- I nuovi modelli AI cinesi sembrano più economici, ma il confronto sul "costo per token" è fuorviante: i modelli USA restano ancora più efficienti nella reale risoluzione dei task complessi.
- L'obiettivo di Pechino è trasformare l'AI in una commodity gratuita, azzerando il valore del software per spostare la competizione globale sui suoi veri punti di forza: hardware, manifattura e robotica.
- Il vero allarme è il paradosso della sicurezza: i guardrail dei modelli USA sono così rigidi da ostacolare persino la difesa, come accaduto nel recente attacco a Hugging Face.
Ogni volta che esce un nuovo modello AI cinese, i mercati reagiscono. Kimi K3 di Moonshot, con i suoi 2,8 trilioni di parametri, ha fatto scattare allarmi nelle ultime ore: i test di Arena di UC Berkeley lo collocano davanti a Fable 5 e GPT-5.6 sul coding front-end. Qwen 3.8 Max di Alibaba, con 2,4 trilioni di parametri, è uscito pochi giorni dopo, descritto dall’azienda come secondo solo a Fable 5. E come sempre il dibattito si polarizza: la Cina sta raggiungendo gli Stati Uniti, i modelli AI cinesi costano meno, il vantaggio americano si sta erodendo.
Vale la pena fermarsi, perché questo dibattito mescola problemi reali con problemi immaginari e la confusione non aiuta a capire dove stia davvero il rischio.
“I modelli AI cinesi costano meno”
Il punto di partenza di quasi ogni articolo sui modelli cinesi è il prezzo per token. Kimi K3 costa 3 dollari per milione di token in input e 15 in output. GPT-5.6 Sol di OpenAI costa rispettivamente 5 e 30. GLM-5.2 di Z.ai costa 1,40 e 4,40. Sembra ovvio: i modelli cinesi costano meno.
Il problema è che questo confronto misura la cosa sbagliata. I token non sono una commodity nel senso tradizionale del termine. Un barile di petrolio è identico a un altro barile di petrolio. Un token di Kimi K3 non è identico a un token di GPT-5.6. Quello che è fungibile non è il token ma l’output, cioè la risposta corretta a un problema dato.
E qui entra la questione dell’efficienza per token. I modelli di ragionamento, cioè quelli che includono una catena di pensiero prima di rispondere, usano molti più token di quelli che non ce l’hanno. Se Kimi K3 ha bisogno di tre volte i token di Sol per arrivare alla stessa risposta corretta, il vantaggio di prezzo si annulla. Il costo reale non è il prezzo per token ma il costo per task risolto correttamente.
Su questa metrica i modelli di frontiera americani, che ottimizzano l’inferenza da più tempo e a scala maggiore, probabilmente non sono più cari dei modelli cinesi di quanto sembrino. Sono supply-constrained, cioè non hanno abbastanza compute per soddisfare la domanda, il che significa che stanno applicando un markup significativo rispetto al costo marginale reale. Quando il compute sarà meno scarso, i prezzi scenderanno. E quando scenderanno, la struttura di costo di chi è sulla frontiera conterà molto più del prezzo dichiarato oggi.
L’intelligenza artificiale come commodity: chi vincerà la guerra dell’efficienza
C’è però un ragionamento economico più ampio che vale la pena seguire, perché cambierà il settore nei prossimi anni.
Per la maggior parte della storia del software, i costi marginali erano vicini a zero. Distribuire una copia in più di Windows non costava nulla. Servire un utente in più su Google non costava nulla. Questo ha portato alla concentrazione che conosciamo: pochi player dominano perché il vantaggio di scala è enorme e non c’è limite naturale alla crescita.
Con l’AI, i costi marginali sono tornati. Fare inferenza su un modello costa soldi reali e quella spesa è direttamente proporzionale all’uso. Chi genera più revenue spende di più in compute. Questo significa che l’AI si comporta più come un’industria tradizionale che come il software degli ultimi vent’anni.
In un mercato di commodity, chi ha la struttura di costo migliore vince. Non chi ha il prezzo più alto, non chi ha il brand più forte, ma chi riesce a produrre a costi inferiori. I mercati commodity tendono alla concentrazione attorno ai produttori più efficienti e alla fine i produttori inefficienti vengono espulsi dal mercato.
Quello che ci sembra meno chiaro è quando questo scenario diventi rilevante. Oggi la domanda di modelli di frontiera supera l’offerta disponibile e questo protegge i margini di tutti. Quando il compute si normalizzerà, quella protezione verrà meno. E in quel momento, la struttura di costo dell’inferenza, ottimizzata per mesi o anni mentre si è sulla frontiera, conterà più del prezzo dichiarato oggi da un modello cinese appena uscito.
La vera strategia di Pechino: AI gratuita per dominare la robotica e l’hardware
Detto tutto questo, ridurre la questione all’economia dell’inferenza sarebbe un errore. La Cina sta giocando una partita molto più larga.
Nel recente discorso di Xi Jinping, che ha preceduto di poco i lanci di Kimi K3 e Qwen 3.8 Max, si parla esplicitamente di AI come strumento per la transizione dalla crescita digitale alla crescita fisica. È una frase che suona burocratica ma che ha un senso preciso. La Cina ha un vantaggio significativo nel mondo fisico: robotica, manifattura, infrastruttura. Rendere disponibili gratuitamente modelli AI avanzati significa accelerare quella transizione in tutto il mondo, incluso il proprio.
C’è anche una logica competitiva evidente. Se i modelli AI diventano una commodity accessibile a chiunque, il vantaggio competitivo si sposta sugli strati superiori, cioè le applicazioni, i servizi, le infrastrutture fisiche dove la Cina è già forte. Al contrario, se i modelli AI restano proprietari e costosi, il vantaggio rimane concentrato nei laboratori americani che li controllano.
La mossa di Alibaba di tornare a rilasciare i pesi aperti per Qwen 3.8 Max, dopo averli chiusi, va letta in questo contesto. Non è una decisione tecnica, è una decisione strategica coerente con quella logica politica.
Il vero problema: la distillazione e la cybersecurity
Fin qui il quadro è relativamente rassicurante per i laboratori americani. Ma ci sono due punti dove la preoccupazione è più fondata.
Il primo è la distillazione. I laboratori cinesi usano i modelli di frontiera americani come insegnanti: li interrogano, raccolgono le risposte, le usano per addestrare i propri modelli. È una tecnica che accelera enormemente lo sviluppo, soprattutto nella fase di post-training con reinforcement learning. Non è l’unica ragione del loro progresso, ma è una ragione significativa. E finché i modelli di frontiera americani continuano a migliorare, i laboratori cinesi hanno sempre un nuovo insegnante da cui imparare.
Il secondo problema, forse quello più preoccupante, è la cybersecurity. E qui torniamo a qualcosa che abbiamo già raccontato in dettaglio: l’attacco ad Hugging Face della settimana scorsa.
Hugging Face è stata violata da un agente AI autonomo. Quando il suo team di sicurezza ha provato a usare i modelli AI commerciali americani per analizzare i 17.000 log lasciati dall’attaccante, i guardrail li hanno bloccati. Hanno dovuto usare GLM-5.2 di Z.ai, il modello cinese open-source, eseguito sulla propria infrastruttura.
L’attaccante non aveva guardrail. I difensori sì.
Questo è il paradosso concreto che l’attuale approccio alla regolamentazione AI ha creato. Il governo americano ha bloccato Fable 5 e Sol per uso in cybersecurity. I modelli cinesi, che non hanno queste restrizioni e possono essere eseguiti localmente senza inviare dati a server terzi, sono diventati lo strumento di difesa più pratico per le organizzazioni americane sotto attacco.
È difficile immaginare un risultato politico peggiore. Non si tratta di un problema teorico di sovranità tecnologica. È un problema operativo, documentato, che si è già verificato su uno dei siti più importanti dell’ecosistema AI mondiale.
Le regole da riscrivere: come evitare il blocco della difesa informatica USA
La risposta di policy che emerge da questa analisi non è complicata, anche se è politicamente difficile.
I modelli di frontiera americani dovrebbero essere accessibili ai team di cybersecurity e agli incident responder senza le restrizioni attuali. I guardrail pensati per impedire usi malevoli non possono essere così rigidi da impedire anche la difesa. È una distinzione tecnica complicata da implementare, ma la difficoltà tecnica non è una scusa per non farlo.
Sul fronte della competizione con i modelli open-weight cinesi, il problema della distillazione andrebbe affrontato non vietandola ma abbracciando una politica del copyright che la legalizzi esplicitamente per i modelli americani, consentendo loro di imparare dai modelli di frontiera senza passare attraverso il detour dei modelli cinesi.
In assenza di questi cambiamenti, la situazione attuale, dove i modelli cinesi sono più accessibili, più economici da usare per la difesa e meno vincolati nelle applicazioni sensibili, non è un vantaggio americano. È il contrario.
Conclusioni: qual è la reale minaccia dell’Intelligenza Artificiale cinese?
La risposta alla domanda iniziale, cioè se i modelli AI cinesi siano davvero una minaccia, è: dipende da dove si guarda.
Economicamente, nel breve periodo, probabilmente no. I laboratori americani sono sulla frontiera, hanno la migliore struttura di costo per l’inferenza e stanno ottimizzando da più tempo. Il prezzo per token è fuorviante.
Strategicamente, nel medio periodo, forse. La strategia di rendere l’AI una commodity per competere sugli strati superiori è coerente e ben eseguita.
Sulla cybersecurity, ora, sì. Il paradosso dei guardrail che bloccano i difensori mentre gli attaccanti operano senza restrizioni è un problema reale e documentato.
La cosa più utile che possiamo fare, come osservatori, è evitare di confondere questi tre livelli. Il panico per Kimi K3 che supera GPT-5.6 su un benchmark di coding non è la risposta giusta. Capire perché un team di sicurezza americano ha dovuto usare un modello cinese per difendersi da un attacco condotto con modelli AI è la domanda giusta.
