Gartner: i modelli aperti coprono il 90% dei passaggi nei workflow agentici, a una frazione del costo

La tesi è arrivata martedì mattina. In un documento intitolato "Open-Weight Models Will Run 90% of Enterprise Agentic Workflow Steps", Mark Petty, senior director di Gartner, e Raymond Paquet, group vice president, sostengono che gran parte del lavoro degli agenti è routine. Classificare, chiamare strumenti, passare dati, validare e riconciliare informazioni occupano la maggior parte del tempo. I modelli a pesi aperti, scrivono, "possono gestire centinaia di questi passaggi di routine per ogni singolo passaggio che richiede ragionamento di frontiera". The Register ha riportato il documento il 3 novembre.

"Rispetto al modello chiuso più economico con lo stesso punteggio, il modello aperto costa un quarto. Rispetto a un modello di frontiera eseguito su ogni passaggio, costa appena un ventesimo", hanno scritto i due.

Poi arriva la precisazione, che conta più del numero del titolo. Gli analisti ammettono che i modelli aperti attuali "possono essere più prolissi e riprovare più spesso, quindi il risparmio per attività rispetto a un modello di frontiera è più vicino a cinque o sei volte". Resta comunque un divario ampio. Ma è di un ordine di grandezza diverso da quello che è circolato sulla stampa.

Dove finiscono sia i soldi sia il controllo

L'argomento di Gartner non riguarda solo il prezzo. Gli analisti inquadrano i pesi aperti prima di tutto come una questione di controllo dei dati. "Anni di cronologia dei workflow sono una parte consistente di ciò che un acquirente paga in una società SaaS, e ogni passaggio di routine inviato a un'API di frontiera ne sposta una fetta fuori dal tuo perimetro. I pesi aperti preservano il tuo controllo. Il risparmio sui costi è un bonus". La loro assunzione formale di pianificazione è che entro il 2030 il 90% dei passaggi dei workflow operativi agentici aziendali verrà eseguito su modelli a pesi aperti.

Questa previsione stona con le uscite di frontiera dell'ultima settimana. Tom's Hardware ha riportato il 3 novembre che Gemini 4 Carbon (high) di Google segna 59 sull'Intelligence Index V5 di Artificial Analysis. È un punto sopra Claude Opus 5.5 (max with fallback) e due sopra GPT-6 Astra (max) di OpenAI. Lo stesso articolo indica in 7,76 dollari il costo per attività di Gemini 4 Carbon, contro i 12,99 dollari di Claude Fable 5.1. È circa 13 volte il prezzo per attività del modello a pesi aperti DeepSeek V4.1 Flash 1017, che sullo stesso indice segna 32.

La risposta di Gartner a questo divario è che il modello di frontiera diventa spesa in conto capitale e il modello aperto diventa spesa operativa. "I modelli di frontiera continueranno ad avere un ruolo come motore della ricerca e dello sviluppo", sintetizza The Register riportando il documento. I modelli a pesi aperti subentrano quando il lavoro pesante è fatto. Gli analisti indicano anche gli harness, il software che instrada ogni attività verso un modello adatto, come il punto in cui finisce per concentrarsi il valore del prodotto.

Anche lo stack della ricerca si muove nella stessa direzione

Due articoli su arXiv inviati il 29 e il 30 ottobre suggeriscono che il versante dell'addestramento si sta riorganizzando lungo linee simili. QUAL, un framework di Junhyeok Kang e 11 coautori, tratta un insieme di modelli di base per serie temporali come riferimento probabilistico. Trasforma le previsioni di ogni membro prima di combinarle. Riporta riduzioni del 7,4% nella MASE media dei membri e del 9,8% nella CRPS su GIFT-Eval. Non richiede addestramento né modifiche ai modelli.

Separatamente, Yuda Song e nove coautori sostengono in un articolo di 67 pagine che pretraining, midtraining, supervised fine-tuning e reinforcement learning possono stare sotto un unico algoritmo basato sulla verosimiglianza. Così la pipeline a fasi si riduce a una domanda: su quali dati addestrare e quando.

Nessuno dei due articoli verifica la tesi di Gartner sui costi. Entrambi però indicano la stessa direzione: meno fasi su misura, più riuso dei modelli che già esistono.

Anche il versante hardware scommette sullo stesso scenario. The Robot Report ha riportato il 2 novembre che Tutor Intelligence ha raccolto 75.000.000 di dollari in un round Series B guidato da Andreessen Horowitz. I clienti pagano a ore o a prelievo invece di comprare i robot. Agility Robotics, intanto, ha superato il voto SPAC il 2 novembre con oltre l'84% dei voti a favore. Si prevede che la società combinata inizi a essere quotata al Nasdaq il 5 novembre con il ticker AGLT, con circa 465.000.000 di dollari di capitale lordo prima delle spese. Nessuno dei due numeri stabilisce se il lavoro di routine migrerà verso modelli economici. Entrambi danno per scontato che qualcuno stia contando il costo per attività.