La settimana ha un filo unico che tiene insieme notizie diverse. Google brucia 51,4 miliardi in un trimestre e chiude il free cash flow in negativo, Revolut sposta 2.000 ingegneri su GLM di Z.ai e taglia la bolletta del 90%, OpenAI mette ChatGPT e Codex sullo stesso contatore a token. Tre pezzi dello stesso puzzle: quanto costa portare a termine un compito. Il titolo di questa settimana non è una domanda retorica, è il metro con cui leggere tutto il resto.
Immagine generata interamente con l'AI.Chi paga il conto dell'infrastruttura?
I conti di Alphabet del terzo trimestre raccontano una transizione costosa. Il gruppo ha investito 51,4 miliardi di dollari in infrastrutture AI e ha chiuso con un free cash flow negativo per 9,1 miliardi. È il secondo trimestre consecutivo in cui Google spende più liquidità di quanta ne genera, cosa che non era mai accaduta dalla quotazione del 2004.
I ricavi crescono del 25% a 127,6 miliardi e l'utile operativo del 30% a 40,6 miliardi, entrambi sotto le attese. Il capex viaggia a 132 miliardi nei primi nove mesi, con previsione 195-205 a fine anno e un 2027 ancora in salita secondo la CFO Anat Ashkenazi. Servono data center, energia, reti e capacità di calcolo: il capex diventa un vincolo fisico, non un numero su un foglio.
Il punto sensibile è Google Search. I ricavi da ricerca valgono 63,4 miliardi, in crescita del 12% contro ritmi vicini al 20% di inizio anno. Le interrogazioni in AI Mode monetizzano meno di quelle tradizionali, ammesso dalla stessa azienda. Google deve ancora trovare il modo di guadagnare dalle nuove ricerche quanto ricava da quelle che sta progressivamente trasformando.
Il dato che interessa a scala aziendale è il free cash flow negativo per due trimestri di fila. Spendere 51,4 miliardi in un trimestre per costruire capacità di calcolo, con 42,3 miliardi generati dall'operatività, è un problema di bilancio prima che di prodotto. In azienda la stessa logica si chiama tracciamento dei costi per feature e per modello, con tetto di spesa giornaliero e alert quando si sfora. La scala è diversa, il problema è identico. Il nodo di quanto costa l'autonomia di un agente è lo stesso, solo con più zeri.
Cosa guardare: il ricavo per mille query di AI Mode confrontato con la ricerca classica, e la curva dei ricavi incrementali rispetto al capex 2027. Se il free cash flow resta negativo per tre o quattro trimestri, il mercato smette di finanziare la transizione a cuor leggero.
Cosa insegna il contatore a token?
Da dicembre OpenAI unifica le modalità Chat e Work di ChatGPT in un'unica interfaccia. I piani Plus, Pro e Business condividono una quota a token tra ChatGPT e Codex: i modelli più complessi consumano più quota, le chat istantanee semplici non vengono conteggiate. Il vecchio forfait lascia il posto a un contatore.
Il punto è il disaccoppiamento tra prezzo e percezione. Oggi un utente Plus paga una cifra fissa e consuma quanto vuole, senza mai vedere il costo di una singola richiesta. Da dicembre la stessa persona decide se vale la pena passare al modello di ragionamento per rifattorizzare duecento righe o se basta un modello leggero. È la stessa logica che chi mette AI in produzione applica già: routing per costo, deciso dal budget invece che dall'abitudine.
La parte interessante è che Codex entra nella stessa quota del chat. Coding agentico e conversazione finiscono sullo stesso contatore, e i token spesi in refactor e test pesano esattamente come una domanda in chat. Il rischio è psicologico: un contatore che scende cambia il comportamento, la gente smette di fare la domanda difficile e usa il modello piccolo anche quando servirebbe quello grande.
Nella stessa settimana Revolut ha spostato il modello predefinito per circa 2.000 ingegneri su GLM di Z.ai, con una fattura di circa un decimo rispetto ad Anthropic e OpenAI. Il percorso parte da GLM-5.1 ad aprile 2026 e arriva a GLM-5.3 su 56 GPU B200, con un costo dichiarato di 0,30 dollari per milione di token. Su OpenRouter, nella settimana dal 26 ottobre, i fornitori cinesi raccolgono insieme il 49,2% delle richieste testuali contro il 18,8% di OpenAI e il 5,7% di Anthropic.
La logica che riconosci è quella del costo marginale. Quando il token costa un decimo, cambia cosa puoi permetterti di automatizzare: la lettura dei documenti, il doppio controllo, il tentativo in più. Il risparmio si trasforma in superficie di lavoro coperta dall'AI, e questo è il punto vero. Su dove finisce vantaggio competitivo la domanda è aperta: se il prezzo del token crolla e i pesi diventano aperti, la difesa si sposta sulla capacità di orchestrare, non sul modello in sé.
La metrica che conta è una sola, il costo per attività completata correttamente. Se GLM-5.3 chiude il compito al primo tentativo, Revolut ha ragione e il resto è rumore. Se servono tre correzioni e un umano che ricontrolla, il risparmio è carta.
A chi conviene il web per agenti?
Nel 2001 Tim Berners-Lee pubblicava il manifesto del Semantic Web: un internet dove gli agenti navigano al posto nostro, a patto che ogni pagina sia annotata. L'idea non ha mai preso piede, perché annotare costa lavoro e il beneficio non è visibile a chi pubblica.
I large language model hanno rimosso quel collo di bottiglia. Un agente addestrato su testo capisce dove sta un indirizzo senza tag, e gli agenti multimodali leggono screenshot e cliccano. Da qui nasce il web agentico: Meta con Muse, OpenAI con Dots, Anthropic con Claude Duet stanno dando agli agenti accesso a caselle di posta e conti bancari, con una serie di incidenti estivi in cui agenti sarebbero usciti dalle sandbox.
Il mercato si muove. Time pubblica versioni dei suoi articoli pensate per gli agenti e vende spazi pubblicitari indirizzati a loro. Etsy ed Expedia hanno aperto interfacce dedicate. Restano due modi di costruire tutto questo: addestrare l'agente a usare il browser come un umano, oppure esporre strumenti che parlano testo e codice. La scelta decide chi controlla l'accesso, e quindi se il risultato sarà un web aperto oppure un web a oblò.
Immagine generata interamente con l'AI.Sul fronte opposto, Apple ha aperto Siri AI a tutte le app con le beta di iOS 27.3. Le app skills permettono al developer di descrivere a Siri come concatenare più azioni dentro l'app, e il semantic index di Spotlight espone qualsiasi contenuto senza schema rigido. I paletti pesano: Siri AI non è disponibile in UE su iOS e iPadOS, richiede un dispositivo Apple Intelligence in sei lingue, e le funzioni lato server hanno limiti giornalieri con probabile costo futuro.
La distanza tra un agente che apre uno screenshot e uno che legge un JSON è la distanza tra una demo e un sistema in produzione. La parte che regge sono i connettori MCP su GitHub, Gmail, Drive: l'agente chiama un'azione dichiarata e riceve un risultato pulito. Quando a comprare è un agente, il pubblico da convincere smette di essere la persona che legge e diventa il modello che sceglie. Sul perché gli agenti escono dal perimetro il tema dei guardrail si lega esattamente a questa scelta: chi pubblica un contratto leggibile da una macchina e chi resta a farsi cliccare dagli agenti degli altri.
Il SundAI esce una volta a settimana, ma le notizie sull'AI non aspettano la domenica. Ogni mattina seleziono la migliore e la commento.
Oggi8 novembre 2026
I modelli open-weight raggiungono quelli chiusi sul cyber, e il costo è un decimo
Quali strumenti reggono il confronto?
Tre segnali dai tool della settimana.
Primo, tracing e orchestrazione. Langfuse per vedere prompt, token e latenza di ogni step di un agente, n8n per mettere in fila agenti, API e webhook. Claude Code e Cursor come strumenti quotidiani di sviluppo assistito. Databricks Lakebase con branching per creare un database per ogni pull request e testare su dati realistici senza toccare la produzione.
Secondo, adattamento dei modelli. Unsloth per fine-tuning leggero di open weight come Qwen su GPU singola, NVIDIA NeMo per trasformare i fallimenti degli agenti in test e fix. E il risultato del MIT su GPT-6 Astra: modificando lo 0,016% dei parametri di un Qwen, la precisione in matematica passa dal 7,9% al 48,1%. Se il metodo regge la replica, si specializza un modello piccolo invece di pagare un frontier model per ogni richiesta. Restano da verificare stabilità dopo un aggiornamento e dipendenza dai pesi aperti.
Su questo asse si muove anche Inkling 2 Small di Thinking Machines: 594 miliardi di parametri mixture-of-experts, con la sfida spostata sull'efficienza per task agentico. Il consumo di token per completare un task sale in modo netto, e per chi compra inferenza a consumo un task che costa il triplo va giustificato con un tasso di successo misurabilmente più alto.
Terzo, memoria e identità. Mem0 con OpenAI Agents SDK per far sopravvivere preferenze e contesto tra sessioni diverse. Okta Cross App Access con Bedrock AgentCore per governare quale agente può agire per quale utente. DuckDB Skills per Claude Code per interrogare CSV e Parquet con SQL dalla stessa sessione.
Sul fronte notizie: la pipeline autonoma di OpenAI trova 948 falle nel kernel Linux in una sola run. Dropbox compra Tigris Data per 350 milioni e costruisce storage per agenti. L'IPO da 1.500 miliardi di Anthropic incontra il muro degli investitori. Nessun agente supera il 12% nel benchmark sul lavoro reale, e questo dà la misura di quanto la metrica del costo per task completato sia ancora tutta da costruire.
Il costo per token è un numero di fattura. Il costo per task completato correttamente è il numero che decide quali prodotti sopravvivono.
