L’intelligenza artificiale sta entrando nei budget aziendali con una caratteristica che la distingue da molte tecnologie precedenti: il costo cresce insieme all’utilizzo. Ogni interrogazione, documento elaborato o azione compiuta da un agente può produrre un nuovo consumo. Il successo di un progetto può quindi diventare anche la causa di una spesa difficile da controllare.
Il problema emerge quando le imprese provano a governare l’AI utilizzando soltanto indicatori tecnici. Contare token, chiamate API, ore GPU o licenze per utente è indispensabile per attribuire i costi, ma non consente di stabilire se siano giustificati. Un milione di token può generare una relazione inutile oppure contribuire a chiudere un contratto: la quantità consumata è la stessa, il valore prodotto no. La questione sta diventando una priorità gestionale.
Il token è un contatore, non una misura di valore
Il token si è imposto come unità elementare dell’economia dell’AI perché rende misurabile il consumo dei modelli linguistici. È utile per confrontare i prezzi, osservare la spesa e individuare anomalie. Ma identifica soltanto una parte del costo complessivo.
Attorno all’inferenza si accumulano infatti le spese per capacità di calcolo, storage, database vettoriali, trasferimento dei dati, orchestrazione, monitoraggio, sicurezza, valutazione delle risposte, licenze e lavoro delle persone. Nei servizi SaaS, inoltre, una quota crescente del consumo AI viene incorporata in abbonamenti per utente, funzione o processo, rendendo meno trasparente il rapporto tra utilizzo e prezzo.
Una contabilità limitata ai token esclude i costi fissi e semi-fissi dai quali dipende la sostenibilità economica di un progetto, soprattutto nel caso degli agenti AI. Questi sistemi possono utilizzare continuativamente modelli, API, fonti informative e strumenti esterni, distribuendo la spesa tra componenti differenti e modificandone rapidamente la composizione.
Anche la riduzione del costo per token può generare una lettura ingannevole. Un modello più economico non è necessariamente più conveniente se produce risposte meno accurate, richiede più tentativi o aumenta il lavoro di verifica. Allo stesso modo, il modello più potente disponibile può rappresentare uno spreco quando viene utilizzato per classificare richieste semplici, estrarre campi standardizzati o riassumere testi brevi.
La scelta economicamente corretta riguarda il rapporto tra costo, qualità e risultato. Questo significa adottare modelli differenti in base alla complessità del compito, limitare il contesto alle informazioni necessarie, utilizzare cache e risposte già validate, ridurre le elaborazioni ridondanti e prevedere controlli umani nei passaggi più delicati.
Dalla spesa per l’AI al costo per unità di lavoro
La vera unità economica dell’AI non è il token, ma il lavoro completato. Può essere una pratica verificata, un ticket risolto, un contratto analizzato, una richiesta cliente gestita, una vulnerabilità classificata o una previsione utilizzata per assumere una decisione.
Il primo passaggio consiste nel collegare ogni consumo a uno specifico caso d’uso. Sapere quanto costa complessivamente un modello serve poco se la stessa infrastruttura supporta attività con valore molto diverso. L’attribuzione deve arrivare al processo, al team, al prodotto e, quando possibile, alla singola transazione.
Il secondo passaggio riguarda la qualità. Un agente che chiude automaticamente cento richieste non produce valore se trenta devono essere riaperte. Un assistente che accelera la scrittura del codice può apparire efficiente, ma il beneficio si riduce se aumenta il tempo destinato a test, revisione e correzione. Il costo per risultato deve quindi includere errori, rilavorazioni, escalation verso operatori umani ed effetti prodotti a valle.
Si è cominciato a parlare di “cost per unit of work” come collegamento necessario tra costo e valore atteso, presupponendo, tuttavia, la possibilità di governare i workload AI attraverso KPI specifici per il sistema e per il processo supportato. La metrica, infatti, può cambiare in base all’applicazione. Può essere il costo per documento correttamente elaborato, per incidente risolto, per lead qualificato, per richiesta gestita senza intervento umano o per ora di lavoro effettivamente risparmiata. L’indicatore deve comprendere anche la qualità minima richiesta: abbassare il costo unitario perdendo accuratezza può trasferire la spesa verso altre fasi del processo.
Occorre, inoltre, confrontare il risultato con un riferimento credibile come, per esempio, il costo del processo precedente, quello di un operatore umano, di un software convenzionale o di un diverso modello AI. Senza una baseline, qualsiasi dichiarazione sul ritorno dell’investimento resta arbitraria. Anche il tempo risparmiato deve essere osservato con attenzione, perché non si traduce automaticamente in un beneficio economico se la capacità liberata non viene impiegata in attività produttive.
La governance deve precedere la fattura
La natura variabile dell’AI rende inefficace una governance basata esclusivamente sul controllo mensile. Quando arriva la fattura, le chiamate sono già state effettuate e gli agenti hanno già eseguito i propri cicli operativi. La gestione economica deve quindi entrare nella progettazione.
Ogni iniziativa dovrebbe nascere con un responsabile del valore, un budget, una metrica di risultato e soglie progressive di consumo. I team devono poter osservare quasi in tempo reale la spesa per applicazione e caso d’uso mentre quote, rate limiting e autorizzazioni devono impedire che un errore di configurazione, un ciclo ricorsivo o un utilizzo improprio producano costi sproporzionati.
La fase sperimentale richiede limiti particolarmente chiari. Molti progetti partono con volumi ridotti e un numero limitato di utenti, per poi crescere rapidamente quando vengono integrati nei processi aziendali. Un costo sostenibile durante il proof of concept può diventare incompatibile con il budget quando l’applicazione viene estesa a migliaia di operazioni giornaliere.
Serve anche una responsabilità condivisa tra tecnologia, finanza e funzioni aziendali. L’IT può misurare consumi e prestazioni, ma solo chi conosce il processo può stabilire quanto vale il risultato. La finanza può verificare la sostenibilità dell’investimento, ma non può decidere autonomamente quale livello di accuratezza sia accettabile.
Il punto non è spendere meno in assoluto, ma evitare di finanziare consumi privi di un risultato misurabile. Un progetto può utilizzare pochi token ed essere inutile, oppure richiederne miliardi e risultare altamente redditizio. Finché le imprese continueranno a misurare soltanto ciò che l’AI consuma, sapranno quanto stanno spendendo. Solo misurando ciò che l’AI completa, con quale qualità e con quale impatto, potranno capire se stanno investendo.