Nelle aziende tecnologiche più avanzate della Silicon Valley si sta affermando una dinamica economica che fino a pochi anni fa sarebbe stata considerata improbabile: il costo dell’utilizzo dell’intelligenza artificiale sta superando quello del lavoro umano, modificando in modo sostanziale le priorità di investimento e le logiche di gestione operativa. Le dichiarazioni rilasciate da Brian Catanzaro, vicepresidente delle applicazioni di deep learning presso NVIDIA, sintetizzano con precisione questo cambiamento, evidenziando come i costi di calcolo del suo team siano ormai “di gran lunga superiori” ai costi del personale.
Questa affermazione non rappresenta un caso isolato, ma si inserisce in un contesto più ampio in cui l’intelligenza artificiale è passata da servizio accessorio a infrastruttura centrale nei processi produttivi. Il modello economico basato sui token, che regola l’accesso ai modelli linguistici avanzati, introduce una variabile di costo direttamente proporzionale all’utilizzo effettivo, rendendo l’adozione dell’AI una componente dinamica e potenzialmente crescente del bilancio aziendale. Le parole di Jensen Huang, secondo cui un ingegnere con uno stipendio annuo di 500.000 dollari può generare fino a 250.000 dollari di costi in token, chiariscono come il consumo di risorse computazionali sia ormai assimilabile a una voce di spesa primaria.
Questa trasformazione è legata alla crescente complessità dei modelli utilizzati, in particolare quelli dedicati alla generazione e analisi del codice. Strumenti come Claude Code sviluppato da Anthropic richiedono cicli di inferenza intensivi, con richieste computazionali elevate anche per attività apparentemente semplici. Il risultato è un incremento esponenziale del consumo di token, soprattutto in ambienti di sviluppo dove l’interazione con il modello è continua e iterativa.
L’esperienza riportata da Pravin Naga, Chief Technology Officer di Uber, evidenzia le implicazioni operative di questa dinamica. Il budget destinato all’intelligenza artificiale per il 2026 è stato esaurito in pochi mesi, a causa dell’adozione massiva di strumenti di coding assistito. Questo scenario indica che la pianificazione finanziaria tradizionale, basata su costi relativamente stabili, non è più adeguata a gestire una tecnologia il cui utilizzo può crescere rapidamente senza limiti predefiniti.
Un caso ancora più emblematico è quello riportato da Amos Bar-Joseph, che ha condiviso una fattura superiore a 113.400 dollari emessa da Anthropic per una startup con soli quattro dipendenti. In termini pro capite, il costo mensile per l’utilizzo dell’AI supera i 28.000 dollari, una cifra che eccede significativamente il costo del lavoro umano. Questo dato mette in evidenza come, nelle organizzazioni altamente automatizzate, la principale risorsa economica non sia più la forza lavoro, ma la capacità computazionale.
Il fenomeno ha portato alla nascita di pratiche interne definite informalmente “tokenmaxxing”, ovvero l’ottimizzazione spinta dell’utilizzo dei modelli AI per massimizzare la produttività, anche a costo di incrementare significativamente la spesa. Tuttavia, questa strategia sta mostrando i suoi limiti, perché il costo marginale di ogni interazione con il modello diventa un fattore critico, soprattutto quando non è direttamente correlato a un incremento proporzionale del valore prodotto.
Nonostante l’aumento dei costi, la sostituzione dell’intelligenza artificiale con il lavoro umano non è considerata una soluzione praticabile. I sistemi AI offrono vantaggi strutturali difficilmente replicabili, tra cui la capacità di operare senza interruzioni, la velocità di elaborazione e la scalabilità. Questo crea una situazione in cui le aziende sono costrette a sostenere costi elevati nel breve termine per mantenere un vantaggio competitivo nel lungo periodo. Il cambiamento più rilevante riguarda quindi il modo in cui viene valutata la forza lavoro. Secondo Brad Owens di Assemble, il confronto tra risorse umane e digitali non avviene più in termini di occupazione, ma di servizi erogati. L’unità di misura non è più il dipendente, ma la funzione svolta, che può essere eseguita indifferentemente da una persona o da un sistema AI, a seconda dell’efficienza economica.
In questo contesto, emergono anche differenze significative tra i vari fornitori di modelli. Alcuni investitori di OpenAI hanno evidenziato come strumenti come Codex offrano un’efficienza superiore in termini di utilizzo dei token rispetto a soluzioni concorrenti, influenzando direttamente le decisioni di adozione da parte delle aziende. L’aumento della base utenti di Codex, passata da 2 a 4 milioni in un solo mese, conferma che il costo per unità di output sta diventando un parametro determinante quanto le prestazioni. Parallelamente, Anthropic sta valutando un cambiamento nel proprio modello di pricing, passando da abbonamenti fissi a sistemi basati sull’utilizzo effettivo, proprio per rispondere alla crescente pressione sui costi. Questo segnale indica che anche i fornitori stanno adattando le proprie strategie a un mercato in cui la sostenibilità economica dell’AI è diventata una questione centrale.