La pipeline di IA aziendale non perde denaro per i token: lo perde prima
C'è un momento in cui l'accumulo di piloti di intelligenza artificiale smette di sembrare ambizione e comincia a sembrare disordine. Quel momento è arrivato per molte grandi imprese nel 2026, e il segnale più chiaro non è stato un collasso tecnologico né un fallimento del modello. È stato qualcosa di più banale e più difficile da difendere in una riunione del consiglio di amministrazione: il consumo di token ha superato il budget senza generare valore proporzionale.
Uber è stato uno dei casi emersi alla luce del sole. L'azienda ha ridotto la propria spesa interna in IA dopo che il consumo aveva superato i piani. Non è stata un'eccezione anomala; è stato il sintomo visibile di un pattern che si ripete nelle organizzazioni che hanno adottato l'IA con una logica massimalista nei due anni precedenti: più casi d'uso, più agenti dispiegati, più dipendenti incorporati nel sistema, più token consumati. La logica era difendibile all'inizio. Quando una tecnologia è nuova e il suo potenziale di trasformazione non è chiaro, un'esplorazione ampia ha senso. Il problema è che quella esplorazione non si è fermata quando avrebbe dovuto cedere il passo a un'architettura deliberata.
Sumeet Agrawal, Vicepresidente della Gestione del Prodotto per Dati, Governance dell'IA e Ingegneria del Contesto in Salesforce, ha pubblicato su Fortune una diagnosi che merita più attenzione di quanta ne riceva solitamente un articolo di opinione aziendale. Il suo argomento centrale è preciso: abbassare il prezzo dei token non risolve il problema perché il problema non sta nel prezzo. Sta nel modo in cui le aziende sono architettate per utilizzarli.
Una pipeline che perde a ogni fase
La metafora usata da Agrawal è utile perché è esatta: la pipeline moderna di IA in una grande azienda si comporta come un colino. Filtra token, e con essi denaro, in ogni fase di esecuzione. E non lo fa per caso; lo fa per design. O più precisamente, per assenza di design.
Quando un agente riceve una query di vendita o di assistenza clienti, la prima cosa che fa, se non ha un'infrastruttura di dati ben costruita al di sotto, è inondare il prompt con contesto grezzo. Dati non curati, record duplicati, storico senza priorità. Il modello elabora quindi questa massa di informazioni, la maggior parte delle quali è rumore. Secondo Agrawal, quell'eccesso può significare tra cinque e dieci volte più token del necessario per interazione. A prezzi compresi tra dieci e quindici dollari per milione di token, e con migliaia di interazioni giornaliere in un'azienda di scala media-grande, l'aritmetica diventa rapidamente difficile da ignorare.
Il secondo punto di perdita è l'accesso non governato ai dati. Senza un catalogo chiaro, senza lineage, senza segnali di qualità, gli agenti navigano i data warehouse alla ricerca di informazioni affidabili. Il processo è lento, costoso e produce risultati incoerenti. La governance, quando esiste, tende a funzionare come un controllo successivo, non come un segnale di routing che indirizzi l'agente verso i dati certificati fin dal primo tentativo.
Il terzo punto di perdita è forse il più costoso in termini di budget diretto: inviare ogni task al modello più grande disponibile, indipendentemente dalla complessità del compito. Una classificazione di routine o una ricerca semplice non richiedono lo stesso modello di un ragionamento complesso o di una decisione sensibile. Trattare tutti i casi con lo stesso modello di frontiera è l'equivalente organizzativo di utilizzare un team di dirigenti senior per compiti che potrebbe risolvere un analista junior: tecnicamente possibile, funzionalmente assurdo.
Gli ultimi due punti di perdita sono meno visibili ma ugualmente costosi. Gli agenti senza memoria persistente iniziano ogni interazione da zero: ricaricano il contesto, rielaborano lo storico, riscoprono eccezioni che erano già state risolte. E gli agenti senza semantica riutilizzabile rigenerano risposte che avrebbero potuto essere memorizzate nella cache o precompute. Ogni interazione ricorrente viene pagata come se fosse la prima.
Ciò che i fornitori non possono risolvere al posto tuo
Anthropic, OpenAI e Google hanno abbassato i prezzi dei token di input e lanciato meccanismi di cache dei prompt. Cursor, nella sua versione Composer 2.5, incorpora il costo come variabile nella selezione dei modelli, non solo le prestazioni. Queste sono risposte razionali alla pressione dei clienti, ma attaccano la variabile sbagliata se l'azienda non ha risolto i propri problemi di architettura interna.
Ridurre il prezzo per token in un sistema che consuma dieci volte più token del necessario produce un risparmio proporzionale, ma non chiude il divario strutturale. È un miglioramento lineare su un problema che ha una soluzione di ordine di grandezza. L'azienda che risolve prima l'architettura ottiene un vantaggio che la riduzione dei prezzi non può replicare, perché quel vantaggio non sta nel mercato dei token: sta nella qualità dei propri dati, nella governance dei flussi e nella capacità di instradare il lavoro al modello corretto in base alla natura di ogni task.
Agrawal lo formula con chiarezza: qualsiasi azienda può acquistare più token. Pochissime sanno come estrarre più valore da meno token. La differenza tra le due non è tecnologica nel senso stretto del termine. È architettonica e organizzativa.
L'esempio che offre è concreto: l'integrazione tra la gestione dei dati master di Informatica e Data 360, la piattaforma dati clienti di Salesforce, garantisce che ogni agente operi su un contesto cliente verificato e arricchito semanticamente. Il risultato non è solo efficienza dei token: è la conversione del consumo non governato di IA in valore di business misurabile e verificabile.
Il vero costo del design assente
Da una prospettiva di design organizzativo, ciò che descrive Agrawal non è un problema tecnologico né un problema di prezzi. È il costo differito di aver saltato la fase di esplorazione disciplinata per installarsi in una fase di sfruttamento prematuro di una tecnologia che non aveva ancora le fondamenta per essere sfruttata in modo efficiente.
Le aziende che hanno adottato l'IA con una logica massimalista tra il 2024 e il 2025 lo hanno fatto sotto una pressione legittima: l'incertezza su quali modelli, quali flussi di lavoro e quali team avrebbero generato valore giustificava una strategia di dispiegamento ampio. Ciò che non giustificava, e che molte organizzazioni non hanno fatto, era costruire in parallelo l'infrastruttura di dati e governance che avrebbe determinato se quel dispiegamento si sarebbe scalato in modo sostenibile o avrebbe semplicemente accumulato debito tecnico.
Il problema non è aver esplorato. È aver esplorato senza un design di fondo. E ora quel design assente si presenta sotto forma di fatture di token che superano i piani e risultati che non possono essere attribuiti a investimenti specifici.
C'è un pattern nei casi di adozione tecnologica aziendale che vale la pena nominare: le organizzazioni tendono a misurare troppo presto con i criteri sbagliati, condannando iniziative che non dovrebbero ancora essere giudicate con le stesse metriche del business principale. Ma tendono anche a lasciare troppo a lungo senza alcuna metrica iniziative che dovrebbero già produrre valore. Con l'IA aziendale, molte aziende hanno fatto la seconda cosa: hanno dispiegato senza misurare né architettare, e ora affrontano la correzione da una posizione di maggiore disordine e maggiore costo accumulato.
La correzione non è costosa in termini assoluti. Un catalogo di dati ben costruito, segnali di qualità che funzionino come router, memoria persistente per gli agenti, regole chiare di assegnazione dei modelli in base alla complessità del task: nessuna di queste decisioni richiede un budget eccezionale. Richiedono qualcosa di più difficile da ottenere nelle organizzazioni che sono già in modalità di scala: priorità deliberata e disciplina architettonica sostenuta nel tempo.
Il vantaggio che non si può acquistare nel mercato dei modelli
Agrawal inquadra l'efficienza dei token come il prossimo vantaggio competitivo nell'IA aziendale. La lettura è corretta ma può essere affinata. Il vantaggio reale non sta nell'efficienza dei token come metrica isolata. Sta nella capacità organizzativa di convertire i dati propri in contesto affidabile per agenti che operano su scala, con una governance sufficiente affinché i risultati siano verificabili e attribuibili.
Questa non è una capacità che si acquista da un fornitore di modelli né si ottiene riducendo il prezzo per milione di token. È una capacità che si costruisce internamente, con decisioni di architettura dei dati che precedono il dispiegamento degli agenti e non il contrario. Le aziende che hanno già quella infrastruttura ottengono un vantaggio che si amplifica nel tempo: ogni interazione è più economica, più veloce e più affidabile della precedente. Quelle che non ce l'hanno affrontano costi che non calano perché i prezzi dei token scendono.
Il mercato dei modelli linguistici continuerà a diventare più economico nel tempo. Questo è quasi certo. Ma il divario tra le aziende che sanno usare l'IA con efficienza e quelle che non lo sanno fare continuerà a essere un problema di design organizzativo, di qualità dei dati e di governance. E quel divario non ha soluzione nel catalogo di alcun fornitore esterno.
Le organizzazioni che nel 2026 operano ancora con agenti stateless, senza cataloghi di dati funzionali e inviando tutto il carico di lavoro al modello più costoso disponibile, non stanno pagando per i token. Stanno pagando il prezzo differito di non aver progettato la propria infrastruttura di IA quando era ancora economico farlo.
