Ogni budget per l'IA nasconde una scommessa su come opera la tua azienda
Il denaro è già stato approvato. I progetti pilota sono stati avviati. Alcuni hanno funzionato; la maggior parte si è fermata prima di generare valore misurabile. Secondo S&P Global, il 42% delle organizzazioni ha abbandonato la maggior parte delle proprie iniziative di IA nel 2025, rispetto al 17% dell'anno precedente. Quella statistica non descrive un problema tecnologico. Descrive un problema di architettura decisionale: le aziende hanno acquistato capacità senza progettare il modello operativo che avrebbe dovuto sostenerla.
È questo ciò che è in gioco dietro ogni voce nel budget dell'intelligenza artificiale. Non è una scommessa su quale modello linguistico vincerà il mercato, né su quale fornitore cloud offra la latenza migliore. È una scommessa su come fluirà il lavoro, su chi prende quali decisioni, su dove risiede il giudizio proprietario e su quanto costerà gestire tutto ciò su scala. Formularlo in questi termini cambia completamente l'analisi finanziaria che un CFO o un consiglio di amministrazione dovrebbe fare prima di firmare.
La maggior parte non lo sta facendo. E quel divario tra il capitale impegnato e la chiarezza del modello che deve sostenerlo è il punto in cui si accumula il rischio strutturale più rilevante di questo ciclo di investimenti nell'IA.
Quello che i fornitori SaaS non ti hanno detto quando pagavi per postazione
Per un decennio, il modello di abbonamento per postazione ha addestrato i dirigenti a pensare alla capacità come qualcosa che si affitta. Il fornitore gestisce la complessità tecnica; l'azienda acquista il risultato. Quell'accordo ha funzionato finché la tecnologia era un sistema di registrazione o uno strumento di supporto. Smette di funzionare nel momento in cui la tecnologia inizia a eseguire giudizi di business.
Quando un agente di IA applica una politica di rimborsi, prende una decisione di credito o scala un caso di supporto, non sta eseguendo software. Sta mandando in produzione la logica del tuo modello operativo. Puoi esternalizzare il server su cui ciò avviene. Non puoi esternalizzare le regole che determinano cosa viene deciso. Quelle regole sono l'azienda stessa.
Il cambiamento che sta avvenendo nel mercato SaaS lo conferma. Le aziende stanno riducendo le postazioni, spostando il lavoro verso agenti interni e rinegoziando i contratti a condizioni diverse. Gli stessi fornitori stanno migrando verso modelli di pricing per risultato, perché sanno che il confine tra ciò che si affitta e ciò che si costruisce si sta spostando. Il riconoscimento implicito di quello spostamento è che il valore non risiede più nell'accesso allo strumento, ma nella logica che vi gira sopra.
Questo ha una conseguenza finanziaria diretta che poche analisi di ritorno sull'investimento riescono a cogliere. Quando un'azienda riduce un contratto SaaS da due milioni di dollari perché intende internalizzare la capacità con agenti propri, quel denaro non scompare. Si ridistribuisce: approssimativamente tra il 30% e il 45% verso l'inferenza dei modelli, tra il 20% e il 30% verso l'ingegneria dei dati e gli strumenti, e tra due e quattro posizioni per governare ciò che gli agenti decidono. Nel primo anno, il risultato è una riallocazione della spesa, non un risparmio. Un modello di business che presenta quella transizione come riduzione dei costi senza mappare dove è andato il denaro ha un errore contabile strutturale nel suo caso di investimento.
Il fantasma del precedente modello di automazione
Esiste un precedente che rende più leggibile il rischio attuale: l'ondata di automazione robotica dei processi tra il 2017 e il 2022. Le aziende hanno dispiegato migliaia di bot senza alcuno standard di distribuzione, senza versioni controllate, senza cicli di vita definiti. Entro il 2023, il pattern era consistente: bot in produzione, nessuno con certezza su cosa facessero esattamente, ingegneri timorosi di toccarli perché qualsiasi intervento avrebbe potuto rompere qualcosa che nessuno comprendeva del tutto.
Gli agenti di IA rappresentano la stessa architettura di fallimento con ragionamento incorporato e un raggio d'impatto superiore di ordini di grandezza. Un bot che elabora moduli in modo errato può generare errori costosi. Un agente che interpreta politiche, prende decisioni contestuali e opera su più sistemi simultaneamente può propagare errori a una velocità e su una scala che nessun sistema di revisione umana tardiva è in grado di contenere.
La domanda di governance che qualsiasi dirigente dovrebbe essere in grado di rispondere prima di ampliare il dispiegamento degli agenti non è filosofica. È operativa: quali agenti ha l'azienda in produzione, chi è responsabile di ognuno e come si ripristinano se qualcosa va storto. Se quella risposta non esiste, il problema è già installato. Ciò che manca è che diventi visibile.
La scarsità di quella visibilità non è un caso. Deriva dal fatto che la governance dell'IA è stata trattata come uno strato successivo, qualcosa da aggiungere dopo che il sistema è già in funzione. Le evidenze di altri cicli tecnologici suggeriscono che quell'ordine produce esattamente il tipo di dipendenza che poi nessuno vuole toccare: debito tecnico con ragionamento incorporato.
Dove la spesa in IA diventa consumo incontrollato
Esiste una dinamica di costi che la maggior parte dei business case interni sta ignorando. I prezzi unitari dell'inferenza stanno calando. Allo stesso tempo, il consumo scala più velocemente di quella riduzione di prezzo. Il risultato netto è che la spesa aggregata per l'operatività dell'IA cresce, anche se ogni token costa meno.
Le aziende che hanno dispiegato strumenti di IA su larga scala stanno razionando l'accesso: abbastanza perché i team sperimentino, insufficiente perché dipendano dal sistema. Quel divario tra sperimentazione e dipendenza operativa è il punto in cui si accumula il prossimo ciclo di investimenti. Colmarlo ha un costo reale, e quel costo esiste già all'interno degli attuali portafogli tecnologici. È distribuito in contratti SaaS che si stanno consolidando, in infrastrutture che si stanno sostituendo. Il problema non è la mancanza di capitale; è la mancanza di visibilità su quale parte di quel capitale stia generando capacità produttiva e quale parte stia finanziando operazioni senza un ritorno misurabile.
È questo che rende la governance una questione finanziaria, e non soltanto una questione tecnica. Senza la capacità di tracciare quali agenti operano, quali decisioni prendono e quale risultato producono, il budget per l'IA diventa una spesa basata sulla fede. E i consigli di amministrazione che stanno iniziando a capire questo stanno cambiando le domande che pongono nelle revisioni degli investimenti. Non chiedono più il numero di modelli dispiegati. Chiedono metriche di flusso di lavoro, tassi di errore, tempo risparmiato e soddisfazione degli utenti. La differenza tra i due insiemi di metriche descrive la distanza tra un'azienda che sta scommettendo su una tecnologia e un'azienda che sta costruendo un modello operativo.
Il modello ibrido non è una concessione, è la struttura economica corretta per ora
Il caso che meglio illustra dove porta una scommessa disordinata sul modello operativo viene da Klarna. I ricavi dell'azienda sono approssimativamente raddoppiati tra il 2022 e il 2025, mentre il personale si riduceva quasi della metà. Questo sembrava convalidare una tesi estrema: l'IA che sostituisce il lavoro umano su larga scala. Ma la stessa azienda ha dovuto ricostruire il proprio servizio clienti umano quando la soddisfazione è calata nelle interazioni automatizzate.
Ciò che ne è rimasto non è una storia di puro successo né di fallimento. È un modello operativo con una logica specifica: IA per il volume, esseri umani per la complessità. Automazione per ciò che è prevedibile, scalabile e standardizzabile. Giudizio umano per ciò che richiede contesto, gestione delle eccezioni o conseguenze relazionali elevate. Quella distinzione non è filosofica. È la variabile che determina se il costo operativo scende in modo sostenibile oppure se si sposta semplicemente verso problemi di qualità che alla fine bisogna risolvere con spesa aggiuntiva.
L'errore più frequente nei modelli finanziari di adozione dell'IA è trattare quella distinzione come una transizione temporanea verso uno stato futuro in cui tutto è automatizzabile. Le evidenze attuali non supportano quello scenario per la maggior parte dei settori. Ciò che supportano è che il confine tra ciò che l'IA esegue bene e ciò che richiede giudizio umano si sposta, ma non scompare. Le aziende che governano quel confine con precisione — che sanno esattamente dove si trova e sono in grado di aggiustarlo quando le condizioni cambiano — hanno un vantaggio operativo misurabile rispetto a quelle che lo hanno lasciato indefinito.
L'investimento nell'IA, dunque, non è una scommessa sul futuro della tecnologia. È una scommessa sulla capacità di un'organizzazione di progettare, operare e correggere un modello ibrido in condizioni di cambiamento continuo. Le aziende che hanno quella capacità installata oggi saranno acquirenti informati quando arriverà il prossimo ciclo di consolidamento degli strumenti. Quelle che non ce l'hanno stanno costruendo dipendenze che nessuno sarà in grado di inventariare quando arriverà il momento di migrare.
