Il 6 agosto 2026 DeepSeek ha pubblicato sulla propria documentazione API una riga che vale più di un lancio di prodotto: l’azienda prevede di alzare «il prezzo complessivo dei servizi API DeepSeek nel prossimo futuro, con un aumento significativo atteso». Nessuna percentuale, nessuna data di entrata in vigore. Per chi ha costruito un pilot su quei prezzi, la domanda smette di essere «quanto costerà» e diventa un’altra, più scomoda: quale LLM scegliere per azienda quando il listino su cui hai fatto i conti può cambiare senza preavviso. È una domanda di architettura, non di shopping.
In questo articolo scoprirai:
- Cosa ha annunciato davvero DeepSeek il 6 agosto 2026
- La fine dell’era sovvenzionata: cosa cambia per chi ha un pilot in corso
- Vendor lock-in: il costo che non compare nel listino
- Quale LLM scegliere per azienda: quattro vincoli prima del prezzo
- Scegliere il provider fa parte dell’onboarding, non è un dettaglio tecnico
Cosa ha annunciato davvero DeepSeek il 6 agosto 2026
L’annuncio è volutamente vago. DeepSeek non ha pubblicato un nuovo schema tariffario né una data: ha solo avvisato che l’aumento riguarderà l’intera offerta API. Al momento in cui scriviamo, il listino ufficiale riporta ancora 0,14 dollari per milione di token in input e 0,28 in output per DeepSeek-V4-Flash, e 0,435 / 0,87 dollari per V4-Pro, con un prezzo di cache hit che scende a frazioni di centesimo.
Il contesto tecnico è noto: il modello economico è stato vittima del proprio successo. Secondo The Next Web, «i prezzi bassi di DeepSeek hanno attirato un’ondata di utenti, e servirli tutti mette sotto pressione il compute dietro al servizio». L’avviso arriva poco dopo il lancio di V4-Flash, il modello compatto che su alcuni benchmark supera V4-Pro, e dopo l’introduzione di tariffe differenziate per fascia oraria. È il secondo intervento sui prezzi in meno di un mese: non un aggiustamento, un cambio di regime.
Cosa c’è dietro l’aumento: domanda esplosiva e conti dell’infrastruttura
Le ricostruzioni pubblicate dopo l’annuncio convergono su tre fattori. Il primo è il volume: la domanda è esplosa dopo l’arrivo dei modelli V4, e un carico di richieste di quella scala nessuna tariffa promozionale lo regge a lungo. Il secondo è l’infrastruttura, con investimenti in capacità di calcolo propria che prima o poi devono rientrare dal listino. Il terzo è strategico, ed è la fine dichiarata del prezzo-esca usato per conquistare quota di mercato. Dataconomy ed eWeek leggono la mossa nello stesso modo: l’aumento erode il vantaggio di costo che aveva reso DeepSeek l’opzione predefinita per molti team, in particolare nell’area APAC dove quel vantaggio pesava di più.
Perché il rincaro DeepSeek non è un caso isolato
Il paragone con il resto del mercato aiuta a leggere la portata reale. Il listino Anthropic oggi indica 5 dollari in input e 25 in output per milione di token su Opus 5, 1 e 5 dollari su Haiku 4.5. Anche dopo un aumento «significativo», DeepSeek resterebbe su un altro ordine di grandezza. Il punto quindi non è che DeepSeek diventi caro: è che il prezzo di listino ha smesso di essere una costante su cui pianificare. Chi ha scelto un provider solo per il costo per token ha scelto la variabile più instabile dell’intera equazione, come già era successo, in direzione opposta, con il taglio dell’80% annunciato da OpenAI: lì abbiamo trattato il costo complessivo di integrare l’AI in azienda, qui il tema è un altro, cioè come si sceglie il provider e quanto è reversibile quella scelta.
La fine dell’era sovvenzionata: cosa cambia per chi ha un pilot in corso
Per tre anni il mercato dei modelli linguistici ha funzionato come una gara al ribasso finanziata dal capitale di rischio: prezzo sotto costo, quota di mercato prima, sostenibilità poi. Quella fase si sta chiudendo, e il segnale DeepSeek è il più esplicito finora. Il costo dell’inferenza, GPU, energia, capacità di picco, sta finalmente arrivando in bolletta, e chi eroga i modelli non può più assorbirlo indefinitamente. Il costo per token che vedi oggi è un’ipotesi, non un dato di bilancio.
Questo colpisce in modo asimmetrico. Un pilot con qualche migliaio di chiamate al mese non si accorgerà di nulla. Un processo in produzione che macina milioni di token al giorno vede il proprio business case riscritto da un post sulla documentazione di un fornitore. Ed è esattamente lì che il passaggio da pilot a produzione smette di essere un problema tecnico e diventa un problema di governo del rischio.
Il TCO di un LLM non è il prezzo per token
Il costo totale di possesso di una soluzione basata su LLM include voci che nessun listino espone: il retrieval e la preparazione dei dati, le valutazioni di qualità, il monitoraggio, il presidio umano sugli output, e soprattutto il costo di cambiare idea. Non è un caso che la spesa per l’AI stia entrando nel perimetro della disciplina FinOps, dove un servizio si misura sul ciclo di vita e non sul prezzo unitario. Nella nostra esperienza è la stessa dinamica che spiega perché l’AI generativa spesso non genera ROI: il problema non è quasi mai il modello, è tutto ciò che gli sta intorno. Chi ha già ragionato su quanto costa implementare un agente AI in azienda sa che la voce «inferenza» raramente è quella dominante.
Vendor lock-in: il costo che non compare nel listino
Il vero motivo per cui un rincaro fa male non è il rincaro: è non poter reagire. Kong definisce il vendor lock-in come la condizione in cui «passare a un’alternativa diventa proibitivamente costoso o tecnicamente distruttivo», e stima un costo medio di circa 315.000 dollari per un progetto di migrazione enterprise tra spostamento dati, refactoring applicativo e formazione.
Nel caso degli LLM il lock-in ha tre strati sovrapposti. Il primo è l’API: formati e pattern di autenticazione diversi per ogni fornitore. Il secondo, meno visibile, è il prompt: istruzioni, guardrail e schemi di tool calling messi a punto sulle idiosincrasie di un modello specifico non si trasferiscono in modo pulito su un altro. Il terzo è agentico. Come nota Kai Waehner, «il lock-in dell’AI agentica è più duraturo di quello delle API perché si accumula su più livelli contemporaneamente: il foundation model, il framework di orchestrazione, il runtime e le abitudini degli sviluppatori».
Portabilità del prompt: come misurarla prima di averne bisogno
La portabilità non si dichiara, si testa. Sulla base del lavoro che facciamo sui progetti dei clienti, come redazione ne raccomandiamo tre: far passare le chiamate al modello attraverso un livello di astrazione anziché invocare il vendor direttamente, mantenere un set di valutazione unico da eseguire identico su qualsiasi modello candidato, e verificare in anticipo di poter esportare documenti sorgente, log ed embedding. CustomGPT segnala il sintomo tipico dell’overfit: «i tuoi prompt funzionano solo con il comportamento di un modello». Standard aperti come il Model Context Protocol agiscono nella direzione opposta, tenendo separata l’orchestrazione dalla scelta del modello.
Quale LLM scegliere per azienda: quattro vincoli prima del prezzo
Se il prezzo è instabile, il criterio di scelta deve poggiare su ciò che si muove più lentamente, a partire da come funzionano davvero i large language model e da cosa distingue un modello dall’altro. Quattro vincoli, in quest’ordine.
Il caso d’uso, definito in modo misurabile. «Rispondere ai clienti» non è un caso d’uso: lo è «classificare e instradare i ticket di primo livello con un tasso di errore sotto una soglia definita». Senza questa formulazione nessun confronto tra modelli è possibile, perché manca il metro.
I vincoli non negoziabili. Residenza del dato, requisiti normativi, latenza massima tollerabile, necessità di deploy on-premise. Questi tagliano il campo dei candidati prima di qualunque benchmark e raramente cambiano nel giro di un trimestre.
Le caratteristiche del modello sul tuo compito. I benchmark pubblici misurano compiti generici; la qualità che conta è quella sui tuoi documenti, con il tuo linguaggio di dominio. Un modello più piccolo e ben integrato batte quasi sempre un modello più grande usato male, è la sostanza dell’ottimizzazione dei modelli in produzione, dove quantizzazione, batching e caching incidono sul conto finale più della scelta del fornitore.
Il costo di uscita. Ultimo criterio in ordine di enunciazione, primo in ordine di importanza: quanto tempo serve per sostituire questo modello con un altro? Se la risposta è «non lo sappiamo», la scelta non è ancora stata fatta davvero. Vale anche a monte, quando si valuta quale partner AI scegliere.
Scegliere il provider fa parte dell’onboarding, non è un dettaglio tecnico
L’errore ricorrente è trattare la selezione del modello come una decisione infrastrutturale da prendere dopo, in autonomia, magari copiando la configurazione di un tutorial. È invece una decisione di prodotto e di rischio, e va presa insieme a chi conosce il processo aziendale che l’agente dovrà servire. È il motivo per cui in ambito enterprise il servizio conta più del modello: il modello è sostituibile per definizione, il disegno del processo no.
In MIMIR l’onboarding assistito serve esattamente a questo: capire quali sono i vincoli reali, impostare le valutazioni che permettono di confrontare alternative con dati propri e non con classifiche generiche, e mantenere la scelta del provider reversibile. Non vendiamo solo un prodotto: accompagniamo l’azienda nel tratto in cui si decide se l’AI diventerà un processo o resterà un esperimento, la differenza che si vede anche quando si valuta un agente chiavi in mano rispetto al self-service, o quando si affronta il controllo dei costi AI, che riguarda come si riduce la spesa a provider dato, mentre qui il punto è poterlo cambiare.
Se hai un pilot costruito su un provider low-cost e l’annuncio DeepSeek ti ha fatto rifare i conti, è un buon momento per rivedere l’impianto prima che il rincaro arrivi davvero. Puoi parlarne con il team di MIMIR e valutare insieme quali vincoli pesano davvero nel tuo caso. Meglio misurare il costo di uscita adesso che scoprirlo quando cambia il listino.
Fonti:
- DeepSeek — listino ufficiale API
- The Next Web — DeepSeek annuncia un aumento significativo dei prezzi API
- Dataconomy — DeepSeek significant API price increase (2026)
- eWeek — Il rincaro API DeepSeek e il vantaggio low-cost in APAC
- Anthropic — listino prezzi dei modelli Claude
- Kong — Che cos’è il vendor lock-in e quanto costa
- Kai Waehner — Enterprise agentic AI landscape 2026: trust, flexibility e vendor lock-in
- CustomGPT — Come evitare il vendor lock-in sugli LLM
- FinOps Foundation — State of FinOps 2026
