Due mosse in poche settimane stanno riscrivendo le regole del costo dell’intelligenza artificiale made in China. Alibaba ha rilasciato Qwen3.8-Max, il suo LLM più grande con 2,4 trilioni di parametri, mentre DeepSeek ha attirato l’attenzione con V4-Flash, un modello che porta il prezzo di listino dell’inference a livelli quasi simbolici: 0,14 dollari per milione di token in input e 0,28 dollari per l’output. Non è una semplice rincorsa alla taglia: il terreno di scontro si è spostato su architettura, efficienza e, soprattutto, sulla possibilità di portare i pesi dei modelli dentro i propri data center.

Entrambi i modelli usano architetture mixture-of-experts. Qwen3.8-Max attiva circa 95 miliardi di parametri per richiesta su 2,4 trilioni totali, riducendo latenza e consumi. DeepSeek V4-Flash, con 284 miliardi di parametri totali e 13 miliardi attivi durante l’inference, adotta la stessa filosofia ma con una scala ridotta. Moonshot AI, con Kimi K3, segue lo stesso principio (2,8 trilioni totali, 104 miliardi attivi) ma con tariffe più alte: tre dollari per milione di token in input e quindici per l’output.

I numeri dei listini API raccontano però solo una parte della storia. Il vero costo di un task è una funzione di quanti token vengono generati e di quante interazioni richiede. Kimi K3, per esempio, nel benchmark AA-Briefcase ha prodotto in media 120.000 token di output e 83 chiamate per attività, traducendosi in un costo reale di oltre dieci dollari a task. Lo stesso benchmark, riferisce Reuters citando Artificial Analysis, è stato completato da V4-Flash a circa tre centesimi, dimostrando che una tariffa bassa per token non è automaticamente un costo inferiore se il modello consuma meno compute per arrivare al risultato.

Qui interviene un fattore che fa la differenza per chi pianifica infrastrutture AI: la distribuzione open-weight. Alibaba, DeepSeek e Moonshot AI rilasciano i pesi dei modelli con licenze che consentono il deployment su hardware proprio o tramite provider terzi. V4-Flash è disponibile con licenza MIT su Hugging Face, Kimi K3 con licenza proprietaria ma comunque scaricabile. Questo significa che un’organizzazione può eseguire l’inference su GPU acquistate o noleggiate in colocation, senza vincolarsi a una singola API cloud. Il costo dell’inference diventa allora una questione di CapEx e capacità di calcolo interna, non di tariffa a consumo.

Per i carichi di lavoro aziendali, il messaggio è netto. Lian Jye Su, chief analyst di Omdia, sintetizza: «Molti processi non hanno bisogno del modello migliore in assoluto. Servono modelli sufficientemente buoni, economici, trasparenti e accessibili — e gli open-weight soddisfano questa domanda.» L’accesso diretto ai pesi permette di tenere i dati in-house, allinearsi a requisiti di sovranità e ottimizzare l’uso delle GPU che già girano nei rack.

La corsa cinese non sta solo abbattendo il costo per token: sta costruendo un ecosistema in cui il modello è un asset che l’utente controlla, non un servizio a consumo erogato da un hyperscaler. Chi valuta deployment on-premise può trovarsi di fronte a un cambio di paradigma: il confronto non è più soltanto tra prezzi API, ma tra costo totale di possesso, autonomia operativa e governance dei dati. Ed è esattamente il tipo di scenario in cui una scelta architetturale diventa un vantaggio competitivo.