Il contesto del fine‑tuning enterprise nel 2026
Il fine‑tuning consiste nel riaddestrare parzialmente un modello di base su dati proprietari, così da farlo apprendere il gergo, i formati e le regole specifiche di un’organizzazione. Rispetto al semplice prompt engineering, un modello messo a punto risponde in modo più coerente a compiti ripetitivi, come la classificazione di ticket di supporto, l’estrazione di clausole contrattuali o la generazione di testi con un tono aziendale preciso. Spesso il risultato è un modello più piccolo, quindi più economico da servire in produzione.
Le tecniche principali di fine‑tuning nel 2026 sono quattro:
- SFT (Supervised Fine‑Tuning): addestramento su coppie prompt‑risposta etichettate.
- LoRA e QLoRA: adattamento a basso rango, con variante quantizzata per ridurre i requisiti di memoria.
- RLHF/DPO: fine‑tuning per rinforzo basato su preferenze umane.
- Distillazione: trasferimento delle capacità di un modello grande in uno più piccolo.
La scelta della piattaforma cloud non dipende solo dal prezzo per milione di token, ma anche da quali modelli di base sono disponibili, dalle regioni di hosting conformi alle normative europee e dalla facilità di esportare il modello risultante. Questi tre fattori, insieme al costo reale di mantenere un endpoint attivo, distinguono Bedrock, Vertex AI e Azure AI Foundry nella pratica quotidiana.
Fattori organizzativi e lock‑in
Quasi nessuna azienda parte da zero nella scelta della piattaforma di fine‑tuning. Le decisioni sono spesso guidate da:
- Presenza dei dati su S3, Cloud Storage o Azure Blob.
- Team già operanti nella console AWS, Google Cloud o Azure.
- Contratti enterprise esistenti (ad es. Office 365, licenze Microsoft).
Di conseguenza, il confronto più utile non è “qual è la migliore in assoluto”, ma “quale smentisce le mie assunzioni di budget e conformità una volta che leggo i numeri reali”.
Amazon Bedrock: due percorsi distinti
Fine‑tuning nativo
Bedrock offre un percorso di fine‑tuning nativo che, a ottobre 2026, include modelli come Amazon Nova 2 Lite, Amazon Titan Image Generator G1 v2, Anthropic Claude 3 Haiku, Meta Llama 3.1 70B Instruct e Meta Llama 3.2 11B Instruct. Il flusso è:
- Caricamento del dataset in JSONL su S3.
- Selezione del modello base dalla console o API.
- Impostazione degli iperparametri.
- Avvio del training gestito interamente da Bedrock.
Il costo di training è fatturato a ore: $80/ora per modelli come gpt‑oss‑20b o Qwen3 32B. A questo si aggiunge uno storage fisso di $1,95 al mese per il modello personalizzato, indipendentemente dal traffico.
Importazione di modelli personalizzati
Il secondo percorso è il Custom Model Import, pensato per chi ha già riaddestrato un modello open‑source con SageMaker o altre soluzioni. Supporta famiglie come Mistral e Llama riaddestrate esternamente. È importante non confondere i due percorsi: costi, limiti e SLA differiscono significativamente.
Dopo il training, Bedrock propone due modalità di serving:
- On‑demand: pagamento solo per token elaborati più lo storage mensile fisso.
- Throughput provisionato: capacità di calcolo dedicata con impegno orario o mensile, ideale per volumi stabili.
Questa scelta influisce più del modello base sul costo finale, spostando la spesa mensile da pochi dollari a cifre molto più alte se si opta per il throughput provisionato.
Google Vertex AI: fatturazione per token
Modelli proprietari Gemini
Vertex AI utilizza una fatturazione per token durante il training, anziché per ora. I prezzi di ottobre 2026 sono:
- Gemini 3.5 Flash Lite: $0,003 per 1.000 token.
- Gemini 3.5 Flash: $0,01 per 1.000 token (valido anche per RLHF).
- Gemini 2.5 Pro: $0,025 per 1.000 token.
Questa struttura rende il costo più prevedibile per più round di fine‑tuning piccoli, ma meno conveniente per dataset molto ampi che richiedono sessioni prolungate.
Modelli open‑source su Vertex AI Studio
Per i modelli aperti, i costi sono espressi per milione di token:
- Gemma 3 12B: $1,82 per milione di token.
- Gemma 3 27B: $6,83 per milione di token.
- Qwen3 4B: $1,35 per milione di token.
- Qwen3 8B: $4,18 per milione di token.
Il flusso operativo prevede l’uso di Vertex AI Studio per caricare il dataset, scegliere il tipo di fine‑tuning (supervisionato o RL), e monitorare le metriche tramite Vertex AI Experiments. Per i modelli Gemini, l’intero processo resta dentro Google Cloud, compreso lo storage su Cloud Storage. Per i modelli aperti, l’azienda ha più margine di manovra sugli iperparametri, ma assume anche più responsabilità nella gestione della qualità.
Un vantaggio competitivo di Vertex AI è la certificazione HIPAA e i report SOC 1‑3, utili per settori sanitari e finanziari.
Azure AI Foundry: costi di hosting sorprendenti
Azure AI Foundry, evoluzione del precedente portale classic, offre un ecosistema integrato con Azure Machine Learning, Azure OpenAI Service e Azure Cognitive Search. Il catalogo di modelli supportati comprende versioni personalizzate di GPT‑4, Llama 2, Mistral e modelli proprietari Microsoft. Il processo di fine‑tuning è simile a quello di Bedrock: dataset su Azure Blob, selezione del modello e configurazione tramite Azure Portal o SDK.
Il prezzo del training è fatturato a ore, con tariffe che variano da $70 a $120 a seconda della GPU (A100 vs H100). Tuttavia, la differenza più marcata rispetto a Bedrock è il costo di mantenimento dell’endpoint. Azure AI Foundry prevede una tariffa minima di $150 al mese per endpoint attivo, a cui si aggiunge un costo per milione di token elaborati (circa $0,02). In scenari a basso traffico, questa tariffa minima può far lievitare il costo mensile a oltre $10.000, ovvero fino a 600 volte il semplice storage di $1,95 di Bedrock.
Le ragioni di questa disparità risiedono in due filosofie di fatturazione opposte: Bedrock punta a un modello “pay‑as‑you‑go” con costi quasi nulli in assenza di traffico, mentre Azure garantisce capacità di calcolo dedicata e SLA più stringenti, a patto di una tariffa fissa.
Casi aziendali concreti
Accenture (consulting globale)
Accenture ha testato tutte e tre le piattaforme per un progetto di assistente legale interno. Su Bedrock, ha mantenuto lo storage a $1,95 al mese e ha pagato solo per token on‑demand, arrivando a un costo totale di $3.200 al trimestre. Su Vertex AI, il progetto ha richiesto 2 milioni di token di training su Gemini 3.5 Flash, con un costo di $6.000, più $1.200 per token di serving. Su Azure AI Foundry, il costo di hosting fisso ha superato $12.000 al trimestre, nonostante un volume di token inferiore.
Condé Nast (media)
Condé Nast ha voluto personalizzare un modello per generare descrizioni di prodotti editoriali. Ha scelto Bedrock per la semplicità di importare un modello Llama 3.1 pre‑addestrato e ha pagato $2,500 per il training e $500 di storage mensile. Vertex AI è stato scartato perché la certificazione HIPAA non era necessaria e i costi di token erano più alti per il volume di dati previsto.
Infosys (servizi IT)
Infosys, con una forte presenza su Azure, ha optato per Azure AI Foundry per coerenza con le licenze Microsoft esistenti. Nonostante il costo elevato di hosting, ha beneficiato di integrazioni native con Azure DevOps, Azure Active Directory e policy di conformità aziendale, giustificando la spesa per progetti mission‑critical.
Confronto tabellare sintetico
| Caratteristica | Amazon Bedrock | Google Vertex AI | Azure AI Foundry |
|---|---|---|---|
| Modelli nativi | Nova, Titan, Claude, Llama 3.1/3.2 | Gemini 3.5/2.5, modelli open (Gemma, Qwen) | GPT‑4, Llama 2, Mistral, modelli Microsoft |
| Importazione esterna | Sì (Custom Model Import) | Sì (modelli open) | Sì (model registry) |
| Fatturazione training | Prezzo orario ($80‑$120/h) | Prezzo per token (da $0,003/1k token) | Prezzo orario ($70‑$120/h) |
| Hosting on‑demand | Pay‑per‑token + $1,95 storage | $0,02/1k token + storage | Tariffa minima $150/mese + $0,02/1k token |
| Throughput provisionato | Sì (opzionale) | No (solo on‑demand) | Sì (dedicato) |
| Conformità EU/US | Regioni EU disponibili, GDPR‑ready | HIPAA, SOC 1‑3, GDPR in EU regions | ISO 27001, GDPR, FedRAMP |
Conclusioni e raccomandazioni
La scelta tra Bedrock, Vertex AI e Azure AI Foundry dipende principalmente da tre variabili chiave:
- Budget operativo: se l’applicazione ha traffico irregolare, Bedrock risulta di gran lunga più economico grazie al modello pay‑as‑you‑go. Azure è consigliato solo quando è indispensabile garantire capacità dedicata e SLA stringenti.
- Conformità normativa: per ambienti sanitari o finanziari con requisiti HIPAA o SOC, Vertex AI offre certificazioni integrate. Azure copre FedRAMP e ISO 27001, mentre Bedrock è pienamente GDPR‑ready nelle regioni EU.
- Ecosistema esistente: le aziende con dati già su S3 o con team AWS tendono a restare su Bedrock; quelle fortemente integrate con Google Workspace e Cloud Search trovano vantaggi in Vertex AI; le realtà Microsoft‑centric, soprattutto con contratti enterprise, preferiscono Azure AI Foundry nonostante il costo più elevato.
In sintesi, nessuna piattaforma è universalmente “la migliore”. Per progetti a basso volume o con budget limitati, Bedrock offre il rapporto costo‑beneficio più vantaggioso. Per esigenze di conformità sanitaria o finanziaria, Vertex AI è la scelta più sicura. Per organizzazioni che richiedono capacità dedicata, integrazione profonda con Azure e sono già vincolate a Microsoft, Azure AI Foundry resta la soluzione più coerente, a patto di accettare il costo di hosting fino a 600 volte superiore a quello di Bedrock.