I costi nascosti alla fine sono quelli che possono riservare delle brutte sorprese. È successo con il cloud computing, che ha una struttura dei prezzi tale da aver sviluppato un intero mercato di consulenti che spiegano alle aziende quanto costerà loro usare AWS, Google Cloud o Microsoft Azure per far girare i loro siti e servizi digitali interni ed esterni.
E prima è successo anche con le licenze multi livello dei software gestionali, dei CMS, dei software per la produttività a pacchetto. Non poteva non succedere anche con l’intelligenza artificiale e anzi, in particolare con i token, la vera unità di misura dell’utilizzo e quindi della fatturazione dell’AI da parte dei grandi fornitori verso i contratti aziendali (e in parte anche verso i privati, quando sforano il limite della quota giornaliera e settimanale ma vogliono andare avanti).
Il token, questo sconosciuto
Un token è un frammento di testo, circa tre quarti di una parola in inglese. Ogni richiesta inviata a un modello di intelligenza artificiale viene scomposta in token in entrata, elaborata, e restituisce token in uscita. Ogni singolo token ha un costo. In isolamento, una frazione di centesimo. Moltiplicato per diecimila ingegneri che lavorano tutto il giorno, interrogando il modello per ogni riga di codice, ogni revisione, ogni debug, il conto finale diventa qualcosa che i controller aziendali non avevano mai visto: una voce di spesa che cresce in modo direttamente proporzionale alla produttività degli utenti.
Tutto previsto e prevedibile se a essere colpiti sono i “clienti” puri, cioè le generiche aziende. Ma se sono gli stessi produttori di token a scontare il prezzo irrealistici e incontrollabili di questa valuta digitale al consumo? È esattamente quello che è accaduto a Microsoft, che aveva distribuito l’accesso a Claude Code di Anthropic a partire dal dicembre 2025 alla divisione Experiences & Devices, quella che si occupa di Windows, Microsoft 365, Outlook, Teams e Surface.
Gli ingegneri hanno adottato lo strumento con entusiasmo, il che era esattamente l’obiettivo. Il problema è arrivato con le fatture a fine mese. La fatturazione a consumo ha bruciato l’intero budget annuale AI della divisione in un quadriestre. A fine maggio 2026 è partito l’ordine interno: stop alle licenze Claude Code entro il 30 giugno, tutti a migrare su GitHub Copilot CLI, lo strumento proprietario di Redmond. L’ironia è facile: la stessa azienda che ha integrato i modelli Anthropic nel suo Microsoft 365 Copilot ha dovuto dire ai suoi ingegneri di smettere di usare il prodotto Anthropic perché costava troppo.
Uber brucia il budget in quattro mesi
Il caso Uber è ancora più istruttivo, perché offre numeri precisi. L’azienda aveva distribuito Claude Code a circa cinquemila ingegneri a partire da dicembre 2025. Ad aprile 2026, l’84 per cento di quegli ingegneri lo usava attivamente, con il 70 per cento del codice prodotto generato o assistito dall’AI. Numeri che farebbero felice qualsiasi direttore dell’innovazione in qualsiasi call con gli investitori.
Il problema è che nel frattempo era già finito il budget previsto per tutto l’anno. Praveen Neppalli Naga, chief technology officer di Uber, ha dichiarato a The Information che il budget pianificato era stato “bruciato” già in primavera. I costi per ingegnere oscillavano tra 500 e 2.000 dollari al mese. Naga stesso, in una singola sessione dimostrativa di due ore, aveva consumato 1.200 dollari di token.
L’azienda aveva persino costruito una classifica interna che premiava gli ingegneri in base al volume di AI utilizzata: una gamification del consumo che, con il senno di poi, somigliava molto a un concorso su chi riusciva a spendere di più nel minor tempo possibile.
Nvidia vende i chip e non ci guadagna
La conferma più imbarazzante del paradosso arriva da chi i chip li produce. Bryan Catanzaro, vicepresidente per il deep learning applicato di Nvidia, ha dichiarato ad Axios in aprile che per il suo team il costo del calcolo supera ampiamente il costo del personale. Ovvero: usare l’AI costa più che pagare le persone che la usano. Detto da un dirigente dell’azienda che rifornisce il mondo intero di GPU per l’intelligenza artificiale, è un’ammissione che vale più di qualsiasi analisi di mercato.
Uno studio del MIT, il Massachusetts Institute of Technology, fatto nel 2024, aveva già calcolato che l’automazione tramite AI è economicamente conveniente solo nel 23 per cento dei ruoli in cui la visione è componente principale del lavoro. Nel restante 77 per cento dei casi, continuare a pagare persone in carne e ossa costa meno. Intanto Adobe ha già anticipato questa dinamica riducendo drasticamente i crediti mensili per gli utenti Creative Cloud, da 500 a 25 per alcune tipologie di abbonamento: enshittification certamente ma anche un caso emblematico di come il modello a consumo possa cambiare le regole del gioco nel mezzo della partita.
Il paradosso degli agenti
La questione non si risolve aspettando che i prezzi scendano. Gartner stima che entro il 2030 il costo per fare inferenza su un modello da mille miliardi di parametri calerà di oltre il 90 per cento. Goldman Sachs, in una nota del 20 maggio 2026, prevede che il consumo globale di token crescerà di 24 volte entro il 2030, arrivando a 120 migliaia di miliardi di token al mese. I due dati, letti insieme, sono l’evidenza di un’accelerazione della spesa complessiva.
Gli agenti AI, ovvero i sistemi autonomi che eseguono compiti complessi in sequenza, consumano ordini di grandezza più token rispetto a un semplice chatbot. Gartner avverte esplicitamente che i risparmi unitari non si tradurranno in risparmio complessivo per le imprese, perché la domanda cresce più in fretta dei prezzi che scendono. L’anno in corso vedrà i grandi player tecnologici impegnare circa 740 miliardi di dollari in infrastrutture AI secondo Morgan Stanley, un aumento del 69 per cento rispetto al 2025.
Le narrative da earnings call continuano a promettere efficienza e riduzione del personale. I casi concreti, invece, raccontano aziende che scoprono in corso d’opera che più i loro dipendenti usano l’intelligenza artificiale, più salgono i costi operativi. Non è un problema di qualità degli strumenti: funzionano bene, ed è esattamente per questo che gli ingegneri li usano così tanto. È un problema strutturale del modello di pricing, progettato per catturare valore in funzione del consumo. E i consulenti in quest’ambito non aiutano, perché i big dell’AI hanno fatto accordi per avere dei referral sui progetti che consentono di fare revenue sharing con i consulenti stessi.
È un po’ come accade con i referral quando i creator propongono l’acquisto sulle piattaforme di ecommerce dei prodotti che presentano. In questo modo i consigli dei consulenti favoriscono ovviamente il consumo di token, perché hanno un incentivo diretto a farlo.
Con il cloud almeno esisteva già un ecosistema di consulenti specializzati nel controllo della spesa su AWS, Google Cloud o Azure. Per l’AI, questo mercato del controllo dei costi deve ancora nascere. Praticamente una delle poche certezze sul futuro del settore.
Tutti gli articoli dedicati all’intelligenza artificiale sono disponibili nella sezione AI di Macitynet.
