Il vantaggio competitivo nell'era dell'AI non è il modello scelto, ma l'ecosistema costruito attorno ad esso

La tesi di Nadella: il modello è una commodity, la conoscenza interna no

Satya Nadella ha pubblicato un testo in cui sostiene che il vantaggio competitivo di un'azienda non dipende dal modello di intelligenza artificiale scelto. I modelli generalisti, secondo questa visione, tenderanno a somigliarsi sempre di più fino a diventare sostanzialmente intercambiabili. Ciò che fa la differenza, invece, è la capacità di costruire un sistema interno capace di apprendere in modo continuo dal lavoro delle persone.

Per spiegare la propria posizione, Nadella distingue due forme di capitale. Il primo è il capitale umano classico: esperienza, giudizio, relazioni, capacità di riconoscere schemi. Il secondo è un capitale fatto di token, ovvero l'insieme di agenti, dati, valutazioni interne e procedure operative che un'azienda costruisce e possiede attorno ai modelli AI. Senza la direzione delle persone, scrive Nadella, rimane soltanto potenza di calcolo che gira a vuoto.

Il ciclo di apprendimento come proprietà intellettuale dell'impresa

Il meccanismo centrale della proposta è il learning loop: un'azienda affida un compito a un agente AI, l'agente lavora su dati e procedure interne, il risultato viene confrontato con un esito reale e gli errori diventano segnali per il passo successivo. Nadella chiama questo meccanismo hill climbing machine, una macchina che cerca soluzioni progressivamente migliori, e lo descrive come la vera proprietà intellettuale dell'azienda, più preziosa del singolo modello o del singolo prompt.

A questa visione architettuale Nadella collega anche un rischio sistemico più ampio. Se i modelli generalisti assorbono l'esperienza prodotta dalle aziende e la rendono disponibile a tutti indiscriminatamente, il risultato potrebbe somigliare alla prima fase della globalizzazione: crescita dei numeri aggregati accompagnata da una perdita reale di competenze settoriali. Un equilibrio che, secondo Nadella, la political economy non tollererà a lungo.

La posizione di Nadella e il contesto competitivo di Microsoft

Letta in isolamento, la tesi ha una sua coerenza architettuale: costruire processi, dati e sistemi di valutazione propri è una buona pratica indipendentemente dal fornitore AI scelto. Tuttavia, questa posizione arriva dall'amministratore delegato di un'azienda che vende l'infrastruttura su cui questo sistema dovrebbe poggiare, da Azure a Microsoft 365, da Dynamics a Copilot e GitHub. Spostare l'attenzione strategica dal modello al livello costruito sopra significa, in termini pratici, spostarla verso i prodotti Microsoft.

Il testo va inoltre letto alla luce di quanto annunciato al Build 2026. Microsoft ha presentato sette nuovi modelli proprietari della famiglia MAI, tra cui MAI-Thinking-1, uno sparse Mixture of Experts con circa mille miliardi di parametri complessivi e 35 miliardi attivi per inferenza, finestra contestuale da 256.000 token e addestrato da zero senza distillazione da modelli di altri laboratori. Microsoft sostiene che ottenga risultati comparabili a Claude Opus 4.6 su SWE-Bench Pro e raggiunga il 97% su AIME 2025. Un pacchetto che dimostra come l'avanzamento nelle capacità dei modelli abbia comunque un peso non trascurabile nella strategia effettiva dell'azienda.

I nuovi modelli MAI e la filiera proprietaria Microsoft

Tra i nuovi modelli presentati, MAI-Code-1-Flash è già in distribuzione agli utenti individuali di GitHub Copilot dentro Visual Studio Code. Si tratta di un modello da 137 miliardi di parametri complessivi e 5 miliardi attivi, specializzato in programmazione agentica, addestrato direttamente con gli strumenti di produzione di GitHub Copilot. Secondo Microsoft, può affrontare problemi complessi utilizzando fino al 60% di token in meno rispetto ad approcci standard.

La famiglia Phi, nel frattempo, mantiene la sua vocazione originale: modelli compatti, spesso open-weight, pensati per l'esecuzione locale e la ricerca. L'ultimo arrivato è Phi-4-reasoning-vision-15B, un modello multimodale da 15 miliardi di parametri disponibile su Foundry, Hugging Face e GitHub, presentato come adatto anche ad agenti che devono interpretare interfacce grafiche.

Il riposizionamento rispetto a OpenAI e il rischio di lock-in di piattaforma

A fine aprile le due aziende hanno modificato il loro accordo. Microsoft resta il principale partner cloud di OpenAI e i prodotti OpenAI continuano a essere distribuiti prioritariamente su Azure, ma OpenAI può ora offrire i propri servizi anche tramite altri fornitori cloud. Questo cambiamento riduce il peso strategico di OpenAI come fornitore esclusivo e accelera la costruzione di una filiera autonoma Microsoft, fatta di modelli MAI, modelli Phi e chip Maia.

Coerentemente con questa traiettoria, Microsoft ha annunciato Frontier Tuning, un sistema che permette di affinare i modelli MAI con ambienti di apprendimento per rinforzo alimentati dalle attività reali dell'azienda cliente. I modelli personalizzati rimangono nell'ambiente del cliente insieme ai dati accumulati. Il linguaggio è lo stesso del learning loop descritto da Nadella nel suo testo: non è una coincidenza.

Cosa devono valutare i decision maker aziendali

Per chi deve prendere decisioni aziendali, la tesi di Nadella offre un principio utile: costruire un ciclo di apprendimento interno, ancorato a dati e processi proprietari, è una forma di vantaggio competitivo più durevole rispetto alla sola scelta del modello migliore del momento. Questo vale indipendentemente dal fornitore.

Il punto critico da osservare riguarda la portabilità. Microsoft non ha ancora dimostrato che un sistema costruito con Frontier Tuning su Foundry sia effettivamente trasferibile su un'altra piattaforma. La sovranità descritta nel testo di Nadella potrebbe quindi ridurre la dipendenza da un singolo modello AI sostituendo però tale dipendenza con una diversa: quella dalla piattaforma Microsoft nel suo insieme. Per le aziende che stanno definendo la propria architettura AI, questa distinzione è strategicamente rilevante e merita una valutazione esplicita prima di procedere.