Quando l’IA costa più dei dipendenti: il paradosso economico

Un report interno di Amazon, ha rivelato un dato scomodo: l’assistente di programmazione AI dell’azienda, CodeWhisperer, genera codice che richiede revisioni umane nel 30% dei casi, con un costo complessivo per linea di codice superiore a quello di uno sviluppatore senior. Non è un caso isolato. Sempre più aziende stanno scoprendo che la promessa di tagliare i costi con l’intelligenza artificiale si scontra con una realtà economica più complessa.

L’illusione del risparmio automatico

La narrativa dominante degli ultimi due anni ha dipinto l’AI generativa come una macchina per stampare efficienza. McKinsey stimava risparmi potenziali fino a 4,4 trilioni di dollari annui. Goldman Sachs parlava di aumenti di produttività del 1,5% del PIL globale. Ma queste proiezioni aggregavano scenari ideali, ignorando i costi nascosti dell’implementazione reale.

Il primo problema è l’infrastruttura. Addestrare e far girare modelli di grandi dimensioni richiede GPU di fascia alta. Una singola NVIDIA H100 costa circa 30.000 dollari, ma la disponibilità limitata ha fatto schizzare i prezzi sul mercato secondario oltre i 40.000. Per un deployment enterprise serio servono cluster di centinaia o migliaia di unità. Microsoft ha investito oltre 10 miliardi in infrastruttura AI solo nel 2023.

Chi non può permettersi hardware proprietario si affida al cloud. Ma le tariffe dei servizi AI-as-a-Service sono tutt’altro che economiche. L’API di GPT-4 Turbo costa 10 dollari per milione di token in input e 30 in output. Per un’applicazione enterprise con milioni di query giornaliere, la bolletta mensile può superare facilmente gli stipendi di un intero reparto.

Il costo nascosto della supervisione umana

I modelli di linguaggio di grandi dimensioni soffrono di un problema strutturale: le allucinazioni. Generano informazioni plausibili ma false con una frequenza che varia dal 3% al 27% a seconda del task, secondo uno studio di Vectara pubblicato nel 2023. In ambiti come legal, finance o healthcare, ogni output deve essere verificato da un esperto umano.

Questo fenomeno ha un nome: human-in-the-loop. E ha un costo. Korn Ferry ha calcolato che le aziende che implementano sistemi AI per automazione documentale spendono in media il 40% del budget previsto in personale di supervisione e correzione. Il dipendente non viene eliminato: viene spostato da produttore a revisore, spesso con mansioni più frustranti e meno qualificanti.

La vera domanda non è se l’AI può fare il lavoro, ma se può farlo abbastanza bene da non richiedere che qualcuno lo rifaccia.

A questo si aggiunge il costo della manutenzione continua. I modelli degradano nel tempo, un fenomeno noto come model drift. I dati del mondo reale cambiano, e le performance calano. Retraining e fine-tuning richiedono team dedicati di ML engineers, figura professionale con stipendi medi che negli Stati Uniti superano i 150.000 dollari annui.

Il caso dei contact center: numeri reali

Prendiamo un esempio concreto. I contact center sono stati tra i primi settori a adottare massicciamente chatbot e assistenti vocali basati su AI. Gartner prevedeva che entro il 2026 il 75% delle interazioni sarebbe stato gestito senza intervento umano.

La realtà è diversa. Uno studio di ContactBabel del 2024 mostra che:

• Il tasso di risoluzione al primo contatto dei chatbot AI è del 23%, contro il 74% degli operatori umani
• Il 67% dei clienti che interagisce con un bot finisce per richiedere un operatore
• Il costo per interazione risolta è di 8,50 dollari per l’AI contro 6,20 per l’umano, quando si includono le escalation

Il risparmio esiste solo se il bot risolve effettivamente il problema. Altrimenti, si paga due volte: prima la macchina, poi la persona.

Energia: la voce che nessuno vuole vedere

C’è poi la questione energetica, sempre più rilevante. L’Agenzia Internazionale dell’Energia stima che i data center dedicati all’AI consumeranno oltre 1.000 TWh entro il 2026, più del consumo elettrico del Giappone. Una singola query a ChatGPT consuma circa 10 volte l’energia di una ricerca Google tradizionale.

Per le aziende, questo si traduce in costi operativi crescenti e in pressioni ESG difficili da ignorare. Google ha ammesso che le emissioni legate ai suoi data center sono aumentate del 48% tra il 2019 e il 2023, in gran parte a causa dell’AI. I contratti PPA per energia rinnovabile non bastano a compensare, e il greenwashing ha vita breve con gli investitori istituzionali.

Quando l’AI conviene davvero

Questo non significa che l’intelligenza artificiale sia sempre antieconomica. Esistono casi d’uso con ROI dimostrato:

1. Analisi predittiva su larga scala: la manutenzione predittiva in ambito manifatturiero genera risparmi documentati del 10-25% sui costi operativi
2. Drug discovery: Insilico Medicine ha portato un farmaco alla fase clinica in 18 mesi invece dei canonici 4-5 anni
3. Generazione di codice per task ripetitivi: GitHub Copilot aumenta la produttività del 55% su task di boilerplate, secondo dati interni di GitHub

Il pattern comune è chiaro: l’AI funziona economicamente quando opera su task ad alto volume, bassa variabilità e tolleranza all’errore ragionevole. Non quando deve sostituire il giudizio umano in contesti critici.

La trappola del sunk cost

Molte aziende che hanno investito pesantemente in progetti AI si trovano ora in una posizione scomoda. Ammettere che i costi superano i benefici significherebbe riconoscere un fallimento strategico. Si crea così una dinamica di sunk cost fallacy: si continua a investire non perché conviene, ma perché si è già investito troppo per fermarsi.

Secondo un’indagine di Boston Consulting Group, il 74% dei progetti AI enterprise non raggiunge gli obiettivi di business prefissati. Ma solo il 12% viene effettivamente abbandonato. Il resto sopravvive in un limbo di pilot perpetui e proof of concept mai scalati.

Verso un calcolo più onesto

Il problema non è l’intelligenza artificiale in sé, ma l’aspettativa irrealistica che la circonda. I CFO stanno imparando, spesso a proprie spese, che il Total Cost of Ownership di un sistema AI include molto più del canone della piattaforma: infrastruttura, energia, personale specializzato, supervisione, manutenzione, costi di opportunità.

La domanda che ogni azienda dovrebbe porsi non è se adottare l’AI, ma per quali processi specifici il calcolo economico regge. E per quali, invece, un team umano ben formato resta la scelta più razionale. La risposta, spesso, è meno entusiasmante di quanto i vendor vorrebbero far credere.