Kimi K3 ha scalzato Claude Fable 5 dalla vetta di SpreadsheetBench 2, il benchmark di AfterQuery che misura la capacità dei modelli linguistici di lavorare su dati strutturati in fogli di calcolo. Il risultato, condiviso su Reddit, è un segnale importante in un mercato dove i test generalisti stanno lasciando spazio a metriche verticali, più vicine ai carichi di lavoro reali delle aziende.

AfterQuery, piattaforma che trasforma domande in linguaggio naturale in query per database tabellari, ha progettato SpreadsheetBench proprio per valutare l’affidabilità con cui un LLM interpreta, filtra e aggrega informazioni da griglie di celle – un’attività che nelle grandi organizzazioni vale miliardi in reportistica, riconciliazione dati e automazione finanziaria. Un errore di calcolo, in quei contesti, costa più di una risposta imprecisa in una chat.

La comparsa di Kimi K3 in cima alla classifica sposta l’attenzione sulla disponibilità di modelli ottimizzati per compiti specifici, e impone a chi valuta deployment on-premise una domanda precisa: è possibile eseguire questo modello localmente? Al momento, non sono stati diffusi dettagli tecnici su architettura, numero di parametri o requisiti hardware. Per le aziende che devono rispettare vincoli di residenza dati o operano in ambienti air-gapped, l’assenza di informazioni su pesi aperti e possibilità di self-hosting rappresenta un ostacolo. Senza trasparenza, il punteggio in un benchmark, per quanto brillante, resta puramente teorico.

E qui si gioca il vero banco di prova per l’adozione enterprise. Un LLM che eccelle nella manipolazione di fogli di calcolo può ridurre il TCO di interi reparti amministrativi, ma solo se l’inference può avvenire su infrastruttura proprietaria, senza inviare dati sensibili a endpoint gestiti da terzi. I settori più regolamentati – banche, assicurazioni, sanità – guardano ormai alle performance verticali prima ancora che al numero di parametri. Il primato di Kimi K3 in SpreadsheetBench 2 indica che la competizione si sta frammentando: ci saranno modelli campioni per il codice, altri per i documenti legali, altri ancora per i fogli di calcolo. Chi gestisce flotte di GPU on-premise dovrà decidere se mantenere un modello generalista o orchestrarne diversi, ciascuno specializzato, con costi di provisioning e manutenzione differenti.

La notizia, infine, solleva una questione strutturale. Finché i benchmark specialistici sono dominati da modelli di cui non si conoscono licenza, provenienza e requisiti di deployment, il mercato dell’AI auto-ospitata faticherà a tradurre i punteggi in valore concreto. Per chi valuta il deployment on-premise, lo spreadsheet non è solo un test: è un asset aziendale da proteggere.