La fine dell’AI “a prezzo politico”

Per due anni i grandi laboratori hanno bruciato capitali degli investitori per offrire potenza di calcolo sottocosto, creando abitudini di utilizzo che ora devono essere pagate a prezzo pieno. La spesa globale in AI nel 2026 è prevista intorno ai 2.500 miliardi di dollari, di cui 401 miliardi solo per l’infrastruttura.

Microsoft ha già iniziato a cancellare numerose licenze interne di Claude Code perché il costo superava lo stipendio degli sviluppatori che lo utilizzavano. L’epoca dell’AI sussidiata è ufficialmente finita.

Dal “tokenmaxxing” alla resa dei conti

Per mesi il mantra dei vendor è stato: massimizzate l’uso dei token. Ogni richiesta era vista come un’occasione di apprendimento e un vantaggio competitivo. Meta stessa ha spinto i suoi ingegneri in questa direzione, per poi sentire il proprio Chief Technology Officer ammettere che non si dovrebbe usare l’AI solo per usarla.

Ora quel fenomeno, ribattezzato “tokenmaxxing”, è diventato un problema di governance. Uber ha ammesso pubblicamente che il responsabile delle operations fatica sempre più a giustificare le spese AI di fronte a guadagni di produttività difficili da misurare.

Nel giro di un anno, la percentuale di organizzazioni che considerano l’AI una voce critica nella gestione FinOps è passata dal 31% al 63%. I carichi di AI e machine learning rappresentano oggi il 22% dei costi cloud totali nelle aziende SaaS e IT, superando in molti casi la spesa hardware tradizionale.

Il problema non è il prezzo, è non sapere quanto vale

L’errore più comune è pensare che “l’AI sia troppo cara”. Il vero problema è che la stragrande maggioranza delle aziende non sa quanto vale ogni singolo caso d’uso. Senza un KPI chiaro definito fin dal primo giorno di pilot, ogni fattura diventa uno shock.

Il report MIT “GenAI Divide” (luglio 2025) ha rivelato che il 95% dei pilot enterprise non genera un ROI misurabile. Gartner stima che tra il 30% e il 40% di questi progetti venga abbandonato non perché la tecnologia non funzioni, ma perché non è stato costruito un sistema di misurazione prima di aprire il rubinetto della spesa.

La grande migrazione verso il razionale

Questa presa di coscienza sta spingendo molte aziende a ridistribuire i carichi di lavoro:

Modelli open-source o open-weight per i task meno critici

Modelli più piccoli e specializzati

Modelli di frontiera solo dove il valore aggiunto è dimostrato

È lo stesso percorso già visto nel cloud: non tutto deve stare sull’hyperscaler più costoso.

Chi vincerà nei prossimi 12 mesi

Lo spartiacque sarà netto tra due tipi di aziende:

Quelle che hanno costruito metriche – potranno rinegoziare contratti, dimostrare valore e sostituire fornitori troppo cari.

Quelle che hanno solo creato abitudini – si troveranno davanti a una scelta brutale: pagare qualsiasi cifra o spegnere tutto, rischiando di tornare indietro dopo aver fatto disimparare ai propri sviluppatori a lavorare senza AI.

Le aziende non stanno abbandonando l’AI. Stanno semplicemente entrando nella fase matura: quella in cui devono dimostrare di sapere davvero cosa farsene.

Esattamente come è successo con il cloud tra il 2018 e il 2022.

Chi ha già visto quel film saprà gestire meglio questo. Chi non l’ha visto, pagherà il biglietto due volte.