Il caso Accenture e il mito del limite di 29 US$
Accenture è tornata al centro dell’attenzione dopo che diversi rapporti hanno segnalato un presunto tetto di US$ 29 per l’utilizzo di Claude. L’azienda ha però chiarito che tale cifra è parte del suo modello finanziario interno e non rappresenta un limite rigido di spesa.
Questa cifra è emersa in un dibattito più ampio sul valore dell’investimento in IA: quale ritorno sull’investimento (ROI) ottengono le imprese e i professionisti per ogni dollaro destinato a strumenti di IA e capacità di elaborazione?
Come utente avanzato e appassionato di intelligenza artificiale, ho sperimentato in prima persona le difficoltà nel tenere sotto controllo i costi di elaborazione quando si svolgono attività di ricerca, pianificazione strategica e programmazione intensiva. È facile superare il budget pochi giorni dopo averlo fissato.
Un caso emblematico è quello di Uber, i cui ingegneri hanno esaurito il budget annuale destinato a Claude in pochi mesi.
Priorità e criteri di scelta delle attività IA
La lezione più importante che ho tratto è stata la necessità di porsi una domanda fondamentale: “Quali attività dovrebbero avere la priorità nell’uso dell’IA?” Invece di vedere l’intelligenza artificiale come una risorsa illimitata, la considero uno strumento da gestire con criterio.
Per questo motivo, mi chiedo sempre: “Come posso assegnare ogni compito allo strumento di IA più adeguato?” Questa mentalità è la chiave per proteggere i ricavi e garantire la sostenibilità del proprio business.
Accenture al centro del dibattito sui costi dell’intelligenza artificiale (Foto: Roberto Fiadone).
Mentre le imprese cercano di contenere budget sempre più elevati per IA e capacità di calcolo, saper scegliere lo strumento più adatto per ogni compito potrebbe diventare una skill fondamentale. Tale capacità potrebbe infatti diventare il metro di valutazione definitivo del livello di conoscenza e maturità di una persona nell’integrazione dell’IA nei processi lavorativi.
Claude, ChatGPT, Gemini, Grok… quale scegliere?
La scorsa settimana Multiverse mi ha invitato a Workforce 2030, una conferenza organizzata da Euan Blair. Durante l’evento è stata posta al pubblico la domanda: “Alzate la mano chi sta ottenendo un ritorno sull’investimento grazie all’IA”.
Su circa 400 leader presenti, che rappresentavano milioni di lavoratori britannici di settori diversi, solo una dozzina ha alzato la mano. Sorprendente? Forse.
Questa situazione si ripete da anni. Uno studio del MIT ha rilevato che circa il 95 % dei progetti pilota di IA generativa falliscono. Le cause sono molteplici, ma una delle più decisive è la difficoltà nel scegliere lo strumento di IA più adatto a ciascuna attività.
Ogni modello di linguaggio di grandi dimensioni (LLM) possiede punti di forza e debolezze specifiche. Non esiste un modello “tuttofare”. Anche se si ha una piattaforma preferita, in ambito lavorativo può essere necessario mettere da parte le proprie preferenze personali per scegliere lo strumento che garantisce i risultati migliori per il compito o il processo in questione.
Domande chiave per valutare l’adozione di un LLM
Indipendentemente dal modello o dal suo livello di complessità, una serie di domande semplici può aiutare a stabilire rapidamente quando vale la pena investire in strumenti di IA più avanzati e costosi:
- La task è sufficientemente complessa da richiedere una maggiore capacità di analisi, un contesto più ampio e un ragionamento più profondo?
- Dove verrà utilizzato il risultato generato e quale livello di rischio comporta?
- Quali rischi specifici sono associati alla task? Per esempio, il contenuto sarà usato solo internamente o anche da clienti esterni?
- Una soluzione più economica e già approvata potrebbe svolgere la stessa funzione con pari o migliore efficacia?
- Si tratta di una task ad alto rischio che richiede un’analisi esaustiva e supervisione umana?
- Quanto tempo si risparmia rispetto a un approccio tradizionale?
- La qualità dei risultati migliora significativamente?
- Quanti ricavi o valore per il cliente genera questo modello rispetto a un altro?
Disporre di strumenti già approvati è utile anche quando si ha un tetto di spesa o quando il modello preferito non è disponibile per interruzioni di servizio.
Quando conviene usare Claude?
Claude è una piattaforma IA premium. È opportuno riservarla per attività in cui una maggiore capacità di elaborazione, aggiustamenti iterativi e approfondimenti tecnici giustificano il costo aggiuntivo. Alcuni scenari tipici includono:
- Programmazione complessa, individuazione e correzione di bug, analisi tecnica avanzata.
- Analisi e sintesi di documenti PDF, fogli di calcolo e grandi dataset.
- Modellazione delle performance aziendali e finanziarie per stakeholder interni ed esterni.
- Progetti che richiedono lavoro continuo e gestione di grandi quantità di contesto.
Quando conviene usare ChatGPT?
ChatGPT si è dimostrato estremamente versatile per molte attività quotidiane. Ecco come lo utilizzo personalmente, sia come fondatore di una startup che come giornalista:
- Utilizzo di plugin collegati per ricercare e semplificare i processi lavorativi. Ad esempio, un plugin per Outlook mi permette di trovare rapidamente conversazioni, task pendenti e riunioni con contatti di pubbliche relazioni, evitando ricerche manuali laboriose.
- Generazione di idee, formattazione di documenti e altre attività amministrative a basso rischio.
- Creazione di fogli di calcolo, scripting e monitoraggio integrati nelle mie diverse attività professionali.
Il valore di ChatGPT risiede nella sua capacità di essere rapidamente integrato, nella disponibilità di estensioni e nella flessibilità per compiti di media complessità.
Strategia di testing e mappatura delle attività
Il mio consiglio pratico è di abbandonare la scelta basata su preferenze personali e di dare priorità allo strumento che garantisce risultati più affidabili, di qualità superiore e con il più alto livello di sicurezza per le attività specifiche del proprio lavoro.
Procedura consigliata:
- Condurre test comparativi per un paio di settimane, valutando costi, tempi di risposta e qualità dei risultati per ciascun LLM.
- Raccogliere metriche oggettive (tempo risparmiato, errori ridotti, valore economico generato).
- Creare una mappa operativa che identifichi:
- Quali attività richiedono intervento e giudizio umano.
- Quali possono essere automatizzate con IA.
- Quale strumento (Claude, ChatGPT, Gemini, Grok, ecc.) è più efficace per ogni tipo di compito.
Questa mappa diventa un documento vivente, aggiornabile man mano che emergono nuovi modelli o cambiano i requisiti di business.
Conclusioni: la nuova competenza chiave per il futuro del lavoro
Nel panorama attuale, dove le spese per IA stanno crescendo rapidamente, la capacità di assegnare la giusta tecnologia al giusto compito si sta rivelando la skill più preziosa per professionisti e organizzazioni. Non si tratta più solo di sapere come far funzionare un modello, ma di capire quando e perché sceglierne uno rispetto a un altro.
Le aziende che riescono a implementare questa disciplina vedranno un miglioramento tangibile del ROI, una riduzione degli sprechi di budget e una maggiore agilità operativa. Allo stesso tempo, i professionisti che sviluppano questa competenza saranno considerati “IA‑ready”, pronti a guidare la trasformazione digitale con decisioni basate su dati, costi e valore reale.