La nuova equazione della produttività: token, AI e gestione dei costi

Il paradosso dell’efficienza e la crescita della spesa per i token

Per molti CFO di oggi, l’aspettativa è che l’intelligenza artificiale (AI) riduca i costi. Man mano che le organizzazioni diventano più snelle, ai dipendenti viene chiesto di ottenere risultati migliori e l’AI si posiziona come il meccanismo che lo rende possibile. Tuttavia, sta emergendo una tensione tra i due lati del bilancio. Il paradosso di Jevons¹, l’osservazione che l’efficienza stimola una maggiore domanda, si ripropone nella sfera digitale.

Anche se il costo del lavoro diminuisce per alcuni, la spesa per i servizi di AI, in particolare per i token, sta aumentando in modo esponenziale. Goldman Sachs prevede che entro il 2030 la spesa per i token di AI aumenterà di 24 volte². Per i leader finanziari, la sfida consiste nel comprendere la relazione tra tutte queste spese e capire dove (o se) queste stanno creando valore.

Token: la nuova valuta operativa

Inizia con la conoscenza dei token. In parole semplici, un token è l’unità di testo di base che un modello linguistico di grandi dimensioni legge e produce. Un buon esempio è quello di una valuta: quando interagisci con un modello, i token vengono consumati sia per elaborare la tua richiesta sia per generare una risposta. Ogni attività di AI richiede token, e ciò che si acquista dai fornitori è una quota di token.

Modelli diversi possono usare tassi di cambio differenti, ma la valuta alla base è la stessa. Dal momento che le organizzazioni si affidano sempre più all’AI per generare contenuti, scrivere software, produrre insight, riassumere informazioni e automatizzare le attività, il consumo di token diventa parte integrante delle modalità con cui il lavoro produttivo viene svolto e misurato.

Variabilità della spesa in token

La parte difficile è che la spesa in token si comporta in modo molto diverso rispetto al costo del lavoro tradizionale. Storicamente, stipendi e benefici sono stati una forma relativamente prevedibile di spesa operativa: i costi fluttuano nel tempo, ma sono generalmente noti e pianificati in anticipo. Il consumo di token è, invece, imprevedibile.

Due dipendenti diversi possono utilizzare prompt completamente diversi per svolgere un compito identico. Un’operazione che appare semplice può consumare molti più token del previsto; un compito che sembra difficile può consumarne sorprendentemente pochi. In sostanza, non stiamo più guardando a una struttura OPEX in gran parte fissa, ma a una struttura OPEX altamente variabile, che rende più complesso il controllo del budget.

Gestione tradizionale dei costi variabili e limiti dell’approccio attuale

Naturalmente, sappiamo cosa fare con i costi variabili. La risposta tradizionale è la gestione attraverso limiti, vincoli e approvazioni: le spese per viaggi e intrattenimento sono un esempio; il consumo di cloud è un altro. Il problema è che l’AI cambia l’equazione.

Se supero il mio budget per le spese di viaggio, so esattamente come ridurre i costi pur arrivando dove devo andare. Se supero il mio budget per l’AI, è molto meno ovvio. La maggior parte dei dipendenti non sa quale modello utilizzare, quanti token potrebbe consumare un’attività o quando sarebbe sufficiente un’opzione più economica. Un limite al consumo di token può rapidamente diventare un limite alla produttività o, peggio, all’innovazione.

Esempio reale: il caso Uber

• Uber ha bruciato l’intero budget per l’AI del 2026 nei primi quattro mesi dell’anno⁴.
• Il caso dimostra quanto sia difficile prevedere e governare il consumo di AI, anche per organizzazioni sofisticate.
• Affidarsi a 10.000 dipendenti per ottimizzare l’economia dell’AI un prompt alla volta è una strategia di gestione errata.

In altre parole, non è sostenibile chiedere a ogni dipendente di diventare un esperto in economia dei token.

Il modello a quattro livelli di IBM

Piuttosto che aspettarsi che ogni dipendente diventi un esperto in economia dell’AI, le organizzazioni devono incorporare tali decisioni nel modello operativo stesso. In IBM, pensiamo a questo come a quattro livelli: intelligence, azione, operazioni e controllo.

Intelligence

Fornisci le strutture informative che consentono ai sistemi AI di trovare le informazioni giuste in modo efficiente e al minor costo possibile in termini di token. Ciò implica:

• Catalogazione dei dati con metadati chiari.
• Definizione di ontologie aziendali per ridurre ambiguità.
• Utilizzo di prompt template standardizzati.

Azione

Il livello d’azione dovrebbe fornire l’arbitraggio del modello. Gli utenti non dovrebbero dover decidere se una richiesta appartiene al modello più costoso disponibile; il sistema dovrebbe determinarlo automaticamente, instradando la richiesta verso il modello più efficace in termini di costo‑beneficio.

Operazioni

Il livello operativo monitora il consumo di token e sviluppa misure che collegano l’output del lavoro alla spesa dei token. Strumenti consigliati includono:

• Dashboard di consumo token per team e progetto.
• Alert in tempo reale quando si superano soglie predefinite.
• Analisi di correlazione tra output di valore e token consumati.

Controllo

Il controllo e la fiducia dovrebbero concentrarsi sui risultati, sull’accuratezza e sul valore, piuttosto che basarsi esclusivamente su rigidi limiti di spesa. Metriche di performance consigliate sono:

• Valore generato per token (es. revenue per 1.000 token).
• Indice di precisione dell’output rispetto a benchmark interni.
• Tempo di ciclo ridotto grazie all’AI.

Nuove metriche di produttività e consigli pratici

La realtà è che si tratta di un territorio ancora inesplorato. Se, storicamente, abbiamo valutato i dipendenti in base agli output che hanno creato, agli obiettivi che hanno raggiunto e al valore generato per l’azienda, l’AI introduce una nuova variabile. Le organizzazioni ora devono capire in che modo le persone e l’AI contribuiscono insieme a un lavoro produttivo.

Ciò richiede un nuovo modo di pensare alla misurazione:

• Quanto lavoro riusciamo a svolgere per ogni token?
• Qual è il nostro valore per token?
• Qual è il tasso di ritorno dell’investimento (ROI) associato al consumo di token?

Il mio consiglio è semplice: niente panico. La spesa in token è un costo dell’azienda. Rendila una voce di budget e valutala insieme ai guadagni di produttività che contribuisce a creare. Collabora con il tuo CIO per scoprire la relazione tra output di lavoro e consumo di token. E abilita l’arbitraggio dei modelli il più rapidamente possibile.

Conclusioni: la nuova equazione della produttività

L’obiettivo è garantire che la spesa per i token contribuisca a un lavoro produttivo e di valore. Questa è la nuova equazione della produttività. Nell’era dell’AI, potrebbe diventare una delle misure più importanti delle prestazioni organizzative.

Fonti:

• 1. Why the AI world is suddenly obsessed with a 160‑year old economics paradox.
• 2. AI agents forecast to boost tech cash flow as usage soars, Goldman Sachs.
• 3. The state of AI in 2026: On the road to ROI, McKinsey & Company, 25 August 2026.
• 4. Uber burned through its entire 2026 AI budget in four months. Now its COO is questioning whether it’s worth it, Fortune, 26 May 2026.
• 5. Is your AI paying off?, IBM Institute for Business Value, 9 September 2026.