Passa al contenuto principale
Piattaforma

Ti presentiamo il Databricks AI Index: Lo stato della tokenomics dell'AI aziendale

Un indice in costante aggiornamento sui dati reali relativi all'adozione dei modelli di IA aziendali, ai modelli di spesa e alle prestazioni degli agenti di codifica

di The Databricks AI Product and Engineering Team

Gli sviluppatori hanno a disposizione più modelli di intelligenza artificiale e coding agent che mai. Da maggio 2026, un nuovo modello di punta proprietario o open-weight viene lanciato all'incirca ogni settimana, o ogni 3,7 giorni se si includono i laboratori regionali. Con così tante opzioni, capire quali modelli offrano le prestazioni migliori, quanto costano e quando passare all'uno o all'altro sta diventando più difficile.

In Databricks, abbiamo una prospettiva unica su questo scenario in rapida evoluzione. Migliaia di aziende utilizzano Unity Gateway per accedere ai modelli di intelligenza artificiale e governarli, offrendoci informazioni approfondite sull'adozione dei modelli e sulla spesa nel mondo reale. Databricks sfrutta inoltre intensamente l'intelligenza artificiale a livello interno tra i suoi oltre 12.000 dipendenti e abbiamo investito in ricerche sostanziali per valutare la qualità e il costo dei nuovi modelli di frontiera sulle attività aziendali.

Oggi lanciamo il Databricks AI Index, una risorsa pubblica che raccoglie questi dati. I clienti ci hanno chiesto ripetutamente come si confrontano i nuovi modelli e cosa stiamo osservando nell'adozione dell'intelligenza artificiale aziendale per orientare i loro investimenti. Ora, per la prima volta, rendiamo permanentemente pubblica la nostra suite di valutazione interna, con aggiornamenti settimanali man mano che valutiamo le nuove uscite di modelli proprietari e open-weight.

Cosa misura il Databricks AI Index

L'indice combina due fonti di dati complementari:

Uso e spesa dell'intelligenza artificiale aziendale. Dati aggregati e anonimizzati provenienti da oltre 10.000 aziende che utilizzano Unity Gateway, che spaziano da aziende native digitali a quelle delle classifiche Fortune 500 e Global 2000, incluso il traffico verso provider esterni come Anthropic e OpenAI. L'indice traccia l'adozione dei modelli attraverso le quote di token e di spesa tra modelli proprietari e open-weight, oltre ai pattern di spesa settimanale in intelligenza artificiale per i singoli utenti.

Valutazioni dei coding agent continuamente aggiornate. Sfruttando il benchmark dei coding agent pubblicato a luglio, le nostre ultime valutazioni si basano su flussi di lavoro reali dei coding agent degli ingegneri di Databricks, acquisiti tramite Unity Gateway. Questi flussi di lavoro comprendono la creazione e la revisione di pull request, l'indagine sui problemi e l'affronto di attività di sviluppo complesse. L'uso di attività provenienti dalla nostra codebase privata e di test riservati aiuta a ridurre il rischio di contaminazione del benchmark, consentendo al contempo confronti coerenti tra combinazioni di modelli e harness in termini di tassi di successo delle attività e costo per attività completata.

Insieme, queste fonti di dati mostrano quali modelli le aziende stanno adottando, le prestazioni delle diverse combinazioni di modelli e harness e i loro costi. Ecco alcuni punti salienti:

Le preferenze per i modelli di intelligenza artificiale cambiano più velocemente che mai

Le aziende spostano sempre più spesso i carichi di lavoro tra diverse versioni di modelli e provider. A metà anno, la maggior parte delle organizzazioni si affidava a una manciata di modelli Anthropic per la maggior parte del proprio lavoro. Oggi l'adozione è molto più frammentata tra versioni di modelli e provider. La quota di traffico di token aziendali di OpenAI è cresciuta in modo significativo in questo periodo, trainata in gran parte dai suoi modelli Sol e Astra della serie 6. Tuttavia, la qualità dei modelli continua a influenzare fortemente la quota di mercato dei provider; quando è stato lanciato Claude Opus 5.5, lo slancio è tornato ad Anthropic. In appena sei settimane, Opus 5.5 è passato dal 7,2% al 37,9% dei token dei modelli proprietari, facendo salire la quota complessiva di Anthropic dal 57,6% al 68,8%.

Modello di intelligenza artificiale

Il modello di spostamento aggressivo dei carichi di lavoro tra modelli e provider rispecchia la nostra strategia di intelligenza artificiale in Databricks, dove valutiamo e distribuiamo rapidamente nuovi modelli. Due mesi fa abbiamo introdotto un processo interno di rilascio dei modelli al Day 1 che ci consente di valutare le nuove uscite nel giro di pochi giorni. Questo processo ci ha aiutato a gestire i costi aumentando al contempo la qualità delle iniziative di intelligenza artificiale interne. Ad esempio, abbiamo scoperto che Opus 5.5 offre una qualità migliore con un costo per sessione inferiore del 29% rispetto al suo predecessore, aiutandoci a decidere di renderlo il modello predefinito per Claude Code.

Le aziende accolgono con favore l'approccio multi-AI e i modelli open-weight

Le aziende si stanno muovendo sempre più oltre un singolo provider di intelligenza artificiale. Ancora a luglio, circa il 64% delle aziende che utilizzavano Unity Gateway si affidava a un solo provider di modelli. Al 2° novembre, questa percentuale è scesa al 28% man mano che un numero maggiore di organizzazioni ha adottato modelli provenienti da 2 o più provider.

Modelli multi-AI e open-weight

I modelli open-weight stanno guadagnando terreno insieme a questo cambiamento. La loro quota di traffico di token aziendali è cresciuta dal 7,3% di luglio al 30,9% di novembre, quadruplicando in meno di quattro mesi. I modelli open-weight stanno inoltre diventando sempre più competitivi rispetto alle alternative proprietarie. Nel nostro benchmark sulla qualità del codice, tre modelli open-weight si posizionano tra i primi 10, tra cui DeepSeek V4.1 e GLM 5.3, entrambi al terzo posto con un tasso di successo del 93,1%. Dalle nostre ricerche sui modelli open-weight emerge che le loro crescenti capacità, l'efficienza dei costi e la flessibilità li stanno rendendo un'opzione sempre più attraente per le aziende.

Modelli open-weightModelli open-weight

Nessun singolo modello o harness domina la frontiera costo-qualità

Scegliere il coding agent giusto significa valutare sia il modello sia l'harness che lo esegue. Il nostro ultimo benchmark per i coding agent valuta i modelli di nove laboratori di intelligenza artificiale che utilizzano Claude Code e Codex. Cinque modelli di quattro laboratori (OpenAI, DeepSeek, Meta e Anthropic) si trovano sulla frontiera costo-qualità, offrendo i migliori compromessi tra tassi di successo delle attività e costo.

OpenAI

I risultati mostrano perché le classifiche dei modelli da sole non raccontano tutta la storia. Le aziende devono valutare le combinazioni di modelli e harness rispetto ai propri carichi di lavoro, utilizzando dati di utilizzo e tracce reali per comprendere i compromessi tra prestazioni e costi.

Utilizziamo questo approccio internamente in Databricks. Nel valutare se passare da Opus 4.8 a Opus 5, abbiamo analizzato la frontiera di Pareto costo-qualità e riprodotto le tracce dei nostri carichi di lavoro. I risultati hanno mostrato che l'aggiornamento non valeva il costo aggiuntivo per i nostri casi d'uso, quindi abbiamo deciso di rimanere sulla versione 4.8.

I prezzi dei token non raccontano tutta la storia dei costi di codifica dell'IA

Due modelli possono offrire prestazioni di benchmark quasi identiche a costi drasticamente diversi. Nel nostro benchmark di codifica, GPT-6 Luna e Claude Opus 5.5 hanno entrambi raggiunto un tasso di successo delle attività dell'89,1%. Tuttavia, Luna è costato in media appena 0,05 $ per attività rispetto a 1,62 $ per Opus 5.5, una differenza di circa 32 volte.

Il costo per attività dipende sia dai prezzi dei token sia dalla quantità di lavoro che un modello deve svolgere per arrivare a una risposta. Turni extra, output lunghi e tentativi falliti aumentano tutti i costi. Gemini 3.8 Flash ha un prezzo dei token basso, eppure ha richiesto in media 140 turni per attività, posizionandosi come uno dei modelli più costosi nel benchmark con 11,97 $ per attività. Per i coding agent, prezzi dei token inferiori non garantiscono costi inferiori quando i modelli richiedono più lavoro per completare un'attività.

Il modello di intelligenza artificiale con le massime prestazioni raramente offre il valore migliore

Le prestazioni di benchmark superiori comportano spesso un prezzo elevato e persino piccoli miglioramenti della qualità possono comportare costi ingenti. Claude Fable 5.1 guida il nostro benchmark con un tasso di successo delle attività del 96,0% a 7,47 $ per attività, mentre Muse Wonder ottiene un punteggio del 94,9% a soli 1,53 $. Quel 1,1 punto percentuale in più di prestazioni costa quasi cinque volte tanto. Le aziende sembrano essere d'accordo e abbiamo visto la quota di token proprietari di Fable 5.1 scendere dal 5,5% allo 0,6% in 6 settimane dal suo lancio.

La domanda per le aziende è quanta qualità aggiuntiva richieda effettivamente un'attività. I modelli premium possono valere la spesa per lavori complessi e ad alto rischio, ma alternative meno costose possono essere sufficienti per le attività di routine. Il routing intelligente dei modelli, come Smart Routing in Unity Gateway, può aiutare ad abbinare le attività ai modelli appropriati in base alla qualità e al costo.

La spesa in intelligenza artificiale è ancora fortemente concentrata

La spesa per l'AI varia notevolmente tra gli utenti aziendali. Uno sviluppatore che esegue agenti di coding durante tutto il giorno ha modelli di consumo molto diversi rispetto a un dipendente che fa qualche domanda a un assistente AI al giorno. I nostri dati evidenziano la netta differenza: l'utente medio ha speso solo 2,49 $ in AI, mentre l'utente al 99° percentile ha speso 699,74 $, circa 281 volte di più.

Spesa per l'AI

La spesa settimanale mediana è più che raddoppiata da 1,10 $ in sei settimane, mentre la spesa al 90° e 99° percentile è rimasta relativamente stabile. Ciò suggerisce che il consumo di AI sta crescendo tra gli utenti tipici, ma un piccolo gruppo rappresenta ancora la maggior parte della spesa per l'AI.

Per le aziende, questa tendenza rende la visibilità sulla distribuzione della spesa particolarmente importante. Comprendere queste differenze aiuta le organizzazioni a stabilire budget e controlli di spesa più mirati senza limitare inutilmente l'utilizzo.

Metti in pratica questi spunti con Unity Gateway

Il Databricks AI Index rivela le tendenze del settore sull'utilizzo dei modelli, sulle prestazioni e sui costi. Databricks Unity Gateway aiuta le aziende a rispondere a queste tendenze nei loro carichi di lavoro di AI:

Accedi e passa da un modello all'altro senza vincoli. Ottieni accesso centralizzato a modelli di frontiera, open-weight e personalizzati tramite il model serving ospitato da Databricks o connessioni a provider esterni. Con la Unity Gateway CLI, gli sviluppatori possono anche utilizzare modelli approvati su harness di coding supportati come Claude Code e Codex.

Analizza la tokenomics della tua AI. Utilizza le dashboard di utilizzo e le tracce unificate di Unity Gateway per comprendere il consumo dei modelli, la spesa e l'attività degli agenti di coding tra utenti, team e applicazioni. Puoi analizzare e riprodurre le tracce per confrontare le prestazioni dei modelli e i costi sui tuoi carichi di lavoro, proprio come fa internamente Databricks.

Ottimizza la selezione dei modelli e i costi. Utilizza Smart Routing per abbinare le attività degli agenti di coding a modelli convenienti in base alla qualità e alle prestazioni, e applica budget e limiti di spesa per mantenere sotto controllo la spesa per l'AI.

image1.png

Informazioni sui dati

Il Databricks AI Index combina dati di utilizzo aggregati e anonimizzati provenienti da migliaia di aziende che utilizzano Unity Gateway con benchmark di agenti di coding basati su pull request reali dalla codebase privata di Databricks. La spesa per i modelli viene stimata utilizzando i prezzi dei provider pubblicamente elencati e i risultati dei benchmark vengono valutati rispetto a test nascosti anziché a un giudice LLM. I risultati riflettono i carichi di lavoro e i modelli valutati e possono variare a seconda delle organizzazioni. Il set di dati attuale copre il periodo dal 21 settembre al 7 novembre 2026.

Esplora l'indice completo

Esplora il Databricks AI Index per visualizzare le ultime tendenze di utilizzo dei modelli, i benchmark degli agenti di coding e i confronti dei costi. Continueremo ad aggiornare l'Index con le ultime tendenze di utilizzo aziendale e le valutazioni degli agenti di coding, offrendo a sviluppatori e aziende una risorsa continua per confrontare modelli, prestazioni e costi.

Vuoi analizzare il tuo utilizzo dell'AI, confrontare i modelli e ottimizzare i costi? Inizia con la guida rapida di Unity Gateway.

Domande frequenti

Che cos'è il Databricks AI Index?

Il Databricks AI Index è una risorsa pubblica che traccia l'adozione di modelli di AI aziendali, le tendenze di spesa e le prestazioni degli agenti di coding. Combina dati di utilizzo aggregati e anonimizzati di migliaia di aziende che utilizzano Databricks Unity Gateway con benchmark di agenti di coding basati su attività di sviluppo reali. L'Index viene aggiornato settimanalmente man mano che vengono valutati nuovi modelli.

Come si confrontano i modelli di AI per le attività di coding?

I modelli di AI per il coding dovrebbero essere confrontati in base al tasso di successo delle attività, al costo per attività e alle prestazioni all'interno di diversi harness di agenti di coding. Il Databricks AI Index valuta le combinazioni di modelli e harness utilizzando flussi di lavoro di coding reali provenienti dalla codebase privata di Databricks e test nascosti per misurare la qualità e il costo. I risultati possono variare in base al carico di lavoro, quindi le aziende dovrebbero anche valutare i modelli rispetto alle proprie attività di sviluppo.

Perché i modelli di AI più economici possono costare di più da usare?

Prezzi dei token inferiori non si traducono sempre in costi inferiori perché i modelli variano nella quantità di lavoro necessaria per completare un'attività. I modelli che richiedono più turni di ragionamento, generano output più lunghi o effettuano tentativi ripetuti possono consumare più token in totale. Il costo per attività completata è spesso una misura più utile dell'efficienza dell'AI rispetto al solo prezzo dei token.

I modelli di AI open-weight sono competitivi rispetto ai modelli proprietari?

Sì, i modelli di AI open-weight sono sempre più competitivi rispetto ai modelli proprietari in termini di prestazioni di coding ed efficienza dei costi. Nel benchmark di coding del Databricks AI Index, tre modelli open-weight si classificano tra i primi 10 per tasso di successo delle attività, tra cui DeepSeek V4.1 al 93,1%. La scelta migliore dipende dal carico di lavoro, dalla qualità richiesta e dal costo.

In che modo le aziende possono ottimizzare la selezione e la spesa dei modelli di AI?

Le aziende possono ottimizzare i costi dell'AI confrontando la qualità e il costo dei modelli sui propri carichi di lavoro, monitorando l'utilizzo e selezionando i modelli in base ai requisiti delle attività. Databricks Unity Gateway offre accesso centralizzato ai modelli, dashboard di utilizzo, tracce unificate e budget per aiutare le organizzazioni a gestire la spesa per l'AI. La sua funzionalità Smart Routing può anche abbinare le attività degli agenti di coding a modelli convenienti in base alla qualità e alle prestazioni.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale

Tag correlati:

Ricerca sull'IA e Unity Gateway

Ricevi gli ultimi articoli nella tua casella di posta

Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.