artificiale è difficile da verificare per l’acquirente anche dopo il fatto, perché non esistono standard oggettivi. Ciò rende questo lavoro un cosiddetto buono di fede, simile a quello degli avvocati e dei consulenti. Incapaci di confrontare la qualità, gli acquirenti di beni credibili tendono a fare affidamento sulla reputazione e sulla fiducia. Ciò attenua la concorrenza sui prezzi e rallenta il passaggio anche quando il costo tecnico del passaggio è vicino allo zero.

5. Strategie di prezzo: questo percorso è complementare o additivo a quelli discussi sopra e descrive un modo in cui i laboratori potrebbero essere in grado di acquisire più valore dopo aver raggiunto il lock-in e essere in grado di esercitare potere di fissazione dei prezzi. L’idea è che i laboratori potrebbero essere in grado di superare la trappola delle merci addebitando i risultati (una percentuale di costo risparmiato, una tariffa per ticket di supporto risolto) anziché i token. Questa è la tesi esplicita alla base della dichiarazione del direttore finanziario di OpenAI Sarah Friar secondo cui le entrate dovrebbero "crescere con il valore dell'intelligenza."

Tuttavia, ciò è improbabile nel breve termine. La determinazione del prezzo dei risultati richiede la risoluzione di un problema di misurazione impegnativo. I laboratori non hanno costruito l’infrastruttura per misurare e comprendere i processi aziendali dei clienti e per monitorare – per non parlare dei prezzi – i diversi risultati. Senza tale visibilità, le metriche dei risultati invitano a giocare da entrambe le parti: una commissione per ticket risolto incentiva i clienti a inserire più problemi in un unico ticket e i fornitori a chiudere i ticket senza necessariamente risolverli. Inoltre, i risultati variano tra i settori verticali e tra le aziende, e i laboratori di intelligenza artificiale non dispongono dei team di clienti integrati che i fornitori SaaS hanno impiegato decenni a costruire per ottenere questo tipo di visibilità a valle. Tuttavia, alcune aziende di intelligenza artificiale stanno cercando di innovare su questo fronte. Se i laboratori di intelligenza artificiale riusciranno a migrare verso i sistemi di registrazione, le sfide diventeranno risolvibili con investimenti sufficienti.

Implicazioni più ampie del cambiamento

Le domande sollevate dalla nostra analisi hanno un impatto significativo sul futuro dell'economia dell'intelligenza artificiale, ma vanno ben oltre le prospettive di ogni singola azienda di intelligenza artificiale. Toccano la struttura dei mercati digitali, la distribuzione del potere economico e il tipo di ecosistema di innovazione che l'intelligenza artificiale probabilmente produrrà.

Se i laboratori non riescono a sfuggire alla trappola delle materie prime, le conseguenze sono principalmente finanziarie: una potenziale crisi di fiducia in uno dei più grandi accumuli di capitale della storia economica, con effetti a catena attraverso il settore tecnologico più ampio e i mercati in generale. Ma se ci riescono, in particolare se riescono ad aumentare i costi di passaggio e a stabilire un vincolo con il cliente, le conseguenze appaiono diverse e, per certi versi, più preoccupanti. Aumenterebbe i costi per ogni impresa che dipende dall'intelligenza artificiale e consoliderebbe un piccolo numero di attori in una posizione di vantaggio strutturale che sarà difficile contestare in seguito.

Alcune domande in particolare sembrano valere la pena di essere prese sul serio ora, prima che i fossati pertinenti si siano rafforzati:

• Riusciranno i laboratori a creare attività sostenibili senza precludere la concorrenza e senza ripetere modelli precedenti di concentrazione dannosa?

• Le strategie che funzionano per gli investitori e le società di intelligenza artificiale possono anche generare un valore sociale più ampio, oppure l'acquisizione di valore nell'intelligenza artificiale va a scapito dell'ecosistema circostante?

• I guadagni derivanti dall'intelligenza artificiale saranno diffusi (anderanno principalmente alle imprese che la implementano e all'economia in generale) o concentrati (in gran parte catturati da hyperscaler, laboratori di intelligenza artificiale di frontiera, operatori storici SaaS e investitori)?

Permane molta incertezza su queste questioni, ma la storia suggerisce che il momento per stabilire standard di interoperabilità, requisiti di portabilità e trasparenza dei costi di trasferimento è presto, prima che i composti e l'intervento vincolati diventino strutturalmente più difficili. Fortunatamente, le autorità garanti della concorrenza come la FTC statunitense e la CMA britannica stanno monitorando questo ambito, ma finora sembrano aver focalizzato la loro analisi sugli strati inferiori dello stack. La nostra analisi mostra che devono ampliare la loro visione.

Siamo grati a Sayash Kapoor per il feedback sulla bozza.

Ulteriori letture

Sebbene molti aspetti della nostra argomentazione siano almeno in qualche modo nuovi, l'argomento "nessun fossato" in sé non è nuovo. La sua prima importante articolazione (di cui siamo a conoscenza) risale a più di tre anni fa, in un documento trapelato da Google. Molti commentatori come Gary Marcus, Ed Zitron e Cory Doctorow hanno incessantemente sottolineato questo punto o le sue varianti.

Ciò che forse è nuovo nella nostra analisi è attingere da paralleli storici e mostrare che l'inferenza del modello soddisfa i prerequisiti per una concorrenza rovinosa anche meglio di quanto non facciano i precedenti. Ciò che sicuramente differisce da coloro che prevedono una bolla è riconoscere che (1) lo stack dell'intelligenza artificiale è piuttosto denso e la trappola delle merci si applica solo a livello del modello (2) i laboratori sono profondamente consapevoli del problema e (3) stanno migrando furiosamente per uscirne.

Molti altri sono ribassisti sui laboratori, tra cui Benedikt Evans e Luis Garicano e Jesús Saa-Requejo. Questi ultimi sostengono che l’acquisizione del valore avrà luogo sia al vertice della catena del valore, presso i fornitori fisici e hardware [a causa del collo di bottiglia del calcolo], sia a livello di implementazione, dove i modelli vengono messi in funzione e dove il vincolo vincolante è organizzativo, non tecnico. Siamo ampiamente d’accordo. Ma concludono che i laboratori non saranno in grado di acquisire molto valore. Il presupposto implicito sembra essere che i laboratori si limitino a essere fornitori di modelli, il che a nostro avviso è un concetto sempre più obsoleto.

Semianalisi sostiene che i laboratori saranno in grado di sostenere margini lordi elevati a causa della scarsità di calcolo. Riteniamo che questa sia una situazione temporanea.

Il più vicino al nostro pensiero è il nostro collega CITP di Princeton Mihir Kshirsagar, che ha scritto una serie di quattro articoli su questo argomento. Anche se abbiamo tratto beneficio dalle conversazioni con Kshirsagar, il nostro pensiero si è sviluppato in gran parte in modo indipendente, con molti punti di accordo e alcuni punti di disaccordo. Come Kshirsagar, riteniamo che il rapido sviluppo dell’intelligenza artificiale non abbia senso economico se non fosse per la promessa del lock-in. La sua analisi identifica le coalizioni tra hyperscaler e laboratori di intelligenza artificiale (come Microsoft-OpenAI e Amazon-Anthropic) come il veicolo principale del lock-in, il che è leggermente diverso dalla nostra diagnosi.

Nathan Lambert offre una visione di come tutto ciò potrebbe svolgersi: un'economia basata sull'intelligenza artificiale a due livelli in cui i clienti che sono essi stessi alla frontiera del lavoro della conoscenza pagano grandi premi per prodotti e servizi "di serie" basati su modelli di frontiera dei principali laboratori, mentre tutti gli altri sono soddisfatti dell'ecosistema del modello aperto. Una delle sue previsioni è più precisa della nostra: i laboratori di frontiera lasceranno decadere le loro attività API per proteggere le loro offerte con margini più elevati.

1

Il modello teorico alla base del paradosso di Bertrand è un gioco one-shot e i costi di trasferimento non entrano nell'equazione, ma ovviamente nella pratica dobbiamo considerarli.

2

Ciò non vuol dire che l'intelligenza artificiale smetterà di migliorare: rimarranno altri percorsi come il ridimensionamento dell'inferenza e strumenti migliori.