L’ondata di entusiasmo per il calo del prezzo dei token rischia di nascondere il punto centrale: per molte aziende l’AI costa di più, non di meno. È la tesi del paper pubblicato da McKinsey nel luglio 2026, “Is that AI agent worth it? Agentic economics and the modern operating model”, che fotografa un paradosso ormai evidente nei budget aziendali: i modelli sono più economici per unità di calcolo, ma la spesa totale cresce perché le imprese usano più strumenti, su più processi, con flussi più lunghi e complessi.
Secondo il documento, il costo di inferenza di capacità paragonabili a GPT-3.5 è sceso da 20 dollari per milione di token a 0,07 dollari nel corso del 2024, come riportato dall’AI Index di Stanford. Nello stesso arco, però, la spesa enterprise per large language model è triplicata in 12 mesi entro la fine del 2025, mentre il 93% dei rispondenti a un sondaggio McKinsey dichiara di avere superato i budget previsti per l’AI. Il nodo, scrivono gli autori, è che i token non coincidono con il valore: sono solo la bolletta.
Indice degli argomenti:
Perché la bolletta cresce anche se i modelli costano meno
La spiegazione che emerge dal paper è molto concreta. Gli agenti non lavorano come una singola richiesta e una singola risposta. Devono ricordare contesto, richiamare strumenti esterni, verificare passaggi, correggere errori e riprovare quando un output non è affidabile. Ogni passaggio aumenta il consumo reale di risorse. McKinsey segnala sei fattori principali: il contesto di lunga durata, il costo della fase di revisione, la variabilità dei percorsi seguiti dagli agenti, l’uso di modelli potenti anche per compiti semplici, l’orchestrazione tra agenti e strumenti e la struttura dell’informazione che può rendere inefficiente l’elaborazione.
Il dato più rilevante riguarda la ri-lavorazione. In alcuni workflow agentici circa il 60% dei costi non nasce dalla prima risposta, ma dal controllo successivo, dalle correzioni e dalla nuova verifica.
Un altro elemento critico è la dispersione dei costi: per lo stesso compito, specie nella programmazione, la spesa può variare in modo molto ampio a seconda del percorso seguito dall’agente. Questo rende fragile qualunque approccio che guardi solo al costo medio.
McKinsey aggiunge un punto che riguarda direttamente i dirigenti. Molte imprese usano modelli di frontiera per attività che potrebbero essere gestite con modelli più piccoli, sistemi deterministici o software tradizionale. In altre parole, stanno pagando capacità premium dove non serve. La questione non è tagliare i token in astratto, ma capire quale livello di “intelligenza” vada allocato a ciascun processo, con un criterio simile a quello con cui si decide un investimento di capitale.
Il vero vantaggio competitivo si sposta su dati e governance
L’aspetto più interessante del testo McKinsey non è la contabilità tecnica, ma il riflesso sulla concorrenza. Se gli agenti permettono di replicare in tempi brevi processi che un tempo richiedevano anni di riorganizzazione, allora il vantaggio non sta più soltanto nell’esecuzione. Le barriere si spostano verso i dati proprietari, il contesto operativo e la capacità di governo. Un agente commerciale, un sistema di underwriting o un copilota per l’assistenza clienti valgono molto di più se sono nutriti con segnali interni, storico decisionale, trascrizioni, telemetria di processo e semantica aziendale.
Qui il paper tocca un punto che si ritrova anche nelle analisi più recenti sul mercato. Gartner ha scritto il 1° luglio 2026 che fino a 234 miliardi di dollari di spesa nel software applicativo enterprise potrebbero essere esposti entro il 2030 al cosiddetto “agentic arbitrage”, cioè allo spostamento del valore dai tradizionali modelli SaaS basati su licenza verso sistemi in cui gli agenti eseguono il lavoro direttamente. Gartner stima che il fenomeno possa valere circa il 20% della spesa SaaS enterprise entro fine decennio.
Questo cambia la gerarchia delle priorità. Se il software diventa sempre più “headless”, cioè meno legato all’interfaccia e più accessibile da agenti che compiono azioni in autonomia, il vantaggio competitivo si sposta dal numero di utenti licenziati alla capacità di controllare dove e come il lavoro viene eseguito. È un cambio di logica che riguarda vendor, clienti e integratori.
I segnali che arrivano dal mercato
Le notizie più recenti confermano che le imprese stanno entrando in una fase meno sperimentale e più industriale.
Deloitte, nella sua edizione 2026 dello “State of AI in the Enterprise”, basata su oltre 3.000 dirigenti in 24 Paesi, descrive il passaggio dall’ambizione all’attivazione: l’AI non viene più osservata come progetto separato, ma come leva da integrare nei processi e nelle strutture decisionali. Lo stesso report insiste su un punto vicino alla lettura di McKinsey: non basta inserire l’AI nel lavoro esistente, bisogna ridisegnare il lavoro stesso.
Anthropic, in una ricerca su oltre 500 leader tecnici pubblicata a fine 2025 e rilanciata nel 2026, sostiene che l’80% delle organizzazioni interpellate dichiara un ritorno misurabile dagli agenti AI. È un dato che segnala un interesse operativo reale, ma non smentisce il problema dei costi: suggerisce piuttosto che le aziende sono disposte a spendere di più quando vedono un beneficio misurabile. Il punto, allora, diventa distinguere tra spesa che genera produttività e spesa che deriva da cattiva architettura, ridondanze o assenza di controllo.
Anche Google Cloud, nel report “AI agent trends 2026”, parla di cinque cambiamenti destinati a ridefinire ruoli, workflow e creazione di valore nel 2026. Il documento non fornisce, nella sintesi accessibile, numeri paragonabili a quelli McKinsey o Gartner, ma conferma che gli agenti stanno passando dalla fase di prova alla riorganizzazione dei flussi di lavoro.
L’adozione cresce, ma resta superficiale
Non tutte le notizie vanno nella direzione dell’accelerazione piena. L’Office for National Statistics del Regno Unito, nel report pubblicato il 20 luglio 2026, mostra che l’adozione dell’AI nelle imprese britanniche è aumentata: la quota di aziende con più di dieci dipendenti che dichiarano di usare AI è passata dal 12% del settembre 2023 al 35% del marzo 2026. Ma la profondità d’uso resta limitata. Solo il 10% delle imprese che usano AI dice di averla integrata in modo esteso, e solo il 15% afferma che oltre metà dei dipendenti la usa nel lavoro quotidiano.
Il dato è importante perché corregge una lettura troppo lineare del mercato. L’AI entra nelle aziende, ma spesso lo fa in modo frammentato: strumenti gratuiti, singoli team, casi d’uso isolati, poca integrazione con sistemi e dati interni. In questo scenario, i costi possono crescere senza che il valore salga con la stessa velocità. La spesa non dipende solo dal prezzo del modello, ma dal modo in cui l’organizzazione assorbe la tecnologia.
Il punto cieco dei Cfo
Nel paper McKinsey c’è un passaggio che interessa molto la finanza d’impresa: l’AI viene descritta come una nuova classe di spesa da trattare con metriche proprie. Non basta più avere una voce generica dentro il budget it. Servono indicatori che misurino costo per risultato, rendimento dell’intelligenza impiegata, confronto tra lavoro umano, automazione tradizionale e lavoro delle macchine. È un cambio di prospettiva che investe soprattutto i Cfo.
La stessa logica vale per Cio e Cto. Il primo, secondo McKinsey, deve costruire il sistema che porta il contesto giusto all’agente giusto nel momento giusto. Il secondo deve migliorare l’economia del lavoro delle macchine, intervenendo su architettura, selezione dei modelli, caching, routing, valutazione e autonomia. Sono compiti che fanno capire come la partita non si giochi più soltanto tra acquisto di software e sperimentazione di laboratorio.
Buy, build o partner: la nuova scelta industriale
Uno dei punti più utili del testo riguarda la vecchia distinzione tra comprare, sviluppare in casa o affidarsi a partner. McKinsey sostiene che la scelta vada fatta workload per workload, non piattaforma per piattaforma. Per compiti ad alta sensibilità o ad altissimo volume interno può avere senso una soluzione privata o on-premises; per attività specialistiche e poco frequenti può convenire l’api di un modello di frontiera; per ambienti misti servono livelli di routing che decidano di volta in volta la collocazione migliore.
La tabella sotto mostra con esempi che vanno dal legal research al support triage, fino all’estrazione documentale.
Cinque scenari aziendali e il loro probabile posizionamento dei workload
| Scenario | Volume | Prevedibilità | Sensibilità | Soglia di qualità | Collocazione più probabile |
|---|---|---|---|---|---|
| Ragionamento esperto (ambito legale, strategia, ricerca) | Basso | Variabile | Media | Richieste prestazioni di livello frontier | API dei modelli di punta (le capacità contano più del costo unitario) |
| Classificazione ad alto volume (smistamento dell’assistenza, rilevazione di frodi) | Alto | Stabile | Bassa-media | Validabile | Modelli open gestiti o privati (il costo unitario è il fattore dominante) |
| Workload regolamentati (settore bancario, richieste sanitarie) | Medio-alto | Stabile | Elevata | Medio-alta | Cloud privato o infrastruttura sovrana (necessari residenza dei dati e controllo) |
| Piattaforma di agenti eterogenea (molti casi d’uso, esigenze miste) | Misto | Variabile | Mista | Mista | API + livello di instradamento (la possibilità di scegliere dinamicamente il modello ha un valore concreto) |
| Attività interne ad altissimo volume (riassunti, estrazione di documenti) | Molto alto | Prevedibile | Bassa-media | Validabile | Infrastruttura privata / on-premise (le economie di scala prevalgono) |
Questo approccio diventa ancora più rilevante mentre il mercato si ridefinisce. Gartner prevede che l’arbitraggio agentico metta sotto pressione la struttura tradizionale del software enterprise. Se quel pronostico si avvererà, le aziende che oggi sviluppano solo ciò che serve per collegare dati, workflow e contesto proprietario potrebbero trovarsi in una posizione più forte di chi compra pacchetti standard senza costruire alcun livello distintivo interno.
Dalla caccia al costo alla misura del valore
Il messaggio finale del paper McKinsey è: il rischio per i Ceo non è pagare troppo un singolo modello, ma scalare una nuova voce di costo prima di avere imparato a governarla. Per questo gli autori insistono sulla necessità di trattare il lavoro delle macchine con la stessa disciplina con cui le imprese gestiscono lavoro umano, capitale, rischio e operation.
È una linea che trova riscontro anche nello Stanford AI Index 2026. Stanford segnala che l’economia dell’AI continua a espandersi rapidamente, con un forte aumento degli investimenti privati e una crescita particolarmente intensa della generative AI. Più capitale, però, non significa automaticamente più efficienza. Significa che le imprese stanno entrando in una fase in cui errori di disegno organizzativo possono diventare molto costosi.
La lezione, in sintesi, è meno tecnologica di quanto sembri. Il prezzo dei token continuerà probabilmente a scendere. Ma il valore economico degli agenti si misurerà altrove: qualità del dato, controllo del contesto, scelta del modello giusto, metriche condivise, confini corretti tra interno ed esterno. Le aziende che confondono l’abbondanza di AI con la convenienza dell’AI rischiano di spendere di più ottenendo meno. Quelle che imparano a trattare gli agenti come una capacità operativa, e non come una demo permanente, possono trasformare il costo in produttività.
Partecipa alla community