L’intelligenza artificiale è entrata nei programmi di trasformazione delle telecomunicazioni con una promessa precisa: aumentare la produttività e comprimere la base dei costi automatizzando attività che oggi richiedono persone, fornitori esterni e applicazioni tradizionali. Una prospettiva che ha iniziato a intrecciarsi anche con i piani di riduzione degli organici annunciati da alcuni grandi operatori.
Il passaggio dall’AI sperimentale all’AI utilizzata su larga scala, tuttavia, sta facendo emergere una variabile meno visibile nei primi business case: la tecnologia che elimina o riduce alcune voci di spesa ne introduce contemporaneamente di nuove. E se i vecchi costi rimangono in gran parte al loro posto, il risultato finale può essere una struttura operativa più cara di quella di partenza.
È il rischio messo a fuoco da Bain & Company nell’analisi AI in Telecom: The Opex Reckoning secondo cui nei prossimi tre-cinque anni gli operatori potrebbero attraversare uno dei cambiamenti più rilevanti degli ultimi decenni nella composizione dell’opex. Customer care, network operations, sviluppo software e funzioni aziendali saranno progressivamente affiancati da agenti AI e, insieme a loro, i token diventeranno una voce stabile della spesa operativa.
Il problema riguarda quindi la sostenibilità economica dell’AI su scala industriale. La riduzione del costo dei modelli e l’automazione di singole mansioni non garantiscono da sole un miglioramento dei conti. Bain avverte infatti che un operatore può ritrovarsi a pagare contemporaneamente persone, sistemi legacy, licenze software, outsourcing, cloud e una nuova infrastruttura di agenti intelligenti. In quel caso il “guadagno” di produttività viene assorbito dall’aumento delle componenti tecnologiche.
Indice degli argomenti
Fino al 30% dell’opex potrebbe essere legato ad agenti e token
Bain descrive uno scenario nel quale prende forma un vero modello operativo agentico. Le voci tradizionali continuerebbero a rappresentare circa il 70-80% della spesa complessiva, mentre un ulteriore 20-30% sarebbe costituito dai costi degli agenti AI e dei token necessari al loro funzionamento.
Le persone resterebbero responsabili delle decisioni più importanti con una quota crescente dell’esecuzione che verrebbe svolta o supportata da agenti specializzati. Nelle Tlc questo cambiamento può risultare particolarmente complesso perché l’AI deve inserirsi dentro organizzazioni costruite nel corso di decenni, con sistemi operativi e di business legacy, contratti di outsourcing, accordi di lungo periodo con i vendor nonché vincoli regolatori e norme giuslavoristiche.
La questione riguarda anche il rapporto tra capex e opex. L’evoluzione degli stack software verso sistemi comuni di registrazione dei dati, sui quali vengono sovrapposti livelli intelligenti e agentici, sposta progressivamente nuove componenti verso la spesa corrente. Per Cto, Cio e Cfo diventa quindi decisivo capire quanto costa realmente un processo una volta che l’AI è entrata a regime.
Il rischio è quello di un cost creep: la spesa cresce, mentre produttività, esperienza del cliente e ricavi non aumentano abbastanza da compensarla. È uno scenario particolarmente delicato per un settore che da anni cerca di alleggerire strutture operative complesse e di migliorare i margini attraverso digitalizzazione, automazione e semplificazione.
Modelli più economici, bollette più alte
La prima trappola riguarda il prezzo stesso dell’AI. Il costo dei modelli è sceso rapidamente – secondo Bain – nell’ordine di circa dieci volte all’anno. Questa dinamica può far pensare che la diffusione dell’intelligenza artificiale produca automaticamente un beneficio economico.
Ma la realtà è più articolata e complessa. Il costo effettivo per singola attività può rimanere stabile e la spesa totale per token può continuare ad aumentare perché gli utenti trovano nuovi casi d’uso, le applicazioni vengono estese a volumi molto maggiori e i compiti affidati ai sistemi diventano progressivamente più complessi. Nelle network operations e nel customer care, dove le transazioni possono essere milioni, anche piccole variazioni nel consumo unitario vengono amplificate dalla scala.
A questo si aggiunge la tendenza a utilizzare modelli più sofisticati quando diventano disponibili. I sistemi con capacità di ragionamento più avanzate possono richiedere un numero superiore di token per completare un compito. Il prezzo unitario scende, ma il consumo cresce ancora più rapidamente.
Per Bain, il limite sta anche nel modo in cui le imprese misurano questa spesa: molte organizzazioni trattano ancora l’AI secondo una logica simile a quella del cloud, controllando la fattura complessiva delle Api. La metrica utile dovrebbe invece essere il costo del risultato ottenuto: quanto costa risolvere una richiesta di assistenza, gestire un incidente di rete, preparare una proposta commerciale o rilasciare una nuova versione software.
L’inferenza del modello rappresenta infatti soltanto una parte del conto. Un workflow basato sull’AI può includere chiamate ad altri strumenti, sistemi di orchestrazione, valutazioni durante l’esecuzione, osservabilità, storage e supervisione umana. Concentrarsi unicamente sulla scelta del modello più economico rischia quindi di lasciare fuori dal calcolo una porzione significativa dell’opex.
La lezione di AT&T: scegliere il modello in base al compito
La gestione dei token diventa così una nuova disciplina operativa. Bain suggerisce di trattare la capacità computazionale destinata all’AI come una risorsa produttiva con un budget autonomo, regole di governance e responsabilità finanziarie definite, invece di distribuirne i costi all’interno delle normali voci IT.
Tra gli esempi citati c’è AT&T, che ha lavorato sull’orchestrazione necessaria per processare miliardi di token al giorno. L’operatore ha rivisto l’architettura in modo che grandi “super agenti” potessero delegare le attività meno complesse a modelli più piccoli e specializzati. Secondo quanto riportato da Bain sulla base dei risultati comunicati dall’azienda, questa impostazione ha consentito di ridurre i costi fino al 90% e triplicare il throughput.
Il principio economico è rilevante: consumare meno AI non rappresenta necessariamente la soluzione. L’obiettivo è evitare di utilizzare capacità costose per compiti che possono essere svolti da sistemi più leggeri, costruendo un portafoglio di modelli nel quale prestazioni e costo siano proporzionati all’attività.
È la stessa logica che le telecomunicazioni applicano da tempo ad altre risorse industriali. Con l’aumento dei volumi, anche l’AI richiede politiche di capacity management, meccanismi di controllo e criteri con cui stabilire dove una maggiore capacità genera valore e dove produce soltanto consumo aggiuntivo.
Il rischio di sovrapporre l’AI ai processi legacy
La seconda trappola individuata da Bain riguarda il modello organizzativo. Inserire strumenti intelligenti dentro processi esistenti senza modificarli può creare due strutture operative parallele. Da una parte continuano a lavorare persone, applicazioni e fornitori secondo le procedure precedenti; dall’altra l’AI automatizza alcune fasi, senza eliminare ciò che quelle fasi rendeva necessario.
In questo scenario le licenze software rimangono attive, gli organici non vengono riprogettati in funzione dei nuovi workflow, gli hand-off tra reparti continuano a esistere e l’AI finisce per diventare una nuova riga del conto economico.
Per questo Bain invita a partire dai processi. Customer care, gestione delle reti e sviluppo software sono aree nelle quali l’automazione può modificare intere catene operative, ma il beneficio cresce quando viene ripensato l’intero percorso. Possono essere eliminati passaggi intermedi, semplificate le approvazioni, ridotta la supervisione manuale e sostituita una parte delle attività basate su dashboard con interazioni autonome tra agenti.
Il caso di Vivo richiamato nell’analisi mostra questa impostazione nelle network operations. L’operatore ha applicato l’AI al processo completo che va dal rilevamento alla risoluzione di un problema: il sistema identifica l’anomalia, ne diagnostica la causa, esegue l’intervento correttivo, verifica il risultato e coinvolge una persona quando l’escalation diventa necessaria. Il vantaggio nasce quindi dall’aver modificato la sequenza operativa nel suo complesso, con tempi di risoluzione inferiori e minore intervento manuale.
La conseguenza arriva anche ai rapporti con i fornitori. Se gli agenti assumono progressivamente attività oggi svolte attraverso software utilizzati direttamente dai dipendenti, il numero e il valore delle licenze SaaS dovrebbero essere rivisti insieme al modello operativo. Altrimenti il costo della nuova automazione si somma a contratti dimensionati sull’organizzazione precedente.
Un chatbot non cambia il conto economico di un operatore
La terza area critica è il passaggio dai proof of concept alla trasformazione. Chatbot interni, riepiloghi automatici delle chiamate, assistenti per la scrittura del codice e copilot possono produrre miglioramenti concreti della produttività individuale. Difficilmente, però, sono sufficienti da soli a modificare in misura sostanziale l’economia di un grande gruppo di telecomunicazioni.
In questo contesto risoluzione autonoma degli incidenti, prevenzione proattiva del churn, personalizzazione delle offerte B2B e nuovi modelli di vendita self service possono intervenire direttamente sulla struttura industriale oppure creare attività che con un’organizzazione tradizionale non sarebbero economicamente sostenibili.
Telia, ad esempio, ha sviluppato chioschi self service supportati dall’AI, sperimentati nelle comunità rurali, che permettono di servire aree nelle quali l’apertura di un negozio convenzionale avrebbe difficilmente trovato una giustificazione economica.
La distinzione è importante anche per valutare i ritorni. Una sperimentazione che consente a migliaia di dipendenti di risparmiare alcuni minuti al giorno genera un beneficio, ma questo risparmio si traduce in un miglioramento strutturale soltanto quando l’organizzazione riesce a trasformare quel tempo in maggiore capacità produttiva, minori costi o nuove entrate.
Dall’opex al lavoro, Gartner avverte sui tagli troppo profondi
Sul piano occupazionale, il quadro delineato da Bain trova un punto di contatto con le previsioni pubblicate da Gartner sul futuro dell’occupazione. Secondo la società di analisi, entro il 2029 il 30% dei dipendenti licenziati perché sostituiti dall’AI dovrà essere riassunto, spesso sostenendo un costo significativamente superiore.
La previsione mette in discussione una delle scorciatoie più immediate utilizzate nei business case dell’automazione: trasformare subito il potenziale guadagno di produttività in una riduzione dell’organico. I benefici finanziari possono manifestarsi nel breve periodo, mentre gli effetti sulla capacità aziendale emergono successivamente.
Secondo Gartner, i tagli possono impoverire le pipeline di talenti e disperdere conoscenze accumulate all’interno dell’organizzazione. Se in seguito l’impresa scopre di avere ancora bisogno di quelle competenze, deve tornare sul mercato in un contesto nel quale la crescita della forza lavoro è stagnante o in diminuzione in molte economie. A quel punto aumentano i costi di recruiting, formazione e onboarding.
“I dirigenti aziendali e IT che utilizzano l’AI principalmente come strumento di riduzione dei costi rischiano di effettuare tagli troppo profondi e troppo presto, compromettendo la capacità di innovare il modello di business e competere in nuovi mercati mentre l’AI continua a maturare”, spiega Tori Paulman, VP Analyst di Gartner.
L’alternativa indicata da Gartner è un “talent remix”, nel quale l’automazione modifica i ruoli e sposta le persone dalle attività meno produttive verso compiti nuovi. La questione, per le telecomunicazioni, riguarda soprattutto la velocità con cui questa ricomposizione può avvenire rispetto alla diffusione degli agenti intelligenti.
Il rischio di perdere competenze e conoscenza della rete
Il problema assume una dimensione particolare nelle telco. Una rete di telecomunicazioni combina software, infrastrutture fisiche, sistemi di supporto operativo e commerciale, procedure sviluppate nel corso degli anni e una grande quantità di conoscenza che spesso risiede nelle persone.
Una strategia di automazione molto aggressiva può quindi migliorare rapidamente alcuni indicatori di efficienza e contemporaneamente ridurre la disponibilità del contesto necessario per gestire eccezioni, incidenti e trasformazioni future. È uno degli aspetti cui cui intervenire: con l’ingresso dell’AI nei processi, le organizzazioni devono preservare il giudizio umano e fare in modo che chi lavora continui a comprendere il perché delle procedure, oltre alle modalità con cui vengono eseguite.
La relazione uomo-AI viene descritta in questa prospettiva attraverso il concetto di “toolmate”: sistemi che affiancano il personale e ne aumentano capacità di giudizio, creatività, leadership e decisione. Parallelamente occorre costruire una forza lavoro capace di adattarsi continuamente, sviluppando alfabetizzazione sull’intelligenza artificiale e competenze che attraversano più discipline.
Per un operatore il tema va oltre la formazione sull’utilizzo di un nuovo software. Man mano che gli agenti prendono decisioni, attivano sistemi e intervengono direttamente nei processi, cambia il confine tra attività tecnologica e responsabilità organizzativa. Servono quindi competenze capaci di governare il comportamento dei modelli, misurarne il rendimento e intervenire quando l’automazione non produce il risultato previsto.
Reinvestire i guadagni invece di trasformarli tutti in tagli
C’è un’altra previsione di Gartner che si collega direttamente all’allarme di Bain. Entro il 2027, secondo la società, il 75% delle organizzazioni che privilegeranno la trasformazione dei guadagni di produttività dell’AI in risparmi di costo sarà superato dai concorrenti che reinvestiranno quei benefici in innovazione, modernizzazione e sviluppo delle competenze.
È un passaggio rilevante perché modifica il modo in cui viene calcolato il ritorno dell’intelligenza artificiale. Ridurre immediatamente l’opex rappresenta soltanto uno dei possibili utilizzi della produttività liberata. Una quota può finanziare la modernizzazione dei sistemi che oggi impediscono all’AI di esprimere tutto il suo potenziale, oppure la formazione delle persone che dovranno progettare e controllare processi sempre più automatizzati.
Bain arriva alla stessa questione partendo dai costi tecnologici. Se l’AI viene semplicemente aggiunta all’infrastruttura precedente, l’organizzazione paga entrambi i modelli. La capacità di generare valore dipende invece dalla possibilità di ritirare processi, sistemi e attività diventati superflui, modificando contemporaneamente ruoli e competenze.
Il conto economico e il capitale umano diventano quindi due facce dello stesso problema. Tagliare persone senza ridisegnare i processi può creare vuoti di competenze; introdurre agenti senza eliminare la complessità precedente può gonfiare l’opex. In entrambi i casi l’AI viene utilizzata come componente aggiuntiva anziché come leva per modificare il funzionamento dell’impresa.
Per le telco arriva la contabilità del costo per risultato
Bain propone di spostare l’attenzione verso una nuova unità di misura. Il costo per token è utile per acquistare e controllare capacità computazionale, ma dice poco sull’efficienza complessiva. La variabile da portare nei business case è il costo per risultato.
Quanto spende un operatore per risolvere una richiesta del cliente prima e dopo l’introduzione dell’AI? Quanto costa diagnosticare e chiudere un incidente di rete? Qual è il costo completo di una proposta commerciale o di una release software? Solo mettendo a confronto questi valori diventa possibile capire se la tecnologia sta sostituendo costi esistenti oppure li sta semplicemente affiancando.
Da qui discendono anche le indicazioni operative di Bain. Occorre creare un budget specifico per la capacità AI, scegliere alcuni workflow ad alto valore da riprogettare dall’inizio alla fine, controllare gli utilizzi inefficienti dei token e assegnare a ogni agente obiettivi misurabili e un responsabile. Un agente che continua a iterare senza arrivare a una soluzione, ripete lo stesso contesto nelle chiamate o duplica controlli già presenti può generare costi senza aumentare il valore del processo.
È una forma di governance che avvicina l’intelligenza artificiale alle altre risorse industriali delle telecomunicazioni. Con la differenza che il consumo può aumentare molto rapidamente: più persone scoprono nuovi utilizzi, più agenti vengono messi in produzione e maggiore diventa il numero di interazioni automatiche tra i sistemi.
La partita si sposta dal numero di agenti al modello operativo
La fase che si apre per gli operatori riguarda, quindi, meno il numero di applicazioni AI lanciate e molto di più la capacità di eliminare la struttura di costo che quelle applicazioni dovrebbero sostituire.
Bain indica chiaramente il punto di arrivo: il rapporto 70-30 tra costi tradizionali e spesa agentica rappresenta uno scenario, non un obiettivo. Il risultato da perseguire è un’organizzazione più veloce, semplice e performante perché progettata intorno all’AI. Un’azienda che mantiene i vecchi processi e vi sovrappone nuovi agenti rischia invece di pagare contemporaneamente il passato e il futuro.
Gartner porta lo stesso principio sul terreno delle persone. Il vantaggio competitivo tenderà ad andare alle imprese che utilizzeranno la produttività generata dall’intelligenza artificiale per ridisegnare ruoli, accelerare i processi e sviluppare nuove competenze. La sostituzione del lavoro umano diventa economicamente fragile quando elimina conoscenze che l’impresa è poi costretta a ricomprare sul mercato.
Per le telecomunicazioni il confronto sull’AI entra così in una fase più concreta. Dopo i modelli, i proof of concept e le prime applicazioni agentiche, arrivano le domande sull’economia industriale: quali vecchie attività vengono realmente eliminate, quanto costa ottenere un risultato, quanta spesa tecnologica resta duplicata e quali competenze devono rimanere dentro l’organizzazione.
È su queste variabili che si misurerà il beneficio effettivo dell’automazione. Perché un minor numero di persone, da solo, non garantisce una telco meno costosa.
Partecipa alla community