l'analisi

AI, è arrivato il momento di ottimizzare i budget dedicati ai token


Indirizzo copiato

Sebbene i prezzi dei servizi siano in calo, la spesa complessiva delle aziende continua a crescere. Molte organizzazioni stanno reagendo introducendo limiti e quote: una strategia che rende i costi prevedibili, ma che di fatto raziona il valore che l’AI può generare. Lo scenario delineato da Stl Partners

Pubblicato il 17 nov 2026



AI Questions Icon
Chiedi all'AI
Riassumi questo articolo
Approfondisci con altre fonti
AI-intelligenza-artificiale, : infrastrutture pubbliche digitali e intelligenza artificiale


Punti chiave

  • Il costo unitario della AI cala, ma la spesa totale sale: il volume di token aumenta per uso quotidiano, RAG, long context e modelli agentici.
  • Gli agenti consumano token automaticamente e a catena, complicando la visibilità e l’attribuzione tra hyperscaler, SaaS e app interne; la responsabilità ricade su FinOps.
  • I limiti di spesa rendono i costi prevedibili ma comprimono il valore; la soluzione è massimizzare il valore per token tramite visibilità, attribuzione, instradamento e gestione a portafoglio.
Riassunto generato con AI


Il costo unitario dell’AI, in generale, sta diminuendo. I fornitori di modelli rilasciano costantemente versioni che eguagliano o superano le precedenti, a un prezzo inferiore. Nel luglio 2026, ad esempio, Google ha lanciato Gemini 3.6 Flash: un modello che, secondo l’azienda, ha un costo per token più basso rispetto alla versione precedente e richiede fino al 17% in meno di token in output. Eppure, per molte imprese, la spesa per l’AI sta seguendo la direzione opposta.

Il motivo è semplice: la spesa totale per i token è il prodotto tra prezzo e volume, e il volume sta crescendo più rapidamente di quanto il prezzo stia scendendo. Secondo Stl Partners, che ha dedicato un’analisi approfondita a questo trend, sono tre fattori da cui dipende la dinamica appena descritta. Innanzitutto l’AI sta passando da una fase di progetti pilota circoscritti a un impiego quotidiano in ambiti come il servizio clienti, lo sviluppo software, le vendite e le operazioni aziendali. I carichi di lavoro d’altro canto si fanno più intensi, poiché tecniche come la retrieval-augmented generation e le long context windows, nonché l’impiego di modelli orientati al ragionamento aumentano il numero di token consumati per ogni singola richiesta. E, aspetto ancora più rilevante, l’AI basata su agenti sta iniziando a diffondersi su larga scala.

In questo scenario, i fornitori di software basato su AI stanno già reagendo, trasferendo il rischio sui clienti. Quando, nel giugno 2026, ricorda Stl Partners, GitHub ha introdotto una tariffazione basata sull’effettivo utilizzo per Copilot, ha dichiarato che il modello precedente non era “più sostenibile”, poiché “una rapida domanda in chat e una sessione di programmazione autonoma della durata di diverse ore potevano avere lo stesso costo per l’utente”. È prevedibile che altri fornitori, confrontati con le medesime dinamiche economiche, seguiranno la stessa strada, trasformando quelli che per molte aziende erano costi fissi di licenza in costi variabili legati all’uso dell’AI.

Gli agenti modificano la natura del problema

Gli agenti non si limitano a consumare più token: li consumano in modo diverso. L’utilizzo da parte degli esseri umani è naturalmente limitato dagli orari di lavoro e dalla velocità di digitazione. Gli agenti, invece, interpellano i modelli secondo programmi prestabiliti o innescati da eventi, coinvolgendo spesso, a loro volta, altri agenti. Una singola attività può dare il via a una catena di decine di chiamate ai modelli, senza che vi sia alcun intervento umano in grado di accorgersi quando il consumo supera di gran lunga i livelli previsti.

Anche il numero di agenti è destinato a crescere rapidamente. Le funzionalità basate su agenti vengono integrate sempre più spesso nei software aziendali di uso comune, e si prevede che una quota crescente delle decisioni operative quotidiane verrà presa in autonomia. Poiché tali funzionalità si presentano come caratteristiche integrate – anziché come progetti specifici che l’azienda sceglie consapevolmente di finanziare – il consumo di token può aumentare molto più rapidamente di quanto consentito da qualsiasi pianificazione di bilancio.

La maggior parte delle aziende non sa dove finiscano i propri token

Per molte imprese, comunque, il tema principale non è il costo, bensì la visibilità. Le grandi organizzazioni raramente si affidano a un unico fornitore di AI: i modelli vengono utilizzati tramite diverse piattaforme di hyperscaler, integrati in software SaaS, richiamati da applicazioni interne e, sempre più spesso, attivati da agenti. La console di ciascun fornitore mostra solo una parte del panorama complessivo, senza offrire una visione d’insieme.

La situazione ricorda gli albori del cloud computing. I team finanziari ricevono una fattura aggregata da ogni fornitore, ma non sono in grado di stabilire quale team, applicazione o agente abbia generato la spesa, né tantomeno se tale investimento abbia effettivamente prodotto valore. La responsabilità dei budget per l’AI sta ricadendo sempre più spesso sui team FinOps – gli stessi che nell’ultimo decennio si sono occupati di tenere sotto controllo i costi del cloud – sebbene la spesa per l’AI segua dinamiche differenti rispetto a quella per le infrastrutture cloud. Il processo è guidato da singoli prompt e scelte relative ai modelli, spesso effettuati da persone e sistemi molto distanti da chi detiene il budget; ciò rende estremamente complesso prevedere e gestire tali attività in modo centralizzato.

Queste zone d’ombra comportano rischi sia in termini di governance che di costi. Un’organizzazione che non è in grado di ricondurre a una specifica origine la spesa per i token difficilmente saprà quali dati sensibili stiano fluendo verso determinati modelli e fornitori. Di conseguenza, il controllo dei costi e la governance dell’intelligenza artificiale sono sempre più interconnessi: per le aziende, affrontare queste tematiche in modo integrato, anziché separatamente, rappresenta un vantaggio concreto.

I limiti di spesa rendono i costi prevedibili, ma riducono il valore generato

Di fronte a una spesa in costante aumento, la reazione istintiva è quella di imporre dei limiti. Si sta delineando una tendenza comune: le organizzazioni che inizialmente avevano concesso ai dipendenti piena libertà nella scelta dei modelli hanno riscontrato che gli utenti tendevano a utilizzare i modelli più avanzati (e costosi) anche per attività di routine. La risposta è stata l’introduzione di accessi basati sul ruolo, quote di utilizzo per modello e tetti di spesa rigidi. Quando un utente esaurisce la propria quota, viene reindirizzato verso modelli più economici o bloccato fino al ripristino del limite.

Questo approccio raggiunge l’obiettivo immediato: la spesa diventa prevedibile. Tuttavia, i limiti comprimono il consumo anziché la domanda effettiva. Una volta raggiunte le soglie stabilite, i casi d’uso vengono rimandati, le richieste dirottate su modelli meno performanti e l’accesso limitato. Poiché nulla di tutto ciò appare nella fattura relativa all’AI, il costo reale di tali restrizioni rimane occultato: si accumula una domanda insoddisfatta, mentre un numero crescente di dipendenti, applicazioni e agenti si contende un budget fisso.

Il passaggio verso l’AI basata su agenti accentua questo compromesso. Se un dipendente può solitamente attendere il ripristino della propria quota, un flusso di lavoro automatizzato che si interrompe a metà processo comporta un rischio operativo. Di conseguenza, restrizioni generalizzate — accettabili durante la fase pilota — rischiano di limitare proprio quegli incrementi di produttività che giustificavano l’investimento iniziale.

L’obiettivo è ottenere più valore per ogni token, non utilizzare meno token

Secondo Stl Partners, la domanda più costruttiva dovrebbe essere non “come possiamo spendere meno in token?”, bensì “quanto possiamo ottenere in più a parità di budget?”. Per rispondere, le aziende devono gestire il consumo di AI come un portafoglio, associando ogni carico di lavoro al modello, al costo e al livello di controllo più appropriati. Individuiamo quattro leve che, se utilizzate congiuntamente, consentono di accrescere il valore generato da un budget fisso.

Il calo dei prezzi dei token non è bastato a contenere i costi dell’AI aziendale e i limiti di spesa non fanno altro che mascherare il problema. Con l’entrata in produzione dell’AI agentica, la questione per le aziende si sposterà da quanto spendono per l’AI a cosa acquista ogni token. Le aziende che stabiliscono ora visibilità, attribuzione e instradamento nell’intera infrastruttura AI saranno in una posizione migliore per scalare i carichi di lavoro agentici senza perdere il controllo della spesa o razionare il valore. Le prime evidenze derivanti dalla programmazione agentica suggeriscono che l’utilizzo sta crescendo più rapidamente del calo dei prezzi dei token. Se questa tendenza dovesse continuare, le organizzazioni che sapranno estrarre il massimo valore da ciascun token si aggiudicheranno un vantaggio competitivo, mentre le altre vedranno le proprie ambizioni in ambito di intelligenza artificiale limitate dal budget.

Partecipa alla community

guest

0 Commenti
Più recenti
Più votati
Inline Feedback
Vedi tutti i commenti

Articoli correlati

0
Lascia un commento, la tua opinione conta.x