La fase dell’adozione senza freni dell’intelligenza artificiale in azienda sta lasciando spazio a una gestione più selettiva. Walmart, Uber e Microsoft stanno introducendo limiti, migrazioni interne e criteri di ritorno sull’investimento per contenere una spesa cresciuta più rapidamente del previsto. Il dato che sintetizza il cambio di passo è semplice: l’AI enterprise non viene più valutata solo in base alla diffusione tra i dipendenti, ma in base al valore che produce.
Il caso più netto è quello di Code Puppy, l’assistente AI interno per la programmazione usato da Walmart. Dopo una forte adozione da parte dei dipendenti, i costi sono saliti in modo significativo rispetto alle attese e il retailer ha introdotto limiti di utilizzo. La società ha scelto un sistema basato su token, collegando il consumo alla creazione di valore per il business, senza però chiudere l’accesso ad altre piattaforme come Claude e ChatGPT.
La dinamica non riguarda una singola azienda. Uber ha distribuito Claude Code a circa 5.000 ingegneri all’inizio dell’anno e avrebbe consumato l’intero budget annuale per l’AI nel giro di pochi mesi. Una spesa di questa velocità ha imposto una verifica più dura sull’utilizzo effettivo dello strumento, sul tipo di attività supportate e sulla capacità di giustificare il ritmo dei consumi con ritorni misurabili.
Microsoft ha scelto una strada diversa, ma nella stessa direzione. L’azienda ha chiesto a migliaia di ingegneri di lasciare Claude Code e passare a un’alternativa sviluppata internamente entro la fine di giugno 2026. La decisione è stata letta come una misura di gestione dei costi: anche uno dei maggiori investitori globali nell’intelligenza artificiale sta applicando maggiore disciplina alla selezione degli strumenti e alla spesa per licenze.
Nel frattempo GitHub ha spostato Copilot verso un modello di prezzo basato sui token, collegando direttamente ciò che i clienti pagano a ciò che consumano. Per le aziende, questo rende i costi AI più visibili e permette ai team acquisti di capire con maggiore precisione dove finisce il budget. Per i fornitori, significa dover dimostrare il valore unitario dei propri servizi, non solo vendere accesso o postazioni.
Negli ultimi due anni, la strategia AI delle imprese è stata guidata dall’urgenza. L’obiettivo era mettere rapidamente gli strumenti nelle mani dei dipendenti, costruire familiarità e sperimentare casi d’uso. In quella fase, l’accesso ha pesato più del controllo. Ora si apre una seconda fase, dominata da governance, misurazione, ottimizzazione dei costi e allocazione più precisa dei budget.
La domanda nei consigli di amministrazione si sta spostando da “stiamo usando l’AI?” a “dove l’AI genera davvero ritorni?”. Non è un arretramento dall’intelligenza artificiale, che resta centrale negli investimenti tecnologici delle imprese, ma il superamento del modello ad accesso illimitato. Le organizzazioni stanno costruendo infrastrutture interne per misurare impatto, concentrare la spesa sui casi d’uso più efficaci e tagliare gli strumenti che non producono risultati proporzionati.
La pressione si estende anche ai modelli commerciali dei vendor. Quando i costi diventano granulari, le licenze flat o basate solo sui posti diventano più difficili da difendere davanti a finance, procurement e IT. I modelli a consumo, già visibili nel caso GitHub, danno più potere negoziale ai clienti enterprise e rendono il prezzo dell’AI una voce da leggere riga per riga, non un investimento indistinto in innovazione.
Nella seconda metà del 2026, altri gruppi potrebbero introdurre controlli simili, soprattutto con l’avvicinarsi dei cicli annuali di budget. Le aziende che sapranno mostrare quanto vale ogni strumento saranno meglio posizionate per scalare ciò che funziona. In questa nuova fase, il vantaggio non appartiene necessariamente a chi distribuisce più applicazioni AI, ma a chi riesce a provarne l’impatto operativo ed economico.