Le aziende, mentre si concentrano sul futuro dell’intelligenza artificiale, devono affrontare sfide immediate legate al controllo dei dati, ai costi e alla governance. Il dibattito sull’AI ha assunto toni accesi, con interventi diretti da parte di figure chiave come Dario Amodei, Sam Altman, Elon Musk e Demis Hassabis, che hanno chiesto di rallentare la corsa verso modelli sempre più potenti e di rafforzare i meccanismi di controllo. Tuttavia, la domanda che si pone oggi non è solo su quanto l’AI possa diventare intelligente, ma su come le aziende possano gestire i dati, i costi e i rischi legati all’uso di questa tecnologia.
La governance dei dati e l’economia dell’AI
La gestione dei dati è diventata un tema cruciale. Non si tratta solo di dove vengono conservati, ma di chi può accedervi, quando e a quali condizioni. L’AI non è solo un software, ma un sistema che decide dove vengono elaborati i dati, quali informazioni possono lasciare il perimetro aziendale e quali soggetti entrano nella catena. Per questo, parlare semplicemente di “adottare l’AI” non è sufficiente. La domanda corretta è: quale AI, per quale processo, con quali dati e a quali condizioni? La risposta non può essere sempre la stessa. Per attività semplici ma sensibili, può essere opportuno utilizzare modelli open weight all’interno dell’infrastruttura aziendale. In altri casi, servizi cloud dedicati o architetture RAG permettono di mantenere il controllo sul patrimonio documentale e di fornire al modello solo le informazioni necessarie per svolgere un compito specifico. Non esiste un modello migliore in assoluto, ma solo il più appropriato per quel dato, quel task e quel livello di rischio.
Costi e economia sostenibile dell’AI
Un altro aspetto cruciale è il costo dell’implementazione. I token, che sono la base del consumo dell’AI, non sono solo un problema teorico. Quando l’AI entra stabilmente nei processi aziendali, il costo diventa industriale. Non si tratta più di un costo marginale, ma di una voce di budget che deve essere gestita con attenzione. Secondo dati del 2026, alcune grandi società di consulenza hanno iniziato a introdurre sistemi per governare il consumo di token, con esempi come McKinsey, che ha rilevato che il 10% degli utenti produce il 65% del consumo complessivo. IDC ha iniziato a parlare esplicitamente del token come di una nuova voce di budget aziendale.
Questo significa che i token stanno diventando per l’AI qualcosa di simile all’energia per una fabbrica o al carburante per una flotta. Se non si conosce il consumo, si può costruire un prodotto straordinario, ma si rischia di non sapere se quel prodotto genera realmente margine. Per questo, l’agnosticismo tecnologico diventa ancora più importante: non tutti i task richiedono lo stesso modello. Usare sempre il modello più potente disponibile sarebbe come usare un’auto da Formula 1 per andare a comprare il pane. Alcuni task possono essere eseguiti localmente, altri affidati a servizi esterni. L’obiettivo non è risparmiare qualche token, ma costruire un’economia sostenibile dell’AI, in cui il costo della tecnologia sia proporzionato al valore prodotto.
Le persone e il loro ruolo nell’AI
Infine, non si può ignorare il ruolo delle persone. Non tutti i processi possono avere lo stesso livello di autonomia, e non tutte le decisioni possono essere delegate nello stesso modo. In alcuni casi, l’intervento umano può limitarsi alla verifica dell’output. In altri, deve diventare parte integrante del processo decisionale. Quanto più aumenta la criticità della decisione, il suo impatto e il rischio associato, tanto più deve essere chiaro dove termina il compito della macchina e dove comincia la responsabilità della persona.
Lo human in the loop non dovrebbe essere una correzione applicata a posteriori, ma progettato insieme al processo. Anche qui non esiste una formula universale. Esiste un livello appropriato di automazione per ogni attività. Ed è probabilmente questa la parte meno spettacolare dell’attuale rivoluzione dell’AI. Mentre si discute se le macchine potranno diventare troppo intelligenti per essere controllate, nelle aziende dobbiamo affrontare una domanda molto più immediata: siamo abbastanza bravi noi a controllare come le stiamo utilizzando oggi?
