Amazon ha eliminato una classifica interna dedicata all’uso dell’intelligenza artificiale dopo che alcuni dipendenti avevano imparato ad alterarne i risultati. Agli agenti AI venivano assegnati compiti inutili con l’obiettivo di aumentare artificialmente il consumo di token, una pratica ribattezzata internamente tokenmaxxing. Il caso mostra il limite di una metrica che, invece di misurare la produttività, finiva per premiare il volume di utilizzo e alimentare la spesa.
La pressione per convincere i lavoratori ad adottare l’AI sta così lasciando spazio a una nuova priorità: impedire che i costi crescano senza controllo. Amazon, Walmart e Uber stanno rafforzando i vincoli sull’utilizzo, mentre i modelli più avanzati si allontanano dall’economia del software tradizionale. Ogni richiesta consuma capacità di calcolo e aggiunge una voce al conto, obbligando le aziende a verificare se il ritorno ottenuto giustifichi davvero la spesa.
Gli abbonamenti mensili a prezzo fisso vengono affiancati o sostituiti sempre più spesso dalla tariffazione a token, adottata anche da OpenAI e Anthropic. Altri fornitori applicano invece un prezzo legato al risultato: Zendesk può chiedere alle imprese fino a 2 dollari ogni volta che la sua AI risolve una richiesta di assistenza. La frammentazione aumenta ulteriormente quando entrano in gioco i modelli di ragionamento premium, molto più costosi delle versioni standard.
La distanza può essere enorme: GPT-5.5 Pro costa 150 volte più di GPT-5.4 Nano nell’elaborazione dei token. Confondere un consumo elevato con una maggiore produttività espone quindi i bilanci a rapidi squilibri. Uber ha esaurito entro aprile l’intero budget annuale destinato all’AI e ha reagito imponendo limiti ai token utilizzabili dai dipendenti. Il baricentro della gestione si sposta così dal volume generato al valore effettivamente prodotto.
Il controllo non può più restare confinato ai responsabili IT. Anche acquisti e direzioni finanziarie devono comprendere quali attività consumino più token, quali modelli facciano aumentare le fatture e con quale velocità la spesa possa accelerare. La governance dei costi AI richiede inoltre capacità di previsione: a differenza del software convenzionale, ogni utilizzo incrementa il costo, rendendo la domanda una variabile economica da pianificare e non soltanto un indicatore di adozione.
Ridurre la spesa, però, non basta se l’AI viene applicata soltanto per prendere appunti, riassumere documenti o rendere più rapida un’analisi. Sono miglioramenti utili, ma spesso insufficienti a sostenere investimenti crescenti. Il salto arriva dalla riprogettazione dei flussi di lavoro. IKEA ha automatizzato quasi metà delle chiamate dei clienti e ha riqualificato 8.500 dipendenti, trasformandoli in interior designer anziché licenziarli: il risparmio operativo è diventato così una nuova opportunità di ricavo.
Anche la scelta del modello deve guardare al costo dell’intero processo, non soltanto al prezzo unitario dei token. Un modello di frontiera può costare molto più di un’alternativa piccola o open source come DeepSeek, ma risultare più conveniente se completa il lavoro in meno passaggi, commette meno errori e richiede meno intervento umano. La strategia più efficiente tende quindi verso un portafoglio di modelli: capacità di ragionamento avanzate per i compiti complessi, soluzioni economiche per quelli ordinari.
I ritorni su larga scala restano difficili da dimostrare. IBM aveva indicato 4,5 miliardi di dollari di risparmi attesi grazie ad AI e automazione, mentre JPMorgan Chase stima circa 2 miliardi di risparmi annuali a fronte di un investimento di dimensioni analoghe. Le imprese destinate a emergere non saranno necessariamente quelle che spenderanno di più, ma quelle capaci di conoscere i propri processi e assegnare il modello giusto a ogni attività. Usare capacità da frontiera dove basta un sistema più piccolo significa montare un motore da Ferrari su un tagliaerba.