In Breve
- Perché il costo dell’AI può essere superiore a quello di una licenza?
- Perché può includere consumo di token, risorse cloud, infrastruttura, piattaforme dati, tentativi ripetuti e supervisione umana.
- Qual è il rischio nel confrontare uno stipendio con l’AI?
- La spesa può semplicemente spostarsi dal personale ai servizi cloud, alle piattaforme AI o alle attività di verifica e gestione delle eccezioni.
- Che cosa significa AI tokenomics?
- È l’approccio alla misurazione, alla governance e all’ottimizzazione dei costi e dei consumi basati sui token.
La discussione sull’intelligenza artificiale nelle aziende si è concentrata a lungo sull’impatto sull’occupazione e sull’automazione delle attività. Secondo Steve Daheb, chief marketing officer di Flexera, il tema che sta assumendo maggiore rilievo tra i clienti enterprise è però il controllo della spesa associata all’AI.
L’adozione di strumenti e applicazioni basati sull’AI sta crescendo in molte aree aziendali, mentre aumentano le preoccupazioni per il consumo di token, gli sforamenti di budget e le fatture difficili da prevedere. Il problema, osserva Daheb, è anche di visibilità: molte organizzazioni non sanno ancora con precisione quali modelli vengano utilizzati, quali agenti consumino risorse o quali team generino i costi più elevati.
Un problema simile a quello affrontato con il cloud
La situazione ricorda quella vissuta dalle aziende durante la diffusione del cloud. In quel caso, l’attivazione rapida di servizi senza adeguati sistemi di governance e controllo portò a una crescita dei costi superiore alle attese. Le organizzazioni dovettero quindi introdurre strumenti per capire cosa veniva usato, da chi e con quale ritorno.
Secondo l’analisi, l’AI rende la gestione ancora più complessa perché è distribuita in tutta l’organizzazione. Marketing, vendite, sviluppo e product team possono utilizzare strumenti differenti, mentre funzionalità di AI sono sempre più integrate in applicazioni aziendali come Microsoft Copilot, Google Gemini, SAP, Workday e LinkedIn. A questi strumenti si aggiungono agenti e flussi di lavoro personalizzati.
Goldman Sachs, secondo quanto riportato nell’articolo, prevede che l’AI agentica possa determinare un aumento di 24 volte nel consumo di token entro il 2030.
Il confronto tra uno stipendio e una licenza può essere fuorviante
Le stime dei risparmi ottenibili sostituendo o riducendo alcune attività umane rischiano di considerare soltanto il costo di una licenza AI a fronte di uno stipendio. Il costo complessivo del lavoro svolto dall’AI può invece comprendere consumo di token, infrastruttura, piattaforme dati, risorse cloud, tentativi falliti, ripetizioni delle operazioni e supervisione umana.
Queste voci possono essere distribuite tra sistemi, team e budget diversi. Inoltre, il costo della stessa attività può variare in base al modello scelto, alla quantità di contesto fornita, al numero di tentativi necessari e alla potenza di calcolo richiesta.
La riduzione di un costo del personale, quindi, non equivale automaticamente a un risparmio netto. La spesa può spostarsi verso i servizi cloud, le piattaforme AI, l’infrastruttura o il lavoro dei dipendenti incaricati di verificare i risultati e gestire le eccezioni.
La visibilità come condizione per l’ottimizzazione
L’obiettivo, secondo Daheb, non dovrebbe essere rallentare l’innovazione, ma comprendere dove l’AI genera valore e quanto costa quando viene utilizzata su larga scala. Per farlo, le aziende dovrebbero mappare applicazioni, agenti e modelli impiegati, oltre a collegare il consumo di token a unità di business, prodotti e risultati.
- Individuare quali modelli sono utilizzati per ciascun caso d’uso.
- Misurare dove si concentrano consumo e costi.
- Collegare l’utilizzo dell’AI agli obiettivi e ai risultati aziendali.
- Riconoscere eventuali consumi non necessari o concentrati su pochi utenti e carichi di lavoro.
- Valutare modelli meno costosi quando possono produrre risultati equivalenti.
Una maggiore trasparenza sui consumi può aiutare le organizzazioni a prendere decisioni più informate. Il rischio principale, sostiene l’autore, è stabilire obiettivi finanziari prima di conoscere l’economia complessiva delle attività affidate all’AI.
Verso una nuova economia dei token
L’AI sta entrando in un’economia dell’inferenza, nella quale i costi dipendono dall’utilizzo, dai token e dall’esecuzione in tempo reale. I token vengono descritti come un’unità di consumo, valore e prezzo dei sistemi AI.
Da questa evoluzione nasce il concetto di “AI tokenomics”: una disciplina orientata a misurare, governare e ottimizzare il consumo dei token man mano che l’AI viene integrata in applicazioni, agenti e flussi di lavoro.
La domanda centrale, conclude l’analisi, non è soltanto quanto costi l’AI, ma quale valore produca: quali risultati migliori, quale beneficio generi e se il ritorno sia misurabile. La valutazione dei risparmi dovrebbe quindi partire dal costo completo delle attività e da evidenze sull’impatto, non da semplici ipotesi di efficienza.