Per molti mesi la parola d'ordine è stata una sola: usare più intelligenza artificiale possibile. Le aziende hanno spinto i dipendenti a sperimentare chatbot, agenti AI e strumenti di generazione automatica di contenuti convinte che avrebbero accelerato produttività e innovazione. Ma secondo una riflessione pubblicata sul NYT, le cose stanno cambiando. Dopo la corsa all'adozione, sempre più imprese stanno scoprendo che il vero problema non è convincere le persone a usare l'AI, ma capire quanto costa davvero ogni richiesta e se quel costo produce un ritorno economico. È da questa presa di coscienza che sta nascendo la AI Tokenomics, destinata a diventare uno dei temi più importanti nella gestione dell'intelligenza artificiale in azienda.
Il token diventa la nuova unità di misura dell'AI
Chi utilizza un modello linguistico tramite API paga a seconda di quanti token usa. I token sono le unità con cui i modelli elaborano testi, codice e dati. Il problema è che misurare quanto costa ogni richiesta è tutt’altro che facile: bisogna considerare il modello scelto, la lunghezza delle richieste, la complessità del ragionamento richiesto, il numero di agenti coinvolti, gli strumenti esterni utilizzati e la quantità di informazioni che il sistema deve elaborare.
Questo significa che due attività dal prompt quasi uguale possono avere costi molto diversi. Secondo gli analisti, molte aziende stanno scoprendo solo ora quanto questa variabile possa incidere sui bilanci quando i progetti AI passano dalla sperimentazione all'utilizzo quotidiano. Dopo una fase caratterizzata da un entusiasmo quasi incontrollato in cui molte aziende misuravano il successo semplicemente contando quante persone utilizzavano gli strumenti di AI e, addirittura, premiando i team più attivi e incentivando un impiego sempre più esteso, adesso si sta facendo largo un approccio più pragmatico.
Secondo il NYT, le imprese iniziano a chiedersi quanti token vengono consumati, quali attività generano realmente valore e quali modelli siano più convenienti per ogni specifico caso d'uso. Il cambiamento riflette una maturazione del mercato: l'AI non viene più considerata una tecnologia da adottare "a prescindere", ma una risorsa da gestire con gli stessi criteri economici utilizzati per cloud, energia o infrastrutture IT. In realtà, secondo noi, si tratta solo della fisiologica curva d’entusiasmo generato dalle nuove tecnologie. All’inizio si sperimenta per capire: le sperimentazioni portano conoscenza ed esperienza. Poi si diventa saggi e si inizia a misurare.
Stimare il ritorno economico resta difficile
Il problema, però, è che mancano ancora parametri condivisi. Nel mondo dell'intelligenza artificiale mancano ancora tutti quegli strumenti che negli anni sono arrivati a gestire i costi, per esempio, del cloud. Le aziende, infatti, faticano a stabilire quale modello sia realmente più efficiente, quale quantità di token sia necessaria per svolgere una determinata attività e, soprattutto, quale sia il reale ritorno dell'investimento. Anche perché, dal punto di vista tecnico, le innovazioni sono così rapide che una soluzione invecchia in tempi molto brevi. Molte organizzazioni stanno quindi iniziando a correlare il consumo di token con indicatori di business come funzionalità sviluppate, produttività dei team, riduzione dei tempi operativi o qualità del servizio offerto ai clienti.
Altre stanno addirittura sperimentando un nuovo approccio: trattare l'intelligenza artificiale come una forma di lavoro virtuale, confrontando il costo dell'AI con quello delle risorse umane e valutando il risultato prodotto dalla collaborazione tra persone e agenti intelligenti. Quanto sia complicato lo scenario da gestire ce lo dice un aspetto apparentemente paradossale che riguarda l'evoluzione dei prezzi: il costo per token tende progressivamente a diminuire grazie alla crescente concorrenza, ai modelli open source e ai continui miglioramenti tecnologici. E non di poco! Stiamo parlando del fatto che oggi un token costa una frazione decimale se non meno di quello che costava un fa. Ma ciononostante, il costo dell’uso dell’AI in azienda sta esplodendo. Quando il prezzo scende, infatti, le aziende aumentano il numero di richieste e affidano all'intelligenza artificiale attività sempre più complesse.
Il risultato è che il consumo complessivo cresce più rapidamente della riduzione dei prezzi. Secondo diversi osservatori, il vero interrogativo non è quindi se i token diventeranno più economici, ma se l'aumento dell'utilizzo sarà sufficiente a mantenere elevati gli investimenti nell'intero ecosistema AI, dai modelli ai data center fino ai produttori di semiconduttori.
Cambia anche il modo di scegliere i modelli
La tokenomics sta modificando anche le strategie tecnologiche. Sempre più CIO stanno abbandonando l'idea di usare un unico modello per tutte le attività. Per operazioni semplici risultano spesso sufficienti modelli più piccoli, economici o open source, mentre le piattaforme di frontiera vengono riservate ai compiti che richiedono capacità di ragionamento avanzate. Nascono così sistemi di model routing, capaci di indirizzare automaticamente ogni richiesta verso il modello che offre il miglior equilibrio tra prestazioni e costo.
Per molti responsabili IT, il tema non è più tecnologico ma gestionale. La diffusione degli agenti AI, capaci di concatenare più operazioni e utilizzare strumenti esterni, rende infatti molto più difficile prevedere il consumo di token rispetto ai tradizionali chatbot. Diventa quindi necessario introdurre dashboard dedicate, sistemi di monitoraggio in tempo reale, budget per reparto e politiche di governance che permettano di individuare rapidamente eventuali anomalie di consumo. In altre parole, la gestione economica dell'intelligenza artificiale entra ufficialmente tra le responsabilità del CIO, insieme alla sicurezza, alla compliance e alla continuità operativa. Ma il numero, e soprattutto la loro maturità, di strumenti a disposizione per una gestione efficace è ancora ampiamente insufficiente.