Marty Kausas, CEO dell'azienda di software per il supporto clienti Pylon, ha recentemente evidenziato una sfida di budget legata all'IA che molte aziende probabilmente dovranno affrontare. La fattura annuale di Anthropic di Pylon, ha osservato, era destinata a passare da circa 400.000 dollari a 1,4 milioni di dollari una volta superate le 150 postazioni. L'aumento non era dovuto a un'improvvisa impennata nell'utilizzo, ma a un cambiamento strutturale nei prezzi: oltre le 150 postazioni, Pylon sarebbe passata da un piano con utilizzo incluso a un piano enterprise in cui i token venivano fatturati separatamente alle tariffe API standard.

Kausas è stato schietto nella sua valutazione: dopo anni passati a incoraggiare i dipendenti ad abbracciare gli strumenti di IA, Pylon aveva iniziato a imporre limiti di spesa e a richiedere approvazioni per consumi aggiuntivi.

La situazione di Pylon illustra una trasformazione più ampia in corso. Molte aziende hanno inizialmente adottato l'IA a condizioni estremamente favorevoli: utilizzo in bundle, prezzi introduttivi, sconti enterprise generosi e un deployment relativamente limitato. Man mano che questi accordi scadono e i progetti pilota si trasformano in sistemi di produzione, il vero costo dell'IA aziendale sta emergendo con chiarezza.

Contemporaneamente, la tecnologia sottostante sta diventando meno costosa. I costi di inferenza sono diminuiti significativamente, la concorrenza tra i provider di modelli rimane accesa e le organizzazioni hanno ora più opzioni per indirizzare le attività verso modelli più piccoli ed efficienti. I principali provider, tra cui OpenAI, Anthropic e Google, hanno ripetutamene ridotto i prezzi delle API per i loro modelli di punta negli ultimi due anni, mentre le alternative open-source di Meta e altri hanno esercitato un'ulteriore pressione al ribasso.

Il risultato paradossale è che l'IA può diventare più economica da utilizzare isolatamente, ma considerevolmente più costosa da gestire a livello di un'intera organizzazione. Man mano che i modelli diventano più capaci, le aziende assegnano loro più lavoro, li estendono a più dipendenti e li integrano in più prodotti. I conseguenti aumenti di volume e complessità possono facilmente superare qualsiasi risparmio derivante da prezzi unitari inferiori.

Questo fenomeno non è esclusivo dell'IA. Il calcolo è diventato più economico e le organizzazioni ne hanno consumato molto di più. I prezzi dello storage sono diminuiti e le aziende hanno conservato molti più dati. I costi di banda si sono ridotti e i video hanno preso a dominare il traffico internet. L'efficienza espande costantemente i mercati — un pattern che gli economisti osservano fin dal diciannovesimo secolo, quando i motori a carbone più efficienti aumentarono paradossalmente il consumo complessivo di carbone invece di ridurlo. L'IA è pronta a seguire la stessa traiettoria, ma con una distinzione fondamentale: gran parte del suo consumo sarà difficile da osservare per i dirigenti.

Il software aziendale tradizionale è tipicamente prezzato su un'unità visibile: una postazione, una transazione o un account cliente. I sistemi di IA agentiva, al contrario, possono generare costi in modo autonomo e disomogeneo. Due dipendenti con la stessa licenza possono consumare quantità radicalmente diverse di potenza di calcolo. Un sistema può diventare più capace richiedendo allo stesso tempo contesti più lunghi, passaggi di ragionamento aggiuntivi e più chiamate a strumenti esterni. A differenza degli abbonamenti SaaS, dove i costi scalano linearmente con il numero di dipendenti, il prezzo basato su token introduce una variabilità che la maggior parte dei processi di budget aziendali non era progettata per gestire.

Ciò crea una sfida di gestione completamente nuova. Le aziende non possono più equiparare l'acquisto dell'accesso all'IA al controllo dei suoi costi.

Durante la prima fase di adozione dell'IA aziendale, questo problema era facile da trascurare. La maggior parte delle organizzazioni stava conducendo esperimenti e distribuendo un numero limitato di licenze. Queste iniziative hanno rivelato se i dipendenti avrebbero usato gli strumenti di IA, ma non hanno affrontato la domanda che ora conta di più: se quell'utilizzo generi un valore economico sufficiente.

Man mano che i budget di IA passano da sperimentali a materiali, le aziende devono sostituire le metriche di adozione con l'economia unitaria. Per un sistema di supporto clienti, le misure rilevanti potrebbero includere il costo per caso risolto con successo, il tempo di risoluzione e il tasso di escalation. Per Smartling, un'azienda di traduzione basata sull'IA, metriche significative potrebbero includere il costo di produzione di contenuti a un livello di qualità concordato, il tempo necessario per entrare in un nuovo mercato o il volume di contenuti che un'azienda può rendere economicamente disponibile in ogni lingua.

Queste metriche sono intrinsecamente più difficili da calcolare rispetto ai semplici dati di utilizzo. Richiedono alle aziende di definire il risultato desiderato prima di implementare una tecnologia, stabilire una baseline e tener conto sia del costo della tecnologia sia del lavoro umano che rimane attorno ad essa.

Negli ultimi anni, il processo di costruzione di Smartling attorno all'IA ha rivelato che la sfida centrale non è mai stata introdurre l'IA nell'organizzazione o persuadere le persone a usarla. La vera sfida era identificare dove l'IA modificava materialmente l'economia del lavoro.

Una traduzione più economica, ad esempio, offre un valore limitato se le correzioni umane che richiede eliminano i risparmi. La metrica rilevante non è il numero di parole che passano attraverso un sistema di IA, ma il costo e il valore aziendale della produzione di contenuti multilingue utilizzabili.

Lo stesso principio si applica all'intera azienda. Ogni implementazione di IA dovrebbe iniziare con un'ipotesi economica chiara: quale costo diminuirà, quale vincolo sarà rimosso o quale flusso di entrate aumenterà? Ogni implementazione dovrebbe poi essere valutata rispetto a quell'ipotesi, non rispetto al volume grezzo di IA consumata.

La prossima fase dell'IA aziendale, pertanto, non sarà definita da quali aziende raggiungono i tassi di adozione più elevati. Sarà definita da quali aziende comprendono genuinamente l'economia di ciò che hanno adottato.

Le organizzazioni che riescono a collegare la spesa in IA a entrate, margini, capacità o vantaggio strategico continueranno a investire, anche mentre la loro spesa assoluta aumenta.

L'IA non deve diventare economica per giustificare il proprio posto nell'azienda. Deve diventare economicamente leggibile. Le aziende che ci riescono non necessariamente spenderanno meno in IA, ma sapranno esattamente cosa sta comprando ogni dollaro aggiuntivo.

Le opinioni espresse negli articoli di commento su Fortune.com sono esclusivamente le opinioni dei rispettivi autori e non riflettono necessariamente le opinioni e le convinzioni di Fortune.

Questo articolo è stato originariamente pubblicato su Fortune.com.