Come calcolare il ROI dell’AI partendo dal costo per risultato

Se ogni dollaro investito nell’intelligenza artificiale (AI) generasse un ritorno di due dollari, l’aumento dei costi sarebbe il segnale di un ROI positivo, anziché di inefficienza. Tuttavia, stabilire una relazione tra la spesa per l’AI e il valore generato per il business può essere complesso, lasciando privi di metriche chiare per capire quando ampliare un’iniziativa o quando, invece, ricalibrarla.

Per calcolare il ROI (si veda la Figura 1), il primo passo consiste nell’allocare i costi per metterli successivamente in relazione con il risultato di business che andranno a sostenere. In questo modo si ottiene il “Costo per Risultato” (Cost per Outcome), elemento fondamentale per il calcolo del ROI. Una volta determinato quanto costa ciascun risultato, calcolare il ROI significa confrontare quel costo con il valore che è in grado di generare.

Di seguito presentiamo una metodologia pratica per mettere in relazione gli investimenti in AI con il loro impatto sul business, approfondendo come classificare i casi d’uso, attribuire i costi e individuare le iniziative capaci di generare valore misurabile.

Figura 1: processo di calcolo del ROI

Classificare i casi d’uso dell’AI

Prima di valutare il valore di un caso d’uso dell’AI, è opportuno identificare e classificare le diverse implementazioni, determinando come vengono utilizzate nell’ambito dell’organizzazione. Ai fini di questa valutazione, è possibile distinguerle in due categorie: “esterne” ed “interne”.

Esterne

L’AI utilizzata esternamente dovrebbe essere direttamente riconducibile ad attività che generano ricavi, nelle quali il relativo costo può entrare a far parte del costo del venduto. Per comprenderne l’impatto, occorre innanzitutto individuare le attività che generano ricavi per l’azienda e successivamente analizzare le modalità, dirette e indirette, attraverso cui l’AI supporta tali funzioni.

Interne

L’AI utilizzata internamente supporta la produttività degli sviluppatori (assistenza alla programmazione e automazione dei workflow) o più in generale l’efficienza dei dipendenti. Può migliorare, automatizzare e semplificare diverse attività aziendali. Attribuire un ROI all’AI interna può essere più difficile, perché queste implementazioni spesso non sono direttamente collegate ad attività che generano ricavi. Non si tratta di una difficoltà specifica dell’AI, ma di un problema comune a molti investimenti finalizzati a migliorare la produttività operativa. Per misurarne il ritorno è quindi utile concentrarsi su risultati quantificabili, come illustrato più avanti nella sezione “Determinare la metrica di valore per il business”.

All’interno di questi casi d’uso è inoltre opportuno distinguere tra interazioni strutturate e non strutturate.

Un utilizzo strutturato riguarda, ad esempio, agenti progettati con un obiettivo definito, KPI specifici e modalità di esecuzione prevedibili, come un assistente creato per rispondere a domande relative allo storico degli ordini di un cliente. Questo tipo di utilizzo è più semplice da allocare rispetto a quello non strutturato.

Quest’ultimo comprende invece interazioni ad hoc e di carattere generale, come gli assistenti alla programmazione o le interfacce conversazionali, nelle quali il comportamento dell’agente è più aperto ed estensibile. Sebbene questo tipo di utilizzo possa contribuire in modo significativo alla produttività degli sviluppatori, può richiedere un livello di allocazione dei costi più granulare per poter essere collegato alle metriche di valore aziendale. Riconoscere questa distinzione permette quindi di ottenere un’attribuzione dei costi più accurata.

Calcolare i costi

L’aumento dei costi legati all’AI rappresenta uno dei principali fattori che spingono a determinarne il ROI. In alcuni casi, tuttavia, i costi possono essere attribuiti in modo errato o sottostimati. Il primo elemento da verificare consiste quindi nell’avere calcolato correttamente il Total Cost of Ownership (TCO).

Per determinare il TCO dell’AI è possibile partire dai costi diretti dei servizi AI gestiti.

Una volta quantificati i costi diretti, è necessario considerare anche quelli indiretti o correlati, che generalmente rientrano in quattro categorie principali:

1. Storage – L’addestramento dei modelli AI può richiedere grandi quantità di dati. È quindi necessario includere sia i costi di archiviazione sia quelli di recupero delle informazioni. Anche l’inferenza AI può basarsi su tecniche di Retrieval-Augmented Generation (RAG) o su dati di riferimento. Questi costi emergereranno come costi relativi ai database vettoriali che, in determinate circostanze, possono risultare significativi e proporzionali rispetto ai costi dell’inferenza AI.
2. Trasferimento dei dati – Se una soluzione AI deve leggere o scrivere dati, è possibile che tali informazioni debbano attraversare confini infrastrutturali, generando traffico per trasferimento dati. Alcuni sistemi AI devono inoltre comunicare con servizi aggiuntivi o sistemi esterni. Questi flussi di dati possono determinare dei costi.
3. Monitoraggio e reporting – Per comprendere e monitorare l’utilizzo dell’AI è importante generare log e dati relativi all’impiego delle risorse. Può essere poi necessario analizzare queste informazioni attraverso dashboard o sistemi di reporting. I costi di monitoraggio, gestione dei dati e licenze per gli strumenti di visualizzazione dovrebbero quindi essere inclusi nel costo complessivo della soluzione AI.
4. AI agentica – I sistemi di AI agentica prendono decisioni ed eseguono attività per raggiungere determinati obiettivi. Per farlo possono interagire con servizi aggiuntivi o sistemi esterni. I relativi costi possono variare sensibilmente a seconda del caso d’uso.

Allocazione granulare

Visibilità e corretta allocazione permettono di mettere in relazione i costi dell’AI con il valore generato per il business. In assenza di un’attribuzione granulare, la spesa per l’AI appare come un’unica voce, rendendo difficile determinare quale team, applicazione o caso d’uso stia effettivamente generando i costi. Per questo è importante adottare meccanismi che consentano di attribuire la spesa a specifiche applicazioni, workload, utenti o richieste, con livelli di dettaglio differenti a seconda delle esigenze.

L’obiettivo è ricondurre la spesa per l’AI al caso d’uso, al team o all’applicazione che genera valore per il business. Questo costituisce la base per calcolare il costo per risultato illustrato nella sezione successiva.

Determinare la metrica di valore per il business

Una metrica di valore per il business è un indicatore che contribuisce a misurare lo stato di salute o la redditività dell’azienda. Il primo passo consiste nel verificare che si tratti di qualcosa di effettivamente misurabile e che la metrica non sia facilmente manipolabile.

Come ricorda la legge di Goodhart: “Quando una misura diventa un obiettivo, cessa di essere una buona misura”.

Ad esempio, scegliendo come metrica il “numero di righe di codice prodotte dagli sviluppatori”, questi ultimi potrebbero semplicemente chiedere all’AI di aggiungere righe di documentazione al codice, aumentando artificialmente il valore dell’indicatore. È invece importante verificare che il risultato associato all’investimento in AI sia in linea con un valore per il business. Proseguendo con l’esempio degli sviluppatori, metriche più significative potrebbero essere il numero di funzionalità rilasciate o di bug risolti nell’ambito dello sviluppo software.

Le metriche di valore possono essere suddivise in tre categorie.

• Ricavi di business e di prodotto: misurano i ritorni finanziari diretti riconducibili a una soluzione AI.
  • Esempi di metriche: vendite di prodotto, abbonamenti, frodi o rischi evitati e crediti fatturati.
  • Sfide: l’attribuzione diretta è difficile perché i ricavi sono fortemente influenzati anche da variabili estranee all’AI, come l’efficacia commerciale, gli investimenti di marketing e le dinamiche competitive. In questo caso, l’AI diventa una componente del costo del venduto.
• Metriche di sviluppo: misurano la velocità tecnica e i risultati operativi che contribuiscono al fatturato.
  • Esempi di metriche: frequenza dei deployment, funzionalità rilasciate e bug risolti.
  • Sfide: i risultati richiedono normalizzazione. Story point, funzionalità e correzioni possono variare notevolmente in termini di complessità, ampiezza e impatto effettivo sul business.
• Metriche a supporto dei ricavi: misurano indicatori di engagement e conversione che supportano indirettamente la generazione di ricavi.
  • Esempi di metriche: Ad views, tassi di click-through e retention, indicatori di fiducia e soddisfazione.
  • Sfide: come nel caso dei ricavi diretti, anche queste metriche possono essere influenzate da fattori esterni e non legati all’AI, quali aggiornamenti relativi alla user experience e campagne promozionali.

Una volta definita una metrica, è importante stabilire una baseline precedente all’introduzione dell’AI, in modo da poterne monitorare l’evoluzione parallelamente all’adozione della tecnologia. La metrica dovrebbe essere rivalutata periodicamente e ogni volta che intervengono cambiamenti significativi.

Calcolare il ROI

Una volta definiti i prerequisiti precedenti, è possibile iniziare a calcolare il costo per risultato, che contribuisce a quantificare il ROI.

Costo per risultato = Costo dell’AI / Metrica di valore per il business

Prendiamo come esempio la produttività degli sviluppatori e utilizziamo come metrica di valore il numero di bug software risolti.

Nota: l’esempio presuppone che gli sviluppatori rappresentino un costo fisso e che tale costo non vari nel corso dell’analisi. Qualora l’AI venga utilizzata per integrare o potenziare l’attività degli sviluppatori, il relativo costo dovrebbe essere incluso nel costo complessivo se varia in funzione dell’utilizzo dell’AI.

L’esempio presuppone inoltre che il valore venga generato immediatamente. In molti casi, invece, esiste un periodo di assestamento tra l’introduzione dell’AI e il momento in cui questa inizia a influenzare la metrica di valore.

Supponiamo di partire da una baseline di 5 bug risolti alla settimana. Dopo aver messo a disposizione degli sviluppatori strumenti di AI, una prima misurazione del costo per risultato potrebbe essere la seguente:

15 bug risolti alla settimana, con un costo complessivo dell’AI pari a 5.000 dollari.

Poiché i 10 nuovi bug risolti (15 meno i 5 della baseline) possono essere attribuiti all’utilizzo dell’AI, il calcolo sarà:

500 dollari per bug risolto = 5.000 dollari / 10 bug risolti

Questa metrica rappresenta un punto di partenza per determinare il valore attuale e futuro dell’investimento in AI. In questo caso indica che ciascun bug aggiuntivo risolto grazie all’AI ha un costo di 500 dollari.

Proseguendo la misurazione nelle settimane successive, è possibile osservare variazioni in due valori:

1. Metrica di valore per il business: il numero di bug risolti può aumentare man mano che gli sviluppatori diventano più efficienti oppure ridursi se i problemi diventano più complessi da risolvere o semplicemente se diminuisce il numero di bug da gestire. Supponendo che i costi rimangano invariati:
   • se aumentano i bug risolti, il costo per risultato diminuisce e aumenta l’efficienza dell’investimento in AI;
   • se diminuiscono i bug risolti, il costo per risultato aumenta e l’efficienza dell’investimento si riduce.

Un aumento del costo per risultato non significa però necessariamente che il ROI stia diminuendo. È importante valutare anche la rilevanza dei bug risolti per comprendere, ad esempio, se l’AI stia permettendo di affrontare problemi più complessi.

Un’analisi più avanzata del ROI potrebbe quindi includere ulteriori metriche di valore, come la complessità dei bug, per determinare se l’utilizzo dell’AI nella loro risoluzione stia contribuendo a migliorare l’esperienza degli utenti.

2. Costo. I costi dell’AI possono variare a seconda che gli sviluppatori la utilizzino per correggere un numero diverso di bug, che venga incluso un contesto variabile o che vengano utilizzati nuovi fornitori o modelli con costi per token diversi.
   • Se i costi aumentano, aumenta anche il costo per risultato, con una conseguente riduzione dell’efficienza dell’investimento.
   • Se i costi diminuiscono, il costo per risultato si riduce e l’efficienza aumenta.

L’esempio è volutamente semplificato per mostrare in che modo ciascuna variabile influisca sul costo per risultato. Nella pratica, sia il numeratore (il costo) sia il denominatore (il valore generato per il business) cambiano nel tempo, con l’evoluzione dei modelli, delle modalità di utilizzo e della complessità stessa delle attività. Il costo per risultato non coincide con il ROI. È piuttosto l’unità di base che consente di arrivare alla sua determinazione.

Una volta stabilito quanto costa ciascun risultato positivo, è possibile mettere questo valore in relazione con i ricavi di business o di prodotto che contribuisce a sostenere. Riprendendo l’esempio precedente, i bug risolti possono essere collegati a un prodotto o a un servizio in abbonamento venduto ai clienti.

Questi costi aggiuntivi entrano quindi a far parte del costo del venduto nei calcoli del reddito netto e del ROI.

Monitorare regolarmente il costo per risultato permette di raccogliere i dati necessari per valutare l’impatto sul ROI, scalare le iniziative che funzionano, modificare quelle che non producono i risultati attesi e individuare situazioni in cui la spesa supera il valore generato. Questo approccio consente di trasformare il calcolo del ROI in una metrica ripetibile e sostenibile nel tempo, anziché in una semplice stima effettuata una tantum.

Conclusioni

Calcolare il ROI dell’AI significa essenzialmente rispondere a una domanda: “Quanto costa ciascun risultato positivo ottenuto grazie all’AI e quanto vale quel risultato per il business?”

Il calcolo del costo per risultato fornisce la base di partenza. Metterlo in relazione con i ricavi aziendali che contribuisce a generare permette di arrivare al ROI. Questo calcolo non dovrebbe però rappresentare l’unico criterio alla base di una strategia di AI. L’innovazione, infatti, richiede spazio per la sperimentazione. Sebbene il ROI a breve termine possa sembrare modesto per alcune iniziative, i benefici a lungo termine e il vantaggio competitivo potrebbero generare nuovi flussi di ricavi. Il ROI può quindi essere utilizzato per ottenere visibilità sui carichi di lavoro agentici, per impostare soglie e per decidere se proseguire o interrompere un’attività, mantenendo al contempo la flessibilità necessaria per coltivare progetti ad alto potenziale che non rientrano ancora nelle metriche standard.

Un primo passo consiste nell’applicare i meccanismi di allocazione dei costi descritti in precedenza a tre workload AI prioritari, individuando per ciascuno una metrica di valore per il business e calcolando il relativo costo per risultato. Passare da un monitoraggio reattivo dei costi a una gestione proattiva del valore trasforma l’AI da una voce di spesa a un motore strategico per il business.