- Iperammortamento e AI nel 2026: otto fatti verificatiStrategia e innovazione
Che cosa prevede davvero il nuovo iperammortamento per gli investimenti in intelligenza artificiale: misura, scadenze, beni ammessi, interconnessione, cloud e ruolo del GSE, con una fonte istituzionale per ogni affermazione.
- Quanto vale l'iperammortamento per chi compra AIStrategia e innovazione
Il nuovo iperammortamento può ridurre il costo fiscale di un investimento in software AI, ma soltanto se riguarda un bene ammortizzabile compreso negli allegati e interconnesso in modo dimostrabile. Il conto, i limiti e le verifiche da fare prima dell'ordine.
- Vendere una soluzione AI con l'iperammortamentoStrategia e innovazione
Che cosa deve preparare chi vende software e sistemi AI perché il cliente possa chiedere l'iperammortamento: classificazione del bene, interconnessione, dati per il GSE, materiale per la perizia e clausole contrattuali.
- Vendere servizi LLM: i ricavi dipendono dall'uso, i costi dalla capacità disponibileAgenti AI
Un'azienda che espone un servizio LLM sostiene il costo della capacità nel tempo, ma incassa a consumo o a canone. Una prova riproducibile mostra come il carico modifichi il costo unitario e perché prezzi, cache, contratti e distribuzione vadano progettati insieme.
- Gli agenti sono già in azienda, ma non ancora nei processiStrategia e innovazione
Tre quarti di chi lavora con le informazioni usa già l'intelligenza artificiale, e più di tre quarti di loro se la portano da casa. Ma lo strumento che entra dal basso non cambia il processo: quello lo cambia solo la Direzione, e con gli agenti la Direzione fatica. Non per diffidenza: perché un processo agentico le toglie il controllo nella forma in cui è abituata ad averlo, e nessuno le ha ancora spiegato come riprenderselo.
- Perché chi fa modelli finisce per costruirsi anche l'harnessAgenti AI
In diciotto mesi otto produttori di modelli su undici hanno pubblicato la propria impalcatura; Zhipu e xAI distribuiscono i loro modelli dentro quella di un concorrente, mentre Meta è uscita dalla gara. Le ragioni sono tre: l'harness può riprodurre alcune condizioni dell'addestramento, permette di governare i costi e riduce il rischio di dipendere dal prodotto altrui. Il vincolo al fornitore, invece, non è ancora soprattutto tecnico: passa dalle condizioni d'uso.
- Che cosa deve sapere chi decide prima di usare un modello di linguaggio: la serie in dieci decisioniMachine learning
Un modello di linguaggio si compra in tre modi - a servizio, su macchine a noleggio, su macchine proprie - e si paga in un'unità nuova, il token. Le dieci decisioni della serie nell'ordine delle tre domande di chi firma: quanto costerà davvero, come si sceglie il fornitore, come ci si tutela. Per ognuna, la domanda da fare e il pezzo che spiega il perché.
- Dai vettori alle relazioni: l'attenzioneMachine learning
I vettori che entrano nel modello sanno quale token rappresentano e dove si trova, ma ognuno è ancora solo. L'attenzione li mette in relazione: domanda, chiave e valore, la softmax che pesa, la maschera causale e le teste multiple - il meccanismo che ha sostituito la ricorrenza nei modelli di linguaggio, e il prezzo quadratico che si porta dietro.
- Il Transformer, aperto col cacciaviteMachine learning
I pezzi sono già sul tavolo: l'embedding, l'attenzione, la softmax. Questo pezzo li monta, seguendo le trecento righe di nanoGPT: il blocco che alterna attenzione e MLP, le connessioni residue che tengono in piedi la pila, la testa d'uscita e la softmax che producono le probabilità del prossimo token, e la generazione, un token alla volta.
- Le evoluzioni: MoE e cache di chiavi e valoriMachine learning
Il costo quadratico del pezzo sull'attenzione ha due risposte: la miscela di esperti e la cache di chiavi e valori. La prima riduce il calcolo per token attivandone pochi su tanti; la seconda il motore la riempie durante la generazione, per non rifare tutto da capo. Con i casi documentati di DeepSeek e Qwen - e la distinzione fra pesi, motore e addestramento.