PROSPETTIVA
Le aziende che stanno facendo passi avanti con l'AI monitorano crescita, esperienza e ritorni sul capitale, non solo i costi.
7 minuti di lettura
29 luglio 2026
La spesa per l'AI viene attualmente registrata come costo nel conto economico: infrastruttura, inferenza e licenze. Vengono contabilizzate e analizzate come qualsiasi altra spesa tecnologica. Ciò che raramente viene misurato è la parte da registrare come profitto: la fidelizzazione dei clienti generata da un contact center basato sull'AI, gli asset gestiti da un consulente finanziario liberato da attività a basso valore e il capitale operativo che una previsione della domanda più precisa rende disponibile. In questi casi, la spesa produce crescita, esperienza o capitale, non solo costi. La maggior parte delle aziende non riesce ancora a misurare questi risultati, né tantomeno a monitorarli sistematicamente.
Il divario tra il costo che oggi l'AI rappresenta e il valore che potrebbe generare domani è una delle principali sfide dell'AI in ambito enterprise. Colmarlo richiede una disciplina che molte organizzazioni non hanno ancora sviluppato. La domanda non è quanto costi l'AI, ma se il valore che restituisce sia sufficiente a fare la differenza. Le aziende leader che riformulano il problema in questi termini stanno trovando risposte molto diverse.
È qui che entra in gioco la tokenomics: la disciplina che collega ciò che l'AI consuma al valore che restituisce. I token sono le unità di dati elaborate dai modelli di AI e ogni prompt, risposta, recupero di informazioni o interazione con agenti AI ne consuma una quantità. Prima era considerato un costo ma ora il token è considerato un vero e proprio fattore produttivo, una risorsa fondamentale da monitorare, misurare e gestire. L'obiettivo è massimizzare il valore generato da ogni euro investito nell'AI.
Accenture osserva questa dinamica su larga scala. Ad esempio, una delle nostre piattaforme interne elabora circa 8,7 trilioni di token alla settimana su un'infrastruttura di nostra proprietà e instrada ogni attività al modello più adatto a un costo pari a circa un sesto di quello dei modelli frontier. Tuttavia, l'instradamento da solo non è sufficiente; in un ambiente separato, in cui ogni nuova sessione viene instradata per impostazione predefinita verso un modello di livello intermedio, gran parte dei dipendenti cerca il modello più avanzato. Questo singolo comportamento, moltiplicato per l'intera forza lavoro, fa silenziosamente aumentare i costi.
L'esperienza ci ha insegnato che scalare l'AI non richiede necessariamente costi fuori controllo, ma il controllo dei costi è solo una parte della sfida. La vera disciplina consiste nel garantire che ogni utilizzo dell'AI sia associato al giusto livello di intelligenza in funzione del risultato di business che si intende ottenere.
I token sono le unità di dati elaborate dai modelli di AI e ogni prompt, risposta, recupero di informazioni o interazione con agenti AI ne consuma una quantità. La tokenomics è la disciplina che mette in relazione ciò che l'AI consuma con il valore che genera.
800 miliardi di dollari
Secondo Goldman Sachs¹, gli investimenti nell'AI supereranno gli 800 miliardi di dollari nel 2026.
Solo il 23%
Tuttavia, solo il 23% degli executive che abbiamo intervistato² afferma di generare un valore di business diffuso e sostenibile dall'AI a livello di tutta l'organizzazione.
Alcune aziende hanno esaurito il budget annuale per l'AI in un solo trimestre. La maggior parte delle aziende gestisce i token come il cloud computing: reagendo ai costi solo a posteriori. Le aziende che riescono a distanziare la concorrenza non lo fanno grazie a modelli migliori o a una maggiore capacità di calcolo, bensì perché gestiscono il consumo di token con lo stesso rigore con cui allocano il capitale.
L'errore sta nel gestire l'AI come una spesa tecnologica, invece che come un sistema economico. Il software ha una struttura dei costi molto più prevedibile: si acquistano licenze per gli utenti, si pagano canoni, si conosce in anticipo la spesa e i costi aumentano solo quando cresce il numero di dipendenti o si rinnovano i contratti.
Con l'AI, questa prevedibilità viene meno. Il costo dell'AI dipende dall'utilizzo effettivo: dalle richieste formulate, dal livello di ragionamento richiesto ai modelli e dal volume di attività gestito dai sistemi di AI. Sempre più spesso, inoltre, gli utenti non sono persone ma agenti e i flussi di lavoro automatizzati consumano inferenze 24 ore su 24, senza che sia possibile ridurre il personale o il numero delle licenze.
In quasi tutte le implementazioni esaminate, incluse quelle interne ad Accenture, una piccola percentuale di utenti e processi concentra la maggior parte dei consumi: meno del 10% genera la grande maggioranza dei costi. La tendenza è inarrestabile; in alcuni dei nostri ambienti, le richieste di aumentare i limiti di spesa individuali arrivano a centinaia ogni giorno.
Man mano che l'AI entra nel tessuto dell'azienda, il consumo aumenta con ogni nuovo flusso di lavoro, agente e modalità. I chatbot diventano agenti. Gli agenti diventano team di agenti. Il testo si espande in generazione multimodale con immagini, video e audio. Nel campo del lavoro fisico, i robot autonomi utilizzano la stessa infrastruttura di inferenze, per cui ogni decisione ed eccezione comporta un costo in token che l'azienda non ha pianificato. Man mano che i casi di utilizzo si moltiplicano, la curva dei consumi cresce in modo esponenziale. Goldman Sachs prevede che il consumo di token raggiungerà circa 120 quadrilioni al mese entro il 2030, circa 24 volte il livello attuale. Le aziende che considerano l'uso odierno come il punto di riferimento per la pianificazione stanno basando le proprie decisioni su una realtà destinata a non durare.
La sicurezza aggiunge un ulteriore costo nascosto, che nessuna organizzazione può permettersi di trascurare. Quanto più un'azienda aggiunge modelli, agenti, dati e sistemi connessi, tanto più deve difendersi. Le attività di difesa, dalla scansione continua ai controlli degli accessi, dal monitoraggio delle minacce alla risposta rapida, fanno aumentare ulteriormente i costi di ogni implementazione. Raramente compare nel piano iniziale di spesa ma cresce con ogni nuovo agente e con ogni nuova integrazione.
È il paradosso di Jevons applicato all'AI: proprio come l'aumento dell'efficienza delle macchine a vapore portò a un maggiore consumo di carbone nella Gran Bretagna dell'Ottocento, il calo del costo dei token induce le aziende a intensificare l'uso dell'AI. Con la riduzione dei costi, infatti, molte attività che in passato non erano economicamente giustificabili diventano improvvisamente convenienti.
La nostra simulazione[3] prevede che, se oggi i prezzi dei token scendessero del 25%, solo il 15% delle organizzazioni risparmierebbe. Il resto reinvestirebbe in nuovi casi di utilizzo, carichi di lavoro estesi o modelli di qualità superiore. Dire ai dipendenti di utilizzare meno l'AI non è la soluzione, perché limita i guadagni di produttività che l'AI ha il compito di sbloccare. La soluzione è instradare la nuova domanda verso il modello più economico in grado di svolgere il lavoro, in modo che lo stesso budget venga distribuito su più lavori e abbia rendimenti più misurabili.
Una seconda forza è altrettanto importante: la frontiera di Pareto, ovvero il miglior equilibrio possibile tra costo e valore. La maggior parte delle aziende spende troppo per attività che non lo giustificano oppure assegna i compiti al modello sbagliato, lasciando valore inutilizzato. Le organizzazioni più avanzate colmano questo divario, associando ogni attività al modello più adatto e al costo ottimale. Inoltre, spostano continuamente questa frontiera attraverso tecniche come la compressione dei prompt, una cache più efficiente e la distillazione dei modelli.
Un esempio concreto: una presentazione di chiusura trimestrale che un tempo richiedeva 15 ore di lavoro da parte di tre analisti finanziari oggi può essere realizzata da una sola persona in due ore, con un costo di poche centinaia di dollari in token contro migliaia di dollari di tempo recuperato. Questo è il tipo di equilibrio che la frontiera di Pareto aiuta a misurare. Il vero ritorno non sta nel risparmio di token, ma nel valore generato dalla capacità liberata e reindirizzata verso attività più strategiche. È in questo passaggio, misurato rispetto a risultati di business già monitorati dall'organizzazione, che la spesa per i token si trasforma in rendimento.
È l'effetto combinato di queste forze a rendere la tokenomics una leva strategica. Quando le aziende imparano a ottenere più valore con meno risorse, la frontiera continua ad avanzare: la qualità cresce, i costi si riducono, si aprono nuovi casi d'uso e il consumo di AI aumenta. La disciplina consiste nel comprendere dove l'AI crea valore, quando trasformare l'efficienza in risparmi e come reinvestirli in modo efficace.
La prima regola è quella di abbinare il livello di intelligence al valore e al rischio dell'attività da svolgere. Ecco un punto di partenza: in tutti i settori, prevediamo che solo il 10-20% delle attività aziendali sia sufficientemente complesso da giustificare le capability dei modelli all'avanguardia (modelli di frontiera) o comunque più potenti.
Il test più utile è questo: se un'attività può essere scomposta in passaggi ben definiti, probabilmente sarà sufficiente un modello più piccolo; bisogna ricorrere ai modelli di frontiera solo quando il lavoro è irriducibilmente complesso, quando scomporlo fa perdere l'intuizione, quando gli errori si propagano lungo intere catene di agenti o quando la risposta si trova all'intersezione tra valutazioni di natura legale, finanziaria e normativa.
Soltanto poche attività rientrano in questi casi. Il ragionamento complesso è uno di questi: quando un Chief Strategy Officer valuta il posizionamento competitivo, le tendenze macroeconomiche e i dati finanziari di un potenziale target di acquisizione per individuare il vero rischio strategico, deve soppesare evidenze anche contraddittorie e formulare un giudizio non immediato. Un altro caso riguarda i workflow agentici ad alto costo dell'errore, in cui un singolo fallimento in una fase intermedia del processo può compromettere l'intero risultato finale. Vi è poi la sintesi di grandi quantità di contesto: un dossier di due diligence di 200 pagine richiede rigore analitico e coerenza lungo l'intero documento.
L'instradamento del lavoro verso la giusta intelligence è una scelta strategica, non una preferenza tecnica. Gli executive devono adottare una disciplina operativa: classificare le attività in base a complessità e rischio, assegnarle al livello di intelligenza più appropriato e poi ottimizzare e monitorare nel tempo i consumi. La parte difficile è capire quali attività generano il maggior valore.
Le organizzazioni che non riescono a distinguere tra attività routinarie e attività cognitivamente più impegnative e ad alto valore rischiano di allocare male le risorse in entrambe le direzioni: utilizzando modelli costosi dove non sono necessari e modelli meno capaci dove è in gioco un vantaggio competitivo. L'esperienza di Accenture dimostra che la capability del modello da sola non determinerà chi vince la corsa all'AI. La disciplina economica lo farà.
La stessa disciplina ha aiutato un operatore di telecomunicazioni a ridurre la spesa annua per l'AI del 68%. In entrambi i casi, il punto di svolta è stato acquisire visibilità sui consumi a livello di workflow e poi intervenire per instradare, ottimizzare o riprogettare il lavoro prima che gli sprechi si trasformassero in costi operativi strutturali.
Nella maggior parte delle aziende, i costi dell'AI ricadono nel budget tecnologico, mentre il valore generato emerge altrove: nel servizio clienti, nell'ingegneria, nel marketing o in qualsiasi altra funzione aziendale che utilizza lo strumento. Il CFO vede i costi, il CIO vede l'utilizzo e i business leader vedono i risultati, ma raramente questi punti di vista sono collegati a livello aziendale.
57%
dichiara un debole allineamento tra tecnologia e business2
51%
segnala capability insufficienti a livello di dati e analisi2
50%
ha difficoltà a isolare il contributo dell'AI da altri fattori2
Le aziende che stanno guadagnando terreno costruiscono il tessuto connettivo necessario: metriche condivise, organismi di governance e processi decisionali che collegano l'utilizzo dell'AI alla crescita, all’esperienza dei clienti e ai risultati economico-finanziari. Questo passaggio, da iniziative isolate a una capacità diffusa a livello aziendale, consente all'intelligenza di permeare l’intera organizzazione e di tradursi in risultati misurabili. Le organizzazioni più avanzate vanno oltre e considerano il costo dell'AI come un investimento recuperabile, non semplicemente controllabile: integrano il consumo di token nel modo in cui il lavoro viene definito e valorizzato economicamente, così che la spesa per l'AI sia associata al valore che genera, anziché confluire in un'unica voce centralizzata del budget tecnologico.
Quattro discipline operative trasformano la scalabilità in un rendimento misurabile:
Chiedere al CFO e al CIO di condividere la responsabilità di una visione unica e integrata dei costi, dell'utilizzo e del ritorno generato dall'AI. Accenture, ad esempio, comunica periodicamente al management la propria spesa per l'AI, aggregata tra i diversi fornitori, insieme alle azioni intraprese per ottimizzarla. Il ritorno dell'investimento viene misurato in modo diretto quando il lavoro è chiaramente delimitato. Nei processi automatizzati tramite agenti AI, ad esempio, è possibile confrontare con precisione lo sforzo umano richiesto prima e dopo l'automazione, ottenendo così una misura chiara dei benefici generati. Per gli utilizzi più aperti, in cui l'AI opera come un vero e proprio collaboratore a supporto delle persone, il valore è invece più difficile da isolare e quantificare. Sviluppare metodi affidabili per misurarlo rappresenta oggi una delle principali frontiere della disciplina. La questione fondamentale è comprendere dove e in che misura quella spesa genera un ritorno. Non conta la voce di costo in sé, ma il valore che essa è in grado di produrre.
Integrare i controlli nel processo di adozione fin dall'inizio, definendo chi può utilizzare determinati modelli, per quali attività e con quali misure di salvaguardia. Questa disciplina parte da una domanda che molte iniziative di rollout tendono a trascurare: per fare cosa? Uno strumento senza una funzione definita è come un costo senza un responsabile. I primi utenti, tra cui noi stessi, hanno inizialmente abilitato l'accesso e successivamente aggiunto i controlli, una volta che i costi sono esplosi. La lezione appresa è chiara: la governance va definita fin dall'inizio.
Occorre distinguere tra le attività che richiedono modelli di frontiera e quelle che possono essere eseguite efficacemente con modelli più leggeri. Accenture applica questo principio anche internamente: le nuove sessioni vengono avviate per impostazione predefinita su un modello più leggero, mentre l'accesso a modelli più avanzati è regolato da limiti definiti in base al ruolo o al caso d'uso aziendale. Il tutto è gestito attraverso un unico gateway, in modo che la spesa sia proporzionata alle effettive esigenze.
Monitorare regolarmente i consumi, i risultati e le decisioni di instradamento dei modelli man mano che l'utilizzo cresce e gli agenti AI assumono un numero sempre maggiore di attività. Il modello più efficace è un ciclo continuo: individuare dove si concentra il consumo, intervenire ottimizzando l'instradamento o riprogettando i processi e quindi riesaminare la situazione con una cadenza regolare, poiché i prezzi dei token e le opzioni disponibili sul mercato evolvono di mese in mese. In Accenture, questa disciplina non si interrompe mai: ogni nuova release porta con sé nuove decisioni, nuove opportunità di ottimizzazione e nuove capacità.
L'economia dell'AI non si stabilizzerà da sola. Nel prossimo decennio, le aziende si divideranno in due gruppi: quelle che considerano l'AI come un'ulteriore voce di costo tecnologico e quelle che la gestiscono come una fonte di ritorni misurabili per il business. Le prime saranno costrette a confrontarsi con costi che si accumulano nel tempo. Le seconde riusciranno invece a far crescere il valore generato dall'AI più rapidamente dei costi necessari per sostenerla, trasformando la scalabilità in un vantaggio competitivo durevole.
[1] Report di Goldman Sachs: The AI Spending Boom Just Got Bigger: Goldman Sees $800 Billion Flowing In This Year
[2] La nostra survey: Accenture Pulse of Change
[3] Accenture ha simulato l'impatto dell'aumento del consumo di token sulle organizzazioni man mano che l'AI diventa parte integrante dei costi operativi quotidiani. I risultati si basano su modelli comportamentali creati dall'AI che ha analizzato 6.000 profili di executive senior nelle Americhe, nell'area EMEA e nell'area APAC, in organizzazioni con ricavi annuali pari o superiori a 1 miliardo di dollari. Questa simulazione è stata condotta con Aaru, la cui piattaforma crea profili sintetici che riflettono le caratteristiche demografiche, psicografiche e comportamentali di una popolazione di executive di riferimento, utilizzando dati pubblici, privati e proprietari.
