Kimi K3 non è così minaccioso come sembra

Ogni diciotto mesi circa, il mercato riscopre la stessa paura: che gli enormi capitali investiti nelle aziende all'avanguardia dell’intelligenza artificiale siano una bolla destinata a scoppiare non appena un laboratorio cinese riuscirà a metterne in discussione il modello economico. Nel gennaio 2025 era stato il turno di DeepSeek R1. Questa settimana, invece, i riflettori si sono concentrati su Kimi K3 di Moonshot AI, un modello mixture-of-experts da 2.800 miliardi di parametri con una finestra di contesto di 1 milione di token che, secondo i benchmark pubblicati dalla stessa Moonshot, supera Claude Opus 4.8 nella maggior parte delle valutazioni, pur rimanendo indietro rispetto a Claude Fable 5 e GPT-5.6 Sol. La reazione del mercato è stata immediata e prevedibile: un ampio sell-off dei titoli legati all’intelligenza artificiale e una nuova ondata di commenti che evocavano lo scenario di una “DeepSeek 2.0”.

Vale la pena ricordare ciò che è realmente accaduto dopo DeepSeek 1.0. Nel gennaio 2025, l’interpretazione più catastrofista sosteneva che un modello economico, open source ed utilizzabile direttamente sui dispositivi degli utenti avesse reso superflua l’intera infrastruttura occidentale dell’intelligenza artificiale: GPU, data center, contratti per la fornitura di energia e persino gli stessi sviluppatori di modelli di frontiera. Diciassette o diciotto mesi dopo, la realtà racconta una storia diversa. Gli investimenti nelle infrastrutture per l’intelligenza artificiale sono oggi significativamente più elevati, non più bassi. I principali attori dell’IA generano inoltre ricavi ben superiori rispetto al passato: secondo le nostre stime, il settore nel suo complesso raggiunge ormai ricavi annualizzati nell’ordine di 175 miliardi di dollari, mentre OpenAI e Anthropic sono passate congiuntamente da circa 8 miliardi a circa 110 miliardi di dollari nello stesso periodo. DeepSeek non ha quindi compromesso le aspettative del mercato. È stato un progresso tecnologico significativo che, col senno di poi, ha ridefinito la frontiera dell’efficienza nell’addestramento dei modelli, senza però alterare gli equilibri ai vertici del settore.

Kimi K3 non è DeepSeek

È proprio qui che l’analogia mostra i suoi limiti, perché Kimi K3 è, da quasi ogni punto di vista strutturale, l’esatto contrario di DeepSeek.

La presunta minaccia rappresentata da DeepSeek, nella misura in cui poteva essere considerata tale, risiedeva nel fatto che consentiva di aggirare completamente la necessità di costruire costose infrastrutture dedicate. Era infatti un modello sufficientemente piccolo ed economico da poter essere eseguito localmente: una soluzione utilizzabile su hardware standard, che teoricamente permetteva di fare a meno delle GPU di Nvidia, degli hyperscaler e dell’intero ecosistema infrastrutturale che sostiene l’intelligenza artificiale. Kimi K3 non ha nulla di tutto questo. Con oltre 2.800 miliardi di parametri, è un modello talmente grande che la stessa Moonshot afferma che, per eseguirlo in modo efficiente, è necessario un cluster di 64 dei più recenti chip Nvidia strettamente interconnessi tra loro. Facendo un rapido calcolo approssimativo, i soli pesi del modello in formato MXFP4 occupano circa 1,4 terabyte. Ciò significa che servono più di dieci GPU H200 ancora prima di considerare la memoria necessaria per la cache KV associata a una finestra di contesto da un milione di token. In altre parole, non si tratta di un modello che può essere eseguito autonomamente su un comune PC ad alte prestazioni. Al contrario, per funzionare richiede proprio i più recenti chip di Nvidia.

I guadagni di efficienza introdotti dall’architettura di K3, in particolare attraverso Kimi Delta Attention, che riduce fino a dieci volte i requisiti di trasferimento della cache KV, possono sembrare, a prima vista, esattamente il tipo di innovazione destinata a preoccupare Nvidia e altri operatori del settore dei semiconduttori. La realtà, però, è esattamente l’opposto. Poiché gli enormi pesi del modello devono comunque essere distribuiti tra più GPU tramite un’ottimizzazione denominata WideEP, che ripartisce gli 896 esperti di K3 in modo che ciascun chip ne ospiti soltanto una piccola parte, il modello finisce per richiedere una capacità di rete ancora maggiore. In effetti, è proprio il backplane ad alte prestazioni che collega tra loro le GPU nei sistemi Nvidia Blackwell 300 NVL72 a rendere possibile questo tipo di implementazione su larga scala. Più che rappresentare una minaccia per Nvidia, K3 costituisce quindi una vetrina delle capacità dei suoi sistemi rack-scale di fascia più alta.

E poi c’è il tema del prezzo. L’intera proposta di valore di DeepSeek si basava sull’essere radicalmente più economico rispetto ai modelli di frontiera. Kimi K3, invece, non è affatto economico. La sua API ha un prezzo di 3 dollari per milione di token in input e 15 dollari per milione di token in output, livelli sostanzialmente in linea con la tariffa standard di Claude Sonnet. Il confronto con GLM 5.2, un altro apprezzato modello open source cinese, è particolarmente significativo: quest’ultimo costa circa 1,40 dollari per milione di token in input e 4,40 dollari per milione di token in output. Il solo prezzo dei token generati da K3 è quindi oltre tre volte superiore. Inoltre, se si considera che K3 è attualmente disponibile solo nella modalità di ragionamento più avanzata e non dispone di una versione più economica e a bassa latenza per le attività semplici, il costo effettivo per singola attività appare ancora meno assimilabile a quello tipicamente associato ai modelli open source a basso costo. Secondo Artificial Analysis, il costo per attività di K3 è pari a circa 0,94 dollari, un livello molto vicino a quello di GPT-5.6 Sol, stimato intorno a 1,04 dollari per attività.Per rendere sostenibile economicamente un modello di queste dimensioni, Moonshot sembra aver dovuto ricorrere a soluzioni infrastrutturali particolarmente aggressive, tra cui uno sconto del 90% sugli input presenti nella cache e un sistema denominato Mooncake, che trasferisce la cache KV nella memoria DRAM della CPU e su unità SSD. Non si tratta, quindi, del profilo tipico di un concorrente low cost. Piuttosto, sembra il profilo di un laboratorio che sta cercando di raggiungere livelli di prezzo paragonabili a quelli dei modelli di frontiera pur operando con margini probabilmente molto più contenuti rispetto ad Anthropic o OpenAI, considerata la base utenti più ridotta di Moonshot e il minore utilizzo complessivo delle proprie risorse computazionali.

La distillazione e l'asimmetria di cui nessuno parla

Nulla di tutto ciò dovrebbe sminuire quanto realizzato da Moonshot. Costruire un modello di queste dimensioni, con un tale livello di capacità negli agenti IA e nella programmazione a lungo orizzonte, rappresenta un autentico risultato di ingegneria e l’ecosistema cinese dell’intelligenza artificiale merita pieno riconoscimento per questo traguardo. Sarebbe però ingenuo fingere che questo risultato sia nato nel vuoto, senza essere stato influenzato dai progressi e dagli output dei principali laboratori statunitensi di IA di frontiera.

La distillazione, per chi non ha familiarità con il termine, consiste nell’addestrare un modello più piccolo o più recente affinché imiti le risposte di un modello più grande e più avanzato, utilizzando di fatto gli output del modello di frontiera come dati di addestramento. In questo modo, il modello “studente” eredita gran parte delle capacità del modello “insegnante” senza doverle sviluppare autonomamente da zero. Si tratta di una tecnica legittima e ampiamente utilizzata all’interno dei laboratori di ricerca sui propri modelli. La questione assume però una natura diversa quando viene applicata ai modelli di un concorrente, su larga scala e tramite le sue API. In questo caso, l’operazione equivale di fatto a tentare di estrarre, attraverso una semplice interfaccia di chat, il valore derivante da miliardi di dollari investiti nell’addestramento e nella potenza di calcolo impiegata per sviluppare quel modello.

I laboratori statunitensi e le startup americane non adottano questo tipo di pratiche sui modelli di frontiera dei concorrenti su larga scala, e il motivo è strutturale. Se una startup statunitense ben finanziata venisse sorpresa a distillare GPT o Claude per poi rivenderne una versione derivata, si troverebbe immediatamente esposta a contenziosi legali e a contestazioni per violazione delle condizioni d’uso da parte di team legali dotati di risorse pressoché illimitate. In uno scenario del genere, difficilmente troverebbe il sostegno di investitori venture capital. I laboratori cinesi non sono soggetti a un’esposizione analoga. Anthropic lo ha sostanzialmente affermato all’inizio di quest’anno, quando ha dichiarato di aver rilevato un elevato numero di account sospetti, molti dei quali riconducibili alla Cina, che interrogavano sistematicamente le sue API con modalità in violazione degli accordi di utilizzo, secondo schemi compatibili proprio con attività di questo tipo. È qui che risiede l’asimmetria: una parte dell’ecosistema opera all’interno di un quadro di regole applicabili e tutelate contro la copia dei modelli, mentre l’altra, in larga misura, non è soggetta agli stessi vincoli.

Forse non si tratta di un recupero del divario

La narrativa che si sta affermando in questo momento sostiene che i modelli open source cinesi stiano rapidamente riducendo il divario rispetto ai modelli di frontiera statunitensi. Potrebbe essere vero. Esiste però una seconda spiegazione che riceve molta meno attenzione: i laboratori americani potrebbero semplicemente adottare un approccio più prudente nelle loro pubblicazioni rispetto a quanto farebbero in altre circostanze. Gli stessi modelli della serie Mythos di Anthropic, ad esempio, sono stati rilasciati e pochi giorni dopo il loro accesso è stato sospeso per conformarsi alle normative sui controlli alle esportazioni, per poi essere ripristinato alcune settimane più tardi. Si tratta di un esempio recente e molto visibile di come il rilascio di un modello di frontiera possa scontrarsi direttamente con l’attenzione delle autorità pubbliche. Sarebbe sorprendente se episodi di questo tipo non spingessero tutti i laboratori a essere un po’ più cauti nel distribuire pubblicamente i loro sistemi più avanzati. Una parte di ciò che oggi viene interpretato come una riduzione del divario potrebbe quindi non dipendere tanto dal fatto che la frontiera tecnologica statunitense stia rallentando, quanto piuttosto dal fatto che i suoi modelli più avanzati vengano introdotti sul mercato in modo più graduale di quanto sarebbe tecnicamente possibile.

Ciò che conta davvero

Se si elimina il rumore di fondo e il clima di allarmismo, emerge una vera questione strutturale, che non ha nulla a che vedere con il fatto che Kimi K3 sia o meno “all’altezza” di Opus o Sonnet. La vera questione riguarda i margini lordi. Se il livello dei modelli diventa più competitivo, con un numero crescente di alternative open-weight, una maggiore pressione sui prezzi e margini più ridotti per tutti gli operatori, l’interpretazione più ottimistica richiama il cosiddetto Paradosso di Jevons: un’intelligenza artificiale meno costosa viene utilizzata più ampiamente e l’aumento dei volumi compensa ampiamente la riduzione del prezzo unitario. C’è sicuramente una parte di verità in questa tesi. Tuttavia, non rappresenta l’intero quadro e trattarla come tale significa trascurare il rischio reale.

Il vero rischio è la possibilità che il livello dei modelli diventi una commodity prima che l’adozione dell’intelligenza artificiale abbia raggiunto una fase di maturità, privando così i laboratori di frontiera dei margini lordi generati dall’inferenza che oggi finanziano il successivo ciclo di addestramento dei modelli. Questi profitti rappresentano, di fatto, una sorta di “imposta”: un costo che imprese e consumatori sostengono per ogni token elaborato e da cui, in modo spesso poco visibile, dipende l’intero ecosistema dell’IA. Sono infatti proprio questi ricavi a finanziare il continuo avanzamento della frontiera tecnologica. Se questa “imposta” venisse compressa troppo presto, non si raggiungerebbe necessariamente un equilibrio caratterizzato da costi strutturalmente più bassi. Si rischierebbe invece di trovarsi in una situazione in cui i laboratori non dispongono più delle risorse necessarie per addestrare la successiva generazione di modelli, quella stessa generazione che dovrebbe giustificare gli enormi investimenti in capacità di calcolo attualmente in corso. Le imprese chiedono di ottenere maggiori capacità dall’IA mantenendo invariata la spesa. Ma questo è possibile solo se qualcuno continua a sviluppare modelli sempre più intelligenti. E modelli più intelligenti richiedono investimenti molto elevati per essere realizzati.

Una volta che l’adozione dell’intelligenza artificiale si sarà avvicinata a un vero stato di equilibrio, un livello dei modelli più competitivo e caratterizzato da margini più bassi rappresenterà indiscutibilmente un vantaggio per il resto dell’ecosistema. Le società di semiconduttori, gli hyperscaler e le aziende che implementano questa tecnologia beneficeranno tutte dell’esistenza di un livello in meno in grado di prelevare una quota del valore generato. Ma non siamo ancora a quel punto. Fingere che lo siamo già rischia di privare di risorse proprio quella parte dell’ecosistema che continua a svolgere il lavoro realmente difficile e costoso: spingere in avanti la frontiera dell’innovazione e sviluppare la prossima generazione di modelli di intelligenza artificiale.

Vale anche la pena riflettere sui risultati effettivamente osservati finora, perché sono essi stessi un argomento che ridimensiona il panico attuale. I modelli open source e quelli sviluppati in Cina hanno ripetutamente ridotto il divario rispetto ai modelli proprietari di frontiera statunitensi. Tuttavia, in oltre due anni di allarmismi ricorrenti, nessuno di essi è mai riuscito a conquistare la leadership del settore. DeepSeek non ci è riuscito. E lo stesso vale per tutti i modelli open source che sono seguiti. Kimi K3, per quanto rappresenti un risultato tecnologico davvero notevole, è - secondo la stessa Moonshot e in base a tutti i benchmark indipendenti disponibili - un modello di altissima qualità che si colloca approssimativamente una generazione dietro la frontiera tecnologica, non sulla frontiera stessa.

Il circolo virtuoso degli investimenti nell'IA

Fonte: DPAM, 2026

Lo scenario ottimistico

Vale la pena tornare su un punto fondamentale: fino a oggi, ognuno di questi allarmismi si è rivelato un falso allarme basato sul rischio sbagliato. Il rischio non è mai stato che un concorrente sviluppasse un modello sufficientemente valido da decretare la fine dell’intera categoria. Il vero rischio era che le aziende impegnate nel difficile e costoso compito di spingere in avanti la frontiera delle capacità dell’IA perdessero la capacità economica di continuare a farlo. Finora, però, questo non è accaduto. I ricavi sono aumentati di oltre dieci volte nell’arco di un anno e mezzo. Gli investimenti in conto capitale sono cresciuti. E oggi disponiamo di un secondo elemento di prova: un modello open source realmente competitivo che, anziché mettere sotto pressione i margini dei modelli di frontiera, è stato costretto dalle proprie dimensioni e complessità a posizionarsi su livelli di prezzo molto vicini a quelli della frontiera stessa.

Invece di essere la storia di un Occidente che perde il proprio vantaggio competitivo, questa è la storia di quanto costi realmente competere sulla frontiera tecnologica, raccontata questa volta attraverso il bilancio di qualcun altro. La cosiddetta “model tax” continua a esistere perché, a quanto pare, nessuno, né negli Stati Uniti né in Cina, ha ancora trovato il modo di costruire sistemi di questo livello senza dover poi monetizzarne l’utilizzo.