I rapporti di Microsoft mettono in luce il vero problema dei costi dell’intelligenza artificiale: utilizzare questa tecnologia è più costoso che assumere dipendenti umani.
L’ultima marcia indietro di Microsoft in materia di intelligenza artificiale solleva una domanda scomoda per il settore tecnologico: e se l’uso su larga scala dell’intelligenza artificiale finisse per costare più della manodopera che dovrebbe semplificare?
Per anni le aziende tecnologiche hanno presentato l’AI come uno strumento capace di aumentare la produttività, ridurre i tempi di lavoro e abbattere i costi operativi. L’automazione di attività ripetitive, la scrittura di codice e l’analisi dei dati sono state indicate come alcune delle aree in cui l’intelligenza artificiale avrebbe potuto sostituire o alleggerire il lavoro umano.
Tuttavia, mentre l’adozione di questi strumenti cresce all’interno delle grandi aziende, stanno emergendo anche i primi segnali di un problema inatteso: i costi di utilizzo dell’AI potrebbero diventare difficili da sostenere su larga scala.
I recenti casi di Microsoft e Uber mostrano infatti come l’entusiasmo iniziale per gli strumenti di AI generativa si stia scontrando con una realtà più complessa, fatta di consumi elevati, budget rapidamente esauriti e benefici spesso difficili da misurare concretamente. Così, la promessa di un’intelligenza artificiale in grado di sostituire parte del lavoro umano rischia di entrare in conflitto con il peso economico e infrastrutturale necessario per mantenerla operativa.
I primi segnali: Microsoft e Uber
Uno dei primi segnali di questo cambiamento arriva proprio da Microsoft. Secondo quanto riportato dal Fortune, l’azienda avrebbe iniziato a ridurre l’utilizzo interno di Claude Code, lo strumento sviluppato da Anthropic, nonostante solo pochi mesi prima avesse incoraggiato migliaia di dipendenti (tra sviluppatori, designer e project manager) ad adottarlo nelle attività quotidiane. Al suo posto, Microsoft starebbe spingendo maggiormente GitHub Copilot CLI, una soluzione più integrata nel proprio ecosistema.
La decisione non mette in discussione la partnership multimiliardaria tra Microsoft e Anthropic, ma suggerisce che l’utilizzo interno su larga scala possa aver generato costi difficili da giustificare. Più gli strumenti di AI vengono utilizzati, infatti, maggiore è il consumo di risorse computazionali necessarie per farli funzionare.
Un caso simile è emerso anche in Uber. Ad aprile, il direttore tecnico Praveen Neppalli Naga ha dichiarato che l’azienda aveva già esaurito il budget previsto per il 2026 dedicato agli strumenti di codifica AI in meno di quattro mesi. Anche in questo caso, l’utilizzo era stato incentivato internamente, spingendo i team a integrare sempre più frequentemente l’intelligenza artificiale nei processi di sviluppo.
Il problema, però, non riguarda soltanto la spesa economica, ma anche la difficoltà nel misurare i reali benefici ottenuti. Andrew Macdonald, direttore operativo di Uber, ha ammesso che è complicato stabilire un collegamento diretto tra l’aumento dell’utilizzo dell’AI e un effettivo incremento della produttività o della qualità dei servizi offerti ai consumatori.
leggi anche
«Non perderete il lavoro a causa dell’AI, ma del collega che utilizza l’AI». La profezia del CEO di Nvidia
Il nodo dei token e dei costi computazionali (e non solo)
Alla base di questi costi crescenti c’è il funzionamento stesso dei modelli di intelligenza artificiale. La maggior parte degli strumenti AI utilizzati dalle aziende viene infatti pagata in base al consumo di token, unità che rappresentano parole o frammenti di testo elaborati dai modelli durante ogni richiesta.
Operazioni semplici, come una breve domanda a un chatbot, richiedono pochi token e costano solo una frazione di centesimo. Tuttavia, attività più complesse (come la scrittura di codice, l’analisi di grandi quantità di dati o la gestione simultanea di più agenti AI) possono consumare milioni o miliardi di token in tempi molto rapidi.
È proprio la scala di utilizzo a trasformare costi apparentemente minimi in spese enormi per le aziende. Alcuni sviluppatori, ad esempio, utilizzano agenti AI capaci di lavorare autonomamente per ore, generando codice, eseguendo test e analizzando dati anche durante la notte o nei fine settimana. Boris Cherny, responsabile di Claude Code presso Anthropic, ha dichiarato di avere centinaia di agenti attivi contemporaneamente, mentre Peter Steinberger, fondatore dello strumento OpenClaw poi acquisito da OpenAI, ha raccontato di aver consumato oltre un milione di dollari in token in un solo mese.
Le previsioni indicano inoltre che questa domanda sia destinata ad aumentare ulteriormente. Goldman Sachs stima che entro il 2030 il consumo globale di token legato all’AI agentica potrebbe crescere di 24 volte, raggiungendo livelli senza precedenti. Secondo Gartner, anche se il costo dei singoli token dovesse diminuire nel tempo, i modelli più avanzati continueranno comunque a richiederne quantità sempre maggiori per svolgere attività più sofisticate.
Per questo motivo, il problema non riguarda soltanto il prezzo dei modelli AI, ma soprattutto la quantità di potenza computazionale necessaria per mantenerli operativi su larga scala. Come ha sintetizzato Bryan Catanzaro - Vicepresidente della sezione sulle ricerche applicate al Deep Learning - di Nvidia, in molti casi i costi di elaborazione stanno già superando quelli del personale umano che questi strumenti dovrebbero aiutare a sostituire o rendere più efficienti.
La crescita dei costi legati all’intelligenza artificiale sta mettendo in discussione una delle convinzioni più diffuse degli ultimi anni: l’idea che l’AI possa ridurre drasticamente il bisogno di lavoro umano abbattendo le spese aziendali. Seppur vero che gli strumenti promettano maggiore velocità ed efficienza, allo stesso tempo richiedono investimenti sempre più elevati in infrastrutture, potenza di calcolo ed energia.
Quindi, se i costi dell’AI continueranno a crescere, le aziende potrebbero limitare l’accesso agli strumenti più avanzati, introdurre controlli più rigidi o trasferire parte delle spese sui clienti attraverso servizi digitali più costosi.
Oltre ai costi economici, la diffusione dell’intelligenza artificiale sta sollevando anche preoccupazioni sul piano energetico e ambientale. I modelli AI più avanzati richiedono infatti enormi quantità di potenza computazionale, sostenuta da data center che consumano grandi quantità di elettricità e acqua per alimentare e raffreddare i server. Quindi, gli stessi modelli che promettono maggiore efficienza contribuiscono contemporaneamente ad aumentare il fabbisogno energetico globale.
Alla luce di ciò, è evidente che il dibattito non si limita - com’era fino a poco tempo fa - soltanto all’innovazione tecnologica, ma anche alla questione della sostenibilità (non solo ambientale, ma anche economica) nel lungo periodo. È una sfida possibile?
© RIPRODUZIONE RISERVATA
