La potenza cresce. Allo stesso modo il prezzo per risultato
Nei progetti con AI il progresso si vede in fretta: modelli migliori nel ragionamento, agenti che possono suddividere il lavoro e integrazioni più vicine ai sistemi reali dell'azienda. In parallelo cresce il costo per token, per minuto di agente o per sessione ad alto sforzo. Se tratti ogni compito come una dimostrazione di forza massima, la fattura supera il valore consegnato.
Per un'azienda la domanda utile non è «qual è il modello più potente?», ma «che qualità ci serve qui e quanto vale pagarla?». Una buona risposta a un'email di supporto, l'estrazione da una fattura e un piano di architettura non hanno gli stessi requisiti. La disciplina sui costi inizia da questa separazione.
Parti dallo sforzo medio; alzalo solo quando serve
Molte piattaforme consentono un livello di sforzo o di «ragionamento» per lo stesso modello: meno sforzo significa risposte più rapide ed economiche; più sforzo può migliorare la qualità su problemi difficili. In pratica conviene partire da un livello medio su un set di esempi reali. Solo se il risultato fallisce chiaramente — omissioni, errori di logica, piani incompleti — alzi lo sforzo e annoti per quale tipo di compito è stato necessario.
Questo approccio evita due estremi: eseguire tutto al massimo «per stare sicuri» e restare permanent su impostazioni minime che costringono il team a correggere. Un breve diario con tipo di compito, livello usato e se è servito un secondo tentativo aiuta a definire una policy interna, non solo una preferenza del momento.
Nei flussi multi-agente, metti la potenza dove conta
Quando un flusso usa un orchestratore e più subagent, il costo totale dipende da quante chiamate fa ogni ruolo e quanto costa il modello dietro. Una regola pratica: riserva i modelli più capaci ai passaggi in cui l'errore costa caro — analisi, progettazione, verifica — e usa modelli più economici per routing, sintesi brevi o formattazione, se la qualità resta accettabile.
Nei setup con agenti conviene verificare chi consuma di più: a volte un orchestratore su un modello costoso alza la fattura anche se il lavoro difficile è già delegato. Esempio pratico: puoi assegnare un modello molto capace ai subagent che risolvono compiti difficili e un modello più leggero al coordinamento, così l'uso complessivo resta prevedibile. Il principio resta: adatta la potenza al ruolo, non all'abitudine.
Modelli capaci, con un buon rapporto qualità–prezzo
Non ogni compito richiede il «top di gamma». Per classificazione, estrazione strutturata, riformulazione o una prima bozza su dati chiari, un modello rapido e più accessibile può bastare. I modelli di classe Google Gemini Flash, ad esempio, sono spesso scelti quando serve un buon rapporto qualità–costo su volumi più alti — a patto di testarli sui tuoi dati, non solo su demo pubbliche.
Costruisci una scala interna: modello economico per volume e passaggi prevedibili; modello intermedio per la maggior parte del lavoro di progetto; modello di fascia alta per i casi difficili o la verifica finale. Cambia gradino dopo un fallimento misurato, non dopo l'impressione di una sola conversazione.
Invia meno contesto, ma quello giusto
Parte del costo arriva dai volumi di testo inviati a ogni chiamata: cronologia lunga, file interi o documentazione irrilevante. Prima di un passaggio costoso, limita il contesto alle fonti necessarie a quel compito. Un buon indice, una ricerca mirata o un elenco breve di file rilevanti di solito costa meno di «prendi tutto il repository».
Allo stesso modo, separa i passaggi che possono essere regole senza modello — validazioni, calcoli su griglie, notifiche — da quelli che davvero richiedono interpretazione. Meno chiamate AI su flussi prevedibili significa fattura più bassa e più controllo.
Misura il costo per risultato accettato, non per chiamata
Una chiamata economica che produce una bozza sbagliata e tre round di correzione può costare più di una chiamata più cara che supera la verifica al primo tentativo. In un pilot, monitora: costo dei servizi, tempo di review umano e tasso di accettazione. Queste tre cifre dicono più del prezzo per milione di token in una tabella di marketing.
Definisci subito cosa significa «fatto»: campi obbligatori completi, senza inventare dati, rispetto delle regole aziendali. Senza questo criterio ottimizzi la velocità, non il valore. Un quadro concreto per la baseline e il calcolo del ROI è nella guida sulla misurazione di un pilot AI.
Come applichiamo la disciplina sui costi in un progetto
In una discussione di progetto sono utili: i tipi di compiti da automatizzare, i volumi stimati al mese e un esempio di risultato che il team considera corretto. Da lì possiamo proporre un'architettura per ruoli — cosa gira su regole, cosa su un modello economico, cosa su uno più capace — con verifica umana dove l'errore ha impatto commerciale o legale.
L'obiettivo non è usare sempre il modello più nuovo, ma consegnare un processo sostenibile: prevedibile nello sforzo, trasparente nei costi e abbastanza buono per il lavoro quotidiano. La potenza dell'AI vale; lo spreco no.