2,5 miliardi di persone che non hanno scelto: la guerra fredda dell'AI la sta vincendo Google

Il 25 agosto Apple ha annunciato il nuovo Mac Studio: M5 Ultra, fino a 512 GB di memoria unificata, 1,2 TB/s di banda, 18.299 $ al massimo della configurazione.

Due mosse rumorose in sette giorni

È la prima macchina da scrivania che fa girare un modello di frontiera senza toccare il cloud.

Nove giorni prima, un report di Hugging Face aveva messo in fila i download dei modelli open: Qwen a 2.045 milioni, Google a 418, Meta a 227. Il laboratorio cinese che i pesi li regala ha superato di cinque volte chi quei pesi li pubblica per presidiare l'ecosistema.

Due mosse, sette giorni, la stessa lettura ovunque: da una parte l'hardware che ti libera dal cloud, dall'altra i modelli che ti liberano dal fornitore.

Su LinkedIn è diventato subito il solito discorso su privacy, sovranità del dato e local-first.

Quel discorso è già stato fatto. E soprattutto guarda il fronte sbagliato.

Perché mentre si contano i parametri e si discute di dove gira l'inferenza, c'è un'azienda che non ha bisogno di vincere nessuno dei due confronti. Le basta essere già dentro il punto in cui il lavoro succede.

I benchmark sono il fronte sbagliato

C'è una regola empirica che vale da tre anni: la classifica dei modelli si ribalta a ogni release.

Chi era primo a maggio è terzo a luglio. Chi era terzo esce con un checkpoint nuovo e torna primo. Ogni volta la timeline riparte da zero e la guerra ricomincia.

Se la tua decisione tecnica dipende da quella classifica, la stai ri-prendendo ogni sei settimane. È esattamente il tipo di decisione che una startup non si può permettere: non perché sia sbagliata, ma perché il costo di ri-valutarla continuamente supera il delta di qualità che ottieni.

Poi c'è il conto del local-first, che nessuno fa fino in fondo.

18.299 $ di capex per la configurazione che serve davvero — 512 GB, non i 2.499 $ del taglio base. Contro un abbonamento di frontiera che costa qualche centinaio di euro l'anno. Il payback è a diversi anni, su hardware che in diversi anni non sarà più di frontiera, per far girare un modello che nel frattempo è stato superato due volte.

Non sto dicendo che sia una macchina inutile. Per un carico di inferenza continuo, con dati che non possono uscire, il conto torna. È una scelta di architettura legittima con un dominio di applicabilità stretto.

Sto dicendo che è una scelta di infrastruttura, e che le scelte di infrastruttura non decidono chi vince un mercato. Decidono cosa fa la tua azienda con la sua bolletta.

La distribuzione decide chi vince. Ed è lì che il conto è già chiuso.

Il default non si conquista, si eredita

Ogni mese 2,5 miliardi di persone incontrano una risposta generata da un modello dentro Google Search. Si chiamano AI Overviews. Nessuna di quelle persone ha scelto di usare un prodotto AI: ha cercato una cosa su Google, come faceva prima.

L'app Gemini ha superato il miliardo di utenti mensili. È il prodotto cresciuto più in fretta nella storia dell'azienda: 750 milioni nel Q4 2025, 900 a maggio, oltre un miliardo ad agosto.

Gemini for Workspace sta a 8,4 milioni di postazioni a pagamento, +184% anno su anno. Non sono utenti che hanno provato un tool: sono aziende che hanno rinnovato Workspace e si sono ritrovate il modello dentro Gmail, Docs, Calendar e Meet.

Questo è il punto che il dibattito sui benchmark non tocca mai.

Ogni altro fornitore, per arrivare a un utente, deve chiedergli di fare qualcosa: aprire una tab nuova, creare un account, incollare una chiave API, cambiare abitudine. È attrito. Piccolo, ma moltiplicato per un miliardo di persone diventa il confine tra un prodotto di nicchia e un default.

Google quell'attrito non lo paga. Il tool non è cambiato, è cambiato sotto.

E un default non si difende con la qualità del modello. Si difende con la posizione. Puoi avere il modello migliore del mondo e restare il tool che l'utente apre di proposito, che è una categoria strutturalmente più piccola di quello che l'utente si trova aperto.

Il layer che nessuno guarda

Poi c'è la parte che non finisce nei confronti perché non ha un numero di parametri da mettere in tabella.

NotebookLM — da luglio si chiama Gemini Notebook — sta a 30 milioni di utenti e oltre 600.000 organizzazioni. Da giugno ogni notebook ha dentro un computer cloud isolato che scrive ed esegue codice per fare analisi sui documenti che ci hai caricato. Non è un chatbot sui tuoi PDF: è un ambiente di esecuzione dentro un tool di ricerca.

Io lo uso per l'università e non ho un sostituto.

Antigravity è l'ambiente di sviluppo agentico. È stato integrato dentro Gemini Notebook prima ancora di essere un prodotto maturo come IDE standalone, il che dice quale dei due Google considera il veicolo di distribuzione.

Pomelli è uscito da Google Labs con DeepMind: analizza il sito di un'azienda, ne estrae tono di voce, palette e stile, e genera campagne coerenti. È gratis, in beta pubblica.

Guardati questi tre insieme e il pattern è evidente.

Google non sta vendendo un modello. Sta spedendo il workflow completo dentro il posto in cui quel lavoro già succedeva:

• la ricerca accademica dentro il tool di appunti
• il codice agentico dentro il tool di ricerca
• il marketing dentro un prodotto gratuito che entra dal sito aziendale
• la produttività dentro la suite che l'azienda già paga

Nessuno di questi vince un benchmark. Tutti e quattro occupano un punto di consumo.

E un punto di consumo occupato non si libera quando esce un modello migliore. Si libera quando l'utente cambia processo, che è un ordine di grandezza più raro.

Il costo per token è una scelta di architettura

Qui c'è la parte che mi interessa di più da chi scrive software, perché è l'unica che si misura senza opinioni.

Ironwood è la TPU di Google. Costo di inferenza per Gemini: 0,18 $ per milione di token, contro 0,31 $ su una configurazione B200 comparabile. I benchmark indipendenti di SemiAnalysis mettono il TCO a circa il 44% in meno di un server GB200 equivalente.

Midjourney ha migrato da GPU Nvidia a TPU e la spesa di compute mensile è passata da 2,1 milioni a 700.000 $. Meno 65%.

Il motivo non è una furbizia sul silicio. È che Google possiede il chip, l'interconnessione, il compilatore e il cloud. Quattro layer, nessun margine di terzi in mezzo, e ogni pezzo progettato conoscendo gli altri tre. I pod da 9.216 chip con mesh ottica proprietaria esistono perché chi ha disegnato il chip sapeva già come li avrebbe collegati.

È la stessa logica per cui in un progetto scegli una libreria che parla con lo stack che hai già, invece della libreria migliore in assoluto: l'integrazione è una feature, e di solito vale più della singola prestazione.

Poi c'è il dettaglio che chiude il ragionamento.

Anthropic dichiara più di un milione di chip Ironwood in inferenza per Claude.

Il concorrente più diretto sul mio stack di lavoro gira su hardware Google. Non è una resa: è una scelta di costo perfettamente razionale. Ma vuol dire che una parte della guerra è già stata vinta a un layer dove non si combatte in pubblico, e dove anche chi vince il round successivo paga comunque l'affitto.

Il trade-off che non ammette nessuno

Adesso la parte onesta, perché finora ho scritto la tesi e non l'obiezione.

Il lock-in è reale e non è simmetrico. Un fornitore che sta contemporaneamente nella ricerca, nella mail, nel calendario, nell'ambiente di sviluppo, nel modello e nel silicio non è un fornitore: è un sistema operativo. Uscirne non è cambiare un provider in un file di config. È rifare quattro processi aziendali insieme.

Il track record dei prodotti chiusi esiste. Costruire sopra un tool di Google Labs vuol dire accettare che possa essere spento, rinominato o inglobato. NotebookLM è diventato Gemini Notebook in un annuncio: nome cambiato, integrazione cambiata, e chi ci aveva costruito sopra un flusso l'ha adattato.

Gli open-weight cinesi sono il contrappeso vero, non l'hardware locale. Qwen a 2 miliardi di download e DeepSeek V4-Pro in disponibilità generale non spostano il default degli utenti finali. Spostano il pavimento dei costi: finché esiste un modello competitivo che puoi ospitare dove vuoi, nessuno può prezzare l'inferenza come vuole. È il contrappotere che tiene onesto il mercato, e viene dai pesi aperti, non da un desktop da 18k.

E una cosa sul mio stack, per non spacciare l'analisi per preferenza: la mia prima scelta resta claude-code. Antigravity è la seconda, e la uso.

Chi sta vincendo la distribuzione e chi scrive il codice migliore per me oggi sono due domande diverse. Confonderle è il modo più veloce per prendere una decisione tecnica sbagliata.

Come lo valuto nel mio stack

La regola operativa che ne ho tirato fuori è una sola: un tool AI non si valuta per posizione in classifica, si valuta per punto di consumo.

Quattro domande, in quest'ordine:

• Dove succede già questo lavoro? Se la risposta è "in un posto dove il modello è già dentro", il tool esterno parte con un handicap che la qualità raramente colma.
• Quanto attrito costa adottarlo? Un account nuovo, una chiave da ruotare, un processo da riscrivere. L'attrito è il vero prezzo, e non sta nel listino.
• Chi possiede il layer sotto? Se il fornitore affitta il compute da un concorrente, il suo prezzo ha un pavimento che non controlla.
• Cosa mi costa uscirne fra un anno? Non se ne esco. Quanto costa.

Il modello migliore cambia ogni sei settimane. Il posto in cui lavori cambia ogni sei anni.

Continuiamo a discutere di quale modello vince i benchmark. Intanto qualcuno ha smesso di partecipare al confronto e si è messo a occupare le stanze in cui il confronto si tiene.