Dagli “Over the Top” agli “Over the Model”.
Negli ultimi vent’anni le telecomunicazioni hanno vissuto le conseguenze di un circolo vizioso: hanno investito centinaia di miliardi in reti mobili e fibra, creando le condizioni perché un ristretto gruppo di aziende, i cosiddetti “Over the Top” (es. Meta, Google, Netflix, Spotify), costruisse sopra quelle reti servizi globali ad alto margine. Gli OTT hanno prosperato grazie a quegli investimenti, mentre le telco hanno subito un processo di progressiva disintermediazione e hanno visto la generazione di margini salire al piano superiore, verso le applicazioni dei big tech.
Oggi sull’intelligenza artificiale le telco rimangono un’infrastruttura abilitante, ma si sta replicando qualcosa di analogo, questa volta a parti invertite. I cinque maggiori hyperscaler OTT — Amazon, Microsoft, Google, Meta, Oracle — hanno speso nel 2025 circa 450 miliardi di dollari in capex, in larga parte per infrastruttura AI: modelli LLM di frontiera e giga-factory messi a disposizione di tutti via API (“Application Programming Interface”) a prezzi sorprendentemente competitivi. Questo settore ha raggiunto livelli di intensità di capitale tipici delle utilities industriali, non delle tech company. Per finanziare la corsa, gli stessi hyperscaler hanno emesso circa 120 miliardi di dollari di nuovo debito nel solo 2025, e Morgan Stanley e JPMorgan stimano fino a 1.500 miliardi di nuovo debito nei prossimi anni per il settore tech.
La stessa struttura industriale, con i ruoli ribaltati. Elaborazione grafica dell’autore.
Sopra questa infrastruttura stanno emergendo nuovi modelli di business e forse una nuova economia, che propongo di chiamare “Over the Model”: aziende che non investono in training degli LLM, né in hardware in misura paragonabile a quella di chi opera i modelli, ma sviluppano “sopra” o semplicemente impacchettano intelligenza altrui in servizi, workflow ed esperienze utente, con strutture di costo prevalentemente variabili — o a costo marginale prossimo a zero quando scelgono modelli open source.
Il buildout dell’infrastruttura AI ha intensità da utility industriale.
La catena del valore Over the Model: i nuovi attori
Nell’era OTT il valore si è concentrato in pochi vincitori globali grazie a effetti di rete potentissimi a livello applicativo: se tutti gli amici sono su WhatsApp, tu devi esserci. Tutti i contenuti sono su YouTube, e quindi i creator vanno lì. Dinamica winner-take-all.
Nell’era OTM gli effetti di rete applicativi non sono rilevanti. Il valore di un servizio AI per il singolo utente non aumenta necessariamente con il numero degli altri utenti. ChatGPT ha circa 800 milioni di utenti settimanali, ma il suo valore individuale è indipendente dalla rete; lo dimostra il fatto che gli switching cost tra modelli sono bassissimi, e gli utenti professionali alternano routinariamente più agenti AI e modelli.
C’è quindi la possibilità che a questo giro il valore si distribuisca più uniformemente lungo la filiera, in vari segmenti. È una buona notizia per chi, come le aziende di TLC, ha asset che possono integrare e complementare le soluzioni e i prodotti di AI: distribuzione, brand forti, capacità di billing e di assistenza ai clienti. È meno buona per chi sperava di trovare il prossimo WhatsApp dell’AI. Soprattutto, sposta la partita sul terreno del posizionamento corretto nella catena del valore — ed è qui che la distinzione tra chi lo crea e chi lo estrae diventa decisiva.
L’economia OTM sta producendo, in tempi brevissimi, nuovi attori con modelli di business molto diversi tra loro; da una parte chi sviluppa gli LLM e chi investe nelle giga-factory (OpenAI, Anthropic, Meta, etc.), dall’altra chi opera “sopra ai modelli” e che possiamo provare a classificare.
Una prima categoria potremmo definirla Vertical AI Integrators: aziende che combinano modelli generalisti con dati proprietari, workflow specifici, processi del cliente. Cursor nel coding, Harvey AI nel legale, sono casi citati anche da analisti scettici sull’AI come esempi di valore difendibile reale. Non si limitano a chiamare un’API: integrano il modello dentro workflow che il cliente non potrebbe replicare da sé.
Una seconda categoria è quella degli AI Embedders: chi mette l’AI in soluzioni già diffuse, abbattendo il costo di acquisizione e la frizione di adozione. Il valore è nella user experience e nella distribuzione: Microsoft con Copilot dentro Office 365, Salesforce con Einstein dentro il CRM, Adobe con Firefly dentro Creative Suite sono esempi paradigmatici dove l’utente non sceglie di “usare l’AI”, la trova già integrata nel suo strumento operativo. Il vantaggio competitivo prima ancora che nella qualità del modello è nella riduzione dell’attrito da cambio di abitudine e comportamento.
Una terza categoria sono gli AI Brokers: attori che, di fronte a un mercato in cui i modelli si moltiplicano e i prezzi cambiano ogni settimana, fanno per il cliente il lavoro di selezione continua. Per dare la misura del problema: scegliere il modello giusto per ogni tipo di task — invece di usare il modello più potente per tutti — può tagliare la spesa AI in modo significativo mantenendo la qualità dei risultati. Nessun consumer e quasi nessuna PMI ha gli strumenti per fare questa ottimizzazione da solo. Il valore qui è in una profonda conoscenza dei modelli e in una curation continua; questo è utile anche quando lo strato tecnico sopra il modello è apparentemente sottile — vale lo stesso principio del consulente finanziario, il suo contributo non sta nell’accesso a titoli irraggiungibili ma nel sapere quali comprare e quando.
E poi c’è una quarta categoria, anche questa interessante: gli AI Free Riders. Aziende che connettono le loro soluzioni ad un modello LLM attraverso un’API, ci mettono sopra un sottile strato di software (“wrapper”), e la rivendono a multipli del costo industriale il più delle volte senza aggiungere praticamente nulla di significativo. Il caso paradigmatico è chi rivende un voice bot generalista a dieci volte il costo dell’API sottostante, dando l’impressione che il risultato venga da una propria tecnologia proprietaria. Diciamo che si tratta di una forma più di parassitismo che di estrazione di valore industriale.
I business model parassitari
Il fenomeno sembra abbastanza diffuso da attirare l’attenzione. Un’indagine indipendente di uno sviluppatore, diventata virale, ha ispezionato i JavaScript bundle e il traffico API di circa 200 startup AI finanziate, concludendo che gran parte di esse sia in sostanza un’interfaccia costruita sopra le API di OpenAI o Anthropic, priva di tecnologia proprietaria significativa. Pur trattandosi di un’analisi informale, il pattern che descrive — la rivendicazione di un “modello proprietario” che, all’esame del codice, si riduce a una chiamata a GPT-4 dietro un system prompt — coincide con quanto osservano da tempo investitori e analisti di settore.
Gli AI Free Riders possono fare leva sull’asimmetria di conoscenza che ancora caratterizza il mercato dell’intelligenza artificiale e sulla intrinseca complessità nell’attribuire i risultati di una applicazione al modello LLM piuttosto che al software proprietario. Due meccanismi in particolare.
Il primo è l’opacità sui costi. Il cliente che paga un servizio AI raramente sa quanto costi davvero l’API che sta consumando. Le strutture di pricing sono pubbliche ma poco leggibili, i prezzi sono per token e non per prompt o processo, e i token sono un’unità aliena, nessuno fa il calcolo a mano. Questa asimmetria informativa permette margini che, se conosciuti, il cliente potrebbe considerare ingiustificati.
Il secondo, più sottile e più pericoloso, è l’opacità sull’attribuzione del valore. Anche un cliente che scoprisse i prezzi delle API può restare convinto che il valore consegnato dipenda dal software, dal fine-tuning, dal know-how dell’azienda OTM — quando in realtà la maggior parte viene dal modello sottostante, cioè da capacità generate altrove e pagate poco.
Le evidenze di mercato confermano la fragilità di questo modello. Un’analisi su circa 200 aziende AI-native mostra che i prodotti consumer con prezzi sotto ai $50 / mese – la categoria tipica del wrapper generalista – hanno un Gross Revenue Retention del 23% contro il 63% circa della media B2B SaaS: gli utenti capiscono rapidamente di poter ottenere lo stesso risultato direttamente dal modello sottostante.
La ragione strutturale è nel prezzo sottostante. Il costo per ottenere la performance di GPT4 è caduto di un fattore 300 in due anni, da circa $37 a $0,12 per milione di token. Andreessen Horowitz ha coniato il termine LLMflation per descrivere il fenomeno: i prezzi inferenziali cadono, a parità di performance, più velocemente di quanto sia sceso il costo del compute durante la rivoluzione dei microprocessori. In un mercato così, i margini costruiti su opacità sono per definizione una rendita temporanea: un’illusione ottica che si dissolve via via che il sottostante diventa trasparente e quasi gratuito.
I dati sull’andamento dei prezzi dimostrano che l’intelligenza sta diventando una commodity.
Un possibile ruolo delle TLC
In questo scenario è sempre più importante saper distinguere gli attori in gioco e la loro capacità di creare valore reale, per separare il segnale dal rumore in un periodo in cui il frastuono sull’AI è assordante.
Per chi investe, il rischio è allocare capitale in aziende il cui valore percepito è in realtà esogeno, prodotto altrove, e destinato a essere riconosciuto come tale dal mercato nel giro di pochi anni. È confondere una bolla di rendita temporanea con una posizione strutturale.
Per imprenditori e manager che oggi valutano fornitori AI, la domanda da porsi non è “questo prodotto funziona bene?”, perché in molti casi la risposta sarà sì grazie al modello sottostante. La domanda è: “se eliminassimo il modello che c’è dietro, cosa resterebbe?”. È la stessa domanda che si pone, in altri settori, per distinguere fornitori industriali da semplici intermediari.
Ma saper distinguere non basta. Serve anche saper scegliere, non una volta per tutte, ma di continuo: quale modello per quale task, a quale costo, con quale livello di affidabilità. È un problema di governance, di etica, di sicurezza e di ottimizzazione continua di risorse infrastrutturali.
Questa è una sfida vicina alle competenze più native delle aziende di telecomunicazioni, due in particolare.
La prima è utile per ridurre i costi dell’AI ad uso interno per i propri processi, ma anche il costo delle soluzioni che si portano sul mercato. Mi riferisco all’ottimizzazione in tempo reale di risorse distribuite e sostituibili — che si tratti di instradare traffico dati o di selezionare il modello giusto per ogni richiesta, il problema industriale è simile: massimizzare qualità e affidabilità al minor costo possibile, su scala, in continuo.
La seconda riguarda sicurezza, affidabilità e sovranità. Quando un’azienda o una pubblica amministrazione adotta soluzioni AI, ha bisogno di sapere dove risiedono i dati, chi controlla la filiera, e che l’intera catena — dal modello al deployment — sia conforme alle normative di privacy e resistente agli attacchi informatici. È un presidio end-to-end che richiede competenze ICT profonde e infrastruttura propria, non solo capacità di integrazione. I grandi operatori TLC europei che negli ultimi anni hanno investito in cloud, cybersecurity e soluzioni enterprise sono tra i pochi attori in grado di offrirlo in modo credibile.
A queste si aggiungono asset che nell’economia Over the Model diventano leve competitive concrete: brand, basi clienti enormi, dati e informazioni locali, reti di vendita capillari, processi di billing e di assistenza ai clienti, neutralità rispetto ai fornitori di modelli — una neutralità che gli hyperscaler, essendo parte in causa, non possono offrire.
Se le aziende di TLC, e in particolare penso a quelle europee, sapranno questa volta sfruttare l’occasione e diventare degli attori OTM che creano valore, potranno contribuire ad uno sviluppo di questo settore più sano ed equilibrato e, di nascosto, sorridere di una giustizia e un riequilibrio tra settori e continenti.
Paolo Murri è Responsabile Business Development & Open Innovation in TIM.
