L'AI agente costa troppo: le big tech corrono ai ripari

C'è una lezione che le grandi aziende hanno imparato a proprie spese con il cloud: quando il costo unitario scende e l'accesso diventa più semplice, la spesa complessiva tende comunque a salire. Oggi quella stessa dinamica si ripresenta in un punto inatteso: i token, la micro-unità con cui si misura — e si fattura — l'uso dei modelli linguistici di grandi dimensioni basati sull'intelligenza artificiale.

La notizia, confermata da più fonti interne convergenti, è che Microsoft, Meta e Amazon stanno rivedendo il proprio uso interno di AI generativa perché i costi operativi sono diventati difficili da gestire. Non si tratta dei classici chatbot usati per riscrivere una email: il problema riguarda i sistemi di agentic AI, cioè agenti intelligenti progettati per ricevere un obiettivo, scomporlo in passi, richiamare strumenti esterni, verificare i risultati e ricominciare. Una macchina che lavora in autonomia in background, e che per farlo consuma enormi quantità di contesto, produce output continui e moltiplica le chiamate ai modelli.

Il caso Microsoft: fuori Claude, dentro Copilot

Un dettaglio operativo racconta bene il cambio di rotta. Diversi team interni a Microsoft starebbero ricevendo indicazioni di passare a strumenti proprietari come GitHub Copilot CLI, riducendo l'uso di soluzioni esterne come Claude Code, con una scadenza interna fissata al 30 giugno 2026. È un messaggio che viene prima dall'ingegneria che dal procurement: se l'AI diventa infrastruttura quotidiana, deve stare dentro un perimetro governabile, misurabile, ottimizzabile.

Per capire perché la questione token è diventata così sensibile, occorre chiarire un equivoco di fondo. Un token non è un messaggio: sono pezzi di testo — parole intere, parti di parole, segni di punteggiatura — che il modello legge e scrive. L'azienda paga sia ciò che invia al modello (input) sia ciò che riceve come risposta (output), spesso a tariffe diverse. Quando si passa da una semplice chat a un agente autonomo, la quantità di testo coinvolta cresce in modo non lineare: l'agente porta con sé più contesto, riassume, registra tracce del proprio ragionamento, tenta percorsi multipli, e comunica con strumenti esterni. Ogni azione consuma token, e le azioni si accumulano rapidamente.

Quando la bolletta supera il milione al mese

È in questo terreno che alcune community hanno già coniato il termine tokenmaxxing: l'uso aggressivo e continuativo dell'AI per sperimentarne i limiti o estrarne il massimo valore, spesso con prompt molto lunghi, contesti enormi e catene di chiamate. In ambito consumer questo si traduce in frustrazione quando si raggiungono i limiti di utilizzo; in ambito aziendale si traduce in qualcosa di più prosaico: fatture interne che hanno sorpreso anche i team più navigati. Secondo alcune testimonianze raccolte, certi gruppi di lavoro avrebbero superato il milione di dollari di consumo in un solo mese. Un ordine di grandezza che sposta la conversazione dall'innovazione alla contabilità.

Il meccanismo che genera questi picchi è quello che gli economisti chiamano paradosso di Jevons: più un'unità diventa economica e accessibile, più cresce la domanda totale. Con gli agenti cambia anche la psicologia d'uso: l'utente non fa una singola richiesta, ma avvia un processo. È come passare dall'inviare qualche email al mettere in piedi un servizio che genera automaticamente report, promemoria e correzioni ogni giorno. Il costo per singola azione sembra trascurabile, ma la somma di tutte le azioni diventa una nuova voce di spesa fissa.

I costi dell'AI agente crescono anche quando il prezzo per token scende

La risposta: governance, non meno AI

La risposta delle grandi aziende tecnologiche, stando a quanto emerge, non è semplicemente «usare meno AI». Assomiglia piuttosto a ciò che le stesse aziende hanno fatto anni fa quando il cloud ha cominciato a produrre sorprese in bolletta: standardizzazione, governance e allocazione dei costi per team. La disciplina FinOps — nata proprio per rendere prevedibile e allocabile la spesa cloud — si è già estesa negli ultimi anni al SaaS e alle licenze software. L'AI si presta perfettamente allo stesso trattamento: è possibile misurare il consumo per team, per progetto, per applicazione, e decidere chi paga cosa.

In questo contesto si capisce meglio perché Microsoft stia investendo su strumenti che sembrano, a prima vista, più «organizzativi» che innovativi. A marzo 2026 l'azienda ha presentato una suite per l'adozione agentica con guardrail integrati, e ha fissato al 1° maggio 2026 la disponibilità generale di Agent 365, descritto come un control plane — cioè uno strato di gestione centralizzata — per supervisionare gli agenti. Quando si impone una piattaforma unica si ottiene prevedibilità: logging centralizzato, policy uniformi, limiti, audit, integrazione con sistemi di identità e permessi. In cambio si riduce la libertà dei team di scegliere il modello o lo strumento più adatto al singolo compito. È una tensione già nota con gli ambienti di sviluppo e le pipeline di deployment; con l'AI la novità è che la preferenza degli sviluppatori si scontra con una metrica prima inesistente: costo operativo per unità di produttività.

Il lato tecnico che nessuno calcola

Nelle architetture agentiche, il problema non è solo economico ma anche tecnico. Un agente funziona come un microservizio che gira in continuazione: ha picchi di attività, code di richieste, errori, tentativi ripetuti, cicli. Senza vincoli tecnici — limiti al numero di chiamate agli strumenti, timeout, compressione del contesto, meccanismi di caching — l'agente può «lavorare troppo» anche quando produce poco di concreto.

C'è poi la dimensione della sicurezza dei dati. Un agente che chiama strumenti esterni e legge documenti interni è un oggetto molto più rischioso di una chat isolata: può estrarre informazioni, incorporarle in un prompt, inviarle a un servizio esterno o semplicemente registrarle nei log. La standardizzazione su strumenti proprietari non è solo una forma di controllo della spesa: è anche un modo per inserire controlli di sicurezza e conformità in un punto centrale, evitando che l'adozione interna si trasformi in shadow AI — cioè un uso diffuso e non tracciabile di strumenti AI non approvati dall'azienda.

Amazon e Meta: strade diverse, stesso problema

Per Amazon e Meta il tema assume sfumature diverse ma convergenti. Amazon, con la sua piattaforma Bedrock, ha un interesse naturale a offrire un consumo misurabile di modelli diversi, propri e di terze parti. Bedrock prevede modalità di batch inference a prezzo ridotto rispetto all'uso on-demand, e opzioni di capacità riservata per chi vuole più stabilità di costo. L'uso può essere scomposto in categorie più fini — token di input, di output, e in alcuni casi anche token di cache in lettura e scrittura — segnale di una maturazione del mercato: i dettagli della fatturazione diventano parte dell'architettura del sistema.

Meta può giocare una carta che altri hanno in misura minore: l'uso di modelli sviluppati internamente e l'ecosistema aperto costruito attorno alla famiglia di modelli Llama. Ma anche in questo caso la promessa non elimina i costi, li sposta. Abbassare il costo per singola chiamata perché si fa l'inferenza internamente aumenta l'incentivo ad automatizzare di più, e si ricade nel paradosso di partenza. Internalizzare significa inoltre assorbire oneri di infrastruttura, manutenzione operativa, aggiornamento dei modelli e sicurezza. La convenienza dipende dal profilo del carico di lavoro: ripetitivo, ad alto volume, con qualità accettabile e requisiti prevedibili. Esattamente il tipo di lavoro per cui un agente tende a essere più vorace.

La vera sfida non è spendere meno in AI, ma sapere quanto si spende per ogni risultato ottenuto

Dove finirà il contatore

La domanda più importante, per chi osserva questo cambio di passo, non è se l'adozione dell'AI rallenterà. È dove verrà messo il contatore. Gartner stima che la spesa mondiale in AI generativa raggiunga 644 miliardi di dollari nel 2025, con un aumento del 76,4% rispetto all'anno precedente. Se i budget crescono ma i casi d'uso diventano più costosi da far girare, il tema diventa selettività: non tutte le attività meritano un agente, e non tutti gli agenti meritano il modello più potente e costoso.

Anthropic, ad esempio, ha modificato nei mesi scorsi i limiti e le politiche di utilizzo in base alle fasce orarie, segnalando che la capacità disponibile non è illimitata e che la domanda va gestita. In un contesto aziendale questo si traduce in un problema di pianificazione: se un team affida un processo critico a un servizio che cambia prestazioni in base al carico, la domanda smette di essere «qual è il modello migliore» e diventa «quali sono i livelli di servizio garantiti e quanto costa mantenerli».

Il punto d'arrivo, per molte aziende, sembra una combinazione di scelte che fino a poco fa sarebbero sembrate eccessive: instradamento intelligente tra modelli (economico per default, premium solo quando necessario), budget per team, controllo per ruolo, e soprattutto strumenti in grado di rendere visibile l'uso. Nel linguaggio dei responsabili IT e FinOps, la metrica che conta non è «quanto spendiamo di AI», ma «quanto spendiamo per ottenere un'unità di risultato»: costo per ticket risolto, per contributo di codice gestito, per documento verificato. Gli agenti, paradossalmente, accelerano questa trasformazione perché rendono più facile attribuire il consumo a un processo specifico.

Il fattore regolatorio europeo

Per le aziende che operano in Europa c'è un livello di contesto che diventa difficile separare dal resto: la regolazione. L'AI Act dell'Unione Europea entra in una fase di applicazione progressiva con scadenze già fissate; il 2 agosto 2026 è una data chiave per l'avvio di obblighi di trasparenza in specifici contesti e per l'operatività del quadro normativo su categorie rilevanti. Per un'azienda globale, adottare agenti su larga scala significa anche poter dimostrare controllo e tracciabilità. Questo rafforza ulteriormente la spinta verso piattaforme centralizzate e verso un'adozione meno spontanea e più strutturata.

In definitiva, il rallentamento dell'uso interno nelle grandi aziende tecnologiche non racconta un ripensamento sull'AI. Racconta un passaggio di maturità: dall'entusiasmo del «mettiamo un agente ovunque» alla realtà in cui un agente è una risorsa che consuma, e quindi va pianificata. La parte più significativa è che questa disciplina nasce dentro le stesse aziende che vendono l'AI al resto del mondo. Se per Microsoft, Meta e Amazon i token sono diventati un problema gestionale, è difficile pensare che per tutti gli altri restino una nota a piè di pagina.