Qualche settimana fa il capo di Instagram, Adam Mosseri, ha ammesso che l’azienda ha dovuto rinunciare ad alcuni progetti interni basati sull’intelligenza artificiale perché troppo costosi da mantenere. Non è un caso isolato: dietro questa frase si nasconde uno dei temi più discussi del 2026 nel mondo tech, quello del vero costo economico dell’IA generativa — e riguarda, seppur in scala diversa, anche le piccole e medie imprese che oggi iniziano a integrare questi strumenti nei propri processi.
Il problema di fondo: come si ripagano investimenti miliardari?
A quasi quattro anni dal debutto pubblico di ChatGPT, i modelli di intelligenza artificiale generativa sono diventati enormemente più potenti e diffusi. Miliardi di persone li usano ogni giorno, e aziende come OpenAI e Anthropic hanno raggiunto valutazioni di mercato colossali. Eppure un modello di business davvero sostenibile fatica ancora a emergere: abbonamenti, pubblicità e servizi alle imprese non generano abbastanza ricavi da coprire i costi industriali di calcolo, energia e infrastrutture necessari per far funzionare questi sistemi.
Al centro di tutto c’è un concetto tecnico diventato improvvisamente familiare anche a manager e imprenditori: il token, cioè l’unità minima in cui viene scomposto ogni testo — sia la domanda che poniamo a un’IA sia la risposta che riceviamo. Ogni token ha un costo reale: memoria, potenza di calcolo, elettricità, raffreddamento dei data center, chip specializzati.
Perché i conti non tornano (anche se i token costano sempre meno)
Il paradosso è che il prezzo unitario dei token è crollato negli ultimi anni — secondo alcune stime, di circa 600 volte dal 2020 a oggi — ma la spesa complessiva delle aziende sta comunque esplodendo. Il motivo è semplice: l’uso è cresciuto molto più velocemente del calo dei prezzi. Google ha dichiarato di essere passata, nel giro di un trimestre, da 10 a 16 miliardi di token elaborati ogni minuto; OpenAI ha riportato un balzo da 6 a oltre 15 miliardi di token al minuto tra l’autunno 2025 e la primavera del 2026.
A rendere il problema improvvisamente visibile è stato un cambiamento nei contratti: molti fornitori sono passati da tariffe fisse a fatturazione basata sul consumo effettivo. Il risultato è che diverse grandi aziende hanno scoperto di aver bruciato in pochi mesi budget annuali pensati per durare un anno intero, ed è per questo che realtà come Amazon, Walmart e Meta hanno iniziato a imporre limiti interni sull’uso dell’IA da parte dei dipendenti.
L’arma a doppio taglio: arrivano i modelli cinesi
In questo scenario si è inserita con forza la concorrenza cinese. Modelli come GLM-5.2 di Zhipu AI o Qwen di Alibaba offrono prestazioni ormai vicine ai migliori modelli occidentali a una frazione del prezzo: secondo alcune stime di settore, i modelli open source cinesi possono costare dal 60% al 90% in meno rispetto alle soluzioni di punta di Anthropic e OpenAI. Non sorprende quindi che, secondo diverse analisi di mercato, la quota di token elaborati da modelli cinesi nelle aziende statunitensi sia salita rapidamente nel corso del 2026, in alcuni casi superando il 45% del traffico complessivo legato allo sviluppo software.
È una dinamica già vista in altri settori — pannelli solari, batterie, auto elettriche — in cui, quando un prodotto diventa “abbastanza buono” a un prezzo molto più basso, il mercato cambia rapidamente direzione.
Perché conviene pensarci anche se non sei una Big Tech
Non serve gestire un social network da un miliardo di utenti per imbattersi in questo problema. Sempre più agenzie, professionisti e piccole imprese stanno integrando l’IA generativa nei propri flussi di lavoro — dalla generazione di contenuti al supporto clienti, dall’automazione di processi interni all’assistenza nello sviluppo software — e il costo per singola risposta, moltiplicato per l’uso quotidiano, può crescere più rapidamente di quanto ci si aspetti.
Qualche indicazione pratica che vale la pena tenere a mente:
- Non tutti i compiti richiedono il modello più potente. Molti fornitori offrono oggi versioni “leggere” ed economiche (pensate alle varianti Flash o Haiku) perfettamente adatte ad attività ripetitive o poco complesse, riservando i modelli più costosi ai compiti che ne hanno davvero bisogno.
- Monitorare il consumo, non solo il canone mensile. Con il passaggio di molti fornitori a una fatturazione basata sul consumo, un uso intensivo e non ottimizzato può tradursi in bollette imprevedibili.
- Progettare i flussi di automazione con criterio. Un flusso n8n o un agente IA ben progettato, che richiama il modello solo quando serve e struttura bene le richieste, può ridurre drasticamente i costi rispetto a un uso “a tappeto” e poco pianificato.
- Valutare alternative con attenzione, non solo per il prezzo. I modelli più economici (compresi quelli open source) possono essere adatti a molti usi, ma vanno valutati anche aspetti come affidabilità, sicurezza dei dati e continuità del servizio nel tempo.
Una metafora da aggiornare
Per anni si è detto che i dati fossero il petrolio del ventunesimo secolo. Forse è il momento di aggiornare la metafora: ciò che oggi determina davvero il successo di un progetto basato sull’IA non è solo la quantità di dati disponibili, ma la capacità di trasformarli in valore spendendo il meno possibile. Il token è diventato, di fatto, il prezzo unitario di questo ragionamento — e probabilmente, tra qualche anno, ci penseremo così poco quanto oggi pensiamo ai kilowatt quando accendiamo una lampadina. Ma proprio per questo, capirlo oggi fa la differenza.
Web Prato segue da vicino l’evoluzione degli strumenti di intelligenza artificiale applicati al lavoro quotidiano di studi, PMI e professionisti. Se stai valutando come integrare l’IA nei tuoi processi, parliamone.
