Token AI: perché i costi dell’intelligenza artificiale stanno cambiando i bilanci aziendali

I token AI sono diventati uno dei costi più sottovalutati dell’adozione dell’intelligenza artificiale nelle aziende. In breve tempo si sono trasformati in una voce di bilancio che nessun CFO aveva previsto. Uber ha bruciato l’intero budget AI 2026 nei primi quattro mesi dell’anno, mentre Royal Bank of Canada ha segnalato una crescita del consumo di token del 500% nel giro di un semestre. Il problema non è solo l’ammontare investito, ma la velocità con cui il costo può lievitare quando l’AI viene usata in processi complessi, con più passaggi e difficili da monitorare.

Cosa è un token AI

Un token è l’unità minima con cui i modelli di intelligenza artificiale, come quelli dietro ChatGPT, Claude o Gemini, leggono e generano testo. Non coincide necessariamente con una parola intera: può essere un carattere, una parte di parola o un segno di punteggiatura, a seconda della lingua e del sistema di tokenizzazione utilizzato. Prima di elaborare una richiesta, il modello scompone il testo in questi elementi di base e ne genera rappresentazioni numeriche basate su vettori, che utilizza per costruire una risposta coerente.

Questo passaggio tecnico ha una conseguenza economica diretta: ogni interazione con un modello AI viene misurata e fatturata in base al numero di token elaborati, sia in ingresso sia in uscita. Più lunga e articolata è la conversazione, più token vengono consumati e più alto diventa il costo. È un aspetto che pesa ancora di più quando l’AI non si limita a rispondere a una singola domanda, ma svolge attività complesse in più fasi.

Perché il modello di fatturazione a token cambia le regole

Il meccanismo che ha colto di sorpresa molti CFO è strutturale: con il licensing software tradizionale i costi scalano in base al numero di dipendenti, mentre con i token scalano in base all’intensità d’uso. L’AI agentica, che esegue compiti in più passaggi in modo autonomo, moltiplica il consumo perché ogni ricerca, ogni bozza e ogni ciclo di feedback genera nuovi token, spesso senza un controllo diretto. Un’azienda del settore sanitario ha accumulato oltre 6 milioni di dollari di costi non pianificati consumando mille miliardi di token in sei mesi, prima che il team finance riuscisse a individuarne l’origine.

Anche il cambio di modello incide in modo significativo sul conto. Quando un team passa da un modello più leggero a uno di frontiera per motivi di qualità, spesso senza coinvolgere chi gestisce i budget, il costo per token può moltiplicarsi da 10 a 100 volte, con differenze che arrivano a un output 25 volte più costoso tra un modello standard e uno premium della stessa famiglia. In questo scenario, fluttuazioni mensili di spesa del 40% o oltre sono ormai considerate normali, anche in presenza di un organico stabile.

Il paradosso che spiega perché i costi salgono mentre i prezzi scendono

Il prezzo per milione di token è sceso di circa 100 volte negli ultimi tre anni, eppure la spesa aziendale in AI continua a crescere più rapidamente dei ribassi. Il motivo ha un nome che viene dall’economia del XIX secolo: il paradosso di Jevons. Secondo questo principio, quando una risorsa diventa più efficiente ed economica, la domanda complessiva non si riduce, ma tende a moltiplicarsi, perché l’efficienza rende possibili utilizzi prima impensabili.

Applicato all’AI, questo significa che un compito che nel 2023 richiedeva 500 token oggi può arrivare a consumarne 50.000, perché i sistemi agentici non producono più una singola risposta, ma catene di ragionamento, verifiche e chiamate multiple al modello. Gartner stima, secondo analisi di settore, che nonostante un calo dei costi di inferenza di quasi il 90% entro il 2030, l’AI aziendale non diventerà automaticamente più economica, perché i consumi cresceranno più in fretta dei ribassi.

Il caso Uber: quando il budget salta in quattro mesi

Il CTO di Uber, Praveen Neppalli Naga, ha dichiarato ad aprile che i token consumati dagli strumenti di coding agentici, principalmente Cursor e Claude Code, hanno superato ogni previsione di spesa. Prima dell’introduzione di limiti, i singoli ingegneri generavano bollette mensili individuali comprese tra 500 e 2.000 dollari solo in consumo di token, e lo stesso CTO ha bruciato 1.200 dollari in una demo interna di due ore. Per riportare la spesa sotto controllo, l’azienda ha fissato un tetto di 1.500 dollari mensili per dipendente per ciascun tool e ha introdotto una dashboard interna per monitorare i consumi in tempo reale.

La survey KPMG: aziende che non sanno quanto spendono

Un’indagine KPMG mostra che solo il 26% delle aziende riesce a capire davvero quanto spende in AI, mentre il 50% ha una visibilità molto limitata e il 22% scopre i costi solo alla ricezione della fattura. Un sondaggio del 2025 conferma la stessa difficoltà: l’85% delle imprese manca le previsioni di spesa AI di oltre il 10%, e quasi un quarto le sottostima del 50% o più. Circa trecento aziende hanno affrontato il tema dei costi AI nelle trimestrali di aprile e maggio 2026, contro le 93 di un anno prima.

Il problema non riguarda solo Uber. Il CEO di Royal Bank of Canada, ha affermato che la banca ha aumentato il consumo di token del 500% in soli sei mesi. Un’altra società ha speso 500 milioni di dollari in un solo mese perché nessuno aveva impostato limiti d’uso.

Dalla tecnologia alla governance: il ruolo di CFO e board

Per molte aziende il primo mese di bolletta alta è stato liquidato come un’eccezione; il secondo, quando la spesa non è tornata sotto controllo da sola, ha imposto la domanda vera sul valore generato rispetto a quanto viene speso. Il solo monitoraggio individuale non basta a risolvere il problema, perché agire su quel dato significherebbe un micromanagement quotidiano insostenibile nel tempo.

C’è inoltre un fronte normativo che sta entrando nei bilanci pubblici: per le società quotate, la spesa in token può ricadere negli obblighi di disclosure previsti dalla SEC (Securities and Exchange Commission) nella Management’s Discussion and Analysis dei report trimestrali e annuali, se l’azienda traccia il consumo di token come indicatore di gestione rilevante per gli investitori.

Le tre leve per riportare i costi sotto controllo

Le risposte che funzionano condividono una logica comune: trattare l’AI come una risorsa finita e strategica, come suggerito da Deloitte, con gli stessi rigori applicati storicamente a energia e capitale allocato. Gli approcci osservati si muovono su tre direttrici:

Attribuzione del costo per singola richiesta (request-level cost attribution), per collegare la spesa a workflow, team e caso d’uso specifico, sulla stessa logica del chargeback già applicato al cloud computing.
Governance e limiti di spesa, come i cap mensili per dipendente introdotti da Uber, l’uso di modelli più piccoli per compiti semplici e i flussi di approvazione per superare i limiti.
Allineamento tra tecnologia e finance, per costruire un processo condiviso di controllo della spesa, con visibilità in tempo reale sui consumi e criteri espliciti su quali casi d’uso meritano priorità di budget.

Una direzione di lungo periodo che va in senso opposto ai tagli

Nonostante gli allarmi, i prezzi per milione di token sono scesi di circa l’80% tra inizio 2025 e inizio 2026, mentre il consumo enterprise è cresciuto di 13 volte nello stesso periodo. Gartner prevede che oltre il 40% dei progetti di AI agentica verrà cancellato entro il 2027, in larga parte per i costi elevati e per l’assenza di un ritorno misurabile. Il segnale complessivo è che le aziende che continueranno a trattare il token come una voce di spesa a consuntivo, invece che come una risorsa da pianificare, scopriranno il costo reale della propria adozione AI solo quando sarà troppo tardi per governarlo. Il controllo dei token è oggi un tema di budget, governance e strategia, non più un dettaglio tecnico.

Fonti: