{"id":381582,"date":"2026-04-24T12:26:42","date_gmt":"2026-04-24T10:26:42","guid":{"rendered":"https:\/\/prostartup.it\/l-algoritmo-del-dragone-la-conquista-cinese-del-mercato-degli-llm\/"},"modified":"2026-04-24T12:26:42","modified_gmt":"2026-04-24T10:26:42","slug":"l-algoritmo-del-dragone-la-conquista-cinese-del-mercato-degli-llm","status":"publish","type":"post","link":"https:\/\/prostartup.it\/ru\/l-algoritmo-del-dragone-la-conquista-cinese-del-mercato-degli-llm\/","title":{"rendered":"L\u2019algoritmo del Dragone, la conquista cinese del mercato degli LLM"},"content":{"rendered":"
\n
<\/div>\n
\n

Indice degli argomenti<\/h3>\n<\/div>\n

L\u2019assunto dominante nella strategia sull\u2019intelligenza artificiale \u00e8, in apparenza, di una semplicit\u00e0 disarmante: le organizzazioni che raggiungono per prime la massa critica di adozione vinceranno. Costi pi\u00f9 bassi, rapida diffusione tra gli sviluppatori e cicli di feedback sui dati creano una dinamica auto-alimentante in cui l\u2019utilizzo genera dati, i dati migliorano i modelli, e i modelli migliorati attirano ulteriori utenti.<\/p>\n

A prima vista, le evidenze recenti sembrano confermare questa logica. L\u2019uso globale dei large language model \u00e8 passato da circa 2,4 miliardi a oltre 8 miliardi di visite mensili tra aprile 2024 e agosto 2025 \u2014 una crescita di 3,4 volte in sedici mesi (Wang & Siler-Evans, 2026)[1]<\/sup>. Nello stesso periodo, i modelli cinesi hanno guadagnato quota a una velocit\u00e0 senza precedenti: dal 3% al 13% dell\u2019utilizzo globale nel giro di due mesi dal rilascio di DeepSeek R1 (Wang & Siler-Evans, 2026)[1]<\/sup>.<\/p>\n

Eppure questa interpretazione, per quanto convincente, \u00e8 incompleta. Spiega come l\u2019intelligenza artificiale si diffonde, ma non come il valore viene catturato o difeso nel tempo. Quello che manca \u00e8 il livello strutturale che sta sotto all\u2019adozione: la geografia della produzione, la distribuzione del capitale e la configurazione della catena del valore dell\u2019IA (Agostini, 2025a; Agostini, 2025b)[2,3]<\/sup>.<\/p>\n

Il vantaggio competitivo nell\u2019IA non nasce dalla performance isolata di un modello, ma dal controllo dei sistemi che ne abilitano la produzione, la distribuzione e la scalabilit\u00e0.<\/strong><\/p>\n

Un esame pi\u00f9 attento dei dati rivela una realt\u00e0 pi\u00f9 complessa e asimmetrica. I lab cinesi stanno conquistando il layer infrastrutturale e quello dei modelli open dell\u2019ecosistema LLM, mentre le aziende statunitensi continuano a dominare il layer enterprise e applicativo. Non si tratta di una divergenza temporanea, ma del risultato di differenze strutturali profonde nel modo in cui i due ecosistemi vengono costruiti e scalati.<\/p>\n

La geografia della produzione IA, dove nascono i vincitori<\/strong><\/h2>\n

La geografia della produzione IA offre il primo insight decisivo. Un dataset completo di 1.246 aziende IA distribuite in 32 economie mostra come lo sviluppo di intelligenza artificiale sia altamente concentrato: quasi 700 imprese si trovano negli Stati Uniti, circa 250 in Cina (Rishabh & Shreeti, 2026)[4]<\/sup>. Nessun\u2019altra regione si avvicina a questa scala.<\/p>\n

Questa concentrazione non \u00e8 semplicemente descrittiva: riflette forze economiche precise. La probabilit\u00e0 che un\u2019economia ospiti aziende IA \u00e8 fortemente correlata alle dimensioni del PIL, alla spesa in ricerca e sviluppo e, in modo determinante, ai flussi di venture capital (Rishabh & Shreeti, 2026)[4]<\/sup>. Il venture capital gioca un ruolo sproporzionato perch\u00e9 finanzia imprese ad alto rischio e ad alta intensit\u00e0 di asset intangibili, tipologia che i sistemi bancari tradizionali non sono strutturalmente in grado di supportare.<\/p>\n

Gli ecosistemi IA non sono quindi semplicemente fenomeni tecnologici: sono costrutti finanziari e istituzionali. E questa distinzione \u00e8 fondamentale per capire chi pu\u00f2 vincere \u2014 e su quale terreno.<\/p>\n

Il mercato IA \u00e8 un sistema a strati, non un mercato unico<\/strong><\/h2>\n

L\u2019adozione da sola non pu\u00f2 spiegare la leadership di mercato, perch\u00e9 l\u2019adozione \u00e8 a valle della capacit\u00e0 produttiva. La capacit\u00e0 di costruire, distribuire e scalare sistemi IA dipende dalla densit\u00e0 delle aziende nell\u2019ecosistema, dalla disponibilit\u00e0 di capitale e dall\u2019integrazione all\u2019interno di una catena del valore pi\u00f9 ampia.<\/p>\n

L\u2019intelligenza artificiale non \u00e8 un mercato unico, ma un sistema stratificato composto da segmenti interdipendenti: compute, infrastruttura cloud, strumenti per i dati, modelli e applicazioni. La maggior parte delle economie \u00e8 specializzata in uno o due soli di questi strati. Solo un numero ristretto \u2014 principalmente Stati Uniti e Cina \u2014 opera sull\u2019intera filiera (Gambacorta & Shreeti, 2025; Rishabh & Shreeti, 2026)[4]<\/sup>.<\/p>\n

Il vantaggio sistemico non si accumula in chi domina un singolo layer, ma in chi orchestra simultaneamente pi\u00f9 livelli della catena del valore. Questa \u00e8 la differenza tra un operatore di nicchia e un attore strutturalmente dominante.<\/p>\n

I dati operativi, quando i benchmark non raccontano la verit\u00e0<\/strong><\/h2>\n

A livello operativo, questo vantaggio strutturale diventa visibile osservando l\u2019utilizzo reale \u2014 non i benchmark. OpenRouter, una piattaforma di routing multi-modello che aggrega oltre 100 trilioni di token di attivit\u00e0 produttiva, mostra che sette dei dieci modelli pi\u00f9 utilizzati per volume settimanale di token provengono da sviluppatori cinesi: Alibaba Qwen, DeepSeek, Minimax, Stepfun, Mimo di Xiaomi e Kimi di Moonshot AI (OpenRouter, 2026)[5]<\/sup>.<\/p>\n

Questi modelli rappresentano collettivamente la maggior parte del consumo di token tra i sistemi pi\u00f9 usati. Qwen3.6 Plus, da solo, ha generato oltre 5 trilioni di token in una singola settimana (OpenRouter, 2026)[5]<\/sup>. I dati d\u2019uso rivelano uno spostamento del potere competitivo che i ranking sui benchmark non riescono a cogliere.<\/p>\n

I benchmark fotografano la performance in laboratorio. I token rivelano chi sta costruendo il motore industriale dell\u2019AI.<\/strong><\/p>\n

Questo spostamento \u00e8 amplificato dalle dinamiche degli ecosistemi open. La rapida proliferazione di modelli open-weight \u2014 in particolare all\u2019interno dell\u2019ecosistema Qwen \u2014 ha generato migliaia di modelli derivati e integrazioni su piattaforme per sviluppatori (Hugging Face, 2026)[6]<\/sup>. Ogni deployment crea un nuovo nodo in una rete crescente di utilizzo, rinforzando l\u2019adozione attraverso la scala. Nel tempo, questo produce una dinamica auto-rinforzante in cui la distribuzione si espande pi\u00f9 rapidamente del controllo centralizzato.<\/p>\n

La token economy, l\u2019IA diventa sistema industriale<\/strong><\/h2>\n

L\u2019emergere della token economy accelera ulteriormente questa trasformazione. Il consumo giornaliero di token in Cina ha superato i 140 trilioni entro marzo 2026, partendo da circa 100 miliardi a inizio 2024 (Bloomberg, 2026; Fortune, 2026; Hello China Tech, 2026)[7,8,9]<\/sup>. I decision maker cinesi e i protagonisti industriali hanno iniziato a inquadrare la produzione di token come una capacit\u00e0 industriale strategica e un potenziale fronte di esportazione (China Daily, 2026)[10]<\/sup>.<\/p>\n

Aziende come MiniMax, Moonshot AI, Zhipu AI e DeepSeek sono valutate sempre pi\u00f9 in base al throughput di token, all\u2019utilizzo e all\u2019efficienza dei costi (Bloomberg, 2026; Frontier Wisdom, 2026)[7,11]<\/sup>. Le aziende cinesi beneficiano di vantaggi strutturali radicati in un\u2019infrastruttura a costi pi\u00f9 bassi, accesso a energia elettrica relativamente economica ed ecosistemi di sviluppatori altamente competitivi. Il risultato: riescono a consegnare token di output a prezzi vicini a un dollaro per milione, contro i 15 dollari o pi\u00f9 dei sistemi statunitensi comparabili (Bloomberg, 2026; Yahoo Finance, 2026)[7,12]<\/sup>. Il costo per token \u2014 non la sofisticazione del modello \u2014 sta diventando la variabile competitiva dominante.<\/p>\n

Il path dependency, perch\u00e9 \u00e8 difficile recuperare<\/strong><\/h2>\n

Le dinamiche di investimento rinforzano le posizioni strutturali esistenti. Le aziende IA mostrano un forte home bias: le imprese statunitensi e cinesi conducono rispettivamente il 64% e il 74% delle loro operazioni a livello domestico (Rishabh & Shreeti, 2026)[4]<\/sup>. I flussi di investimento tendono anche a rinforzare la specializzazione, poich\u00e9 le aziende investono sproporzionatamente in imprese che operano nel loro stesso layer della catena del valore.<\/p>\n

Questo crea path dependency, rendendo sempre pi\u00f9 difficile per i nuovi entranti diversificarsi o riposizionarsi. Gli ecosistemi IA non sono solo competitivi: sono auto-rinforzanti e resistenti al cambiamento strutturale. Chi non \u00e8 ancora posizionato nella filiera sta perdendo ogni anno di ritardo una quota di terreno pi\u00f9 difficile da recuperare.<\/p>\n

Ciononostante, le aziende statunitensi conservano vantaggi decisivi in altri segmenti della catena del valore. OpenAI, Google, Anthropic, Microsoft, Meta, xAI e Perplexity continuano a dominare il deployment enterprise attraverso ecosistemi integrati, infrastrutture affidabili e relazioni istituzionali profonde. Gli investimenti privati in IA negli USA rimangono significativamente pi\u00f9 elevati, rinforzando la leadership nei segmenti ad alta intensit\u00e0 di capitale (Stanford HAI, 2026; Forbes, 2025)[13,14]<\/sup>.<\/p>\n

La vera natura della competizione, chi controlla i vincoli<\/strong><\/h2>\n

Presi insieme, questi dati portano a una conclusione fondamentale. L\u2019intelligenza artificiale non \u00e8 un mercato omogeneo governato dalla performance, ma un sistema socio-tecnico stratificato, plasmato dai vincoli. L\u2019infrastruttura definisce i limiti fisici della scalabilit\u00e0. Il capitale determina quali aziende possono sopravvivere ed espandersi. Il posizionamento nella catena del valore determina dove viene creato il valore. I framework di governance determinano ci\u00f2 che \u00e8 permesso (WEF, 2026)[15]<\/sup>.<\/p>\n

L\u2019apparente contraddizione tra dominanza cinese e statunitense si risolve non appena si considerano questi layer. I lab cinesi conquistano il layer infrastrutturale e d\u2019uso attraverso efficienza dei costi, scala ed ecosistemi aperti. Le aziende statunitensi conquistano il layer enterprise e applicativo attraverso integrazione, monetizzazione e fiducia. Il mercato IA non \u00e8 winner-takes-all: \u00e8 strutturalmente segmentato attraverso diverse forme di controllo.<\/p>\n

La domanda centrale non \u00e8 pi\u00f9 come massimizzare l\u2019adozione, ma attraverso quali vincoli l\u2019adozione deve passare \u2014 e chi li controlla.<\/strong><\/p>\n

L\u2019adozione pu\u00f2 essere replicata, il pricing pu\u00f2 essere eroso, le capacit\u00e0 dei modelli possono convergere. I vincoli \u2014 come l\u2019accesso al capitale, la disponibilit\u00e0 infrastrutturale e il posizionamento nella catena del valore \u2014 sono molto pi\u00f9 duraturi.<\/p>\n

Il controllo dei vincoli \u2014 non la scala dell\u2019adozione \u2014 \u00e8 la vera fonte di vantaggio a lungo termine nell\u2019intelligenza artificiale.<\/p>\n

In questo senso, la corsa globale all\u2019IA non \u00e8 semplicemente una competizione di modelli, metriche o quote di mercato. \u00c8 una contest sistemica sull\u2019architettura della produzione stessa. Le organizzazioni che definiranno la prossima fase dell\u2019IA non sono quelle che costruiranno i modelli pi\u00f9 avanzati, ma quelle che controlleranno i colli di bottiglia attraverso cui tutti i modelli devono passare. (foto di Stone John su Unsplash)<\/p>\n

Riferimenti<\/em><\/strong><\/p>\n

[1] Wang, A. H.-E., & Siler-Evans, K. (2026). U.S.-China competition for artificial intelligence markets. RAND Corporation.\u00a0 https:\/\/www.rand.org\/pubs\/research_reports\/RRA4355-1.html<\/em><\/p>\n

[2] Agostini, M. (2025a). AI can\u2019t personalize chaos: Why data governance is the real engine of personalization. Medium.\u00a0 https:\/\/medium.com\/@tarifabeach\/ai-cant-personalize-chaos-why-data-governance-is-the-real-engine-of-personalization-dc71c358e8e3<\/em><\/p>\n

[3] Agostini, M. (2025b). AI isn\u2019t killing search \u2013 it\u2019s rebuilding the front door of the internet. Medium.\u00a0 https:\/\/medium.com\/@tarifabeach\/ai-isnt-killing-search-it-s-rebuilding-the-front-door-of-the-internet-a739ed92d8b4<\/em><\/p>\n

[4] Rishabh, K., & Shreeti, V. (2026). The geography of AI firms. Bank for International Settlements. BIS Working Paper No. 1343.\u00a0 https:\/\/www.bis.org\/publ\/work1343.htm<\/em><\/p>\n

[5] OpenRouter. (2026). State of AI and model usage data.\u00a0 https:\/\/openrouter.ai\/state-of-ai<\/em><\/p>\n

[6] Hugging Face. (2026). Model repository and download statistics.\u00a0 https:\/\/huggingface.co<\/em><\/p>\n

[7] Bloomberg. (2026, 20 aprile). AI\u2019s token economy revolution creates new China tech winners.\u00a0 https:\/\/www.bloomberg.com\/news\/articles\/2026-04-20\/ai-s-token-economy-revolution-creates-new-china-tech-winners<\/em><\/p>\n

[8] Fortune. (2026, 12 aprile). China\u2019s token economy AI boom reshapes big tech and startups.\u00a0 https:\/\/fortune.com\/2026\/04\/12\/china-token-economy-ai-boom-big-tech-startups\/<\/em><\/p>\n

[9] Hello China Tech. (2026). China\u2019s AI token economy reaches 140 trillion daily tokens.\u00a0 https:\/\/hellochinatech.com\/p\/china-token-economy-140-trillion<\/em><\/p>\n

[10] China Daily. (2026). China accelerates AI-driven economic transformation.\u00a0 https:\/\/global.chinadaily.com.cn\/a\/202604\/06\/WS69d3c692a310d6866eb41d92.html<\/em><\/p>\n

[11] Frontier Wisdom. (2026). China AI token economy explained.\u00a0 https:\/\/frontierwisdom.com\/china-ai-token-economy-explained-guide\/<\/em><\/p>\n

[12] Yahoo Finance. (2026, 20 aprile). AI\u2019s token economy revolution creates new China tech winners.\u00a0 https:\/\/finance.yahoo.com\/news\/ais-token-economy-revolution-creates-new-china-tech-winners-035211861.html<\/em><\/p>\n

[13] Stanford Institute for Human-Centered Artificial Intelligence. (2026). AI Index Report 2026.\u00a0 https:\/\/hai.stanford.edu\/ai-index\/2026-ai-index-report<\/em><\/p>\n

[14] Forbes. (2025). AI 50 list.\u00a0 https:\/\/www.forbes.com\/lists\/ai50<\/em><\/p>\n

[15] World Economic Forum. (2026). Global Risks Report 2026.\u00a0 https:\/\/www.weforum.org\/reports\/global-risks-report-2026<\/em><\/p>\n

\u00a9 RIPRODUZIONE RISERVATA<\/p>\n

\n
\n\t\t\t\t\t\t\t\t\tSUPPORTA STARTUPBUSINESS<\/span><\/p>\n

Ti \u00e8 stato utile questo articolo?<\/h3>\n

Con una piccola donazione ci aiuti a continuare a produrre contenuti indipendenti.<\/p>\n<\/p><\/div>\n<\/p><\/div>\n

\n<\/div>\n","protected":false},"excerpt":{"rendered":"

Indice degli argomenti L\u2019assunto dominante nella strategia sull\u2019intelligenza artificiale \u00e8, in apparenza, di una semplicit\u00e0 disarmante: le organizzazioni che raggiungono per prime la massa critica<\/p>","protected":false},"author":1,"featured_media":381583,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"fifu_image_url":"http:\/\/www.startupbusiness.it\/wp-content\/uploads\/2026\/04\/stone-john-CBH6lmQXhu8-unsplash.webp","fifu_image_alt":"L\u2019algoritmo del Dragone, la conquista cinese del mercato degli LLM","footnotes":""},"categories":[17],"tags":[],"class_list":["post-381582","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-it-prostartup"],"_links":{"self":[{"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/posts\/381582","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/comments?post=381582"}],"version-history":[{"count":0,"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/posts\/381582\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/media\/381583"}],"wp:attachment":[{"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/media?parent=381582"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/categories?post=381582"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/prostartup.it\/ru\/wp-json\/wp\/v2\/tags?post=381582"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}