Modelli più potenti, valore più scarso: perché l'AI fatica a diventare business

Mercoledì Alphabet ha perso quasi il 10% in Borsa dopo che Google ha ammesso che le ricerche in “AI Mode” rendono meno della ricerca tradizionale. La crescita d’uso non compensa il calo di monetizzazione, ha detto il chief business officer Philipp Schindler. Tesi: la potenza dei modelli e il volume di utilizzo aumentano, ma processi, accesso e modelli di ricavo non tengono il passo. Il risultato è valore economico più scarso del previsto¹.

1) Il paradosso visibile nei conti di Alphabet

I conti dicono che le query crescono al ritmo più alto degli ultimi cinque anni. Una parte arriva dall’adozione di AI Mode, il formato basato su modelli linguistici di grandi dimensioni. Ma Schindler parla di “lower monetization we were seeing in AI Mode”. Gli utenti usano di più la ricerca, la resa pubblicitaria di quel formato è più bassa¹.

La voce “ricavi da ricerca” sale del 12% anno su anno, a 63,25 miliardi di dollari. Un aumento sotto il 14,5% dello stesso trimestre dell’anno scorso. L’azienda attribuisce il rallentamento alla minore monetizzazione delle ricerche gestite in AI Mode rispetto alla ricerca tradizionale¹.

L’effetto è duplice: la domanda cresce, il tasso di conversione economica no. Per chi progetta prodotti, l’indicazione è chiara: i nuovi formati di ricerca non riproducono automaticamente la resa della ricerca classica. Servono metriche e strategie dedicate per sostenere la monetizzazione in AI Mode¹.

2) Più potenza nei modelli, accesso e monetizzazione limitati

In parallelo, Google DeepMind presenta Gemini 4 Carbon, il suo modello più potente, pensato per coding agentico di lungo orizzonte e difesa informatica. Carbon guida l’Artificial Analysis Intelligence Index v5.0 con un punteggio di 59 e supera Argon in 15 benchmark su 17. Esempio concreto: su GraphWalks, nei range 256 mila e 1 milione di token, registra il 96,2% di BFS F1 contro l’84,2% di Argon. Il dato più debole è su OSWorld-2.1, dove resta all’81,5%, dietro Claude Opus 5.5 all’87,2%².

Carbon però non offre una API pubblica. L’accesso parte con un gruppo verificato di difensori. Google non ha pubblicato né il numero di parametri né la finestra di contesto del modello. Il confronto disponibile è il predecessore Argon, che ha una finestra da 1.048.576 token².

L’accesso selettivo contiene la diffusione immediata, anche a fronte di benchmark elevati. Le capacità crescono, ma la platea che può usarle resta ristretta. Per chi deve costruire processi e servizi sopra modelli di punta, l’adozione procede per cerchie limitate e non per apertura generalizzata².

3) Governance interna: automazione dei controlli e qualità

Dove i modelli arrivano in produzione, i team devono investire in governance. Google ha attivato gate di qualità automatici su ogni modifica alle Agent Skills e ha aggiunto un agente di revisione basato su AI. Il repository ha superato 21.000 stelle su GitHub e ospita oltre 170 skill, distribuite su più piattaforme di AI. A questa scala, passaggi manuali e test locali non reggono: correzioni piccole possono introdurre bug sottili difficili da intercettare prima che arrivino agli utenti⁴.

La scelta è trattare le skill come prodotti. Si codificano regole, si automatizzano controlli, si ispeziona la qualità a monte. L’obiettivo è ridurre regressioni e allineare comportamenti su piattaforme diverse⁴.

Qui si ricollega il nodo Alphabet: se i nuovi formati portano rese diverse, occorre progettare e misurare la qualità con strumenti adeguati. I flussi di sviluppo per esperienze AI lato utente richiedono controlli continui e standard espliciti, non procedure episodiche^1,4.

4) Impatto su persone, reclutamento e valore aziendale

Gli effetti toccano le persone. Felix Rieseberg, engineering manager di Anthropic, ha smesso di usare i colloqui di coding tradizionali per il suo team. “Il coding interview è morto”, scrive. Le prove che prima davano un segnale, oggi non bastano più. “Non ha più senso darti una piccola sfida in React quanto interrogare le persone sull’assembly: Claude ora è migliore in entrambi.” Nota anche che “i nostri builder più impattanti hanno successo a prescindere da quanto siano bravi in questi test”³.

Il punto è tecnico. Se un assistente può superare un esercizio mirato, il risultato perde utilità come misura del potenziale del candidato. Cambia il segnale che l’azienda può estrarre dal test. Ciò spinge a valutare competenze diverse: definizione del problema, orchestrazione di strumenti, qualità del giudizio. Il passaggio richiede metriche e ambienti di prova nuovi. E, come mostrano i processi sulle Agent Skills, servono controlli codificati anche per il lavoro umano assistito^4,3.

Sul lato impresa, la distanza tra capacità tecnica e valore dichiarato resta ampia. Un sondaggio di MIT Technology Review Insights indica che solo il 16% delle aziende ottiene valore trasformativo dall’AI. Il 40% vede guadagni moderati in compiti o team specifici, il 21% guadagni significativi, il 23% ritorni minimi o nulli. Molte organizzazioni usano più piattaforme e strumenti AI in parallelo, inclusi assistenti conversazionali e automazione di flussi. Funzionano bene da soli, ma spesso producono risultati sbagliati o confusi, senza un contesto corretto del business. È uno dei motivi per cui i ritorni faticano ad arrivare. L’analisi propone di costruire un “company brain” per condividere contesto e regole interne fra strumenti⁵.

La traiettoria comune emerge netta:

• Sul fronte prodotto, nuovi formati come AI Mode accrescono l’uso ma riducono la resa per ricerca, con impatto diretto su ricavi e incentivi di design¹.
• Sul fronte modello, le prestazioni di punta convivono con accesso limitato, anche quando i numeri sui benchmark sono alti².
• Sul fronte processo, la qualità richiede automazione e revisione continua. La governance diventa parte integrante dell’ingegneria⁴.
• Sul fronte persone, i criteri di selezione cambiano perché gli assistenti superano le prove standard. Il capitale umano si valuta su compiti diversi³.
• Sul fronte azienda, senza un contesto condiviso tra strumenti, l’AI produce benefici localizzati più che trasformazione diffusa⁵.

La sintesi operativa è sobria. Per costruire valore, serve riallineare tre assi: formato e unit economics dei prodotti AI esposti agli utenti, modalità di accesso ai modelli più capaci, infrastruttura di governance che renda affidabile il lavoro ibrido tra persone e agenti. I fatti recenti mostrano che ciascun asse si muove, ma non alla stessa velocità. Finché i modelli più forti resteranno a disponibilità ristretta², le interfacce generative renderanno meno della loro controparte storica¹ e gli strumenti aziendali non condivideranno contesto⁵, l’AI spingerà più sperimentazione che margini. La leva possibile, qui e ora, passa dai processi: automatizzare i controlli dove la scala lo impone e cambiare cosa misuriamo nelle persone che assumiamo^4,3.