Parlando di AI in azienda, l’intelligenza artificiale viene spesso presentata come una scelta tra modelli:
- quale LLM è più potente?
- quale costa meno per token?
- quale ottiene i risultati migliori nei benchmark?
I risultati trimestrali pubblicati da Alibaba il 20 agosto 2026 mostrano però un’altra dimensione del problema: quando l’AI entra davvero nei processi aziendali, il costo principale non è necessariamente il modello, è l’infrastruttura che permette a quel modello di funzionare, scalare, collegarsi ai workflow e servire un numero crescente di utenti e agenti.
Alibaba ha comunicato che nel trimestre concluso il 30 giugno 2026 i ricavi del segmento AI Cloud and Compute Services hanno raggiunto 48,437 miliardi di yuan, con una crescita del 45% su base annua. I ricavi dei prodotti legati all’AI hanno raggiunto 12,376 miliardi di yuan e registrato il dodicesimo trimestre consecutivo di crescita a tre cifre. Sono numeri che confermano una domanda reale di infrastruttura AI.
Ma la parte più interessante è il costo necessario per sostenere questa crescita. Alibaba ha indicato investimenti in conto capitale per 67,678 miliardi di yuan nel trimestre, in aumento del 75% rispetto allo stesso periodo dell’anno precedente. La società attribuisce l’aumento agli investimenti nell’infrastruttura AI, alla maggiore capacità di calcolo richiesta anche dalla prevista adozione degli AI agent e all’aumento dei prezzi di diversi componenti hardware.
L’AI enterprise non è solo una API
Il dato di Alibaba aiuta a correggere una percezione diffusa: utilizzare un modello tramite API può sembrare semplice, si invia un prompt, si riceve una risposta e si paga il consumo. Quando l’AI diventa però una componente stabile dell’organizzazione, emergono altri costi.
Servono capacità di calcolo, storage, rete, sistemi di orchestrazione, monitoraggio, sicurezza, database, strumenti di retrieval e integrazioni con i processi aziendali. Se entrano in gioco agenti autonomi, aumenta anche il numero di operazioni eseguite in background. Un singolo compito può richiedere decine di chiamate a modelli e strumenti, moltiplicando il consumo rispetto alla tradizionale chat domanda-risposta.
Alibaba ha inoltre riorganizzato le proprie attività creando un’area AI Cloud and Compute Services che integra cloud e T-Head, la divisione di semiconduttori, e un’area AI Labs and Applications che riunisce modelli, Qwen e QwenWork. Il messaggio industriale è chiaro: infrastruttura, modello e applicazione stanno diventando parti di una stessa catena del valore.
Per un’impresa normale, tuttavia, replicare questa verticalizzazione non è realistico. La questione diventa quindi scegliere quali componenti mantenere sotto il proprio controllo e quali acquistare come servizio.
Locale, cloud o ibrido: la scelta dipende dal carico
Un modello completamente locale offre un vantaggio evidente: una volta disponibile l’hardware, il costo marginale di ogni richiesta può essere molto basso e i dati possono rimanere nell’infrastruttura dell’organizzazione. È particolarmente interessante per studi professionali, PMI e team con un numero limitato di utenti, soprattutto quando il carico è prevedibile e i modelli open-weight disponibili sono sufficienti per i compiti richiesti.
Il cloud offre invece elasticità. Non è necessario acquistare hardware capace di sostenere i picchi e si può accedere immediatamente ai modelli più avanzati. Il rovescio della medaglia è che il costo cresce con l’utilizzo e occorre valutare con attenzione quali dati vengono inviati al provider, quali condizioni contrattuali si applicano e quali requisiti normativi e organizzativi devono essere rispettati.
Per molte aziende la soluzione più interessante può quindi essere ibrida. In un’architettura di questo tipo la documentazione aziendale, il database vettoriale, la knowledge base, la cronologia delle conversazioni e il retrieval rimangono locali. Il sistema sceglie poi se utilizzare un modello locale o un modello esterno. Quando viene chiamato un provider remoto, gli viene fornito soltanto il contesto strettamente necessario al compito.
Questo approccio non elimina ogni problema di sicurezza o compliance, ma consente di ridurre l’esposizione del patrimonio informativo e di mantenere il controllo sulla knowledge base.
Permette inoltre di ottimizzare i costi: attività semplici e ripetitive possono essere affidate a modelli locali più piccoli, mentre i modelli frontier vengono utilizzati solo quando il valore aggiunto giustifica il costo.
Gli agenti AI cambiano l’economia dell’inference
Nel comunicato Alibaba compare anche QwenWork, descritto come un agente AI per il lavoro progettato per aumentare la produttività a livello organizzativo e integrato con Alibaba Cloud, DingTalk e workflow di terze parti. È un segnale importante perché l’adozione degli agenti cambia radicalmente il profilo di utilizzo dei modelli.
Una chat tradizionale viene attivata da un utente. Un agente può invece lavorare in background, controllare periodicamente una fonte, analizzare email, aggiornare dati, elaborare documenti o avviare una sequenza di azioni. Il consumo non cresce più soltanto con il numero di dipendenti che aprono una chat, ma anche con il numero di processi automatizzati.
Per questo le aziende dovrebbero iniziare a misurare il costo AI per processo, non soltanto per token:
- Quanto costa elaborare automaticamente una pratica?
- Quanto costa monitorare cento caselle email?
- Quanto costa aggiornare quotidianamente una knowledge base?
- Quanto costa far lavorare un agente per un’ora?
Sono domande molto più utili del confronto astratto tra listini di modelli.
Gol-IA e l’idea di un’infrastruttura AI in azienda controllabile
Gol-IA nasce proprio per separare la conoscenza aziendale dalla dipendenza da un singolo modello. L’applicazione può gestire documentazione, knowledge base, RAG, utenti e conversazioni localmente, collegandosi a modelli eseguiti tramite sistemi locali oppure, quando necessario, a servizi esterni.
Per una realtà con pochi utenti e attività compatibili con modelli open-weight, un’installazione interamente on-premise può offrire un buon equilibrio tra costi, controllo e riservatezza. Documenti e conversazioni restano fisicamente nell’organizzazione e l’inference può essere eseguita sul proprio hardware.
Per organizzazioni più grandi, Gol-IA può anche adottare una strategia ibrida. Il patrimonio documentale resta locale, il retrieval seleziona le informazioni rilevanti e soltanto il contesto necessario viene inviato al modello esterno. In questo modo l’azienda può utilizzare capacità frontier senza trasformare il provider del modello nel deposito della propria knowledge base.
Il vantaggio economico non deriva automaticamente dal locale o dal cloud. Dipende dal numero di utenti, dal volume di richieste, dalla complessità dei task, dall’hardware disponibile e dal livello di qualità richiesto. Per questo una consulenza AI dovrebbe partire dai processi e dai dati reali dell’organizzazione, non dalla scelta preventiva di un modello.
Per le imprese la vera opportunità è progettare un sistema capace di scegliere in modo dinamico dove eseguire ogni attività. Non tutto deve andare sul cloud e non tutto deve necessariamente rimanere locale. L’architettura migliore è quella che conserva il controllo della conoscenza aziendale e utilizza la potenza necessaria soltanto quando serve.
Lascia un commento