L’AI costa sempre meno, ma il conto delle aziende esplode: la trappola nascosta dietro i token a basso costo

A cura di Roberto Zonca

Agenti autonomi, Shadow AI e processi duplicati moltiplicano le chiamate API, mentre errori e correzioni riportano dentro l’ufficio il lavoro che l’automazione avrebbe dovuto eliminare

LA NOTIZIA IN BREVE – L’intelligenza artificiale costa sempre meno, ma per molte aziende il risparmio promesso rischia di restare sulla carta. Il prezzo dei token è crollato, mentre l’uso dei modelli si è moltiplicato: chatbot, agenti autonomi, strumenti interni e applicazioni non coordinate generano un numero crescente di chiamate API. Nei sistemi multi-agente, inoltre, una sola richiesta può nascondere decine di elaborazioni. A questo si aggiungono i costi meno visibili: errori da correggere, controlli umani, manutenzione e servizi acquistati dai singoli reparti senza una vera regia centrale, la cosiddetta Shadow AI. Il risultato è un paradosso solo apparente: la materia prima digitale diventa più economica, ma il conto complessivo può continuare a salire. Per capire se l’automazione conviene davvero, quindi, non basta guardare al prezzo del token: bisogna calcolare quanto costa ottenere un risultato utile, corretto e affidabile.

Se vuoi andare oltre alla sintesi della nostra notizia leggi qui di seguito l’approfondimento

L’APPROFONDIMENTO – Usare l’intelligenza artificiale costa sempre meno, e forse è anche per questo che molte aziende stanno accelerando sull’automazione, spesso nella speranza di ridurre anche il costo del lavoro. Ma il risparmio non sempre è quello promesso dai conti iniziali. Il prezzo del singolo token è in effetti precipitato, ma la spesa complessiva per l’AI continua a crescere. Una contraddizione, solo apparente: le imprese utilizzano molta più intelligenza artificiale e ad essa affidano attività che, dietro una sola richiesta dell’utente, possono richiedere decine di elaborazioni.

In tre anni il prezzo dei modelli è precipitato

Per capire quanto sia cambiato il mercato basta tornare al 2023. Quando OpenAI aprì l’accesso via API a GPT-4, il listino prevedeva 30 dollari per un milione di token in ingresso e 60 dollari per quelli generati in uscita. Tre anni dopo lo scenario è completamente cambiato. Sul mercato si trovano ormai dei modelli avanzati, che lavorano a pochi dollari per milione di token, e versioni più leggere che, in determinate configurazioni, scendono sotto il dollaro.

OpenAI, Google, Anthropic, DeepSeek e gli altri grandi operatori hanno progressivamente abbassato le tariffe, mentre le capacità dei modelli aumentavano. OpenAI calcola che, confrontando GPT-4 con GPT-5.4, il prezzo per milione di token sia diminuito del 97%.

Il dato è impressionante, ma il vantaggio non è andato a favore delle aziende che utilizzano i servizi AI. Il token è un’unità tecnica, non un’unità di produttività. Due modelli possono affrontare lo stesso compito consumando quantità molto diverse di contesto, ragionamento e testo generato. Quello apparentemente più economico può quindi perdere parte del vantaggio se deve eseguire molti più passaggi.

Leggi di più

Testi scritti dall’AI, arriva la filigrana europea: ecco perché può essere aggirata

OpenAI, Meta e SpaceXAI aprono la guerra dell’intelligenza artificiale a basso costo

Perché l’uso dell’AI in azienda pesa sulla spesa?

Secondo il rapporto State of Generative AI in the Enterprise di Menlo Ventures, nel 2025 le imprese hanno speso 37 miliardi di dollari in intelligenza artificiale generativa, contro gli 11,5 miliardi dell’anno precedente. Le imprese avrebbero destinato circa 12,5 miliardi alle API dei modelli fondamentali, mentre altri 19 miliardi sono finiti nelle applicazioni costruite sopra quei modelli.

È una trasformazione profonda. L’AI è di fatto uscita dai laboratori informatici, come anche dai progetti sperimentali, per entrare nelle produzioni generaliste: oggi si producono testi per il marketing, contratti, riassunti di documenti, verifica del codice e si preparano report. Una azienda, benché di piccole dimensioni, può ritrovarsi con decine di servizi che interrogano continuamente modelli differenti. Ognuno di questi può avere un costo apparentemente basso, ma la somma incide pesantemente sulla fattura finale.

I dati raccolti da Ramp mostrano quanto possa essere ampia la forbice. Nel luglio 2026 un’impresa americana mediana del suo campione spendeva circa 11,95 dollari al mese per dipendente in servizi di intelligenza artificiale. Nel 10% delle aziende con la spesa maggiore si arrivava attorno ai 650 dollari per addetto. Nell’1% più aggressivo la mediana superava addirittura i 7.000 dollari. Il campione comprende soprattutto imprese tecnologicamente avanzate e non consente di estendere automaticamente i risultati all’intera economia.

Leggi di più

Prompt AI: una domanda a GPT-4 può consumare come 14 lampadine

L’intelligenza artificiale ci ha abituati al quasi gratis, ora arriva il conto

Il vecchio paradosso del carbone ritorna con i token

La dinamica ha un precedente che risale a oltre un secolo e mezzo fa. Nel 1865 l’economista britannico William Stanley Jevons osservò che le nuove macchine a vapore stavano diventando sempre più efficienti. Serviva meno carbone per produrre la stessa quantità di lavoro e sarebbe stato logico attendersi una riduzione dei consumi. Inutile probabilmente dire che accadde esattamente il contrario. L’aumento dell’efficienza rese il vapore economicamente conveniente in un numero molto maggiore di attività. Le macchine si diffusero e il consumo complessivo di carbone crebbe: è il cosiddetto paradosso di Jevons.

Con i token sta prendendo forma qualcosa di simile. Quando interrogare un modello avanzato rappresentava una voce di costo significativa, bisognava scegliere con attenzione dove utilizzarlo. Oggi aggiungere un riassunto automatico, un controllo sui documenti o una classificazione costa talmente poco che la decisione può diventare quasi banale.

Goldman Sachs Research stima che il consumo mondiale possa raggiungere 120 quadrilioni di token al mese nel 2030, circa 24 volte il livello previsto per il 2026. Si tratta di una proiezione, ma il dato è credibile. Molto dipenderà soprattutto dalla diffusione di quella che si annuncia come la fase successiva dell’automazione: gli agenti AI.

Gli agenti AI moltiplicano il lavoro

Un agente può fare molto di più di una semplice chat. Dopo aver ricevuto un incarico, decide come affrontarlo, consulta un database, apre documenti, usa strumenti esterni, valuta ciò che ha trovato e, se il risultato non lo convince, riparte da zero. Alcune architetture fanno lavorare più agenti contemporaneamente: uno cerca le informazioni, un altro le verifica, un terzo prepara il risultato finale. L’utente vede una risposta ma i processi che si celano dietro al risultato sono tantissimi, con un notevole consumo di risorse.

Anthropic ha misurato nei propri test che un sistema agentico utilizzava circa quattro volte i token di una chat tradizionale, mentre una configurazione multi-agente arrivava a circa 15 volte. Gli agenti non diventano automaticamente sconvenienti.

Il lavoro umano ricompare quando l’AI sbaglia

L’AI sbaglia? A pagare è comunque l’azienda. Quando un sistema classifica male una pratica è il vecchio dipendente a dover porre rimedio. Lo stesso accade quando un chatbot interpreta male la richiesta di un cliente. In pratica il lavoro umano che l’automazione avrebbe dovuto eliminare ricompare più avanti, spesso quando la situazione è diventata più complicata.

In alcuni ambienti si parla di “Agent Tax” per indicare questo sovraccosto. Il tempo necessario per controllare, correggere e gestire le eccezioni può assorbire parte del risparmio iniziale. La convenienza svanisce…

Affidare a un sistema la classificazione di migliaia di documenti standardizzati presenta un rischio relativamente contenuto. Lasciargli gestire autonomamente una controversia con un cliente, o interpretare una clausola contrattuale, significa lavorare in un terreno completamente diverso. In questi casi l’errore può avere conseguenze economiche, legali e reputazionali superiori al risparmio ottenuto eliminando qualche ora di lavoro umano.

Esiste poi un altro problema, più complesso da gestire, e proprio per questo anche molto costoso per le aziende. Una procedura automatizzata può diventare il punto dal quale dipendono altri software, banche dati e processi interni. Correggere un errore di questo tipo diventa costoso. È così che si produce un debito algoritmico.

La Shadow AI cresce fuori dal controllo delle aziende

La Shadow AI nasce quando dipendenti e reparti cominciano a utilizzare strumenti senza l’approvazione o la supervisione dell’IT. Per fare un esempio: il marketing acquista un servizio per generare contenuti, le risorse umane ne provano uno per selezionare curriculum, gli sviluppatori aprono account autonomi e qualcuno utilizza un chatbot pubblico per riassumere documenti. Ognuna di queste scelte è capace di risolvere un problema, ma il vero problema viene fuori quando nessuno possiede il controllo di un sistema che consenta la visione complessiva del processo.

Una ricerca Microsoft condotta nel Regno Unito ha rilevato che il 71% dei lavoratori intervistati aveva utilizzato strumenti AI consumer non approvati sul lavoro e che più della metà continuava a farlo ogni settimana. La stessa azienda può quindi pagare più servizi che svolgono attività simili. Ma la duplicazione dei costi è soltanto una parte del problema.

I dipendenti possono caricare documenti interni e informazioni riservate su piattaforme che l’organizzazione non conosce, utilizzando condizioni contrattuali che nessuno ha valutato. Diventa difficile sapere quali dati siano usciti dall’azienda, dove le piattaforme li conservino e chi possa accedervi.

Con l’AI il risparmio dipende da come vengono costruiti i sistemi

La crescita dei costi non è inevitabile. Molto dipende dall’architettura scelta. Un sistema può evitare di inviare continuamente al modello le stesse informazioni. Può utilizzare modelli più piccoli per le operazioni semplici e chiamare quelli più potenti soltanto quando il compito lo richiede. Può fermarsi quando incontra un caso anomalo, lasciandolo a un operatore, invece di avviare una catena di nuovi tentativi automatici.

OpenAI ha spiegato che in alcune architetture dotate di molti strumenti il sistema inseriva nel contesto la loro descrizione completa a ogni nuova richiesta. Prima ancora di rispondere alla domanda dell’utente, il modello poteva ricevere migliaia o decine di migliaia di token dedicati soltanto a capire quali strumenti avesse a disposizione. Su poche richieste il costo è irrisorio, quasi irrilevante. Ma il conto finale cambia su milioni di chiamate.

L’AI Act aiuta a comprendere cosa accade negli uffici

Per le aziende europee la questione non riguarda soltanto i costi. Dal 2 agosto 2026 l’applicazione dell’AI Act è entrata in una delle sue fasi più importanti, con nuovi obblighi e maggiori poteri di controllo.

Sapere quali sistemi di intelligenza artificiale utilizza l’azienda diventa quindi anche una questione di governance e conformità. Occorre capire chi usa cosa, quali dati elaborano questi sistemi, quali processi coinvolgono l’AI e dove resta necessaria la responsabilità di una persona. Uno strumento acquistato autonomamente da un singolo reparto può costare poche decine di euro al mese e diventare comunque rilevante se un reparto lo utilizza per trattare informazioni riservate o prendere decisioni che incidono su clienti e lavoratori.

Il prezzo dei token continuerà probabilmente a essere una delle voci più osservate dai responsabili degli acquisti. Per capire se l’automazione sta facendo risparmiare è necessario aggiungere il numero delle elaborazioni, quello degli errori da rilevare e correggere, e la manutenzione. Solo così si può calcolare il costo pagato per l’ottenimento di un risultato utile e corretto.

Roberto Zonca

Roberto Zonca è giornalista professionista, attivo nell’informazione digitale dal 2000. Ha lavorato per oltre venticinque anni nella redazione di Tiscali News, testata considerata tra le esperienze storiche del giornalismo online italiano, nata nella stagione pionieristica del web e cresciuta insieme alla trasformazione digitale del Paese. Oggi dirige GiornaleTecnologico.net.