L'imposta che nessuno aveva preventivato sta affondando gli agenti di IA aziendali
C'è un momento preciso nell'adozione della tecnologia aziendale in cui l'entusiasmo si trasforma in obbligo contabile. Con gli agenti di intelligenza artificiale incorporati nei prodotti aziendali, quel momento è arrivato prima di quanto la maggior parte dei team tecnici avesse anticipato, e il meccanismo che lo ha innescato non è stato il modello linguistico sbagliato né la mancanza di dati. È stata una decisione architetturale che nessuno aveva presentato come tale.
Chiamarla "imposta di contesto" — come fa l'ingegneria di Anthropic e un numero crescente di analisti — è una denominazione precisa. Non perché sia metaforica, ma perché opera esattamente come un'imposta: invisibile nella singola transazione, devastante nell'aggregato. Ogni volta che un agente aziendale riceve un HTML grezzo da 150 kilobyte per elaborare una domanda su cinque righe di dati, l'azienda paga circa 37.500 token di inferenza che non producono alcun valore. Moltiplicate questo per ogni utente attivo, per ogni sessione, per ogni mese di scalabilità, e quello che sembra un dettaglio tecnico diventa l'elemento che determina se il margine lordo del prodotto sopravvive o meno.
I dati che circolano nell'ecosistema lo confermano da angolazioni diverse. L'analisi di Splunk sui costi degli agenti isolati ha documentato come una singola interazione di assistenza al cliente sia passata da quattro centesimi di dollaro a un dollaro e venti nell'arco di tre anni, anche mentre i prezzi per token calavan. Il meccanismo alla base di quell'aumento non è stata l'inflazione dei fornitori: è stato il volume di contesto che l'agente ritrasmetteva a ogni passaggio del flusso. Uno studio dell'Università Concordia ha quantificato il rapporto tra token di input e output nei flussi agentici in 2:1, e ha rilevato che la sola revisione del codice consumava il 59% di ogni token speso. Sono numeri che trasformano il budget infrastrutturale in qualcosa di molto diverso da ciò che appariva nella roadmap originale.
Ciò che si decide senza dire che lo si sta decidendo
L'argomento centrale introdotto dall'analisi del Forbes Technology Council — scritta da un ingegnere del software di Walmart Global Tech che guida la costruzione di esperienze agentiche per i venditori nel marketplace — non riguarda strumenti né fornitori. Riguarda tre decisioni architetturali che i team prendono per omissione, prima ancora che qualcuno le nomini in una riunione di progetto.
La prima è la rappresentazione che riceve il modello. Tra HTML grezzo, screenshot e frammenti semantici esiste una differenza di 30 fino a 50 volte nel costo per attività, con effetti sulla precisione che vanno nella direzione opposta a quella che l'intuizione suggerirebbe. La ricerca di Amazon Science sull'agente AgentOccam ha documentato un miglioramento del 29,4% nel benchmark WebArena passando dalla rappresentazione visiva all'albero di accessibilità strutturato. Il modello non è stato modificato. È cambiato ciò che il modello vedeva.
La seconda decisione è il momento della cattura. Quando un agente acquisisce lo stato della pagina al momento del caricamento e non al momento dell'invio, cattura lo scheletro di caricamento, non i dati che l'utente sta osservando. Il rapporto descrive casi in cui lo snapshot veniva attivato 1.500 millisecondi prima che l'API rispondesse. L'agente rispondeva con sicurezza a partire da una pagina vuota. Questo non è allucinazione nel senso tecnico: è contesto errato servito nel momento sbagliato.
La terza è ciò che semplicemente non viene inviato. Un classificatore leggero che instrada prima del recupero può eliminare tra il 70% e l'85% degli snapshot di contesto nei flussi reali. Un utente che chiede come aggiornare una configurazione in batch ha bisogno di documentazione, non di una fotografia della sua vista dati corrente. Sono token che non vengono mai spesi.
Ciò che rende queste tre decisioni particolarmente costose non è che siano decisioni sbagliate: è che nessuno le presenta come decisioni. Vengono eseguite per impostazione predefinita. L'HTML grezzo è l'opzione che non richiede pre-elaborazione. La cattura al caricamento è ciò che il framework fa automaticamente. Inviare tutto il contesto disponibile sembra "sicuro". Quella inerzia ha un prezzo.
La differenza tra un prodotto interno e uno di mercato
L'analisi distingue con precisione un punto che la maggior parte delle discussioni sugli agenti aziendali non separa con sufficiente chiarezza: esiste una differenza strutturale tra un agente che serve dipendenti interni e uno incorporato in un prodotto commerciale multitenant.
Un team IT interno può assorbire un'architettura di contesto deficitaria. La ridistribuisce. La aggiusta. Ha un raggio d'azione controllato. Un fornitore di software B2B che incorpora un assistente di IA nel proprio prodotto fattura per postazione, non per infrastruttura. Ogni inefficienza nella rappresentazione del contesto si moltiplica sull'intera base clienti simultaneamente. Il costo per utente attivo che la nota descrive — passando da 0,40 a 1,10 dollari mensili in otto settimane di disponibilità generale — non è l'aneddoto di un deployment mal calibrato: è la meccanica di ciò che accade quando si scala senza aver prima sottoposto a verifica l'architettura di contesto.
Chroma ha pubblicato nel 2025 una valutazione di 18 modelli di frontiera che aggiunge un'altra dimensione al problema. La precisione non degrada soltanto quando il contesto è costoso: degrada quando il contesto è esteso. Al crescere del volume di contesto in input, aumenta la perdita di accuratezza nei compiti a contesto lungo, indipendentemente dal modello utilizzato. L'imposta di contesto non è unicamente un problema di margine. È un problema di prodotto.
Questo inquadra la discussione in modo diverso da come i comitati di approvazione dei progetti la formulano raramente. Quando si valuta se incorporare un agente di IA in una piattaforma SaaS, la conversazione tende a concentrarsi sul modello, sul fornitore e sulla sicurezza dei dati. L'architettura di rappresentazione del contesto quasi mai appare in quella conversazione come una variabile con implicazioni sul margine lordo. Appare dopo, nel postmortem, quando la funzionalità prometteva espansione dei margini e li ha consegnati compressi.
Il mercato che viene dopo la prima ondata di fallimenti
La statistica di Gartner che proietta la cancellazione di oltre il 40% dei progetti agentici entro la fine del 2027 non è semplicemente un avvertimento sulla maturità tecnologica. È una descrizione anticipata del processo di depurazione che segue qualsiasi ciclo di adozione in cui i costi nascosti superano le proiezioni originali. L'analisi del MIT che ha rilevato come il 95% dei deployment di IA generativa non abbia prodotto valore di business misurabile documenta la stessa pressione da un'altra angolazione.
Ciò che nel dibattito pubblico sugli agenti non è ancora chiaro è se le organizzazioni che cancellano i progetti lo facciano per ragioni legate al modello o per ragioni architetturali. Se la maggior parte dei fallimenti ha origine in decisioni di contesto — rappresentazione, momento della cattura, volume inviato — allora il problema non è che gli agenti non funzionino. È che i team che li costruiscono stanno misurando le variabili sbagliate.
Hyland, nella sua analisi sul ritorno degli investimenti in IA nelle imprese, calcola che uno strato di contesto aziendale unificato può generare fino a 10,3 volte il ritorno sugli investimenti in IA e automazione. Il meccanismo descritto è diretto: i team che ricostruiscono integrazioni, mappature e regole di business per ogni nuovo agente stanno pagando un'imposta di frammentazione prima ancora che l'agente inizi a operare. Ogni agente eredita il debito architetturale del precedente. La scala non risolve quel problema: lo amplifica.
La transizione che si profila non è tra modelli linguistici più o meno potenti. È tra organizzazioni che trattano l'architettura di contesto come una variabile infrastrutturale — da ottimizzare quando c'è tempo — e quelle che la trattano come una variabile di margine lordo da progettare prima del primo deployment. La differenza tra le due posizioni non emerge nei primi mesi del pilota. Emerge quando la base utenti cresce e il costo per query diventa la metrica che governa se la funzionalità può esistere.
Il prossimo fronte non è il modello, è chi governa il contesto
La guerra dei modelli linguistici ha generato un'illusione comprensibile: che il problema centrale degli agenti aziendali fosse la qualità dell'inferenza. Quell'illusione è stata utile durante la fase di sperimentazione, quando le aziende avevano bisogno di validare che i modelli potessero fare qualcosa di utile nei propri domini. Quella fase è terminata.
Ciò che inizia ora — e ciò che rende l'analisi sull'imposta di contesto rilevante al di là dei suoi dettagli tecnici — è la competizione per chi costruisce e governa lo strato di contesto aziendale. Non il modello che ragiona, ma l'infrastruttura che decide cosa vede il modello, quando lo vede e cosa non ha mai bisogno di vedere.
I segnali sono già visibili. L'argomento di CIO Dive secondo cui gli agenti devono andare ai dati anziché i dati viaggiare verso gli agenti punta allo stesso nodo. La proposta di Seekr di misurare il costo per risposta verificabile — anziché il costo lordo per token — introduce una metrica che rende trasparente l'imposta di contesto nel conto economico. I classificatori di instradamento precedenti al recupero che l'analisi di Forbes descrive sono una componente che non ha ancora un nome di mercato consolidato, ma che rappresenta una funzione che le piattaforme agentiche mature dovranno offrire in modo nativo.
Per i leader che si trovano oggi nel mezzo di decisioni architetturali, la lezione operativa è più concreta di qualsiasi framework strategico. Il modello non è il collo di bottiglia. La rappresentazione del contesto lo è. E questa è una variabile di progettazione, non una decisione del fornitore, il che significa che la responsabilità delle sue conseguenze è interna. Le organizzazioni che costruiranno quello strato con un criterio di margine nel 2026 avranno dati di costo per query quando il mercato inizierà a chiedere conto nel 2027. Quelle che non lo faranno si troveranno a spiegare perché la funzionalità di IA che prometteva di espandere i margini è finita per essere la loro principale fonte di compressione.
