Una nuova logica economica sta emergendo nel mondo dell’intelligenza artificiale, e potrebbe ridefinire in profondità il modo in cui aziende e mercati valutano il valore generato dalle macchine. Al centro di questa visione c’è Jensen Huang, amministratore delegato di Nvidia, che ha recentemente delineato un futuro costruito attorno alla produzione, al consumo e alla monetizzazione dei token.
L’idea, promossa con forza durante l’evento annuale del gruppo, parte da un presupposto semplice ma potente: i token rappresentano l’unità fondamentale di output dei modelli linguistici avanzati. Per dare un ordine di grandezza, servono circa 1.300 token per generare 1.000 parole di testo. In questa prospettiva, il parametro chiave diventa il costo per token, destinato a trasformarsi nella metrica centrale per valutare efficienza e redditività dei sistemi di intelligenza artificiale.
Non è difficile comprendere perché questa narrativa sia così funzionale agli interessi di Nvidia. In un contesto in cui Wall Street mostra segnali di nervosismo per gli elevati investimenti richiesti dall’AI e per la crescente concorrenza, spostare l’attenzione sui token consente di semplificare il quadro: finché la domanda supera l’offerta e i chip dell’azienda riescono a produrre token al costo più basso possibile, il modello regge.
I numeri raccontano però una storia più complessa. Negli ultimi due anni il costo dei token è crollato in modo drastico. Quando OpenAI ha lanciato GPT-4, il prezzo era di circa 33 dollari per un milione di token. Oggi, con i modelli più economici, si parla di appena 0,09 dollari per la stessa quantità. Una riduzione superiore al 99%, che evidenzia una dinamica tipica dei mercati tecnologici: la rapida commoditizzazione.
Questo calo dei prezzi è positivo per i clienti, ma solleva interrogativi cruciali sulla sostenibilità dei margini. Se i token diventano una commodity, il rischio è che i produttori — le cosiddette “fabbriche di AI” — perdano potere di determinazione dei prezzi, soprattutto se tutti utilizzano infrastrutture simili basate sugli stessi chip.
A complicare ulteriormente il quadro è l’evoluzione tecnologica dei modelli. Le nuove generazioni, come i sistemi di reasoning introdotti a partire dal 2024, consumano quantità molto più elevate di token per produrre risposte più sofisticate. A questi si aggiungono gli AI agents, progettati per automatizzare attività complesse nel lavoro d’ufficio. Il risultato è un potenziale aumento esponenziale del consumo di token, e quindi dei costi per le aziende.
Qui emerge il primo grande limite della teoria della token economy: il legame tra produzione di token e creazione di valore reale. Ridurre il costo unitario non garantisce automaticamente che i servizi basati su AI diventino profittevoli. Un’azienda può generare milioni di token a basso costo, ma se questi non si traducono in maggiore produttività o ricavi, il modello resta fragile.
Alcuni segnali iniziano a emergere nel settore dello sviluppo software, dove si stanno sperimentando metriche per collegare l’utilizzo dei token alla produttività dei lavoratori. In prospettiva, si immagina un futuro in cui il costo di un dipendente non sarà più solo lo stipendio, ma includerà anche una quota mensile di token. Tuttavia, questa visione è ancora lontana dall’essere realtà.
Il secondo nodo critico riguarda la redditività delle infrastrutture. Se tutte le aziende utilizzano hardware simile fornito da Nvidia, diventa difficile ottenere un vantaggio competitivo sul costo per token. Questo scenario ricorda da vicino le fasi iniziali del cloud computing, quando servizi come Amazon Web Services offrivano capacità di calcolo e storage a prezzi sempre più bassi.
All’epoca, molti si chiedevano come fosse possibile generare profitti in un mercato apparentemente dominato da servizi standardizzati. La risposta è arrivata con l’evoluzione verso piattaforme più complesse e a maggior valore aggiunto. Il cloud non è rimasto una commodity, ma è diventato un ecosistema su cui costruire interi modelli di business.
La domanda chiave oggi è se lo stesso percorso possa essere replicato nell’intelligenza artificiale. Aziende come OpenAI e Anthropic hanno davanti un’opportunità simile: trasformare i token da semplice output tecnico a base per servizi ad alto valore. Tuttavia, il contesto competitivo è molto più affollato rispetto agli inizi del cloud, e non è ancora chiaro chi riuscirà a emergere.
Un altro elemento da considerare è la struttura del mercato. Il cloud è dominato da pochi grandi operatori, un oligopolio che ha contribuito a sostenere margini elevati. Nel caso dell’AI, invece, la competizione tra aziende di frontiera è ancora intensa e aperta. L’evoluzione di questa competizione sarà determinante per definire i livelli di profitto dell’intero settore.
In definitiva, la visione di Jensen Huang offre una chiave di lettura affascinante e coerente per interpretare l’economia dell’intelligenza artificiale. Tuttavia, restano aperte questioni fondamentali: il legame tra token e valore, la sostenibilità dei margini in un contesto di prezzi in caduta libera e la capacità dell’industria di costruire servizi realmente differenziati.
La token economy potrebbe diventare davvero la nuova infrastruttura dell’economia digitale. Ma, per ora, è ancora più una promessa che una regola consolidata.
