AI “a consumo”: perché la bolletta delle aziende rischia di esplodere

OpenAI ha spento lunedì 6 luglio il periodo gratuito dei workspace agent per aziende, scuole e università: da quella data ogni esecuzione di un agente dentro ChatGPT consuma crediti calcolati sui token elaborati, e la voce si somma al canone per posto che le organizzazioni già pagano. Le funzioni per Excel seguono lo stesso modello, quelle per PowerPoint lo adotteranno dal 6 agosto.

Quattro giorni prima Anthropic aveva rilasciato per Claude Enterprise controlli di spesa granulari, con limiti per modello, avvisi di soglia e analisi dei consumi per gruppo. Un tassametro acceso da una parte, un cruscotto di controllo dall’altra: due mosse che sembrano andare in direzioni opposte e descrivono invece lo stesso passaggio di fase.

Persino Meta ora, con Muse Spark, lascia il tutto gratis e comincia a fare pagare.

L’AI aziendale sta uscendo dall’epoca dell’abbonamento percepito come tutto incluso ed entra in quella della bolletta a consumo, dove il prezzo non remunera più l’accesso al modello ma il lavoro che il modello svolge: leggere documenti, richiamare strumenti, generare output, eseguire attività in sequenza.

Chi arriva impreparato a questo passaggio lo scopre nel modo peggiore. Il fenomeno ha già un nome, AI bill shock, e non è un incidente tecnico da delegare all’IT: è un difetto di governance che chiama in causa tre poltrone insieme, quella del CEO, quella del CFO e quella del CIO.

Governance dei costi AI: il conto dei token nelle aziende

Un consulente americano ha raccontato ad Axios il caso di un suo cliente: mezzo miliardo di dollari spesi in un solo mese su Claude, perché nessuno aveva fissato limiti d’uso sulle licenze dei dipendenti. La cifra è estrema, il meccanismo che l’ha prodotta no. Tra aprile e maggio circa 300 aziende hanno sollevato il tema dei costi legati ai token nelle chiamate con gli investitori sui risultati trimestrali, contro le 93 dello stesso periodo dell’anno precedente: il dato, raccolto dal Marketing AI Institute, è tra quelli analizzati da AI4Business nella sua ricostruzione della crisi dei token. La Royal Bank of Canada ha visto il consumo interno crescere del 500% in sei mesi. Cisco descrive i propri volumi come fuori da ogni parametro conosciuto.

Il caso più documentato resta Uber. Forbes ha ricostruito come l’azienda abbia esaurito ad aprile l’intero budget AI previsto per il 2026: cinquemila ingegneri, adozione di Claude Code passata dal 32 all’84% tra febbraio e marzo, una spesa media tra 150 e 250 dollari al mese per persona con punte di 2.000 per gli utenti più intensivi.

Il dettaglio che vale più dei numeri è organizzativo: gli ingegneri venivano classificati su graduatorie interne in base a quanto usavano lo strumento. Amazon aveva un sistema identico e lo ha spento a giugno, dopo aver scoperto che alcuni dipendenti facevano girare bot autonomi solo per scalare la classifica. Quando l’uso dell’AI diventa metrica di merito, il consumo smette di essere un costo da giustificare e diventa un traguardo da esibire.

Costi AI a consumo: perché la licenza non basta più

La radice tecnica del problema sta nel passaggio da un modello di prezzo per postazione a uno per consumo. Una licenza software costa uguale per chi la usa un’ora al giorno e per chi la spreme dodici. Un modello a token fattura ogni singola interazione, e due flussi di lavoro apparentemente identici possono produrre bollette lontanissime. Il listino pubblicato da OpenAI per i nuovi agenti rende il meccanismo trasparente: i token di output costano sei volte quelli di input, un’esecuzione tipica assorbe tra 5 e 25 crediti, e l’esempio ufficiale con 20mila token di input, 80mila in cache e 5mila di output arriva a 7,25 crediti. Nessun prezzo fisso per esecuzione: la bolletta dipende da quanto contesto l’agente legge e da quanto produce.

Gli agenti moltiplicano tutto. A ogni passaggio di un compito ritrasmettono l’intero contesto della conversazione, quindi alla decima fase il modello rilegge integralmente le nove precedenti. Un assistente per il servizio clienti che accede a una base di conoscenza da 20mila token, con mille richieste al giorno, genera 20 milioni di token quotidiani solo per rileggere sempre gli stessi dati: circa 60 dollari al giorno spesi prima ancora di rispondere a un cliente vero.

A Workato, 1.300 dipendenti, la spesa è aumentata di sette volte in un solo giorno quando il fornitore ha spostato l’azienda su un pricing a consumo. E la traiettoria è appena cominciata: Goldman Sachs Research stima che la diffusione degli agenti possa moltiplicare per 24 il consumo globale di token entro il 2030, ogni distorsione di oggi va quindi immaginata su una scala molto più grande. Nessuno di questi meccanismi è nascosto, sono tutti nei listini. Il problema è che chi decide l’adozione di uno strumento quasi mai è la stessa persona che ne risponde in bilancio, e finché i due tavoli restano separati ogni incentivo all’adozione si traduce in un incentivo alla spesa.

Fornitori e governance dei costi AI: dal pricing ai controlli

Il fenomeno ha un secondo motore, meno raccontato: i fornitori stessi. Già dal 13 maggio Anthropic e OpenAI avevano iniziato a fatturare separatamente gli strumenti agente, fuori dai piani forfettari, ai prezzi pieni delle Api; il taglio del 6 luglio completa il disegno. La logica è comprensibile, i costi di calcolo che i fornitori sostengono sono enormi e i piani flat sussidiavano gli utenti più intensivi. La conseguenza per le aziende è che le stesse attività di ieri oggi costano di più, senza che nessun processo interno sia cambiato.

Controlli di spesa, soglie e strumenti FinOps

La settimana appena trascorsa ha mostrato anche l’altra faccia della strategia. Il 2 luglio Anthropic ha rilasciato per Claude Enterprise un livello di governo della spesa che prima mancava: diritti d’uso per singolo modello, avvisi al superamento delle soglie, consumi scomposti per gruppo e per persona seguendo l’organigramma aziendale, una Api di analisi che esporta verso gli strumenti FinOps già in uso per il cloud. AI4Business ha analizzato nel dettaglio la portata di questi controlli.

Il giorno prima GitHub aveva introdotto tetti di spesa per utente e un instradamento automatico verso il modello più economico in grado di svolgere il compito. Quando in una sola settimana i principali fornitori consegnano strumenti di governo dei costi, la lettura è una: i clienti hanno cominciato a chiederli come condizione per rinnovare i contratti.

Dati, audit e imprese europee

C’è poi una dimensione che i casi americani lasciano sullo sfondo e che per le imprese europee, e per i settori regolati in particolare, pesa quanto la bolletta. Affidare tutta l’inferenza a un fornitore esterno significa accettare le sue scelte su dove vivono i dati, sotto quale giurisdizione transitano durante l’elaborazione, con quali garanzie di continuità. Quando arriva un audit di conformità, la domanda su quale server abbia processato un dato aziendale spesso non ha una risposta scritta da nessuna parte, e per una banca, una utility o una pubblica amministrazione questa lacuna vale più di qualunque sforamento di budget.

Il cambio fornitore non basta

In questo quadro va letta anche la scelta di Microsoft, che ha cancellato gran parte delle licenze interne di Claude Code spostando gli sviluppatori su GitHub Copilot CLI. La mossa somiglia a una soluzione e funziona come uno spostamento del sintomo: un abbonamento a prezzo fisso nasconde la variabilità del consumo senza eliminarla, lo stesso Copilot ha dovuto introdurre i tetti di spesa dopo che gli usi agentici avevano moltiplicato i costi previsti, e prima o poi ogni fornitore che oggi offre un prezzo prevedibile dovrà scaricare quel costo da qualche parte. Cambiare fornitore per pagare meno, senza cambiare il modo in cui si governa il consumo, compra tempo e non risolve niente.

Costi AI e visibilità: il divario nei dati KPMG

La variabile che separa chi regge da chi subisce è la visibilità. Il Global AI Pulse di KPMG del secondo trimestre 2026, condotto su 2.145 dirigenti in 20 paesi, fotografa un divario netto: il 42% dei leader ammette una visibilità solo parziale sulla spesa AI, un terzo fatica a capire le strutture di costo basate sui token, e appena il 7% dichiara un ritorno consolidato sugli investimenti. Chi ha dashboard di costo e revisioni di spesa integrate nei processi di approvazione ha una probabilità cinque volte superiore di dichiarare un ROI misurabile.

E dove il CEO possiede in prima persona la responsabilità degli esiti dell’AI, il ritorno consolidato passa dal 4 al 14%. Il paradosso è che la spesa non rallenta: il 79% dei dirigenti indica l’AI come area prioritaria di investimento, in crescita rispetto al trimestre precedente, mentre quasi uno su quattro dichiara di essere sotto pressione dagli investitori per dimostrare il valore di quanto già speso.

Il sondaggio di Bain su 951 aziende aggiunge il lato più scomodo: quasi il 40% di chi ha misurato i risparmi da AI è rimasto sotto il 10%, contro obiettivi dichiarati dell’11-20%, eppure il 90% aumenta comunque il budget per il prossimo anno. Le aziende che centrano gli obiettivi, nota la ricerca, sono quelle che hanno trattato dati, governance e ridisegno dei processi come materia da consiglio di amministrazione, non da reparto tecnico. Comprare più AI senza queste fondamenta significa comprare più costi.

Architettura e governance dei costi AI tra cloud e on-premise

C’è poi una lettura più lunga del fenomeno, che riguarda la storia dell’informatica aziendale. Ogni ciclo tecnologico ha riproposto la stessa alternativa: comprare calcolo come servizio o possederne una parte. Il mainframe centralizzava, i minicomputer distribuivano, il cloud ha ricentralizzato, e l’AI a consumo sta riaprendo la domanda.

Per i carichi di lavoro prevedibili, quelli che si ripetono ogni giorno con lo stesso schema, il confronto di TCO a tre anni tra cloud e on-premise calcolato sui prezzi reali dei principali modelli mostra che l’inferenza in casa vince con margine, mentre il cloud resta la scelta giusta per i picchi occasionali e per chi parte da zero.

La maggior parte del traffico aziendale, del resto, non ha bisogno del modello di frontiera più costoso: ha bisogno di un sistema di instradamento che decida quale richiesta merita quale modello, la stessa logica che GitHub ha appena adottato per contenere i costi dei propri utenti. Un’architettura ibrida, con modelli locali per i volumi costanti e cloud per ciò che lo giustifica, trasforma una spesa operativa imprevedibile in un investimento governabile. Per il settore pubblico e per i comparti regolati la posta è doppia, perché alla prevedibilità della spesa si somma il controllo su dove i dati risiedono e vengono elaborati, un requisito che nessuno sconto di listino può sostituire.

Governance dei costi AI: il ruolo di CEO, CFO e CIO

Se il bill shock è un difetto di governance, la risposta va distribuita su tre livelli distinti, ed è qui che la disciplina del governo economico dei token smette di essere un tema per specialisti e diventa un’agenda per il vertice.

Incentivi, budget e scelte tecniche

Al CEO spetta il disegno degli incentivi. Classifiche interne, obiettivi di adozione e dashboard di utilizzo hanno prodotto esattamente ciò che premiavano, il consumo, e vanno sostituiti con metriche legate all’esito: cosa ha prodotto quel consumo, non quanto è stato. Al CFO spetta la visibilità: budget per team invece che generici, allarmi prima del superamento e non dopo, la stessa disciplina FinOps che il cloud ha imposto quindici anni fa, applicata a una voce di spesa che cresce più in fretta. Al CIO spetta l’architettura: decidere quali carichi tenere in casa e quali affidare fuori, mantenere la reversibilità delle scelte, evitare che un cambio di listino del fornitore diventi un problema di conto economico che nessuno può più negoziare.

Gli strumenti rilasciati dai fornitori in questi giorni aiutano, ma restano strumenti: la governance non si compra insieme alla licenza, si esercita, e un cruscotto guardato da nessuno vale quanto nessun cruscotto.

La bolletta dell’AI continuerà a salire per tutti, questo i dati lo dicono senza ambiguità. La differenza, nei prossimi due anni, la farà chi avrà trasformato quel costo da sorpresa di fine mese a variabile progettata, e la trasformazione non parte dal reparto IT: parte dalla stanza dove si decidono gli incentivi, i budget e l’architettura insieme.