“All you can think” è la promessa di un buffet cognitivo: un abbonamento per fare domande, studiare, scrivere e sviluppare idee senza pensare al prezzo di ogni risposta. Il futuro dell’AI, però, potrebbe combinare funzioni di base sempre più economiche, abbonamenti con soglie e lavoro avanzato pagato a consumo. I modelli locali e quelli sugli smartphone rendono questo scenario già plausibile.
Immaginate un ristorante all you can eat dove, dopo il terzo piatto, il cameriere vi comunica: «Il riso è incluso. Per il ragionamento sui gamberi serve un pacchetto aggiuntivo». Ecco, quando penso al futuro degli abbonamenti all’intelligenza artificiale, la scena è questa.
Mi piace chiamare questa promessa all you can think. Uso l’espressione come metafora, senza attribuirle un inventore: paghi una quota e ti sembra di avere a disposizione una quantità sterminata di competenze. Un insegnante paziente, un redattore, un traduttore, un interlocutore che non guarda l’orologio.
Ma stiamo davvero comprando conoscenza illimitata? E soprattutto: tra qualche anno pagheremo molto di più, oppure ci sembrerà assurdo aver pagato un abbonamento per farci riscrivere una mail?
All you can think: che cosa compriamo con un piano flat AI?
La parola “conoscenza” è attraente, ma va maneggiata con cura. Un chatbot genera risposte e può consultare strumenti e documenti: l’accesso al servizio non garantisce che ogni affermazione sia vera, aggiornata o adatta al nostro caso. Anche il buffet più ricco richiede di scegliere che cosa mettere nel piatto.
Per leggere correttamente un’offerta conviene distinguere tre cose:
- Accesso: quali modelli, funzioni e integrazioni posso utilizzare?
- Capacità: quanto lavoro posso chiedere entro un certo intervallo?
- Affidabilità: quanto devo verificare prima di usare il risultato?
Il canone fisso riguarda soprattutto le prime due. La terza richiede metodo. Ne ho parlato anche nell’approfondimento su AI e pensiero critico: avere molte risposte a disposizione non ci esonera dal valutarle.
Gli abbonamenti flat stanno scomparendo?
Dire che siano già morti sarebbe una forzatura. La pagina ufficiale dei piani Claude di Anthropic, consultata il 22 settembre 2026, mostra ancora abbonamenti, limiti di utilizzo e meccanismi a consumo. Il piano Pro mensile è indicato a 20 dollari, Max parte da 100 dollari; le imposte applicabili sono escluse.
La stessa pagina descrive per Enterprise una quota per utente più utilizzo alle tariffe API. È un esempio concreto di convivenza fra canone e consumo, non la prova che tutti i fornitori adotteranno lo stesso schema.
Flat non significa illimitato. La prevedibilità della quota può convivere con soglie, disponibilità diverse dei modelli, priorità e crediti aggiuntivi. Prima di confrontare due prezzi mensili, bisogna quindi leggere che cosa comprano davvero.
La mia previsione è che il flat resti una confezione commerciale utile: tranquillizza chi vuole un budget semplice. Dentro quella confezione, però, potrebbero esserci sempre più contatori.
Che cosa sono i token e perché cambiano il conto
I token sono unità con cui i modelli elaborano i contenuti. Nel testo possono corrispondere a parole, pezzi di parole o segni: non esiste un rapporto universale “un token uguale una parola”. In un servizio a consumo possono pesare sia il materiale inviato sia quello generato.
La sezione API del listino Anthropic distingue infatti token di input, output e cache, oltre a servizi come la ricerca web. Riutilizzare contenuti già elaborati può avere un trattamento economico diverso dal processarli nuovamente. Per questo contare soltanto le domande è poco utile.
«Scrivi tre oggetti per una mail» e «analizza questi documenti, cerca altre fonti, confronta le conclusioni e prepara un rapporto» sono entrambe una richiesta. Il lavoro sottostante può essere molto diverso.
La spiegazione di Google Cloud sull’inferenza aiuta a capire il passaggio: usare un modello già addestrato richiede comunque calcolo. Su milioni di richieste servono infrastrutture. Il libro già stampato si lascia rileggere; una nuova risposta generata richiede una nuova elaborazione.
L’AI diventerà più cara? Dipende da quale costo guardiamo
Qui c’è il paradosso più interessante. Secondo lo Stanford AI Index 2025, tra novembre 2022 e ottobre 2024 il costo di inferenza per prestazioni al livello di GPT-3.5 è sceso di oltre 280 volte.
Attenzione al perimetro: è un confronto storico a un determinato livello di capacità. Non significa che tutti gli abbonamenti siano diventati 280 volte più economici, né che il modello più avanzato di domani costerà meno di quello di oggi.
Possiamo spendere meno per unità di lavoro e spendere di più in totale. Ecco un esempio inventato, solo per illustrare il meccanismo: se un’operazione passa da 10 a 2 centesimi, ma le operazioni mensili passano da 100 a 1.000, la spesa sale da 10 a 20 euro. Il prezzo unitario è diminuito dell’80%; il conto è raddoppiato.
Con un agente questo scenario è facile da immaginare: gli deleghiamo più passaggi, più controlli e più tentativi. Una parte genera valore; un’altra può diventare spreco. Il collega instancabile ha un pregio evidente. Il fatto che possa continuare a consumare risorse mentre noi siamo a pranzo merita almeno un’occhiata al budget.
Per approfondire il quadro dei costi e delle capacità, qui c’è il seminario ufficiale di Stanford HAI con Nestor Maslej dedicato all’AI Index 2025. È in inglese e documenta il contesto storico citato, non costituisce una previsione dei prezzi futuri.
L’intelligenza artificiale diventerà una commodity?
Per commodity intendo qui un servizio sempre più standardizzato, sostituibile e confrontabile sul prezzo. La mia ipotesi è che alcune capacità vadano in questa direzione: riformulare un testo semplice, classificare una richiesta, estrarre pochi campi da un documento regolare.
La parola decisiva è “alcune”. Una prestazione simile su un compito non rende due sistemi equivalenti nel loro insieme. Contano qualità, velocità, integrazioni, gestione dei dati e capacità di completare un processo.
Il paper Small Language Models are the Future of Agentic AI, di Peter Belcak e colleghi, sostiene che piccoli modelli possano essere sufficienti e più economici per molti passaggi ripetitivi degli agenti. Gli autori propongono anche sistemi che combinano modelli differenti.
È un position paper disponibile su arXiv: una tesi argomentata da discutere e verificare sul proprio caso d’uso, non la dimostrazione che un modello piccolo sostituisca sempre uno grande.
Se questa direzione si rafforzerà, potremmo pagare sempre meno la singola capacità generica e continuare a pagare l’organizzazione del lavoro attorno a essa. Il valore commerciale si sposterebbe verso dati ben preparati, integrazioni affidabili e risultati verificabili.
Useremo l’AI gratis in locale sul computer?
L’esecuzione locale esiste già. La documentazione ufficiale di Ollama distingue l’uso dei modelli sul proprio dispositivo da quello dei modelli ospitati nel cloud e descrive anche una modalità esclusivamente locale.
Questo può eliminare la tariffa API per ogni elaborazione locale. Rimangono però hardware, energia, memoria, manutenzione e tempo per configurare il sistema. Inoltre, le condizioni della licenza del modello vanno considerate separatamente dal software usato per eseguirlo.
Per un’attività semplice e frequente, con un computer già adatto, l’opzione può essere interessante. Per carichi sporadici o troppo pesanti, acquistare una macchina apposta potrebbe essere meno conveniente del cloud. Il conto va fatto sul lavoro reale.
Anche la riservatezza richiede precisione: un modello eseguito interamente sul dispositivo può evitare l’invio dei prompt a un fornitore esterno. Se l’app attiva ricerche web, connettori o funzioni cloud, il percorso dei dati cambia. “Locale” descrive dove avviene il calcolo; la sicurezza dipende dall’intero sistema.
L’AI sullo smartphone renderà superflui gli abbonamenti?
Un indizio concreto arriva da Apple. Nel comunicato del 9 giugno 2025 sul Foundation Models framework, l’azienda descrive l’accesso degli sviluppatori al modello sul dispositivo, con funzionamento offline e senza costi di inferenza cloud per quelle elaborazioni. L’esempio è un’app che crea quiz dagli appunti.
Questo non rende gratuito l’iPhone, né obbliga lo sviluppatore a regalare l’app. Mostra però come una capacità generativa possa essere incorporata in un prodotto senza vendere separatamente ogni risposta.
Google segue un’altra strada con Gemma 3n, una famiglia di modelli a pesi aperti progettata per dispositivi come telefoni, portatili e tablet. La documentazione descrive tecniche per ridurre le risorse necessarie e adattare l’esecuzione.
La disponibilità di un modello adatto ai dispositivi non significa che ogni smartphone possa eseguire qualsiasi AI, né con la stessa qualità o velocità. Bisogna considerare memoria, batteria, applicazione e compito.
La conseguenza possibile è molto concreta: potremmo smettere di aprire una chat per alcune attività. Un riassunto breve, una classificazione o un aiuto alla scrittura diventerebbero semplicemente funzioni dell’app che stiamo già usando.
Il futuro dell’all you can think: quattro scenari che possono convivere
Quelli che seguono sono scenari interpretativi, non annunci dei fornitori e non previsioni con una scadenza certa.
| Scenario | Che cosa potrebbe succedere | Che cosa pagheremmo |
|---|---|---|
| AI incorporata | Funzioni quotidiane dentro smartphone, computer e applicazioni | Dispositivo o software, con poche tariffe AI visibili |
| Flat con soglie | Abbonamento comodo per l’uso ordinario, extra per lavori intensivi | Canone più crediti o capacità aggiuntiva |
| Agenti a consumo | Processi lunghi che usano modelli e strumenti diversi | Token, strumenti e risorse impiegate |
| Servizi a risultato | Offerte legate a un compito definito e verificabile | Un esito concordato, con criteri di accettazione chiari |
La combinazione che considero più plausibile è ibrida: una base economica o inclusa, il cloud per i compiti più impegnativi, piccoli modelli per i passaggi ripetitivi. In questo scenario la scelta del modello potrebbe diventare meno visibile all’utente, ma il criterio con cui il sistema decide quando spendere di più diventerebbe cruciale.
Ci sono anche possibili freni: hardware insufficientemente accessibile, qualità locale inadeguata, prezzi del cloud più competitivi del previsto o ecosistemi chiusi. Nessuna di queste traiettorie è inevitabile.
Come prepararsi senza collezionare abbonamenti
Per un professionista o una PMI partirei da cinque domande operative:
- Quale attività voglio migliorare? Definire un risultato concreto, come una bozza pronta per la revisione.
- Quanto mi costa oggi completarla? Includere tempo, controlli e correzioni.
- Qual è il sistema meno costoso che supera una prova di qualità? Confrontare pochi strumenti sugli stessi esempi.
- Quanto può spendere un agente? Impostare limiti di budget, passaggi e tentativi dove disponibili.
- Posso cambiare fornitore? Conservare documenti, istruzioni e criteri di verifica in formati riutilizzabili.
Misurerei il costo per risultato utilizzabile. Una risposta economica che richiede mezz’ora di riparazioni può costare più di un’elaborazione onerosa ma corretta. Allo stesso modo, usare sempre il sistema più potente può essere un’abitudine costosa senza benefici misurabili.
Domande frequenti su AI flat, token e modelli locali
Un abbonamento AI comprende anche l’uso delle API?
Non va dato per scontato. Occorre verificare l’offerta: il piano dell’applicazione e la fatturazione API possono essere distinti, come mostra la separazione fra piani e API nel listino Claude citato.
L’AI diventerà più cara per tutti?
Non è una conclusione sostenuta dalle fonti. Il costo di alcune capacità può scendere, mentre crescono la quantità di lavoro delegata e la spesa per servizi avanzati.
Un modello locale è sempre la soluzione migliore?
No. Va confrontato con le alternative considerando qualità sul compito, hardware disponibile, gestione dei dati e costo complessivo.
Il buffet resta. Dovremo imparare a ordinare
Io credo che l’all you can think sopravviverà soprattutto come esperienza: la sensazione di poter esplorare un problema senza ostacoli continui. Dietro, invece, potrebbero convivere molti modelli economici.
La prospettiva più interessante è un’abbondanza di capacità di base. Quella più delicata è una distanza crescente fra chi può permettersi sistemi avanzati e chi dispone soltanto delle funzioni incluse. È un rischio da osservare, non un destino già scritto.
Per chi lavora, la competenza utile sarà scegliere quanto calcolo merita un problema e riconoscere quando il risultato è abbastanza buono. Possiamo avere un buffet sterminato e continuare a riempire il piatto a caso. Io comincerei dal capire che cosa vogliamo mangiare.
Fonti: listino ufficiale Anthropic/Claude; Google Cloud sull’inferenza; Stanford AI Index 2025 e relativo seminario; Belcak e colleghi, arXiv:2506.02153; documentazione Ollama; comunicato Apple sul Foundation Models framework; documentazione Google Gemma 3n. Collegamenti distribuiti nei paragrafi pertinenti. Consultazione: 22 settembre 2026. Gli scenari futuri esprimono la mia interpretazione.