OpenAI pubblica i numeri di Circles, operatore MVNO che usa l’API OpenAI e Codex per personalizzare l’esperienza dei clienti in telecomunicazione. Il risultato dichiarato: +22% di ARPU e -9% di churn, con efficienza di sviluppo migliorata. Sono le metriche con cui un’azienda decide se una tecnologia resta o se ne va.

Lo stesso giorno, Alibaba apre i pesi di Qwen3.8-Max, il modello da 2.4T parametri di cui abbiamo raccontato l’arrivo negli stack USA. Due segnali paralleli: un case study proprietario con numeri di business e un frontier aperto con licenza MIT che entra nel flusso di lavoro di chi costruisce.

Perché ti riguarda. I modelli, aperti e proprietari, smettono di essere una scommessa e diventano una voce nel conto economico. Se la tua organizzazione valuta l’adozione dell’AI, la domanda giusta è quale indicatore di business si sposta quando lo metti in produzione. I benchmark dicono poco su questo. Circles ha misurato ARPU e churn. Qwen3.8-Max dà a chi ha vincoli di costo o sovranità dei dati un’opzione competitiva e scaricabile.

Le due strade si sommano. La scelta diventa operativa.

Se vuoi provarci: individua un processo dove puoi misurare un indicatore di business prima e dopo l’introduzione dell’AI. Senza quel numero, sei nel marketing.

Nel dettaglio

Il case study di Circles è interessante perché OpenAI pubblica raramente numeri di business così concreti. Circles è un MVNO (Mobile Virtual Network Operator) attivo in mercati asiatici. Usa l’API OpenAI e Codex per personalizzare l’esperienza utente, automatizzare parte dello sviluppo software e gestire il supporto clienti.

I numeri dichiarati:

• +22% ARPU: ogni cliente genera in media un quinto di ricavo in più.
• -9% churn: il tasso di abbandono cala di quasi un decimo.
• Efficienza di sviluppo migliorata: OpenAI non quantifica di quanto, e questo è il primo limite della fonte.

I dati vengono dalla pagina ufficiale del case study, quindi vanno letti come materiale di marketing di parte. Nessuna metrica è accompagnata da metodologia di misurazione, periodo di riferimento o gruppo di controllo. Per chi prende decisioni, il segnale è interessante ma la prova manca: un +22% ARPU potrebbe includere fattori che non c’entrano con l’AI.

Sull’altro fronte, Qwen3.8-Max è il secondo modello cinese aperto in due settimane a entrare negli stack operativi USA, dopo Kimi K3 servito via API Telnyx. Alibaba ha promesso i pesi per la settimana successiva all’annuncio del 3 agosto, con licenza MIT. Il modello è un mixture-of-experts da 2.4T parametri totali, 95B attivi per token, finestra di contesto da 1M di token. I benchmark riportati (PaperBench 93.0, CoWorkBench 74.8) lo collocano nella fascia dei frontier proprietari, ma sono auto-riportati e vanno presi con cautela.

La convergenza che conta è questa: un operatore reale documenta un impatto finanziario misurabile, e contemporaneamente un modello aperto con capacità da frontier diventa scaricabile. Per chi valuta l’adozione dell’AI in azienda, significa avere sia un business case di riferimento sia un’opzione che non vincola al lock-in di un singolo provider.

I limiti restano forti su entrambi i lati. Il case study Circles è a fonte singola e non indipendente: un follow-up di terze parti sarebbe utile. I benchmark di Qwen sono del produttore. La dimensione di Qwen3.8-Max (2.4T parametri) lo rende non eseguibile in locale per quasi tutte le organizzazioni: serve infrastruttura di inferenza dedicata o un provider API. Alibaba offre l’API a 2 dollari per milione di token in input e 6 in output, con cache a 0,25 dollari, ma la tariffa da sola non basta a decidere senza aver testato la qualità sul proprio caso.

La lezione operativa per chi legge: quando valuti l’impatto dell’AI sul tuo lavoro, chiedi i numeri di business e chiedi come sono stati misurati. Un case study senza metodologia è un aneddoto. E un modello aperto da 2.4T parametri è un’opportunità concreta solo se hai il compute per usarlo, o se lo servi via API a un costo che ha senso per il tuo volume reale.