L’entusiasmo delle imprese per l’intelligenza artificiale generativa ha incontrato un limite molto concreto: il conto da pagare. Dopo una prima fase in cui dirigenti e responsabili tecnologici hanno incoraggiato dipendenti e sviluppatori a usare il più possibile chatbot, assistenti alla programmazione e agenti autonomi, molte società hanno scoperto che il consumo poteva crescere più rapidamente dei benefici economici.
Il problema riguarda soprattutto i token, le unità con cui viene misurato e spesso fatturato il lavoro dei modelli linguistici. Ogni richiesta inviata a un sistema di AI viene scomposta in token, così come la risposta prodotta dal modello. Nei sistemi più avanzati entrano nel calcolo anche il contesto accumulato, i documenti elaborati e, in alcuni casi, i passaggi interni di ragionamento.
La diffusione dell’AI ha quindi aperto una nuova area di analisi economica, già definita “tokenomics”: lo studio di come la capacità di calcolo viene prodotta, acquistata, consumata e trasformata in risultati aziendali. Il punto non è più soltanto scegliere il modello più potente. Le imprese devono capire quale attività genera valore, quanto costa eseguirla e se sarebbe più conveniente affidarla a una persona, a un software tradizionale o a un modello meno sofisticato.
Indice degli argomenti:
Una spesa difficile da leggere nei bilanci
Le aziende conoscono bene i costi dell’energia, del personale, degli immobili e delle licenze software. Il consumo di token, invece, non possiede ancora regole contabili e parametri condivisi. Una stessa operazione può richiedere quantità molto diverse di capacità di calcolo a seconda del modello, della lunghezza delle istruzioni, dei documenti forniti e del numero di tentativi necessari.
Howard Rubin, economista e consulente sulla spesa tecnologica, ha descritto i token come una valuta per la quale i dirigenti non hanno ancora sviluppato un’intuizione. L’AI viene trattata come un investimento, ma il rendimento resta incerto quando non esistono strumenti capaci di collegare la fattura del fornitore ai ricavi, ai risparmi o al lavoro effettivamente prodotto.
Il confronto più vicino è quello con le materie prime energetiche. Il petrolio greggio viene trasformato in benzina, diesel e altri combustibili, i cui prezzi possono essere confrontati attraverso misure standard. I token derivano invece dall’uso di elettricità, semiconduttori, memoria e infrastrutture cloud, ma non esiste ancora un’unità universale che permetta di confrontarne l’efficienza economica.
Un token rappresenta generalmente una porzione di testo, non una quantità costante di energia o di lavoro. Due modelli possono utilizzare numeri diversi di token per ottenere risultati simili. Alcuni sistemi possono inoltre continuare a elaborare un compito senza trovare una soluzione, accumulando costi senza produrre un risultato utilizzabile.
La spesa cresce più rapidamente dei prezzi
Il prezzo unitario dei modelli è diminuito in molte categorie, ma il consumo complessivo è aumentato. Bain & Company ha calcolato che tra dicembre 2024 e dicembre 2025 il costo medio per token si è più che dimezzato, mentre il numero di token utilizzati è cresciuto di circa 4,5 volte. La riduzione dei listini non ha quindi impedito alla spesa totale per l’AI di più che raddoppiare.
Il fenomeno ricorda quanto accaduto con il cloud computing: servizi sempre meno costosi per singola operazione hanno favorito un’espansione molto più ampia dei consumi. Nel caso dell’AI, però, la domanda può crescere con maggiore velocità perché i nuovi agenti non si limitano a rispondere a una richiesta. Possono consultare archivi, scrivere e verificare codice, interrogare altri modelli e ripetere automaticamente intere sequenze di lavoro.
Una ricerca pubblicata nell’aprile 2026 ha analizzato il consumo di otto modelli avanzati impiegati in attività autonome di programmazione. Secondo gli autori, un compito affidato a un agente può richiedere fino a mille volte i token utilizzati in una normale conversazione sul codice. Eseguendo più volte lo stesso incarico, il consumo può variare fino a trenta volte senza che una spesa maggiore garantisca una precisione superiore.
Questa variabilità rende insufficienti i tradizionali controlli di bilancio. Un’impresa può conoscere il prezzo di un milione di token, ma non sapere in anticipo quanti ne serviranno per correggere un programma, gestire una pratica assicurativa o preparare una proposta commerciale.
La nascita degli standard sulla tokenomics
Il 3 giugno 2026 la Linux Foundation ha annunciato la Tokenomics Foundation, un progetto destinato a definire standard aperti, parametri di confronto e buone pratiche per la gestione economica dell’infrastruttura AI. Tra le organizzazioni che hanno manifestato il proprio sostegno figurano Accenture, Google Cloud, Ibm, JPMorgan Chase, Microsoft, Oracle, Salesforce, Sap e ServiceNow. (
L’obiettivo è estendere al consumo di token i criteri già sviluppati dal FinOps, la disciplina che permette alle imprese di attribuire e controllare i costi variabili del cloud. Le società dovrebbero poter confrontare modelli e fornitori attraverso informazioni omogenee: costo per attività, consumo energetico, tempi di esecuzione, livello di precisione e valore del risultato.
Oggi questa trasparenza è limitata. I token possono essere conteggiati in modo diverso dai vari modelli e venduti a prezzi differenti sulle piattaforme cloud. Le tariffe dichiarate non riflettono necessariamente i costi industriali sostenuti dai laboratori. I produttori possono accettare margini ridotti per conquistare clienti, aumentare l’utilizzo dei propri sistemi o rafforzare la posizione sul mercato.
Dal costo per token al risultato prodotto
Le imprese stanno adottando piattaforme che associano il consumo dell’AI a risultati verificabili. Nel lavoro degli sviluppatori, per esempio, la spesa può essere collegata al numero di funzionalità completate, agli errori corretti o alla riduzione dei tempi di consegna.
Società specializzate nella gestione dei costi consigliano di fissare limiti all’uso dei modelli più costosi. Quando un reparto esaurisce il budget assegnato, può spostare le attività meno complesse verso modelli più economici o open source. Questa scelta obbliga i responsabili a distinguere i compiti che richiedono le prestazioni di un modello di frontiera da quelli che possono essere svolti con strumenti più leggeri.
Il risparmio può arrivare anche dal caching. Quando un modello ha già elaborato determinate istruzioni o informazioni, alcuni fornitori permettono di riutilizzarle a un prezzo inferiore. Gli agenti possono inoltre assegnare attività semplici a modelli piccoli, riservando i sistemi più potenti alle decisioni difficili.
At&t, secondo un caso citato da Bain, ha riorganizzato un consumo di circa otto miliardi di token al giorno facendo in modo che agenti principali distribuissero il lavoro tra modelli specializzati più piccoli, invece di inviare ogni richiesta ai sistemi più avanzati.
L’AI entra nel costo del lavoro
Una delle questioni più delicate riguarda la classificazione della spesa. Le licenze iniziali per chatbot e assistenti sono state spesso pagate con fondi destinati al software o a progetti sperimentali. Con l’uso quotidiano, i token iniziano invece a competere con consulenze, servizi esterni e nuove assunzioni.
Bain ha elaborato uno scenario nel quale agenti, token e dati potrebbero sostituire nel medio periodo tra il 20 e il 30 per cento delle attuali spese operative legate al personale in alcune imprese tecnologiche. La società di consulenza precisa che si tratta di un’ipotesi, non di una previsione. Nelle aziende più avanzate, la spesa corrente per token equivale ancora all’1-2 per cento del costo del personale.
Alcune società hanno già iniziato a tradurre il costo dell’AI in “organico virtuale”. La spesa annuale per i sistemi viene divisa per il costo medio di stipendio e benefit di un dipendente. Il risultato indica quanti lavoratori teorici corrispondono al budget tecnologico. I ricavi vengono poi rapportati alla somma di dipendenti umani e agenti digitali.
La metrica permette di formulare una verifica diretta: l’aggiunta di capacità virtuale ha prodotto vendite, aumentato l’output o ridotto i tempi? Quando l’effetto non compare, l’AI può limitarsi a comprimere i margini.
Gli investimenti corrono, i ritorni restano diseguali
Secondo il rapporto 2025 di Menlo Ventures, le imprese hanno speso circa 37 miliardi di dollari nell’AI generativa, rispetto agli 11,5 miliardi del 2024. Circa 19 miliardi sono stati destinati alle applicazioni utilizzate direttamente da dipendenti e clienti. Le aziende hanno quindi privilegiato strumenti capaci di promettere risultati immediati nella programmazione, nelle vendite, nell’assistenza e nelle attività amministrative.
La crescita non dimostra tuttavia che tutti i progetti siano redditizi. Gli effetti dipendono dall’integrazione nei processi aziendali, dalla qualità dei dati e dalla capacità dei dipendenti di usare i modelli. Installare un assistente non basta quando le procedure restano immutate o quando il risultato non viene controllato.
Jue Wang, partner di Bain, ha indicato proprio nella scarsità di persone capaci di trasformare l’AI in nuovi processi produttivi uno dei principali vincoli. Le imprese possono acquistare maggiore capacità di calcolo, ma devono ancora trovare competenze sufficienti per progettare i flussi di lavoro, valutare le risposte e stabilire quando l’intervento umano resta necessario.
Mancano dati completi sul mercato
La tokenomics deve affrontare anche un problema statistico. Non esiste una borsa centralizzata dei token, né un mercato dei futures capace di indicare le aspettative sui prezzi. Le rilevazioni pubbliche non misurano ancora in modo dettagliato quanto spendano le imprese, quali modelli utilizzino e quali risultati ottengano.
Un working paper pubblicato dal National Bureau of Economic Research nel luglio 2026 ha analizzato 380 mila miliardi di token consumati attraverso oltre 400 modelli disponibili su OpenRouter. Il campione rappresenta circa il 2 per cento del consumo mensile mondiale stimato dagli autori. Lo studio ha costruito un indicatore per misurare come i mercati finanziari valutino l’esposizione delle imprese alla domanda di AI. Il lavoro non è stato ancora sottoposto a revisione tra pari.
La disponibilità di dati più precisi permetterebbe di distinguere le applicazioni capaci di aumentare la produttività da quelle che generano soltanto maggiore consumo. Rendere visibili questi risultati sarà decisivo anche per le scelte sul lavoro: un token economico non sostituisce automaticamente un dipendente, mentre un sistema costoso può risultare conveniente quando riduce errori, accelera un servizio o consente di realizzare attività prima impossibili.
Le aziende hanno superato la fase in cui il semplice utilizzo dell’AI veniva considerato un indicatore di innovazione. Ora devono dimostrare che ogni aumento della capacità digitale produce un beneficio superiore al costo. Finché fornitori e clienti non adotteranno misure condivise, il token resterà una voce di spesa semplice da acquistare e difficile da valutare.
Partecipa alla community