La tendenza a perfezionare (fine-tuning) modelli di IA a basso costo basandosi sui dati e sulle competenze specifiche dell’azienda sta emergendo come contrappeso ai modelli di IA avanzati di OpenAI e Anthropic.
In passato, i modelli di IA specializzati in settori quali la legge, la medicina o l’istruzione potevano solo mettersi al passo con le vecchie generazioni di IA, ma molti test recenti dimostrano che il divario si sta riducendo significativamente.
Harvey AI ha ottimizzato il modello Kimi 2.6 per il settore legale, migliorando le prestazioni di quasi il 40% e raggiungendo livelli equivalenti ai modelli di IA avanzati a un costo pari a circa 1/11.
Tuttavia, questo vantaggio si è rapidamente ridotto quando Anthropic ha rilasciato una nuova versione di Opus con prestazioni più elevate sullo stesso test.
Bridgewater Associates ha collaborato con Thinking Machines Lab per ottimizzare il modello Qwen3-235B utilizzando dati, processi ed esperienze interne del team di investimento.
Il modello post-ottimizzazione ha raggiunto un’accuratezza di circa l’85%, riducendo gli errori di quasi il 30% rispetto ai modelli di IA avanzati nelle attività di analisi finanziaria, con un costo pari a solo circa 1/14.
Il successo deriva dal fatto che il modello impara non solo la risposta corretta, ma anche il modo in cui gli esperti di Bridgewater prendono effettivamente le decisioni nel loro lavoro quotidiano.
L’articolo prevede la nascita di aziende specializzate nella fornitura di servizi per la costruzione e il mantenimento di modelli di IA proprietari per ciascuna organizzazione, anziché vendere semplicemente l’accesso ai modelli di base.
Microsoft ha inoltre avvertito le aziende di non dipendere da un esiguo numero di modelli di IA chiusi, a causa del rischio di perdere il controllo sui dati e sul valore della conoscenza.
L’articolo solleva allo stesso tempo la questione se i dipendenti siano disposti a trasferire le conoscenze accumulate in molti anni per addestrare l’IA dell’azienda, qualora ciò possa ridurre il loro stesso ruolo.
📌 Conclusione: La competizione sull’IA si sta spostando dalla costruzione del modello più potente allo sfruttamento delle conoscenze proprietarie di ciascuna azienda. Esperimenti come Harvey AI o Bridgewater dimostrano che i modelli a basso costo, una volta ottimizzati con dati ed esperienze interne, possono eguagliare o superare le prestazioni dei modelli di IA avanzati a una frazione del costo (da 1/11 a 1/14). Se questa tendenza continuerà, il vantaggio potrebbe spostarsi dai fornitori di modelli di IA alle aziende che possiedono dati, processi e competenze specialistiche proprietarie.
