Negli ultimi tre anni, l’intelligenza artificiale generativa ha spostato il software da semplice abilitatore di lavoro a piattaforma che esegue e coordina processi in modo autonomo. È una trasformazione profonda: se il cloud aveva reso il software scalabile, l’AI lo rende intelligente e auto-esecutivo. Le aziende non acquistano più solo strumenti, ma capacità operative digitali capaci di sostituire o amplificare lavoro umano.
Indice degli argomenti:
L’AI come nuovo motore operativo del software
McKinsey stima che l’impatto economico potenziale dell’AI possa superare i 4,4 trilioni di dollari, e il mercato AI+SaaS si estende ormai oltre i tradizionali budget IT, fino a inglobare quote di spesa prima destinate al personale. Nel 2025 il 46% delle aziende dichiara di aver già registrato un impatto finanziario misurabile dai progetti AI, contro il 33% di un anno prima. La direzione è chiara: l’AI non è più sperimentazione, ma infrastruttura produttiva. 
I limiti dell’attuale monetizzazione dell’AI
Nonostante l’entusiasmo, la monetizzazione dell’AI nel software cresce lentamente. GitHub Copilot ha raggiunto circa due milioni di utenti paganti, ma rappresenta ancora un’eccezione in un mercato dove la spesa globale per applicazioni AI – circa 5 miliardi di dollari – equivale a meno dell’1% del totale software.
Le cause sono tre.
La prima riguarda la difficoltà nel comunicare e misurare il valore. Solo il 30% delle aziende è in grado di tradurre l’impatto dell’AI in ROI misurabili. Salesforce ha introdotto un calcolatore per Agentforce che quantifica il risparmio rispetto a un operatore umano, riducendo la distanza tra promessa e prova. Ma la maggior parte dei fornitori non dispone di strumenti simili. 
La seconda criticità è la mancanza di prevedibilità dei costi. I modelli di prezzo AI sono spesso opachi e non consentono ai clienti di stimare la spesa, a differenza del cloud, dove l’uso è sì variabile ma governato da contratti chiari.
La terza riguarda la debolezza dell’adozione post-pilota. Molte iniziative restano confinate alle fasi iniziali per mancanza di formazione e gestione del cambiamento. McKinsey suggerisce una proporzione significativa: per ogni dollaro investito nello sviluppo di un modello, servono tre dollari per preparare persone e processi a usarlo in modo scalabile.
Dalla licenza al consumo: la nuova grammatica del SaaS
L’equazione del SaaS sta cambiando. Se fino a ieri il modello “per utente al mese” bastava a monetizzare funzionalità e accesso, l’AI introduce un nuovo asse di valore: il lavoro svolto. È la nascita del paradigma consumption-based, in cui il prezzo si lega alla quantità e qualità delle azioni generate dal software, non al numero di persone che lo utilizzano.
Le startup AI-native – spesso finanziate in modo aggressivo – stanno spingendo verso modelli dinamici, più trasparenti e legati all’effettivo uso. Questo mette pressione sui grandi player SaaS, costretti a rivedere il rapporto tra canone e valore generato.
Molti si orientano su formule ibride.
HubSpot, ad esempio, include pacchetti di crediti AI proporzionati al piano e consente di acquistare ulteriori unità in blocchi da 1.000.
ChatGPT Business adotta un modello simile, limitando il numero di token elaborabili e offrendo scalabilità temporanea.
Clay, piattaforma di automazione commerciale, è andata oltre: abbandona il pricing per utente e adotta una tariffa unica per organizzazione, allineando prezzo e impatto operativo.
Il valore come unità di misura
Trovare la metrica di prezzo giusta è oggi il nodo strategico. Le aziende stanno passando da modelli activity-based (paghi per azione) a modelli outcome-based (paghi per risultato). I primi sono più semplici da implementare e prevedere, i secondi più aderenti al valore ma complessi da gestire.
Zendesk, che addebita 1,5 dollari per ogni interazione cliente risolta con successo, rappresenta un raro esempio di outcome-based maturo. La maggior parte delle aziende preferisce restare su metriche intermedie, in cui il prezzo riflette il workflow completato o il numero di “azioni assistite” dall’AI.
La coerenza di portafoglio è cruciale. ServiceNow usa “Assist Credits” come metrica unificata, Salesforce propone “Flex Credits” legati alle azioni eseguite, e ciascun vendor calibra il valore in base alla complessità del compito svolto. Questo approccio permette di mantenere chiarezza per il cliente e scalabilità interna. 
Scalare in modo sostenibile
Definire il prezzo è solo il primo passo: bisogna decidere come cresce la spesa con l’uso. Alcune aziende optano per modelli lineari, altre per fasce progressive che premiano la crescita. L’obiettivo è conciliare prevedibilità e flessibilità, creando incentivi corretti.
Si diffondono tre strumenti chiave. Le tariffe a consumo con sconto progressivo favoriscono l’impegno anticipato dei grandi clienti; la fungibilità dei crediti permette di trasferire l’uso da un prodotto a un altro, caratteristica che due terzi dei buyer considerano essenziale; e i meccanismi di true-forward consentono di ricalcolare i piani futuri sulla base del consumo reale, evitando penali e rigidità.
Questo approccio rende il rapporto cliente-fornitore più simile a una partnership operativa che a una semplice transazione. Ma richiede infrastrutture nuove per la telemetria, la fatturazione in tempo reale e la rendicontazione automatica.
Prezzo, costo e complessità: un equilibrio mobile
Secondo McKinsey, il costo di erogazione dei servizi AI è tutt’altro che trascurabile. Mentre i costi di inferenza dei modelli di linguaggio calano di oltre l’80% l’anno, la complessità delle azioni che gli agenti eseguono aumenta: API esterne, query su database, interazioni tra sistemi. Ogni livello aggiuntivo richiede più calcolo, più orchestrazione e quindi più costo.
Le aziende reagiscono adattando la strategia. Alcune, come Adobe, hanno offerto inizialmente capacità AI gratuite per favorire l’adozione, introducendo poi pacchetti aggiuntivi a consumo.
Oggi l’azienda monetizza l’AI come prodotto autonomo, con piani scalabili da 10 a 200 dollari per blocchi di crediti generativi. Nel primo trimestre 2025 questa linea ha generato 125 milioni di dollari di ricavi: una quota ancora ridotta ma in rapida crescita, tanto da spingere altre società SaaS a seguire lo stesso percorso.
L’effetto domino sui modelli organizzativi
La rivoluzione AI+SaaS impone trasformazioni interne che vanno oltre il prezzo. Secondo McKinsey, cambia il modo di vendere, gestire e comunicare valore.
Nelle funzioni commerciali, il modello a consumo dissolve i confini tra vendita, successo cliente e rinnovo. Gli account manager diventano figure ibride, responsabili sia della prima acquisizione sia dell’espansione dell’uso nel tempo. La remunerazione non si lega più solo alla firma del contratto ma al consumo reale, trasformando il venditore in abilitatore di adozione.
Sul piano tecnologico e operativo, i sistemi di billing tradizionali non bastano. Servono infrastrutture capaci di monitorare i consumi in tempo reale, stimare i costi e offrire ai clienti trasparenza e controllo. Le aziende più avanzate stanno costruendo dashboard di spesa simili a quelle del cloud, in grado di prevedere trend e segnalare anomalie.
Per la finanza e le relazioni con gli investitori, la sfida è duplice: riformulare gli indicatori chiave e mantenere la fiducia durante la transizione. Metriche come l’ARR non bastano più; servono nuovi parametri come la crescita per coorti di utilizzo o il tasso di espansione media per cliente. Gli investitori vogliono sapere come l’uso si trasforma in ricavi e quanto tempo servirà per stabilizzare i margini.
Una nuova curva del software
L’AI+SaaS segna l’inizio di un nuovo ciclo industriale del software, dove il valore non risiede nell’accesso, ma nella performance. Le aziende che sapranno legare prezzo e impatto reale, costruendo un rapporto continuo con i clienti e infrastrutture pronte al consumo, saranno le protagoniste della prossima decade. 
Insomma, per McKinsey il software non sarà più un costo di licenza ma un partner operativo che lavora, apprende e scala insieme all’impresa. E il successo non dipenderà più solo dalla potenza dei modelli AI, ma dalla capacità di renderli sostenibili, misurabili e giustamente remunerati.
