// TOM'S HARDWARE ITALIA — INTELLIGENZA ARTIFICIALE
Cos'è la "Model fatigue", il nuovo problema delle aziende nel mondo
Tra l'1 e il 4 settembre 2026 cinque laboratori, Anthropic, Meta, Google, OpenAI e la Mohamed bin Zayed University of Artificial Intelligence, hanno messo online sei modelli linguistici in quattro giorni: Claude Fable 5.1 e Claude Mythos 5.1, Muse Spark 1.3, Gemini 3.8 Flash, GPT-6 Astra e il modello open source K2 Horizon. Zhen Lu, amministratore delegato della piattaforma di calcolo Runpod, la chiama "model fatigue". È, come racconta lui stesso, un mercato così saturo di annunci che ogni laboratorio fatica a farsi notare.
Suresh Vasudevan, CEO di Clockwork Systems, la racconta dal lato di chi deve scegliere: se la sua azienda puntava a valutare dieci modelli per un progetto, ormai si accontenta di cinque, perché ogni rilascio è talmente buono che diventa difficile distinguere un vero salto di qualità.
Sam Altman ha confermato la logica dietro il ritmo: i laboratori si stanno spostando tutti verso cadenze più rapide, aiutati dal fatto che i team sono tornati al lavoro dopo le vacanze estive. È una spiegazione che guarda al calendario dei laboratori. Chi deve valutare ogni uscita prima di adottarla vede le cose da tutt'altra prospettiva.
Il ciclo di acquisti di un'azienda dura settimane. I modelli, nello stesso arco di tempo, possono già cambiare prezzo o latenza prima che il comitato interno approvi la scelta precedente: è la stessa distanza di tempo che spinge team come quello di Vasudevan a tagliare a metà l'elenco dei modelli da testare.
Il mercato della spesa in intelligenza artificiale vale 2.590 miliardi di dollari nel 2026, il 47% in più rispetto al 2025, secondo una stima citata dalla stessa inchiesta. Oltre 1.000 miliardi di quella cifra vanno a servizi, software e strumenti di sicurezza costruiti sopra i modelli, la stessa cifra che Tom's Hardware ha già analizzato parlando di una spesa spesso fuori controllo.
Una spesa cresciuta del 47% in un anno misura anche la pressione a lanciare nuovi modelli in fretta. Il ritmo dei rilasci resta un vantaggio competitivo di chi li vende: chi li acquista deve comunque validarli uno per uno.
Fra le testimonianze raccolte, nessuna indica un confronto indipendente o un'architettura capace di eseguire più modelli in parallelo. L'unica risposta emersa finora è testarne di meno, riducendo proprio la varietà di scelta che il mercato promette con ogni nuovo annuncio.
Un team come quello di Runpod o Clockwork Systems ha l'infrastruttura per cambiare modello quando conviene. Le aziende che non hanno costruito quella flessibilità operativa restano legate a un'unica scelta fatta mesi addietro, mentre i laboratori continuano a pubblicare un rilascio dopo l'altro.
Tom's Hardware aveva già raccontato le difficoltà pratiche di portare l'AI dentro i processi aziendali, e più di recente documentato il raffreddamento dell'entusiasmo iniziale: la fatica dei rilasci è un altro pezzo dello stesso quadro.
L'AI aziendale inciampa sui dati prima che sul modello