L’adozione massiva dell’intelligenza artificiale nelle imprese sta entrando in una fase meno romantica e più contabile, in cui la metrica dominante non è più la capacità dei modelli ma il costo marginale per unità di valore prodotto. La fase iniziale, alimentata da entusiasmo quasi speculativo, ha premiato l’abbondanza d’uso, trasformando il consumo di token in una proxy semplificata della produttività digitale. Il cosiddetto “tokenmaxxing”, cioè la spinta organizzativa a massimizzare l’utilizzo dei modelli linguistici come segnale di modernità operativa, ha funzionato come indicatore culturale prima ancora che economico, utile ai manager per dimostrare velocità di adozione e ai vendor per giustificare scalabilità teoricamente infinita. La realtà, come spesso accade nell’enterprise software, ha iniziato a presentare il conto quando i sistemi sono usciti dalla fase pilota ed entrati nei processi core.
Il passaggio dalla sperimentazione alla produzione su larga scala ha trasformato l’intelligenza artificiale da costo marginale invisibile a voce strutturale di bilancio. I dipartimenti finanziari hanno iniziato a osservare una dinamica familiare a chi ha già attraversato cicli tecnologici precedenti, con particolare riferimento al cloud computing, dove l’euforia iniziale sull’elasticità delle risorse ha lasciato spazio a una disciplina più severa sulla governance dei consumi. Nel caso dell’AI, però, la variabile di costo non è soltanto infrastrutturale ma cognitiva, perché ogni interazione con un modello linguistico comporta un consumo misurabile, tracciabile e aggregabile su scala aziendale. In un contesto di migliaia di dipendenti e milioni di operazioni automatizzate, il consumo di token smette di essere un dettaglio tecnico e diventa una metrica macroeconomica interna.
La conseguenza più interessante non è la riduzione dell’adozione, ma la sua ristrutturazione architetturale. Emergono sistemi agentici progettati per essere LLM-agnostic, capaci cioè di selezionare dinamicamente il modello più efficiente in base al compito specifico, spostando il baricentro dalla potenza assoluta alla ottimizzazione contestuale. Questa evoluzione segna una discontinuità rispetto alla prima ondata di AI enterprise, dominata dall’idea implicita che un singolo modello, sempre più grande e sempre più costoso, potesse assorbire ogni caso d’uso. La nuova ingegneria dei sistemi distribuiti introduce invece una logica di arbitraggio tra modelli, in cui prestazioni, latenza e costo vengono bilanciati in tempo reale, quasi come in un mercato interno dell’intelligenza artificiale.
La retorica della “più intelligenza possibile” lascia così spazio a una più sobria economia dell’efficienza, dove la domanda centrale diventa quanta intelligenza serve davvero per risolvere un problema specifico. In questa transizione si intravede un cambio di paradigma simile a quello avvenuto nei primi anni della cloud transformation, quando la corsa alla migrazione massiva è stata sostituita da pratiche di finops e ottimizzazione dei workload. Anche qui il ciclo è riconoscibile: entusiasmo iniziale, adozione indiscriminata, scoperta dei costi reali, e infine razionalizzazione strategica. La differenza è che l’AI non è solo infrastruttura ma decision engine, e quindi ogni inefficienza si riflette direttamente nel processo decisionale aziendale.
Il punto critico, spesso sottovalutato nei board aziendali, è che l’efficienza non è un parametro neutro ma una variabile competitiva. Un’organizzazione che riesce a ottenere lo stesso output cognitivo con il 30 per cento di token in meno non sta semplicemente riducendo costi, ma sta aumentando la propria velocità di iterazione strategica rispetto ai concorrenti. In questo senso, l’ottimizzazione dei modelli diventa una forma di vantaggio informazionale, più vicina alla logica dei mercati finanziari ad alta frequenza che a quella dell’IT tradizionale. La competizione non si gioca più solo sulla qualità dell’AI adottata, ma sulla capacità di orchestrarla come sistema economico interno.
La traiettoria complessiva suggerisce che la prossima fase dell’intelligenza artificiale enterprise sarà meno spettacolare e più disciplinata, con un’attenzione crescente a metriche ibride che combinano performance, costo e affidabilità. L’idea che il successo derivi dal semplice aumento dell’utilizzo di modelli linguistici appare sempre più ingenua, quasi una reliquia culturale della prima ondata di entusiasmo. In sua vece emerge una logica più fredda, in cui i sistemi AI vengono valutati come asset produttivi sottoposti a vincoli di rendimento, non come tecnologie da esplorare illimitatamente. Il risultato è un mercato in cui il vero vantaggio competitivo non appartiene a chi consuma più intelligenza artificiale, ma a chi ha imparato a sprecarne meno senza perdere capacità decisionale, una forma di efficienza che, paradossalmente, diventa la nuova misura della sofisticazione tecnologica.