Veloce, buono, economico: con l’AI non serve più sceglierne due, se qualcuno controlla il lavoro

Chiunque abbia commissionato un sito, un capannone o un piano industriale conosce la regola. Lo vuoi fatto bene e in fretta? Costa. Lo vuoi fatto bene spendendo poco? Ci vorrà tempo. Lo vuoi veloce ed economico? Non lamentarti della qualità. Di tre cose se ne possono avere due.

La regola ha una storia precisa. Nel 1969 l’ingegnere britannico Martin Barnes, in seguito tra i fondatori dell’Association for Project Management, durante un corso disegnò un triangolo con tempo, costo e qualità ai vertici e ci fece scorrere sopra una moneta: avvicinarla a un vertice voleva dire allontanarla dagli altri. Lo ha raccontato lui stesso. La versione da bottega, “veloce, buono, economico: scegline due”, compare già nel 1980.

Il triangolo ha retto per mezzo secolo per una ragione economica: la qualità era fatta di ore di lavoro esperto, e le ore costano e scorrono a velocità fissa. L’intelligenza artificiale generativa cambia proprio questo. La domanda è se lo cambia abbastanza da rompere la regola.

I tre vertici si muovono insieme

Le prime ricerche sull’AI al lavoro, nel 2023, usavano ChatGPT e GPT-4. Da allora sono migliorati a una velocità che pochi si aspettavano. METR, un istituto che misura le capacità dei sistemi di AI, valuta quanto sono lunghi i compiti che un modello porta a termine una volta su due, misurati nel tempo che servirebbe a un esperto umano. A marzo 2023 GPT-4 si fermava a compiti da circa tre minuti e mezzo. All’inizio del 2026 i modelli migliori arrivavano a circa 12 ore: un salto di circa duecento volte in tre anni. Gli studi del 2023 dicono quindi poco su quanto il triangolo si possa rompere oggi.

Gli esperimenti controllati, però, arrivano sempre con qualche mese di ritardo, e nessuno di quelli pubblicati finora usa i modelli di ultima generazione. Il più utile per misurare il progresso confronta modelli di epoche diverse: oltre 500 consulenti, analisti e manager, ognuno assegnato a uno di 13 modelli. Risultato: ogni anno di progresso dei modelli riduce dell’8% il tempo per svolgere un compito.

Sulla qualità, il caso più solido è uno studio guidato da David Autor del MIT, condotto e finanziato da Google e pubblicato dal National Bureau of Economic Research nel settembre 2026. Per tre mesi 133 avvocati specializzati in brevetti di undici studi legali americani hanno lavorato con o senza un assistente AI, e i loro testi sono stati valutati alla cieca da altri avvocati. La qualità delle bozze scritte con l’AI è salita di circa un terzo di deviazione standard, un miglioramento netto in una professione dove l’errore costa caro. Un altro esperimento, su 1.174 adulti alle prese con un problema di business, ha trovato che l’AI riduce di tre quarti il divario tra chi ha studiato di più e chi di meno.

E crolla il costo. Secondo Epoch AI, un centro di ricerca indipendente, ottenere un certo livello di prestazioni costa circa 13 volte meno ogni anno dal 2023: più in fretta di qualunque altra tecnologia con cui l’abbiano confrontata, dalle batterie al sequenziamento del DNA.

Qualità più alta, tempi più brevi, costo in caduta: a guardare questi numeri, il triangolo è rotto.

Dove si rompe davvero: la frontiera

Nel 2023 un gruppo di Harvard, Wharton e del MIT studiò 758 consulenti del Boston Consulting Group e coniò un’espressione rimasta nel lessico: la “frontiera tecnologica frastagliata”. L’idea è semplice. L’AI è eccellente su alcuni compiti e scadente su altri che sembrano altrettanto facili, e dall’esterno il confine tra i due non si vede. Per dimostrarlo, i ricercatori diedero ai consulenti un problema costruito apposta per cadere oltre quel confine: chi usava l’AI ha dato la risposta giusta 19 punti percentuali meno spesso di chi lavorava da solo.

Da allora il confine si è spostato molto in avanti, ma esiste ancora. Il Remote Labor Index affida ad agenti AI 240 progetti veri, già commissionati a freelance, e conta quante volte il risultato è abbastanza buono da essere accettato da un cliente. Al lancio, nell’ottobre 2025, il miglior agente ci riusciva nel 2,5% dei casi; oggi il migliore arriva a poco più del 21%. È un progresso enorme, ma vuol dire che quasi quattro lavori su cinque un cliente ancora non li accetterebbe.

Lo stesso vale per le misure di METR citate sopra. Le 12 ore sono la lunghezza dei compiti che i modelli migliori portano a termine una volta su due: nell’altra metà dei casi sbagliano. Se si chiede che il compito riesca almeno otto volte su dieci, i modelli migliori reggono solo lavori da un’ora e mezza.

Qui sta la differenza con il triangolo di Barnes. Quando si tagliava sul tempo o sul costo, la qualità peggiorava in modo visibile: un lavoro fatto in fretta si riconosceva. Con l’AI l’errore non si vede, perché una risposta sbagliata è scritta bene quanto una giusta. Per accorgersene serve qualcuno che sappia controllarla.

Il vertice nascosto: la verifica

Il dato più istruttivo viene da GDPval, un banco di prova che OpenAI ha pubblicato nell’ottobre 2025: compiti reali, scritti da professionisti con in media 14 anni di esperienza, in 44 professioni. Sulla carta GPT-5 svolgeva un compito 90 volte più in fretta di un esperto e a un costo 474 volte inferiore. Poi gli autori hanno simulato ciò che in azienda accade di solito: un esperto controlla il risultato e, quando non va bene, fa riprovare il modello o rifà il lavoro da sé. Con questo passaggio il vantaggio scende tra 1,12 e 1,39 volte in velocità e tra 1,18 e 1,63 volte nel costo. Con un modello meno capace, GPT-4o, revisione compresa si spendeva di più e si impiegava più tempo che a fare tutto a mano.

I modelli intanto sono migliorati: nel primo studio GPT-5 batteva gli esperti nel 39% dei compiti, mentre secondo OpenAI GPT-5.5 li batte o li eguaglia nell’84,9%. Meno errori vogliono dire meno lavoro da rifare, ma il controllo resta: nessuno ha ancora rifatto il calcolo con i modelli nuovi, e quando la verifica manca il conto arriva dopo. Nel 2025 Deloitte Australia ha dovuto rimborsare parte di un incarico governativo dopo che nel rapporto erano emersi una citazione inventata, attribuita a un giudice federale, e riferimenti a studi inesistenti.

Il triangolo, quindi, non sparisce. Cambia vertice. Il vincolo non è più produrre, che costa sempre meno, ma decidere cosa produrre e controllare che sia giusto, che costa ancora ore di persone esperte.

E se il prezzo di oggi non fosse quello vero?

C’è poi un dubbio sul vertice del costo. Molte aziende che vendono l’AI perdono denaro, e tanto. Secondo il Wall Street Journal, OpenAI ha chiuso il primo trimestre del 2026 con 5,7 miliardi di dollari di ricavi e 9,3 di perdita operativa, e il secondo con 6,7 miliardi di ricavi e una perdita di 12,3 miliardi: le perdite crescono più in fretta dei ricavi. xAI, la società di Elon Musk, nel primo trimestre ha perso 2,5 miliardi su 0,8 di ricavi, secondo il prospetto per la quotazione di SpaceX. La differenza la coprono gli investitori.

Anthropic, la società che sviluppa Claude, sembra l’eccezione. Secondo i dati riportati da Reuters, Bloomberg e dal Financial Times, i suoi ricavi sono passati da 4,7 miliardi nel primo trimestre a 11,6 nel secondo e a 16,8 nel terzo, con un utile rettificato in entrambi gli ultimi due trimestri. Quel risultato però esclude i compensi in azioni, che OpenAI invece conta, e l’azienda non ne dice l’importo. I conti completi raccontano altro. La bozza del prospetto per la quotazione in Borsa, visionata dal Wall Street Journal, riporta per il primo semestre del 2026 una perdita netta di 80,7 miliardi su 16,3 di ricavi. Circa 72 miliardi sono una voce contabile senza uscita di cassa, legata alla rivalutazione delle obbligazioni convertibili con cui l’azienda si è finanziata: più sale il suo valore, più cresce la perdita sulla carta. Tolta quella voce, restano 8,7 miliardi di perdita, che però mescolano l’attività operativa con altre voci: la perdita operativa vera e propria non è stata resa nota. Nello stesso semestre, però, la spesa per calcolo e infrastrutture è arrivata a quasi 9 miliardi, più dei 7,3 di tutto il 2025.

Questo però non vale per ogni singola risposta. Epoch AI stima che nel periodo in cui GPT-5 era il modello di punta i ricavi abbiano coperto il costo di servire gli utenti con un margine lordo intorno al 30%; a non ripagarsi era la spesa in ricerca per sviluppare il modello stesso. Quanto paghi l’utente rispetto al costo reale, invece, nessuno lo ha stimato in modo affidabile.

Il sussidio si vede meglio negli abbonamenti a forfait, e lì i primi passi indietro sono già arrivati. Da giugno 2026 GitHub Copilot fattura in base al consumo, perché il vecchio modello, ha scritto il responsabile prodotto Mario Rodriguez, non era più sostenibile. E alcuni listini dei modelli di punta hanno ricominciato a salire: secondo le misure di OpenRouter, chi è passato a GPT-5.5 paga per token tra il 49% e il 92% in più rispetto a GPT-5.4.

Un ritorno generalizzato a un’AI cara è improbabile, perché i modelli aperti offerti da molti fornitori fissano un tetto al prezzo di un’AI “abbastanza buona”. Il rischio riguarda i modelli migliori e gli agenti che lavorano per ore. Chi costruisce un business che sta in piedi solo con i prezzi di oggi scommette che quel sostegno duri.

Il vertice che conta è chi controlla

Oggi conta meno quali due vertici scegliere e più chi decide cosa fare e chi verifica il lavoro. Dagli studi si ricavano due regole pratiche.

È anche il principio da cui partiamo in SUBLIME Ventures, come raccontiamo nell’articolo sul de-risking dei nuovi business.

Oggi la moneta di Barnes può stare al centro del triangolo. A tenerla ferma, però, è ancora una persona che sa riconoscere un errore.