L’uso dell’intelligenza artificiale non cresce in modo uniforme tra professioni, attività e momenti della giornata. I dati raccolti sull’utilizzo di Claude mostrano che le occupazioni con livelli retributivi più elevati tendono a generare conversazioni molto più lunghe, articolate e intensive dal punto di vista computazionale. Nei lavori collocati nella fascia salariale superiore, il consumo di token supera di oltre il doppio quello osservato nelle professioni meno retribuite, mentre le richieste legate allo sviluppo di applicazioni arrivano a utilizzare più di tre volte i token di una conversazione ordinaria.
Il dato è importante perché il token non misura soltanto la lunghezza di una domanda o di una risposta. In una sessione di lavoro complessa, il modello deve mantenere in memoria istruzioni, vincoli, documenti allegati, codice, revisioni successive, contesto aziendale e obiettivi intermedi. Un utente che chiede di correggere un bug, costruire una presentazione, valutare un investimento o rivedere un documento non avvia necessariamente una singola richiesta: tende invece a procedere per iterazioni, aggiungendo dati, verificando risultati, richiedendo modifiche e affinando il compito fino alla produzione di un output utilizzabile.
La differenza nel consumo di token dipende quindi soprattutto dalla natura del lavoro. Le attività più specialistiche richiedono una maggiore quantità di contesto e contengono spesso vincoli impliciti che devono essere esplicitati durante il dialogo. Nello sviluppo software, ad esempio, l’AI può dover leggere una porzione di repository, interpretare log di errore, confrontare versioni di codice, proporre una patch e poi adattarla ai test o alle richieste del team. Nella consulenza, nella finanza, nella ricerca o nella gestione operativa il processo è simile: non si tratta di ottenere una risposta immediata, ma di trasformare un insieme eterogeneo di informazioni in una decisione, una bozza, un’analisi o un documento.
L’analisi evidenzia che circa il 44% della differenza nell’uso dei token può essere ricondotto alla complessità e alla specializzazione delle attività svolte. Questo significa che il costo infrastrutturale dell’AI non dipende solo dal numero di utenti o di messaggi, ma dalla profondità con cui il sistema viene integrato nei processi professionali. Una piattaforma utilizzata per domande rapide, riassunti e richieste generiche ha un profilo di consumo molto diverso rispetto a uno strumento impiegato quotidianamente per generare codice, valutare scenari, analizzare documenti o produrre materiali destinati al lavoro.
Anche gli orari di utilizzo mostrano una relazione diretta tra AI e routine quotidiane. Le domande sulle notizie tendono a concentrarsi nelle prime ore del mattino, la scrittura di email professionali cresce nella fascia centrale della giornata, le richieste di ricette aumentano nel tardo pomeriggio e i dialoghi legati al sonno si concentrano nelle ore notturne. Non si tratta soltanto di curiosità statistiche: questi segnali mostrano che gli assistenti AI stanno assumendo ruoli diversi in base al contesto temporale, passando dalla produttività al supporto decisionale, fino all’assistenza personale.
Un altro elemento rilevante è che la maggior parte delle conversazioni non si ferma alla richiesta di informazioni. Il 93% dei dialoghi analizzati porta alla creazione di un risultato concreto, come un testo, un documento, una modifica al codice, una risposta strutturata o un contenuto pronto per essere riutilizzato. L’AI viene quindi impiegata sempre meno come semplice motore di risposta e sempre più come ambiente di produzione.
La conseguenza pratica è che le aziende dovranno valutare l’adozione dell’intelligenza artificiale anche attraverso metriche diverse dal numero di accessi. Sarà necessario misurare quali attività vengono affidate ai modelli, quanto contesto richiedono, quante iterazioni servono per ottenere un output valido e quale valore viene prodotto per ogni sessione. Nei lavori più complessi, un consumo maggiore di token non indica necessariamente inefficienza: può essere il segnale che l’AI sta partecipando a processi più ricchi, più specializzati e più vicini alle decisioni reali.