OpenAI affronta la dura economia dell'AI per i consumatori

OpenAI ha spostato risorse verso i prodotti per le aziende nonostante ChatGPT abbia raggiunto oltre 900 milioni di utenti settimanali. Questo cambio di direzione racchiude la dura economia dell'AI per i consumatori. Un'enorme diffusione genera influenza, dati e abitudini, ma ogni conversazione aggiuntiva consuma anche capacità computazionale scarsa.

Il mercato non sta rifiutando gli assistenti AI. La spesa dei consumatori continua ad aumentare, mentre Meta e diverse startup trovano nuova domanda per gli agenti personali. Il conflitto è alla base di questa crescita. I consumatori si aspettano un abbonamento prevedibile o un accesso gratuito, ma il costo per servirli aumenta con l'utilizzo.

Anthropic offre il modello alternativo più chiaro. Ha costruito la propria attività attorno a sviluppatori e aziende, dove l'utilizzo può essere misurato e collegato a un lavoro di valore. OpenAI, Meta e una nuova generazione di agenti per i consumatori devono ora dimostrare che l'adozione di massa può sostenere un'economia analoga.

L'AI per i consumatori è tornata, ma il modello di business no

Una nuova ondata di agenti personali ha ravvivato l'interesse dei consumatori senza risolvere il modo in cui i loro creatori otterranno rendimenti durevoli.

L'assistente Muse di Meta, Dots di OpenAI e la startup Instinct rappresentano l'ultimo tentativo di trasformare l'AI in un servizio quotidiano per i consumatori. Questi prodotti promettono qualcosa di più attivo di un chatbot. Possono pianificare commissioni, effettuare prenotazioni, coordinare viaggi e aiutare gli utenti a completare attività su altri servizi.

Questa distinzione è importante. L'AI agentica si riferisce a sistemi in grado di compiere una sequenza di azioni verso un obiettivo, anziché produrre soltanto una risposta. Una maggiore affidabilità rende questi agenti più utili, ma incoraggia anche sessioni più lunghe e più calcolo.

Instinct ha già attirato l'attenzione degli investitori per la sua capacità di gestire commissioni. Meta può collocare Muse all'interno di una grande piattaforma consumer e sostenerla con un'attività pubblicitaria consolidata. OpenAI può collegare Dots al pubblico e alle abitudini già create da ChatGPT.

L'opportunità di prodotto è quindi reale. Le persone attribuiscono valore ad assistenti che riducono il lavoro amministrativo, ricordano le preferenze e completano attività in più passaggi. L'analisi sull'AI per i consumatori che ha acceso questo dibattito non sosteneva il contrario.

Il cambiamento è che questi prodotti arrivano dopo che i laboratori all'avanguardia hanno trascorso anni a sperimentare la monetizzazione consumer. Ora sanno che popolarità e redditività non crescono automaticamente insieme. Ogni interazione riuscita con un agente comporta un costo reale di erogazione, mentre il consumatore di solito paga un importo fisso o nulla.

Questo crea un insolito problema di crescita. Il software tradizionale può diventare meno costoso da servire con l'espansione del pubblico, perché una copia può raggiungere milioni di clienti. L'AI generativa deve eseguire nuovo calcolo per quasi ogni richiesta.

Un agente può essere ancora più esigente. Può interpretare un obiettivo, cercare in più fonti, chiamare strumenti esterni, verificare il proprio lavoro e ripetere i passaggi falliti. Un'attività che per l'utente sembra una sola richiesta può trasformarsi in molte operazioni del modello dietro l'interfaccia.

Questo non significa che ogni interazione generi perdite. I fornitori utilizzano modelli più piccoli, dati memorizzati nella cache, sistemi specializzati e limiti per controllare i consumi. Il problema è che gli utenti intensivi possono generare costi molto più elevati degli utenti occasionali con lo stesso abbonamento a prezzo fisso.

I prodotti consumer affrontano inoltre una bassa tolleranza alla frizione. Limiti restrittivi indeboliscono la promessa di un assistente sempre disponibile. La fatturazione a consumo rende rischiosa la sperimentazione. La pubblicità può creare conflitti quando un agente raccomanda prodotti, servizi o destinazioni.

Il risultato è un ritorno con fondamenta irrisolte. Muse, Dots e Instinct possono conquistare utenti prima di dimostrare la propria economia di lungo periodo. Questa strategia può creare una distribuzione di valore, ma rinvia la domanda più difficile anziché rispondervi.

La crescita della domanda non garantisce margini sani

La domanda di AI per i consumatori si sta espandendo rapidamente, ma la sola crescita non può dimostrare che ogni utente aggiuntivo migliori l'attività sottostante.

I recenti dati sui pagamenti forniscono solide prove del fatto che i consumatori desiderano ancora abbonamenti AI. Consumer Edge ha rilevato che la spesa monitorata nella categoria è cresciuta tra il 150% e il 170% su base annua per cinque trimestri consecutivi. L'ultimo periodo è rimasto vicino all'estremità superiore di tale intervallo.

Gli stessi dati sulla spesa dei consumatori hanno mostrato che OpenAI deteneva circa metà della spesa monitorata. Anthropic era passata da meno del 5% nel gennaio 2025 a circa il 30% entro la fine di agosto 2026.

Non è il profilo di una categoria che sta perdendo l'interesse del pubblico. Suggerisce che più persone stanno trovando motivi per pagare, mentre la concorrenza amplia il mercato. Anthropic ha acquisito molti abbonati che non avevano recentemente pagato OpenAI, anziché limitarsi a sottrarre clienti esistenti.

Tuttavia, la crescita della categoria e la redditività dei fornitori misurano cose diverse. I dati sui pagamenti registrano quanto spendono i consumatori. Non rivelano quanto calcolo utilizzi ciascun cliente né quanto il fornitore paghi per erogarlo.

Anche altre stime sull'adozione variano in modo significativo. Una ricerca citata da TechCrunch ha collocato la quota di consumatori paganti nelle basse cifre a una sola cifra percentuale. Un sondaggio separato ha rilevato un uso quotidiano molto più ampio e un tasso di pagamento più elevato tra tali utenti.

Il disaccordo riflette campioni e definizioni differenti. Una banca può vedere le transazioni registrate ma non l'utilizzo gratuito. Un sondaggio può cogliere i comportamenti tra servizi diversi, ma le risposte potrebbero non corrispondere ai dati di fatturazione. Nessuno dei due metodi fornisce un conto economico completo per un fornitore AI.

Persino l'indicatore di domanda più forte lascia un difficile limite massimo. I bilanci delle famiglie includono molti abbonamenti concorrenti, dall'intrattenimento e lo storage cloud fino al software di produttività. Un modello più intelligente non persuade automaticamente i consumatori ad ampliare quel budget.

I miglioramenti dei modelli possono inoltre diventare invisibili agli utenti generalisti. Un ricercatore può notare un ragionamento migliore in valutazioni difficili. Un consumatore che chiede idee per i pasti, riassunti di documenti o suggerimenti di viaggio può percepire una differenza pratica minore.

Questo indebolisce il legame tra progresso tecnico e disponibilità a pagare. Lo sviluppo di frontiera richiede investimenti continui, ma un abbonamento consumer non può aumentare ogni volta che il fornitore rilascia un modello più capace.

La stessa strategia di OpenAI riconosce questo divario. L'azienda afferma che la propria attività combina ora abbonamenti consumer, offerte per il lavoro, pubblicità, commercio e API basate sull'utilizzo. La sua dichiarazione sul modello di business descrive il calcolo come la risorsa AI più scarsa.

Questa combinazione è importante. L'accesso consumer gratuito e a pagamento può creare un'abitudine. Il commercio e la pubblicità possono monetizzare l'attenzione. I prodotti per il lavoro e le API possono addebitare costi in proporzione a un utilizzo misurabile.

La dura economia dell'AI per i consumatori inizia quando questi ruoli vengono confusi. Un vasto pubblico gratuito può avere valore strategico senza essere redditizio in modo indipendente. Un abbonamento a pagamento può generare ricavi ricorrenti senza coprire l'attività di ogni utente intensivo.

Sviluppatori, acquirenti e utenti dovrebbero quindi distinguere il coinvolgimento dai margini. L'attività settimanale dimostra che un prodotto è importante. Non dimostra che i suoi ricavi crescano più rapidamente dei costi di calcolo, ricerca, sicurezza e distribuzione necessari per sostenerlo.

La dura economia dell'AI per i consumatori inizia con ogni prompt

L'AI per i consumatori combina ricavi fissi e utilizzo variabile, creando uno squilibrio che diventa più visibile quando gli assistenti svolgono attività più lunghe e complesse.

L'inferenza è il processo di esecuzione di un modello addestrato per rispondere a una richiesta. Ogni risposta consuma chip, memoria, elettricità, rete e capacità dei data center. I fornitori possono ridurre questi input, ma non possono eliminare il costo marginale.

Il modello dell'abbonamento fisso oscura questa relazione. Due persone possono pagare lo stesso importo generando carichi di lavoro radicalmente diversi. Una può porre poche domande brevi ogni settimana. Un'altra può caricare file di grandi dimensioni, generare contenuti multimediali, eseguire sessioni di programmazione o delegare ricerche in più passaggi.

Per questo la domanda sul perché l'AI per i consumatori perda denaro non può essere risposta soltanto contando gli abbonati. L'unità rilevante non è semplicemente un cliente. È la combinazione di clienti, modelli, prompt, output, chiamate di strumenti e infrastruttura utilizzati durante il periodo di fatturazione.

Il quadro finanziario di OpenAI illustra la pressione. Documenti finanziari esaminati da giornalisti hanno mostrato ricavi in forte crescita nel 2025. Hanno anche mostrato spese di ricerca, costo dei ricavi e perdite operative aumentare a livelli assoluti molto più elevati.

Secondo i documenti finanziari riportati, OpenAI ha registrato ricavi per 13,07 miliardi di dollari nel 2025. Il costo dei ricavi ha raggiunto 7,5 miliardi di dollari, mentre le spese di ricerca e sviluppo hanno raggiunto 19,18 miliardi di dollari.

Queste cifre coprono l'azienda nel suo complesso, non un segmento consumer chiaramente separato. Non possono stabilire il margine esatto su un utente ChatGPT o su un singolo prompt. Mostrano però perché ricavi in rapida crescita non risolvano il dibattito sulla redditività.

OpenAI afferma che i suoi ricavi e il calcolo disponibile sono entrambi aumentati di circa dieci volte tra il 2023 e il 2025. La crescita parallela sostiene la visione dell'azienda secondo cui una maggiore capacità sblocca l'adozione. Dimostra anche quanto strettamente l'espansione commerciale rimanga legata all'infrastruttura.

I guadagni di efficienza offrono una possibile via d'uscita. I fornitori possono instradare le domande semplici verso modelli più piccoli, riutilizzare risultati memorizzati nella cache, comprimere il contesto e migliorare l'utilizzo dell'hardware. Un modello può diventare meno costoso da servire anche mentre la sua qualità migliora.

Tuttavia, l'efficienza può stimolare un maggiore utilizzo. Risposte più rapide ed economiche incoraggiano le persone a inviare più richieste. Gli agenti aggiungono lavoro in background che non faceva parte delle precedenti sessioni con chatbot. Nuove funzionalità per immagini, voce, video e programmazione introducono carichi di lavoro aggiuntivi.

Questo effetto complica l'economia dell'AI consumer di OpenAI. Un costo inferiore per operazione aiuta, ma il costo totale può comunque aumentare quando ogni persona esegue più operazioni. Il fornitore ha bisogno che l'efficienza superi sia la crescita del pubblico sia la crescente intensità d'uso.

La progettazione del prodotto diventa un sistema di controllo economico. Limiti di utilizzo, code, instradamento dei modelli e restrizioni sulle funzionalità non sono soltanto decisioni tecniche. Determinano quanta intelligenza costosa possa essere inclusa in sicurezza in un pagamento fisso.

Questi controlli possono danneggiare la fiducia quando sono imprevedibili. Un assistente che diventa indisponibile durante un'attività urgente ha meno valore. Un modello che cambia silenziosamente può produrre risultati incoerenti. Un plafond restrittivo può scoraggiare gli utenti dal costruire flussi di lavoro affidabili.

Il consumo a consumo risolve parte dello squilibrio perché i ricavi aumentano con il lavoro svolto. Tuttavia, i consumatori raramente desiderano una bolletta incerta per un assistente di uso quotidiano. Le aziende sono più abituate a budget di utilizzo, fatture cloud e impegni negoziati.

Questa preferenza spiega il crescente divario tra AI per i consumatori e AI enterprise. Entrambi i gruppi possono utilizzare modelli sottostanti simili, ma il loro comportamento di acquisto differisce. Le imprese possono collegare una spesa al tempo dei dipendenti, allo sviluppo software, all'assistenza clienti o alle transazioni completate.

Un consumatore spesso confronta un assistente con altri servizi mensili. Un'impresa lo confronta con stipendi, collaboratori esterni, infrastruttura o perdita di produttività. Questo offre al fornitore maggiore spazio per allineare il prezzo al valore economico.

Anthropic ha trasformato il focus sulle imprese in pressione competitiva

Anthropic ha dimostrato che un laboratorio di frontiera può rinunciare al predominio consumer e ottenere comunque potere contrattuale grazie alla domanda aziendale ad alto valore.

La sfida principale non è più soltanto OpenAI contro Anthropic sulla qualità dei modelli. È scala consumer contro monetizzazione enterprise. OpenAI ha costruito una notorietà pubblica senza pari, mentre Anthropic si è concentrata maggiormente su sviluppatori e flussi di lavoro organizzativi.

Questo posizionamento influenza il modo in cui ciascuna azienda assegna risorse di calcolo scarse. Una richiesta consumer può costruire fedeltà o rafforzare la distribuzione. Un carico di lavoro aziendale può sostenere un contratto, espandersi in un team e integrarsi in un processo ricorrente.

La differenza non rende i ricavi enterprise facili da ottenere. Le aziende richiedono sicurezza, affidabilità, governance, integrazione e risultati misurabili. Possono inoltre negoziare con fermezza e cambiare fornitore man mano che i modelli migliorano.

Tuttavia, il lavoro enterprise offre modalità più chiare per attribuire un prezzo al valore. Un sistema di AI per la programmazione può essere valutato rispetto al tempo degli ingegneri. Un assistente al supporto può essere misurato in base alla velocità di risoluzione. Un flusso di ricerca può essere confrontato con gli attuali costi di lavoro e software.

Lo slancio di Anthropic ha aumentato la pressione su OpenAI affinché competesse per questi carichi di lavoro. Dati di Ramp citati da Axios indicavano che Anthropic aveva acquisito oltre il 73% della spesa tra le aziende che acquistavano strumenti di AI per la prima volta in un periodo dell'inizio del 2026.

Il cambiamento nella spesa enterprise offriva una visione limitata dei clienti Ramp, non dell'intero mercato. Ciononostante, forniva un segnale visibile che gli acquirenti enterprise non seguivano automaticamente la popolarità consumer.

OpenAI ha risposto restringendo le proprie priorità. La sua direttrice finanziaria ha dichiarato che i clienti business rappresentavano circa il 20% dei ricavi quando è entrata nell'azienda nel 2024. Entro il 2026, tale quota aveva raggiunto il 40%, e l'azienda prevede un'ulteriore crescita.

L'azienda ha inoltre reindirizzato risorse da alcune iniziative consumer verso modelli orientati alle imprese. Secondo un'intervista a un dirigente, circa il 95% degli utenti settimanali di ChatGPT non pagava.

Questa portata resta strategicamente importante. I consumatori introducono gli strumenti sul lavoro, creano domanda nei team e influenzano i prodotti adottati dalle aziende. Un servizio consumer popolare può diventare un canale di distribuzione per le vendite enterprise.

Il ribaltamento è che la leadership consumer appare sempre più come la parte alta di un funnel commerciale, non come il modello di business definitivo. OpenAI può usare ChatGPT per instaurare fiducia e familiarità, quindi vendere alle organizzazioni un accesso più prevedibile.

Questo schema ricorda i precedenti mercati del software consumer. Strumenti popolari spesso entravano nei luoghi di lavoro attraverso singoli dipendenti prima che i fornitori aggiungessero funzionalità di gestione, sicurezza, collaborazione e approvvigionamento. L'AI aumenta la pressione perché i costi del servizio sono più elevati.

L'AI consumer rispetto all'AI enterprise non è dunque una scelta tra utilità e burocrazia. È una scelta tra due strutture di ricavo. Una massimizza la portata entro rigidi limiti di spesa delle famiglie. L'altra punta a un utilizzo più ristretto con una giustificazione economica più solida.

Anthropic deve comunque sostenere costi rilevanti e la sua concentrazione enterprise introduce rischi. I grandi clienti possono richiedere sconti, supporto personalizzato e capacità dedicata. I ricavi possono concentrarsi in un piccolo gruppo di acquirenti.

Le evidenze non dimostrano nemmeno che la strategia consumer di OpenAI sia fallita. Un pubblico pubblico enorme crea opzioni nel commercio, nella pubblicità, nei dispositivi e nelle partnership. Può inoltre generare feedback sul prodotto che un concorrente focalizzato prima di tutto sulle imprese non può eguagliare.

La conclusione più circoscritta è più solida. I laboratori di frontiera non considerano più sufficiente la scala consumer. Che abbiano iniziato con chatbot pubblici o API per sviluppatori, stanno convergendo su flussi di lavoro aziendali in grado di assorbire il costo dei modelli avanzati.

Meta e gli agenti AI hanno altri modi per generare ricavi

Meta e gli agenti orientati alle transazioni possono sfidare il modello standard degli abbonamenti, ma i flussi di ricavo alternativi introducono vincoli propri.

Meta entra nell'AI consumer con un vantaggio che i laboratori indipendenti non possiedono. Gestisce già grandi reti consumer e un sistema pubblicitario costruito attorno alla personalizzazione. Muse non deve diventare immediatamente un'attività di abbonamenti autonoma.

Un assistente può rafforzare i prodotti esistenti di Meta aumentando il coinvolgimento, migliorando le raccomandazioni o creando nuove superfici pubblicitarie. L'azienda può tollerare un percorso più lungo verso la monetizzazione diretta se l'assistente sostiene ricavi altrove.

Questo sussidio incrociato cambia l'equazione, ma non elimina i costi. Un assistente di successo può creare un notevole onere di inferenza. Meta deve decidere quando un'interazione con l'AI migliora abbastanza la piattaforma più ampia da giustificare tale spesa.

Anche la pubblicità diventa delicata quando un assistente agisce per conto dell'utente. Un feed convenzionale raccomanda contenuti rendendo visibili i propri incentivi commerciali. Un agente personale può sembrare offrire consigli neutrali prima di scegliere un ristorante, prodotto o servizio.

Se il posizionamento a pagamento influenza tale scelta, divulgazione e fiducia dell'utente diventano centrali. Se la pubblicità non la influenza mai, l'assistente potrebbe non beneficiare pienamente dell'attuale motore economico di Meta. L'azienda deve separare chiaramente assistenza e promozione.

Instinct persegue un'altra possibilità: i ricavi da transazioni. Un agente che prenota viaggi, annulla abbonamenti o acquista beni può ricevere un compenso quando completa un'azione. Il ricavo si collega quindi ai risultati anziché al volume delle conversazioni.

Questo approccio alza il tetto oltre un abbonamento consumer a tariffa fissa. Una transazione completata di alto valore può sostenere più calcolo di una chat occasionale. Allinea inoltre il pagamento a un momento in cui l'agente ha dimostrato valore concreto.

Tuttavia, l'economia delle transazioni dipende dall'intento degli utenti e dalla partecipazione dei commercianti. Molte attività AI utili non si concludono con un acquisto. I consumatori potrebbero opporsi a un agente che li indirizza verso partner che offrono la commissione più alta.

Le startup possono anche evitare parte dei costi di ricerca usando modelli costruiti da laboratori di frontiera. Ciò riduce il capitale necessario per addestrare un modello di base, ossia un sistema generico addestrato su dati ampi. Non elimina i costi di inferenza né il rischio di dipendenza.

Un fornitore di modelli può modificare condizioni, limiti o disponibilità. Una startup può avere bisogno di più fornitori per gestire affidabilità e costi. La differenziazione del prodotto deve quindi derivare dalla progettazione dei flussi di lavoro, dalla memoria, dalla distribuzione, dalla fiducia e dalle integrazioni.

Per gli utenti, il contesto personale può diventare un vantaggio significativo. Un assistente che comprende progetti precedenti, documenti, preferenze e impegni può completare attività con meno spiegazioni ripetute. Una base di conoscenza personale ben mantenuta può rendere queste interazioni più coerenti.

Quel contesto solleva anche preoccupazioni per privacy e sicurezza. Gli agenti che gestiscono prenotazioni, messaggi, scelte finanziarie e documenti di lavoro necessitano di autorizzazioni ampie. Un'azione errata può avere conseguenze maggiori di una risposta sbagliata di un chatbot.

Il modello commerciale può intensificare tali preoccupazioni. La pubblicità premia l'attenzione. Le commissioni premiano le transazioni. I contratti enterprise premiano l'adozione sul posto di lavoro. Nessuno rappresenta perfettamente gli interessi dell'utente in ogni situazione.

Gli agenti consumer più credibili renderanno comprensibili questi incentivi. Gli utenti dovrebbero sapere quando una risposta è sponsorizzata, quando una transazione genera un compenso e quando i dati sostengono un'altra parte dell'attività del fornitore.

La difficile economia dell'AI consumer non rende impossibili i modelli alternativi. Rende meno sostenibili i sussidi nascosti e gli incentivi poco chiari. Meta e le startup di agenti hanno più opzioni di un laboratorio basato esclusivamente sugli abbonamenti, ma ogni opzione modifica la relazione con il prodotto.

Tre segnali mostreranno se l'equazione sta cambiando

La prossima fase dipende dal mix enterprise, dai margini corretti per l'utilizzo e dalle prove che gli agenti possano monetizzare il lavoro completato senza indebolire la fiducia degli utenti.

Il primo segnale è il mix dei ricavi di OpenAI. Il management prevede che i clienti business contribuiscano a una quota maggiore delle vendite. Se ciò accadrà mentre l'utilizzo di ChatGPT rimane forte, la portata consumer apparirà sempre più come un canale di acquisizione per i prodotti destinati al lavoro.

Tale risultato rafforzerebbe l'argomento centrale. OpenAI potrebbe mantenere un grande servizio pubblico usando al tempo stesso i ricavi enterprise per sostenere ricerca e infrastrutture costose. L'AI consumer resterebbe strategicamente vitale senza dover sostenere l'intera azienda.

Un'inversione sarebbe altrettanto istruttiva. Se nuovi prodotti consumer generassero ritorni significativi da pubblicità, commercio o abbonamenti, OpenAI potrebbe dimostrare che l'intelligenza per il mercato di massa sostiene un motore economico più ampio.

Il secondo segnale è se i fornitori comunicheranno margini in miglioramento rispetto all'utilizzo. La sola crescita dei ricavi non è più sufficiente. Investitori e clienti hanno bisogno di prove che servire attività aggiuntiva consumi una quota minore dei ricavi.

Occorre osservare miglioramenti legati all'instradamento dei modelli, ai chip personalizzati, alla cache, ai modelli più piccoli e all'utilizzo dei data center. Questi cambiamenti contano solo se i risparmi persistono dopo che gli utenti adottano funzionalità più intensive.

Il confronto corretto non è il costo per token considerato isolatamente. È il costo di completare un'attività utile. Un agente che usa più token ma porta a termine un lavoro di valore può avere un'economia migliore di un chatbot economico che produce una risposta inutilizzabile.

È anche qui che i knowledge worker dovrebbero prestare attenzione. Limiti e selezione dei modelli definiranno quali attività resteranno disponibili nei piani consumer. I flussi di lavoro ad alto valore e ad alta intensità di calcolo probabilmente migreranno verso prodotti per il lavoro o basati sull'utilizzo.

Il terzo segnale è la qualità delle transazioni di agenti come Instinct e assistenti di piattaforma come Muse. I soli acquisti completati non risolveranno la questione. La prova critica è l'utilizzo ripetuto senza un aumento dei reclami relativi a indirizzamento, errori, privacy o sponsorizzazioni poco chiare.

Ricavi da transazioni affidabili indebolirebbero l'affermazione che i contratti enterprise siano l'unica via oltre gli abbonamenti consumer. Darebbero agli agenti AI una struttura economica più vicina ai marketplace e alle piattaforme di pagamento.

Una debole fidelizzazione o problemi di fiducia rafforzerebbero lo spostamento verso l'enterprise. Le aziende possono negoziare regole, audit e garanzie di servizio. I singoli utenti hanno meno strumenti oltre all'abbandono del servizio.

Gli sviluppatori dovrebbero osservare gli stessi segnali da un'altra prospettiva. Se gli agenti consumer faticano a monetizzare, i proprietari delle piattaforme limiteranno l'utilizzo, daranno priorità a modelli più economici o cercheranno maggiori ricavi dalle integrazioni. Tali decisioni influenzeranno l'accesso alle API e i prodotti di terze parti.

Gli acquirenti enterprise dovrebbero evitare di presumere che la popolarità di un fornitore ne garantisca la solidità nel tempo. Dovrebbero valutare limiti del servizio, controlli sui dati, struttura dei prezzi e dipendenza da infrastrutture esterne. Un fornitore che oggi sovvenziona un utilizzo intenso potrebbe riprogettare l'accesso in seguito.

I consumatori dovrebbero aspettarsi una maggiore segmentazione. L'accesso gratuito può restare ampio, mentre agenti avanzati, attività più lunghe e flussi di lavoro persistenti passeranno a esperienze a pagamento o sponsorizzate. Il confine rifletterà il costo del servizio tanto quanto la sofisticazione del prodotto.

La difficile economia dell'AI consumer non dimostra che le persone rifiutino la tecnologia. Rivela il problema opposto: le persone vogliono usarla spesso, per attività sempre più impegnative, senza pensare al calcolo che sta dietro ogni azione.

Le aziende che resisteranno saranno quelle capaci di trasformare questa domanda in ricavi senza far apparire l’assistente inaffidabile o imprevedibile. Osservate cosa limitano, quali carichi di lavoro trasferiscono nei prodotti business e quanto chiaramente rendono noti gli incentivi commerciali. Queste scelte diranno se l’IA per i consumatori ha trovato un mercato duraturo o resta la più costosa strategia di acquisizione del settore.