Il CEO di Palantir contro OpenAI e Anthropic: costano troppo e rubano dati

Alex Karp ha passato venti minuti su CNBC Squawk Box, il primo luglio, ospite nominalmente per parlare della nuova partnership tra Palantir e Nvidia. Ha finito per smontare pubblicamente il modello di business dei laboratori AI concorrenti, in un’intervista che Axios ha ripreso sotto il titolo “The revolt against U.S. AI labs”.

La citazione centrale, tradotta: “La visione di base tra le aziende in questo Paese è: vado a perdere tempo con i token, non ottengo valore, e loro si prendono la mia proprietà intellettuale.” Karp ha definito il modello di business dei frontier lab assurdo, “fuori controllo” nelle sue stesse parole più dirette, e ha detto che i modelli sono stati venduti in modo irresponsabile.

Tre bersagli precisi in un’unica intervista: il costo dei token, il valore che le aziende clienti effettivamente ottengono, e la proprietà intellettuale che finisce nei sistemi dei fornitori. Non è la prima volta che un dirigente tech critica il pricing dell’AI enterprise, ma poche volte la critica arriva con questa densità da un CEO che vende alternative dirette a quello stesso mercato.

I numeri di Karp trovano riscontro fuori da Palantir

Il punto debole della sua tesi non è nei dati. Il problema del ROI nell’AI aziendale è documentato da fonti che non hanno interesse a sostenere Palantir: uno studio MIT ha rilevato che il 95% delle aziende non vede ritorni misurabili sui progetti di intelligenza artificiale generativa, e solo il 28% dei progetti enterprise raggiunge le aspettative dichiarate in partenza.

Forrester racconta una storia complementare: il 75% delle aziende ha provato gli agenti AI ma quasi nessuna sa orchestrarli in produzione. Bain arriva alla stessa conclusione da un’altra angolazione, il conto dei risparmi promessi non torna quasi mai rispetto alle proiezioni iniziali dei fornitori.

Sul fronte prezzi, il caso Anthropic è concreto: Fable 5 è stato lanciato a 10 dollari per milione di token in input e 50 in output, il doppio di Opus 4.8, senza una giustificazione proporzionale in termini di capacità fuori dal coding. Karp non sta inventando un problema. Sta indicando un problema reale con il dito sbagliato per un motivo preciso.

Chi parla e perché: Palantir non è un arbitro neutrale

Palantir non addestra modelli frontier. Vende Foundry, la piattaforma di orchestrazione e messa in produzione dei dati aziendali, e compete direttamente con i tentativi di OpenAI e Anthropic di costruirsi una propria offerta enterprise. Ogni dollaro che un’azienda sposta da un abbonamento a token verso una piattaforma di governance dati è un dollaro che può finire nel conto di Palantir, non in quello dei laboratori che Karp critica.

Il mercato ha letto il messaggio commerciale più di quello critico: il titolo Palantir è salito del 9% nei giorni delle dichiarazioni, secondo i dati ripresi da Forbes. I numeri del trimestre danno peso alla sua voce: fatturato a 1,63 miliardi di dollari nel primo trimestre 2026, crescita dell’85% su base annua, utile netto quasi quadruplicato a 870,5 milioni, oltre mille clienti commerciali negli Stati Uniti in crescita del 31%.

Karp resta comunque lontano dal demolire Anthropic in blocco: ha definito Dario Amodei una figura storica e ha detto di non aver mai visto una crescita paragonabile a quella dell’azienda nella storia recente americana. La contraddizione è utile: separare il messaggio dal messaggero non significa negare che Karp abbia un interesse economico diretto in gioco, significa non liquidare i suoi argomenti solo perché li pronuncia lui.

La fuga verso i modelli cinesi cambia gli equilibri

La critica di Karp arriva mentre parte del mercato enterprise sta già votando con il portafoglio. Microsoft valuta DeepSeek per Copilot Cowork. Coinbase ha tagliato i costi AI del 50% passando a modelli cinesi open-weight, mantenendo piatta la spesa. Cursor ha costruito il suo ultimo modello su Kimi 2.5 di Moonshot AI, e i ranking di OpenRouter mostrano un uso crescente di GLM e Kimi K2 tra gli sviluppatori enterprise.

C’è una seconda causa, meno discussa del prezzo. La Casa Bianca ha chiesto a OpenAI e Anthropic di limitare o ritardare il rilascio dei modelli più potenti, e alcuni sviluppatori attribuiscono la stretta regolatoria proprio ai toni allarmistici di Amodei sui rischi dell’AI, al punto da ridurre l’uso degli strumenti Anthropic per questo motivo specifico. La migrazione verso i modelli cinesi non è solo economia, è anche reazione a un clima regolatorio percepito come instabile attorno ai fornitori americani di punta.

Il vero problema è il mismatch tra potenza del modello e valore operativo

I benchmark dei modelli frontier continuano a migliorare trimestre dopo trimestre. Il valore percepito dalle aziende che li mettono in produzione non cresce alla stessa velocità, e questo scarto è il punto che unisce la critica di Karp ai dati indipendenti già citati. Un modello più capace su un test astratto non garantisce automaticamente un flusso di lavoro aziendale più efficiente o più economico.

La bolla dei token descritta nei pezzi già pubblicati racconta lo stesso fenomeno da un’altra prospettiva: aziende che razionano l’uso dei modelli più costosi dopo aver scoperto che il costo per task non giustifica il beneficio marginale. Accenture e Uber sono tra i casi già emersi di razionamento deliberato dei token nei flussi interni, una risposta pratica al problema che Karp descrive in termini più drammatici davanti alle telecamere.

Cosa cambia per chi compra AI enterprise: multi-model, non fedeltà a un solo vendor

Chi firma oggi un contratto enterprise AI dovrebbe partire da una segmentazione esplicita dei casi d’uso, non da una scelta di fornitore unico. Separare ciò che è commodity da ciò che è ad alto rischio è il primo passo concreto: sintesi di testi, prime bozze, ricerca generica reggono bene un modello open-weight più economico. Dati sanitari, legali, finanziari o decisioni con impatto normativo richiedono un fornitore con garanzie contrattuali forti, non necessariamente il modello con il punteggio più alto in classifica.

Il secondo passo è testare le alternative in parallelo, non sostituire in blocco lo stack esistente. I casi Coinbase e Cursor sono un precedente concreto di benchmark riuscito, non un endorsement automatico dei modelli cinesi: restano aperti temi di governance dei dati e sicurezza che Karp, va detto, non ha affrontato nella sua intervista.

Il terzo punto riguarda le clausole contrattuali specifiche: proprietà dei dati e divieto di addestramento sui dati del cliente, portabilità reale in caso di uscita dal fornitore per evitare il lock-in, e clausole di continuità del servizio che coprano lo scenario di un rallentamento nei rilasci dovuto a pressioni regolatorie sui laboratori americani. Ovviamente, se un progetto ad alto rischio deve partire subito e non c’è tempo per un benchmark strutturato, la scelta prudente resta il fornitore con più garanzie contrattuali verificabili, anche a costo più alto.

Il conflitto che Karp mette in scena non è tra AI buona e AI cattiva. È tra tre gruppi con interessi diversi: i laboratori che vendono capacità computazionale a token, le piattaforme come Palantir che vendono l’orchestrazione di quella capacità, e le aziende clienti che pagano entrambi senza avere ancora uno strumento chiaro per misurare il ritorno.

Chi ha ragione sul costo dei token e chi guadagna nel dirlo pubblicamente sono due domande diverse, e la risposta alla prima non dipende dalla risposta alla seconda. I dati MIT e Forrester esistevano prima che Karp aprisse bocca su CNBC, e continueranno a valere anche se Palantir smettesse domani di vendere Foundry.

Per chi decide oggi un contratto enterprise AI, la lezione pratica è che nessuno dei soggetti in campo, laboratorio o piattaforma di orchestrazione, ha interesse a semplificare la scelta. Ognuno vende la propria versione della soluzione al problema che tutti riconoscono. Chi firma paga comunque, chi vince è chi riesce a segmentare i propri casi d’uso prima di farsi convincere da una demo, chi perde è chi si fida di un solo fornitore perché ha parlato meglio degli altri in televisione.