Nel novembre 2022, con il prezzo di una cena al ristorante si comprava un milione di token, le unità in cui i modelli elaborano il testo. Oggi, con il prezzo di un caffè, di token se ne comprano una trentina di milioni. La tecnologia è cambiata in modo radicale. Le strategie aziendali, molto meno.
Una ricerca del MIT pubblicata l’estate scorsa mostra che il 95% delle organizzazioni che hanno investito in AI generativa non registra alcun impatto sul conto economico, a fronte di investimenti complessivi tra i 30 e i 40 miliardi di dollari. A maggio 2026, in un rapporto intitolato Tracking Trillions, il Goldman Sachs Global Institute ha stimato in 7.600 miliardi di dollari la spesa cumulativa in infrastrutture AI tra il 2026 e il 2031.
Il problema è che quasi nessuna azienda ha aggiornato la strategia di conseguenza. I business case scritti nel 2023 sono rimasti nei cassetti, i modelli finanziari di due anni fa non sono mai stati riconsiderati alla luce di questi cambiamenti.
Indice degli argomenti
Il token è il 20% del problema
Molte aziende, in realtà, questo lo hanno già compreso. Hanno riaperto i progetti, rifatto i conti ed hanno visto i costi esplodere comunque.
Il motivo è semplice. Il prezzo del token pubblicato sulle pagine di OpenAI o Google pesa per una frazione del costo reale di un sistema in produzione: le stime indipendenti lo collocano tra un quinto e un terzo. Il resto vive nell’orchestrazione, nelle pipeline di recupero dei dati, nei requisiti di governance e audit, nella gestione del cambiamento. Nei sistemi agentici, in particolare, un singolo flusso di lavoro avviato dall’utente può innescare decine di chiamate di inferenza in sequenza. Nessun modello di costo basato sul token cattura questa struttura.
Gartner stima che oltre il 40% dei progetti agentici verrà cancellato entro il 2027, per costi crescenti, valore di business poco chiaro o controlli di rischio inadeguati. Non perché la tecnologia sia cara, ma perché le valutazioni si concentrano su parametri non corretti: si ottimizza un valore che vale appena una frazione della spesa reale.
Nell’AI agentica il vincolo è cambiato
Fino al 2023, il freno principale all’adozione dell’AI era economico. Il costo dell’inferenza era abbastanza alto da rendere marginali o insostenibili la maggior parte dei casi d’uso. Quel freno non esiste più. I costi sono scesi così in basso che, in quasi tutte le grandi organizzazioni, il prezzo del token, a parità di capacità del modello, non è più il fattore che decide se un progetto sta in piedi.
I conti, quando esplodono, esplodono per la parte che non è token, e quella parte dipende da una cosa sola: da come il processo è stato progettato. Il vincolo che ha sostituito il costo è il design. Più precisamente: la differenza la fa se l’organizzazione ha ridisegnato i propri processi per lavorare con gli agenti, oppure se sta ancora cercando di sovrapporre l’AI a flussi pensati per le persone.
Le aziende che stanno generando valore reale non sono quelle che hanno trovato un modo più economico di eseguire gli stessi processi. Sono quelle che si sono poste una domanda diversa: ora che un agente può portare a termine in autonomia attività complesse, quali dei nostri processi ha senso ripensare da zero?
La tecnologia è pronta; il collo di bottiglia è se chi guida l’azienda è disposto a considerare la riprogettazione dei processi il progetto vero, e non una conseguenza dell’acquisto di un software. Nella mia esperienza con le grandi imprese quasi nessuna conversazione strategica ha fatto questo salto.
Le tre trappole delle strategie AI aziendali
La prima trappola è aggiornare il numero senza ripensare il business case. Ci si convince che la tecnologia ora è “conveniente” e si automatizzano gli stessi casi d’uso individuati nel 2023, scelti proprio perché erano gli unici sostenibili ai prezzi di allora.
La seconda è lasciare i progetti pilota a prendere polvere nell’archivio. Tra il 2022 e il 2024 molti sono stati chiusi perché i costi unitari non reggevano, e archiviati come «l’AI non funziona per questo caso d’uso». La versione corretta era un’altra: «l’AI non conveniva a quel prezzo».
La terza è considerare l’AI agentica un’estensione della strategia esistente, invece di ripensare l’organizzazione per garantire un’adozione adeguata. I sistemi agentici non sono chatbot più veloci né script di automazione più sofisticati: agiscono in autonomia, lavorano con strumenti aziendali su compiti complessi. Il profilo di rischio, i requisiti di governance, la complessità di integrazione e il cambiamento organizzativo che richiedono sono di un altro ordine. Chi li mette in produzione con un modello di costo e una governance pensati per l’era dei chatbot vedrà arrivare insieme i costi e i fallimenti.
Ridisegnare i processi, non sovrapporre l’AI
I casi d’uso in cui i sistemi agentici danno il meglio ai prezzi del 2023 (processi multistep complessi, gestione di alti volumi) erano economicamente insostenibili, ma oggi non lo sono più. Il crollo del costo di inferenza non ha reso l’AI genericamente più conveniente: ha reso sostenibili proprio queste applicazioni, quelle che per chiudere un singolo flusso richiedono decine di chiamate. È lì che si è spostata la frontiera.
La differenza non è sottile. In un’implementazione convenzionale il processo umano viene potenziato: l’avvocato rivede comunque ogni contratto, ma un sistema gli segnala le clausole che meritano attenzione. In un’implementazione agentica il processo viene ridisegnato: l’agente gestisce la revisione iniziale dall’inizio alla fine, scala solo i casi che rientrano in criteri di eccezione definiti, registra ogni decisione per l’audit, alimenta un ciclo di miglioramento continuo. La persona non è più dentro il processo, è sopra il processo. E questo cambia il modello del personale, quello di compliance, l’architettura dei dati e le competenze che servono.
I settori dove tutto questo sta già accadendo (servizi finanziari, assicurazioni, logistica, legale) non sono più avanti perché avevano strategie AI migliori ma perché avevano processi più definiti, un’infrastruttura dati più solida e una maggiore tolleranza nel ridisegnare flussi rimasti stabili per decenni. Le condizioni che abilitano il cambiamento sono organizzative, non tecniche.
La domanda per le aziende è cambiata
Nel 2023 la domanda era: possiamo permetterci l’AI? Nel 2024 la risposta era già sì, per quasi tutto e quasi sempre. La domanda che l’ha sostituita (siamo disposti a ridisegnare la nostra organizzazione per lavorare con sistemi autonomi?) è più difficile rispetto a stanziare un budget per l’acquisto di token. Ma è l’unica che dà una risposta misurabile alla questione lasciata sospesa dal rapporto di Goldman Sachs. Tra i 7.600 miliardi di spesa prevista e il 95% di aziende che non generano impatto, resta da capire dove andranno questi investimenti e se le aziende saranno in grado di evolversi e generare un ritorno sui propri investimenti.
Fonti
Stanford HAI, AI Index Report 2025 (costo dell’inferenza per prestazioni equivalenti a GPT-3.5: da 20 a 0,07 dollari per milione di token, novembre 2022 – ottobre 2024)
MIT NANDA, The GenAI Divide: State of AI in Business 2025 (luglio 2025)
Goldman Sachs Global Institute, Tracking Trillions (maggio 2026)
EY, analisi sul costo totale dell’AI agentica (2026)
Gartner, previsione sui progetti di AI agentica (giugno 2025, ripresa nell’Hype Cycle for Agentic AI 2026)
Partecipa alla community