Il modello giusto, non il più potente

Quando la banca che investe di più in intelligenza artificiale dice ai propri dipendenti di usarne meno, il messaggio conta soprattutto per chi ha budget molto più piccoli.

Il fatto

Il 14 luglio 2026 JPMorgan ha comunicato i risultati del secondo trimestre. Sono numeri da record, spinti soprattutto dal ruolo di banca capofila nella ipo di SpaceX, descritta come la più grande quotazione della storia e da una plusvalenza di 4,6 miliardi di dollari sulla quota detenuta in Visa. L'utile netto è salito a 21,2 miliardi di dollari, in crescita del 41% rispetto ai 14,99 miliardi dello stesso trimestre del 2025, con un utile per azione di 7,70 dollari, 6,14 su base rettificata, sopra le attese degli analisti.

Ma la parte più interessante della call con gli analisti non riguarda questi numeri. Come ha riportato Bloomberg, il direttore finanziario Jeremy Barnum ha detto esplicitamente ai team interni di non usare sempre il modello di intelligenza artificiale più costoso disponibile sul mercato. L'esempio che ha fatto è quasi banale nella sua concretezza, per riassumere un report di un analista gli strumenti attuali funzionano già bene e non serve ricorrere al modello più sofisticato e recente. La linea guida, nelle sue parole, è usare il modello giusto per lo scopo giusto, essere intelligenti sull'open source dove è opportuno e assicurarsi di ottenere valore reale da quello che si usa.

L'amministratore delegato Jamie Dimon ha aggiunto altri due dati che meritano attenzione. La banca ha oggi quasi mille casi d'uso di intelligenza artificiale in sviluppo, di cui una cinquantina considerati centrali per il business, tra cui la prevenzione delle frodi, la gestione del rischio, il marketing, la ricerca di nuovi clienti, la trascrizione di appunti e la revisione di documenti. In alcune aree specifiche l'automazione ha già ridotto il personale del 30-40%, con la maggior parte delle persone coinvolte ricollocate in altri ruoli della banca.

Perché conta proprio ora

La tentazione, di fronte a un annuncio così, è liquidarlo come una nota a margine di una trimestrale comunque ottima. Sarebbe un errore. JPMorgan non è un'azienda che deve dimostrare di credere nell'intelligenza artificiale, ha un budget tecnologico da quasi 20 miliardi di dollari l'anno e ha costruito una delle infrastrutture di AI aziendale più estese al mondo. Se persino questa banca sente il bisogno di dire pubblicamente ai propri dipendenti di non usare il modello più potente per ogni compito, significa che la fase in cui bastava adottare l'AI più avanzata disponibile si sta chiudendo.

È il primo segnale, da un'azienda di queste dimensioni, che la narrazione dominante degli ultimi anni, quella secondo cui l'unica strategia sensata fosse rincorrere il modello più avanzato non appena usciva, sta lasciando spazio a un approccio più selettivo. Non significa che i modelli di punta abbiano perso valore, continuano a essere necessari per i compiti più complessi, penso alla revisione di documenti legali o all'analisi del rischio su portafogli enormi. Significa che le aziende stanno imparando a distinguere quando serve davvero quella potenza e quando no.

Il contesto aiuta a capire perché il tema emerge adesso. Barnum ha precisato che i costi legati ai token restano oggi marginali per la banca, ma prevede una accelerazione significativa nella seconda parte del 2026. Non è un caso isolato, il 13 luglio l'Associated Press ha riportato che l'ondata di investimenti in data center per l'AI, stimata oltre 700 miliardi di dollari nel solo 2026, sta già facendo salire i prezzi di semiconduttori, elettricità e prodotti di consumo come laptop e console, con Apple che ha alzato i listini dei propri portatili tra il 15% e il 25%. In altre parole, l'AI sta smettendo di essere percepita come una spesa quasi gratuita e sta iniziando a comparire nei conti economici come una voce di costo da gestire con attenzione, proprio mentre l'adozione si allarga.

usare il modello giusto per lo scopo giusto, essere intelligenti sull'open source dove è opportuno e assicurarsi di ottenere valore reale da quello che si usa

L'obiezione e la risposta onesta

Si può obiettare che questa storia sia soprattutto comunicazione, un modo elegante per giustificare tagli di personale già decisi per altre ragioni, visto che proprio Dimon ha confermato una riduzione del 30-40% del personale in alcune aree. È un'obiezione legittima e merita una risposta onesta, non una difesa d'ufficio. Probabilmente è vero che il messaggio serve anche a rassicurare gli investitori sul controllo dei costi in un momento in cui il mercato guarda con crescente scetticismo alla spesa in intelligenza artificiale delle grandi aziende tecnologiche.

Ma questo non rende la logica di fondo meno valida per chi lavora fuori da una banca con simili risorse. Lo stesso Dimon ha aggiunto un punto che vale la pena sottolineare, ha avvertito gli investitori che la concorrenza tenderà a trasferire buona parte dei guadagni di produttività ai clienti, non ai margini della banca. È l'ammissione che l'intelligenza artificiale, da sola, non genera un vantaggio competitivo duraturo. Il vantaggio nasce da come la si usa, non dal fatto di usarla.

Cosa significa per chi lavora ogni giorno con questi strumenti

Nei progetti di adozione dell'AI che seguo con piccole e medie imprese vedo ricorrere spesso lo schema opposto a quello descritto da Barnum, la scelta del modello parte prima ancora di aver definito con chiarezza il compito da automatizzare. Capita di frequente che un'azienda chieda lo strumento più avanzato sul mercato per un'attività che un modello più semplice, spesso open source o già incluso in un abbonamento esistente, gestirebbe con la stessa qualità e un costo molto più basso.

Un caso ricorrente è quello della generazione di prime bozze di contenuti per l'assistenza clienti o di documenti interni, attività per cui un modello linguistico di fascia media ottiene risultati sostanzialmente equivalenti a quelli di un modello di punta, a una frazione del costo per token e con tempi di risposta migliori. Il problema in questi casi non è tecnico, è organizzativo, manca quasi sempre un momento strutturato in cui qualcuno si chiede quale strumento serve davvero prima di sceglierlo.

La lezione di questa vicenda non è che l'intelligenza artificiale costi troppo o che convenga usarne meno. È che la competitività, per un'impresa con risorse limitate, si gioca sulla capacità di far corrispondere lo strumento al problema, non sulla rincorsa al modello più recente annunciato ogni mese. Se questa disciplina conviene a una banca con quasi mille casi d'uso già attivi e un budget tecnologico enorme, per chi ha margini più stretti diventa una condizione per restare competitivi, non un'opzione accessoria. È un metodo di lavoro prima che una scelta tecnologica e vale la pena costruirlo prima di scalare l'adozione dell'AI, non dopo.