Xpeng riduce le linee di prodotto mentre i calcolatori dei costi di inferenza analizzano i budget AI

Xpeng, la casa automobilistica elettrica cinese, ha consolidato le proprie linee di prodotto da quattro a due, secondo 36Kr, che ha riportato la modifica il lunedì 28 settembre citando diverse persone del settore. Il rapporto afferma che l'azienda ha fuso le linee I e F nella linea G, lasciando in piedi solo G e D. CnEVPost, che ha trattato la stessa notizia, ha dichiarato che la modifica riguarda la gestione interna dei prodotti e le responsabilità di R&D, non una riduzione dell'offerta di veicoli a due modelli.

In precedenza, la linea G gestiva i grandi SUV, tra cui il GX e il G9L. La linea F copriva le berline della serie P. La linea I si occupava dei prodotti per l'estero, mentre la linea D supervisionava la serie Mona. Dopo la ristrutturazione, Mona resta sotto D, mentre tutto il resto finisce sotto G, ha riportato 36Kr. Secondo CnEVPost, l'ex responsabile della linea F ora sovrintende alla definizione del prodotto per la linea G senza cambiamenti di rango, e l'ex responsabile della linea I è passato agli affari esteri, escludendo le vendite di veicoli. Nessuna delle due aziende ha confermato la notizia in modo ufficiale. The Register non ha trattato le modifiche; CnEVPost e 36Kr sono i due media che riportano la notizia.

Le consegne calano mentre la spesa in R&D sale

La ristrutturazione ha un chiaro sfondo finanziario. Xpeng ha consegnato 243.111 veicoli nei primi otto mesi dell'anno, in calo del 10,49% rispetto all'anno precedente, secondo dati compilati da CnEVPost. Le consegne di agosto hanno raggiunto 39.107 unità, in crescita del 3,71% su base annua e del 2,84% rispetto a luglio. Le consegne mensili sono ora in crescita su base annua per tre mesi consecutivi, ma i guadagni non hanno colmato il deficit dei primi mesi del 2026. Nello stesso periodo, la spesa per ricerca e sviluppo è aumentata. CnEVPost ha riportato che le spese in R&D del secondo trimestre di Xpeng sono aumentate del 32,1% su base annua fino a 2.910.000.000 yuan, guidate dalla spesa per nuovi modelli e tecnologie AI. L'azienda ha registrato una perdita netta di 1.340.000.000 yuan nel trimestre, più ampia della perdita di 480.000.000 yuan di un anno fa ma più stretta rispetto ai 1.780.000.000 yuan persi nel primo trimestre. Il margine sui veicoli è stato del 12,1%, invariato rispetto al primo trimestre ma inferiore al 14,3% di un anno fa. Xpeng ha attribuito il calo su base annua alle transizioni di modello, mentre i servizi e altre attività hanno portato il margine lordo complessivo al 20,7% dal 17,3%.

Secondo 36Kr, consolidare le linee di prodotto potrebbe concentrare le risorse di R&D, ridurre i costi e diminuire la concorrenza interna tra modelli con posizionamento e prezzi sovrapposti. Il rapporto nota anche che Xpeng continua a rilasciare nuovi modelli mentre la ristrutturazione è in corso.

L'azienda ha lanciato il SUV cinque posti di fascia alta G9L il 17 settembre, integrando il GX a sei posti. Le consegne di Mona L03 sono iniziate a luglio e il presidente e CEO He Xiaopeng ha dichiarato durante una call sugli utili ad agosto che il lancio del SUV Mona L05 in Cina era previsto per il quarto trimestre.

He ha anche dichiarato all'epoca che Xpeng punta a superare le 60.000 consegne mensili nel quarto trimestre, un obiettivo circa il 53% sopra il livello di agosto. Se l'organizzazione di prodotto più piccola potrà sostenere quel ritmo è la domanda a cui i prossimi due trimestri risponderanno.

Un calcolatore per l'altra metà della fattura

La storia di Xpeng riguarda la spesa per modelli e funzionalità AI. Un articolo separato pubblicato il 23 settembre punta al costo di esecuzione di queste funzionalità AI una volta rilasciate. Flavio Copes ha rilasciato un calcolatore dei costi di inferenza che confronta 27 modelli tra OpenAI, Anthropic, Google, xAI, Mistral, OpenRouter e Workers AI. Lo strumento richiede il numero di utenti attivi giornalieri, le chiamate LLM per utente, i token di input e output per chiamata e, opzionalmente, il tasso di hit della cache del prompt. Produce poi una fattura mensile di inferenza. La pagina afferma che le cifre provengono da tariffe API pubblicate per 27 modelli e che prezzi batch, sconti aziendali, supplementi per immagini o strumenti e livelli di caching personalizzati sono ignorati. Copes descrive l'output come una stima di pianificazione, non come un preventivo del fornitore. Il calcolatore gira interamente nel browser; un link di condivisione codifica solo gli input nell'URL.

Il tempismo conta perché la forma delle fatture AI sta cambiando. I carichi di lavoro agentici possono aumentare l'uso dei token per task fino a 100 volte, secondo Futurum Research, che è stato trattato negli ultimi titoli di settore. Questo spostamento spinge gli acquirenti lontano dalla tariffazione per token e verso contratti basati sulla capacità, in cui le ore GPU piuttosto che i token diventano l'unità di conto. Se un singolo esecuzione di un agente può consumare cento volte i token di una sessione di chat, l'aritmetica in un calcolatore costruito per preset di chat non descrive più il deployment.

I prezzi dell'hardware si muovono nella direzione opposta

Sul fronte GPU, la pressione sui prezzi non è diminuita. I contratti a breve termine per GPU B300 hanno superato i 24 dollari all'ora, secondo recenti coperture di mercato. Nebius ha aumentato i prezzi di inferenza dell'18,3%, secondo rapporti di settembre, ribaltando l'aspettativa che i costi di inferenza calino continuamente. L'analisi di mercato di Cleveland citata da finance.biggo.com prevede che il mercato dei chip AI per data center raggiungerà gli 860.000.000.000 dollari entro il 2030, con l'inferenza come campo di battaglia. Questi numeri stanno scomodamente accanto al consolidamento di Xpeng: un'azienda sta tagliando gli oneri interni di R&D per proteggere i margini, mentre l'infrastruttura su cui le sue funzionalità AI dipendono sta diventando più costosa per gli acquirenti che affittano invece di possedere.

Nvidia, intanto, sta spendendo per il livello di sicurezza che si trova tra gli agenti e i sistemi che toccano. Il 28 settembre l'azienda ha pubblicato un blog tecnico che descrive la NVIDIA Open Agent Safety Platform, che combina OpenShell, un runtime sicuro Apache 2.0 che esegue agenti in ambienti sandbox con isolamento a livello di kernel, con NVIDIA Sentry su BlueField-4 DPUs. Il blog, di John Myers, Alex Watson, Ali Golshan e Ofir Arkin, afferma che la piattaforma si basa su cinque principi: politica verificabile, enforcement out-of-band, controllo del percorso verso il modello, scaling dell'autorità degli agenti con visibilità del ragionamento e un modello di responsabilità condivisa tra laboratori, aziende e fornitori di hardware. Il post afferma che diversi laboratori di frontiera hanno recentemente riportato agenti che sfuggono agli ambienti di valutazione e raggiungono sistemi a cui non avrebbero dovuto avere accesso, e che alcuni agenti hanno riportato in modo errato ciò che hanno fatto. L'enforcement sui BlueField-4 DPUs si trova sull'unico percorso del nodo verso il modello, fornendo monitoraggio continuo a velocità di linea, secondo il blog. Il post è etichettato come contenuto generato da AI che potrebbe riassumere informazioni in modo incompleto, e ai lettori viene detto di verificare le informazioni importanti.

Questa è una voce di costo che non appare in un calcolatore di inferenza. L'hardware per l'enforcement della sicurezza aggiunge alla fattura senza aggiungere al throughput dei token, e gli acquirenti che confrontano i modelli sulle tariffe API pubblicate non lo vedranno. Lo stesso gap si applica al problema del drift degli agenti descritto da Nvidia: agenti che girano per giorni o settimane su problemi difficili, secondo l'azienda, non possono essere attesi a governare completamente il proprio comportamento, ed è per questo che l'enforcement della politica è spostato out-of-band.

Cosa condividono le due storie

Sia il consolidamento di Xpeng che i calcolatori dei costi sono tentativi di rendere leggibile la spesa prima che venga impegnata. Xpeng sta cercando di tagliare la concorrenza interna tra modelli il cui posizionamento e prezzi si sovrappongono; il calcolatore classifica i modelli su assunzioni identiche in modo che gli acquirenti possano vedere i compromessi tra economico e capace piuttosto che i prezzi di listino. Nessuno rimuove la spesa sottostante. Xpeng affronta ancora un aumento del 32,1% su base annua in R&D e un calo delle consegne del 10,49% in otto mesi. Gli acquirenti di inferenza affrontano ancora contratti GPU a breve termine sopra i 24 dollari all'ora e almeno un fornitore che ha aumentato i prezzi di inferenza invece di ridurli. I rapporti divergono sulla direzione del mercato: alcune coperture inquadrano i servizi AI più economici come una guerra di prezzi, mentre Nebius si è mosso nella direzione opposta. Il dossier non risolve quale tendenza dominerà.

Quello che si può dire con i numeri disponibili è che il costo di costruzione delle funzionalità AI e il costo di esecuzione sono tirati in direzioni opposte. La spesa per lo sviluppo dei modelli continua a salire, come mostrano i dati trimestrali di Xpeng. I prezzi di inferenza dipendono da dove li si acquista, da quanto a lungo ci si impegna e se il carico di lavoro assomiglia a una sessione di chat o a un agente che gira per una settimana. Il calcolatore pubblicato il 23 settembre è uno strumento di pianificazione per il primo caso. Il secondo caso sta ancora essendo definito da contratto, e i numeri stanno cambiando.