La risposta in breve
Gartner si attende che la spesa mondiale degli utenti finali in modelli e piattaforme di IA raggiunga i 64 miliardi di dollari nel 2026, in crescita del 63,4% rispetto ai 39 miliardi del 2025. All'interno di quel numero, i modelli di IA generativa crescono del 117%, la spesa in piattaforme di IA del 36,9%, e l'elemento più marcato sono i modelli specializzati e specifici di dominio al 210%. La previsione, pubblicata il 20 luglio 2026, descrive un mercato ancora in rapida espansione, ma in cui gli acquirenti hanno iniziato a porre domande più dure su costi, latenza, prestazioni e ritorni dimostrabili.
Per i team che costruiscono e acquistano IA, il segnale sotto la crescita è un passaggio dall'esperimento alla responsabilità. Il denaro continua a fluire, ma si sposta verso modelli più piccoli e specifici e verso fornitori capaci di dimostrare un valore misurabile e di applicare policy su dove e come l'IA viene usata. I vincitori della prossima fase non saranno quelli che rilasciano il modello più grande, ma quelli che aiutano le aziende a spendere in modo efficiente e a dimostrarlo.
Cosa ha previsto davvero Gartner?
Il 20 luglio 2026 Gartner ha stimato che la spesa mondiale degli utenti finali nel mercato delle piattaforme e dei modelli di IA totalizzerà 64 miliardi di dollari nel 2026, un aumento del 63,4% rispetto ai 39 miliardi spesi nel 2025. È un mercato quasi raddoppiato in due anni e senza segni di un netto rallentamento, anche se il dibattito più ampio è passato dalla capacità al costo. La crescita è ampia, ma non distribuita in modo uniforme tra le categorie monitorate da Gartner.
Sotto il totale, conta la composizione. La spesa in modelli di IA generativa dovrebbe crescere del 117% nel 2026, mentre la spesa in piattaforme di IA — gli strumenti per costruire, servire e gestire i modelli — sale più moderatamente del 36,9%. Il segmento di gran lunga più dinamico è quello dei modelli linguistici specifici di dominio e specializzati, previsto al 210%. Quest'ultimo numero è indicativo: le aziende ricorrono sempre più a modelli più piccoli, calibrati su un compito o un settore, invece di pagare prezzi da frontiera per un'intelligenza generalista di cui non hanno bisogno. I team che avviano la loro prima integrazione di GenAI hanno ora una scelta reale tra un modello generalista e uno mirato, e il costo li spinge verso il mirato.
Gartner ha inoltre segnalato un cambiamento nel comportamento degli acquirenti che riorienta l'intera previsione. «I budget IA aziendali sono sottoposti a maggiore scrutinio, con enfasi su efficienza d'uso, controllo dei costi e ritorni quantificabili», ha dichiarato Arunasree Cheparthi, Senior Principal Research Analyst di Gartner. La lettura della società è che la spesa si sposti verso i fornitori capaci di dimostrare un valore chiaro su costi, latenza, prestazioni e affidabilità, e di offrire gli strumenti di valutazione, monitoraggio dei costi e applicazione delle policy di cui le aziende hanno bisogno per tenere sotto controllo i deployment di IA. Nell'inquadramento di Gartner, i maggiori vincitori saranno i fornitori che aiutano le aziende a gestire dove e come l'IA viene usata, non semplicemente quelli con il modello grezzo più potente.
Perché un balzo del 63% conta proprio ora?
Il numero di punta conta perché chiude un dibattito aperto. Per un anno la domanda è stata se la spesa aziendale in IA fosse una voce di bilancio duratura o un'ondata di budget sperimentali che la finanza avrebbe recuperato. Una previsione di 64 miliardi di dollari, in crescita del 63%, dice che la domanda è strutturale: l'IA è passata dai pilot a sistemi che le aziende intendono finanziare per anni. Se tratti ancora l'IA come un costo discrezionale da laboratorio, il mercato ti ha già superato.
La composizione conta ancora più del totale. Un balzo del 210% dei modelli specializzati e specifici di dominio — contro un più contenuto 36,9% delle piattaforme — mostra dove si sta fissando il valore. Le aziende imparano che un modello più piccolo, calibrato sul loro dominio, spesso batte un enorme modello generalista sulla metrica che conta davvero: il costo per risultato utile. È esattamente il calcolo dietro l'ascesa dei modelli affinati e specifici di dominio, dove un modello mirato su infrastruttura più economica offre migliore accuratezza e minore latenza per un compito definito rispetto a un generalista sovradimensionato.
E il tema dello scrutinio conta perché cambia chi vince il budget. Quando il denaro era facile, il modello più grande attirava l'attenzione. Man mano che i budget si stringono, le domande decisive diventano: quanto costa per richiesta, quanto è veloce, quanto è affidabile e possiamo dimostrare il ritorno? È tanto un problema di governance e FinOps quanto di modellazione, e premia i team che strumentano la propria spesa in IA invece di limitarsi ad aumentarla. Vale la pena essere precisi anche sul perimetro: è una previsione di mercato, non un fatturato garantito, e le categorie di Gartner evolvono — considera ferma la direzione e indicative le ripartizioni esatte.
Cosa cambia nel tuo budget IA?
La prima cosa che cambia è la risposta predefinita a «quale modello?». Un anno fa, ricorrere al più grande modello di frontiera era un riflesso difendibile. Ora, con i modelli specializzati come segmento più dinamico e la finanza che sorveglia il costo per risultato, «usare il modello più grande per tutto» è più un'abitudine costosa che una scelta sicura. Il rischio non è spendere in IA; è spendere senza una disciplina di scelta dei modelli che associ ogni carico all'opzione più economica che supera l'asticella di qualità.
La seconda: il costo dell'IA diventa una metrica operativa di primo piano, non una nota a piè di pagina. Man mano che la spesa scala a decine di miliardi sul mercato, ogni azienda sente la stessa pressione all'interno: consumo di token non limitato, job di fine-tuning inattivi e inferenza sovradimensionata si accumulano in silenzio. Senza monitoraggio dei costi, harness di valutazione e responsabilità chiara, un budget IA può crescere del 63% e rendere poco — il classico schema di spesa in aumento con ritorno non provato. Per i team regolamentati di FinTech e sanità in Italia questo si intreccia con obblighi di governance: il regolamento DORA disciplina il rischio legato ai fornitori terzi nell'UE, e sapere quale modello tocca quali dati, e a quale costo, diventa un artefatto sia finanziario sia di conformità.
Il terzo rischio è quello silenzioso: scambiare la crescita del budget per progresso. Una voce IA più grande è facile da approvare e difficile da giustificare a posteriori se nessuno ha misurato cosa ha prodotto. I team che faticano non sono quelli che spendono troppo poco o troppo in aggregato, ma quelli che non riescono a legare la spesa a un risultato misurabile quando glielo si chiede. Integrare presto valutazione, attribuzione dei costi e applicazione delle policy nel tuo programma di IA e trasformazione digitale costa molto meno che ricostruirlo sotto una revisione di budget.
Cosa significa per i team software in Italia
Se stai scalando la spesa in IA, costruisci il livello di misurazione prima della prossima funzionalità. Metti in piedi ora il monitoraggio dei costi, un semplice harness di valutazione e la responsabilità per singolo carico, così che ogni chiamata al modello abbia un proprietario, un costo e un obiettivo di qualità. Il punto non è rallentare, ma assicurarsi che il 63% in più che probabilmente spenderai l'anno prossimo compri il 63% in più di valore, e che tu possa dimostrarlo quando la finanza lo chiede. Questa disciplina distingue un programma di IA duraturo da una voce di bilancio a rischio alla prossima revisione.
Se costruisci funzionalità di IA, considera il balzo del 210% dei modelli specializzati come il permesso di dimensionare correttamente. Per la maggior parte dei compiti di produzione — classificazione, estrazione, instradamento, generazione strutturata — un modello affinato o specifico di dominio su infrastruttura modesta batterà un modello di frontiera generalista su costo e latenza pareggiandone la qualità. Riserva i modelli più grandi al lavoro davvero difficile e aperto. Associare ogni compito al modello più piccolo che supera l'asticella è la leva di costo a più alto impatto disponibile, ed è esattamente dove un intervento mirato su IA e dati si ripaga.
C'è anche una lettura di delivery. Il messaggio di Gartner — i vincitori sono i fornitori e i team che aiutano a gestire dove e come l'IA viene usata — vale dentro la tua organizzazione quanto sul mercato. Una capacità che possiede scelta dei modelli, governance dei costi e valutazione come lavoro di routine — interna o tramite un team di ingegneria dedicato — trasforma una previsione come questa in un piano. I team senza questa capacità continueranno ad approvare budget IA più grandi e continueranno a essere sorpresi, alla revisione successiva, di non poter dire cosa abbia comprato quel denaro.
Cosa fare questo trimestre
Trasforma una previsione di mercato in una breve e concreta messa a punto della postura, non in un assegno in bianco più grande.
- Inventaria la tua spesa IA. Elenca ogni modello, piattaforma ed endpoint che paghi, quanto costa al mese e chi ne è proprietario — non puoi governare una spesa che non hai mappato.
- Misura il costo per risultato. Collega il monitoraggio dei costi di token e inferenza a una metrica di business, non solo a una dashboard di uso grezzo, così che la spesa corrisponda al valore.
- Dimensiona correttamente i modelli. Per ogni carico di produzione, verifica se un modello più piccolo o affinato supera l'asticella di qualità a costo e latenza inferiori prima di scegliere per default un modello di frontiera.
- Attiva la valutazione. Costruisci un harness di valutazione leggero, così che i cambi di modello o fornitore si decidano su qualità, costo e latenza misurati — non a sensazione.
- Definisci policy e responsabilità. Stabilisci quali modelli possono toccare quali dati, applica il minimo privilegio sulle chiavi e assegna a ogni carico di IA un proprietario nominato e responsabile del suo costo.
- Decidi build-vs-buy in modo deliberato. Scegli dove una piattaforma, un modello specializzato o uno sviluppo interno si adatta a ciascun caso d'uso, ed evita di pagare prezzi da frontiera per compiti banali.
Un balzo di mercato del 63% è la conferma che l'IA aziendale è qui per restare — e un avvertimento che la fase del denaro facile sta finendo. I team che abbinano budget in crescita a una misurazione reale, modelli ben dimensionati e responsabilità chiara trasformeranno questa crescita in valore cumulato. I team che trattano una voce IA più grande come una ricompensa in sé impareranno, alla prossima revisione di budget, che spendere di più e ottenere di più non sono la stessa cosa.
Domande frequenti
Quanto spenderanno le aziende in piattaforme e modelli IA nel 2026?
Gartner prevede che la spesa mondiale degli utenti finali in modelli e piattaforme di IA totalizzerà 64 miliardi di dollari nel 2026, in crescita del 63,4% rispetto ai 39 miliardi del 2025. La previsione, pubblicata il 20 luglio 2026, copre il mercato delle piattaforme e dei modelli di IA e riflette uno slancio ancora forte, anche se gli acquirenti guardano più da vicino a costi e ritorno sull'investimento.
Quali parti del mercato dell'IA crescono più rapidamente?
Gartner si attende una crescita del 117% della spesa in modelli di IA generativa e del 36,9% della spesa in piattaforme di IA nel 2026. Il segmento più dinamico è quello dei modelli linguistici specifici di dominio e specializzati, la cui crescita è stimata al 210%, mentre le aziende passano dai modelli generalisti a modelli più piccoli, calibrati su un compito o un settore specifico.
Cosa sono i modelli linguistici specifici di dominio (DSLM)?
I modelli linguistici specifici di dominio sono modelli di IA calibrati su un compito, un settore o un ambito di conoscenza ristretto, anziché fare tutto ciò che fa un grande modello generalista. Essendo più piccoli e mirati, possono essere più economici da gestire, avere una latenza inferiore ed essere più accurati sul compito bersaglio: per questo Gartner prevede per il segmento una crescita del 210% nel 2026, mentre i team ottimizzano costi e risultati misurabili.
Cosa dovrebbero dare priorità le aziende secondo Gartner?
Gartner afferma che i budget IA aziendali sono sottoposti a maggiore scrutinio, con enfasi su efficienza d'uso, controllo dei costi e ritorni quantificabili. La Senior Principal Research Analyst Arunasree Cheparthi osserva che la spesa si sposta verso i fornitori in grado di dimostrare un valore chiaro su costi, latenza, prestazioni e affidabilità, e di offrire strumenti di valutazione, monitoraggio dei costi e applicazione delle policy su tutti i deployment.
Fonti
Gartner — Forecasts Worldwide AI Platforms and Models Market to Grow 63% in 2026
AIwire (HPCwire) — Gartner Forecasts Worldwide AI Platforms and Models Market to Grow 63% in 2026
Kaohoon International — Gartner Forecasts Worldwide AI Platforms and Models Market to Grow 63% in 2026