Nei consigli di amministrazione delle medie e grandi imprese globali si sta consumando un malinteso economico di proporzioni sistemiche. Amministratori delegati e direttori finanziari osservano con un sospiro di sollievo i grafici che mostrano il crollo verticale del costo delle API dei modelli di frontiera, convinti che l’intelligenza artificiale stia finalmente diventando una commodity a buon mercato. C’è un diffuso senso di autoassoluzione tecnologica nell’aria: se la materia prima dell’automazione costa ormai poche frazioni di centesimo, l’efficienza operativa dovrebbe essere a portata di mano, quasi gratuita.
Questa è l’illusione ottica del silicio. La realtà che emerge dai consuntivi di bilancio racconta una storia diametralmente opposta, fatta di fatture tecnologiche che si gonfiano a dismisura e di budget IT messi a dura prova da consumi fuori controllo. La verità è che il costo del singolo token scende, ma la fattura complessiva sale, ed è la notizia geopolitica ed economica più importante che nessuno, oggi, sa leggere con la dovuta freddezza analitica.
Indice degli argomenti
Il costo dei token AI scende mentre la spesa cresce
Per comprendere l’entità della frattura tra percezione e realtà, è necessario analizzare i numeri con precisione chirurgica. Negli ultimi tre anni, il prezzo di listino per milione di token è crollato di una quota compresa tra il 90% e il 99%, a seconda dei parametri di riferimento considerati dal mercato. L’indice dei prezzi dei modelli di frontiera ha subito una svalutazione radicale, passando da una base 100 all’inizio del 2023 a una frazione infinitesimale nel corso del 2026.
Nel primo periodo di adozione di massa, l’accesso a modelli come GPT-4 richiedeva un investimento di 30 dollari per milione di token in input e 60 dollari in output. Oggi, soluzioni alternative e altamente performanti, tra cui i modelli cinesi della famiglia DeepSeek, offrono prestazioni analoghe su benchmark complessi di ingegneria del software a meno di un dollaro per milione di token elaborati.
A fronte di questa spettacolare deflazione dell’offerta, la spesa aggregata delle imprese per l’acquisizione di capacità computazionale non mostra alcun segno di flessione, anzi sta registrando un’espansione senza precedenti storici. Le trimestrali dei grandi provider di infrastruttura e dei laboratori di ricerca mostrano tassi di crescita esponenziali, con fatturati annualizzati che raddoppiano o triplicano nel giro di pochi mesi.
Gli indici di spesa aggregata per l’elaborazione dei dati indicano che, mentre il costo unitario si contraeva del 90%, il volume finanziario dei contratti sottoscritti dalle aziende è andato incontro a una duplicazione sistematica. I report dei principali osservatori di spesa aziendale indicano l’intelligenza artificiale como la voce di costo a crescita più rapida nei budget tecnologici, arrivando in molti casi a drenare fino alla metà dell’intera capacità di spesa IT di un’organizzazione.
Questo fenomeno non costituisce un’anomalia di mercato, né un paradosso logico inspiegabile. Si tratta invece della manifestazione di una legge economica ferrea, formulata oltre un secolo e mezzo fa, che continua a governare lo sviluppo industriale dell’umanità.
Perché i token a basso costo moltiplicano i consumi
Nel 1865, l’economista britannico William Stanley Jevons osservò che l’introduzione di macchine a vapore più efficienti, capaci di generare una maggiore quantità di lavoro con un minore consumo di carbone, non portava a una riduzione del consumo complessivo di combustibile. Al contrario, il consumo di carbone aumentava in modo drammatico perché l’abbattimento del costo unitario dell’energia rendeva economicamente profittevole l’applicazione della tecnologia del vapore a una miariade di processi industriali che in precedenza erano considerati fuori mercato. I vertici dei colossi tecnologici mondiali hanno recentemente sintetizzato questa dinamica con una battuta fulminea: il paradosso di Jevons ha colpito ancora.
Nell’economia della conoscenza sintetica sta accadendo esattamente la stessa cosa. Quando l’interrogazione di un modello di grandi dimensioni comportava un costo non trascurabile, le aziende limitavano l’automazione a casi d’uso ad altissimo valore aggiunto, caratterizzati da una supervisione umana rigorosa e da confini applicativi strettissimi. L’abbattimento della barriera del prezzo ha eliminato qualsiasi incentivo alla moderazione.
Il basso costo unitario non spinge le organizzazioni a fare le stesse cose spendendo un decimo, ma le induce a fare cento cose in più che prima non avrebbero mai ritenuto sostenibili. Si assiste così alla proliferazione di sistemi multi-agente che dialogano costantemente tra loro, a flussi di lavoro in cui il contesto informativo viene richiamato e rielaborato decine di volte per ogni singola transazione, e a cicli di ragionamento ricorsivo che consumano milioni di token per risolvere compiti banali.
La proiezione della crescita del consumo globale di token ipotizza una moltiplicazione per 24 volte entro la fine del decennio. Questa esplosione non sarà determinata da un aumento della complessità intrinseca dei singoli problemi, ma dalla dilatazione incontrollata del numero di compiti secondari che le aziende decideranno di delegare alle macchine solo perché il costo iniziale appare trascurabile.
Debito algoritmico e costi nascosti dell’automazione AI
La discussione sull’adozione dell’intelligenza artificiale tende a focalizzarsi eccessivamente sulla dinamica dei volumi e dei prezzi, trascurando l’aspetto più insidioso: la qualità strutturale delle scelte organizzative che generano tale traffico di dati. Automatizzare un processo aziendale basandosi esclusivamente sulla convenienza del prezzo del token rappresenta un errore metodologico grave, speculare a quello di chi rifiuta l’innovazione per timore del cambiamento tecnologico. Entrambi gli approcci commettono lo stesso peccato originale, ovvero eleggere il costo dell’infrastruttura a parametro decisionale primario, ignorando il valore reale del processo sottostante.
Debito algoritmico e Agent Tax
Questa distorsione genera quello che viene definito Debito Algoritmico. Ogni volta che una funzione aziendale viene delegata a un sistema automatizzato basandosi sulla logica del basso costo della tecnologia, l’organizzazione accende un’ipoteca invisibile sul proprio futuro operativo. Questa passività non si manifesta nella fattura mensile inviata dal fornitore di servizi cloud, ma si deposita progressivamente nelle pieghe del conto economico sotto forma di costi operativi indiretti.
Si fa riferimento, nello specifico, al tempo che il personale qualificato deve dedicare alla supervisione e alla correzione delle allucinazioni della macchina, alla gestione delle eccezioni che il sistema non è in grado di elaborare, alla bonifica dei dati corrotti e alla risoluzione dei disservizi con la clientela causati da decisioni errate prese dagli agenti artificiali.
Ci si trova di fronte a una vera e propria Agent Tax, una tassa sul lavoro autonomo degli agenti artificiali che le aziende pagano in differita. Questa imposta occulta si palesa sotto forma di escalation di problemi complessi che l’algoritmo non sa risolvere, di ore straordinarie accumulate dal personale umano per rimediare a decisioni sintetiche aberranti e di una perdita silenziosa ma costante di qualità nei punti di contatto con il mercato.
Quando un agente conversazionale o un sistema di smistamento delle pratiche sbaglia, la correzione del suo errore richiede un dispendio di energie umane che supera di gran lunga il risparmio ottenuto non pagando un lavoratore specializzato per svolgere lo stesso compito originario in modo corretto.
Dalla Shadow AI alla spesa incontrollata per i token
Le analisi empiriche condotte sui dati di spesa di decine di migliaia di imprese dimostrano l’esistenza di un divario colossale nell’efficienza di adozione dell’intelligenza artificiale. A parità di costo dei token sul mercato libero, la spesa effettiva per singolo dipendente varia di diversi ordini di grandezza tra le imprese capaci di governare il processo e quelle che subiscono la tecnologia. Questa asimmetria dimostra in modo inequivocabile che il costo unitario della tecnologia non è mai stata la variabile critica per decretare il successo di un progetto di trasformazione digitale.
La vera differenza risiede nella disciplina organizzativa, nella capacità di selezione dei processi e nella consapevolezza del reale costo totale di gestione di un sistema autonomo.
Molti manager sono caduti nella trappola intellettuale di considerare la risorsa cognitiva artificiale come un fattore di produzione caratterizzato da una scalabilità lineare perfetta. Si assume che raddoppiare le chiamate API equivalga a raddoppiare l’output produttivo senza alcuna frizione strutturale. Questa tesi ignora le dinamiche di complessità organizzativa: all’aumentare dei sistemi automatizzati non allineati tra loro, l’entropia del sistema informativo aziendale cresce in modo esponenziale.
Shadow AI e duplicazione dei flussi informativi
La mancanza di una regia centrale nell’approvvigionamento e nell’uso delle chiavi API genera fenomeni di Shadow AI e di duplicazione dei flussi informativi all’interno dei diversi dipartimenti aziendali. Il marketing acquista soluzioni terze che interrogano modelli esterni, le risorse umane implementano assistenti per l’onboarding e la divisione tecnologica sviluppa internamente microservizi proprietari. Il risultato è un’anarchia computazionale in cui l’azienda paga più volte per elaborare le medesime informazioni, spesso archiviate in silos non comunicanti, amplificando a dismisura i consumi e i rischi di sicurezza dei dati.
La governance che manca nella gestione dei costi AI
Il management contemporaneo si trova ad affrontare una transizione tecnologica senza possedere gli strumenti concettuali necessari per valutarne gli impatti di medio e lungo termine. Abituati a negoziare contratti software basati su licenze d’uso fisse o canoni legati al numero di utenti, i direttori degli acquisti e i responsabili dei sistemi informativi applicano vecchi schemi a un paradigma completamente diverso, regolato dalle leggi del consumo di risorse computazionali.
La miopia dei vertici aziendali si manifesta nella firma di accordi di fornitura apparentemente vantaggiosi, che garantiscono sconti infinitesimali sul costo dei token, mentre i team di sviluppo interni progettano architetture software ridondanti, prive di qualsiasi ottimizzazione per l’efficienza. Un sistema di recupero delle informazioni non ottimizzato può facilmente consumare centinaia di migliaia di token per rispondere a una singola domanda del servizio clienti, vanificando in un istante qualsiasi sconto ottenuto in fase di contrattazione centralizzata.
La mancanza di governance e la proliferazione di applicazioni non coordinate all’interno dei diversi silos aziendali creano un’anarchia computazionale che si traduce in un drenaggio costante di risorse finanziarie. Senza una chiara attribuzione di responsabilità e senza la definizione di KPI rigorosi che misurino il valore di business generato in rapporto ai token consumati, le aziende rischiano di trovarsi tra le mani infrastrutture tecnologiche ipertrofiche, costose da mantenere e intrinsecamente fragili.
Prezzi dei token e rischi geopolitici della filiera
La percezione che la discesa dei prezzi dell’intelligenza artificiale sia un cammino irreversibile e privo di rischi poggia su fondamenta estremamente fragili. L’attuale livello dei prezzi non è solo il risultato dell’innovazione ingegneristica o dell’ottimizzazione degli algoritmi, ma risponde anche a precise dinamiche geopolitiche e a aggressive strategie di posizionamento sul mercato da parte dei principali player internazionali.
L’ingresso sul mercato globale di modelli a basso costo sviluppati in contesti economici caratterizzati da forti sussidi statali e da minori vincoli di conformità normativa ha innescato una brutale guerra dei prezzi. I grandi laboratori americani ed europei si sono visti costretti a contrarre i propri margini per mantenere quote di mercato significative, alimentando una deflazione artificiale che potrebbe non essere sostenibile nel lungo periodo. Le aziende che progettano la propria operatività basandosi sull’assunto che la capacità computazionale costerà sempre meno si espongono a un rischio sistemico rilevante.
Fattori quali l’instabilità delle catene di approvvigionamento dei semiconduttori, l’inasprimento delle tensioni commerciali internazionali e, non ultimo, l’impatto ambientale e infrastrutturale dei centri di calcolo sulla rete elettrica globale potrebbero determinare improvvise inversioni di tendenza. Una saturazione della capacità di generazione energetica o l’introduzione di nuove tassazioni sulle emissioni di carbonio legate all’elaborazione dei dati potrebbero tradursi in un repentino aumento dei costi delle API, trasformando i flussi di lavoro iper-automatizzati in voragini finanziarie insostenibili.
Come scegliere cosa automatizzare oltre il costo dei token
Per scongiurare il rischio di un’ipertrofia computazionale passiva, le organizzazioni devono adottare una disciplina selettiva basata su criteri oggettivi. La scelta di cosa automatizzare e cosa preservare non deve dipendere dal costo nominale della tecnologia, bensì dall’incrocio tra due variabili fondamentali: la complessità del contesto interpretativo e la tolleranza sistemica all’errore.
I processi adatti alla delega algoritmica
I processi idonei a una delega algoritmica profonda sono caratterizzati da regole deterministiche chiare, bassa variabilità delle casistiche e un costo di mitigazione del rischio tendente allo zero. Rientrano in questo perimetro la prima archiviazione dei documenti standardizzati, la formattazione dei dati o la trascrizione dei flussi operativi di routine.
Dove l’automazione aumenta il rischio
Al contrario, i processi a elevata variabilità interpretativa, in cui la decisione richiede intelligenza empatica, comprensione profonda delle sfumature relazionali o responsabilità etica e legale, devono essere protetti dall’automazione sostitutiva. Ne sono un esempio la gestione di crisi reputazionali, il servizio clienti di secondo livello per controversie complesse o la pianificazione strategica di portafoglio.
In queste aree, un’automazione guidata solo dal basso prezzo del token genera una “Agent Tax” insostenibile: il costo per sanare e correggere un’azione aberrante intrapresa da un sistema autonomo supera di gran lunga il risparmio ottenuto allontanando l’operatore umano. L’automazione deve agire come un lubrificante per eliminare gli attriti operativi, mai come un surrogato del discernimento critico.
Controllare i costi AI con strategia e responsabilità umana
Le aziende che ambiscono a guidare il mercato nei prossimi anni devono abbandonare l’approccio opportunistico e contabile alla gestione dell’intelligenza artificiale. La riduzione del prezzo della materia prima algoritmica non deve essere interpretata come un invito alla delega indiscriminata, bensì come un’opportunità straordinaria per ridisegnare i processi operativi attorno a un nucleo invalicabile di intelligenza e responsabilità umana.
La domanda fondamentale che un leader d’impresa deve porsi oggi non riguarda la convenienza di una chiamata API o il risparmio teorico promesso dal venditore di turno. L’interrogativo cruciale è identificare quali processi aziendali generino un valore reale, distintivo e duraturo per il cliente se potenziati dall’automazione, e quali invece, se automatizzati solo perché il token costa poco, finiranno per generare una tassa nascosta che l’organizzazione pagherà in termini di reputazione, efficienza e controllo operativo.
La deflazione dei costi dell’intelligenza artificiale non è la soluzione ai problemi di efficienza di un’impresa. È la ragione principale per cui la definizione di una strategia chiara, di una governance rigorosa e di una solida cultura della validazione umana diventa un imperativo non più rimandabile. Chi guida un’organizzazione ha perso la scusa del costo tecnologico elevato; ora affronta la prova, ben più complessa, di dover dimostrare la propria capacità di scelta strategica.
Partecipa alla community