Il costo dell'AI è un freno. E potrebbe salvare posti di lavoro che sembravano spacciati

22/07/2026 ECONOMIA Preferisci Informazione.News su Google

Redazione Economia   -   L'intelligenza artificiale generativa è stata presentata alle aziende come una tecnologia capace di ridurre i costi, aumentare la produttività e automatizzare una parte crescente del lavoro umano. Un preambolo che cozza però contro il reale costo dell'adozione delle IA che, come evidenzia il sito Futurism.com, rappresenta un possibile collo di bottiglia tale da indurre le aziende e le organizzazioni a fare riflessioni di un certo tipo. La distanza tra la sperimentazione e la piena operatività resta ampia, e il prezzo dichiarato per milione di token racconta solo una parte del problema.

Il paradosso del PoC: quando la sperimentazione non decolla

Il dato più brutale emerso dai recenti tavoli di lavoro tra i CIO e CTO delle principali aziende italiane è che, su 400 Proof of Concept (PoC) avviati, mediamente solo 3 arrivano in produzione. Un filtro darwiniano necessario, certo, ma che rivela un errore strategico di fondo: finanziare singoli casi d'uso slegati tra loro, spesso duplicando sforzi e costi.

L'adozione dell'intelligenza artificiale nelle imprese italiane, sebbene in crescita, resta disomogenea: se il 71% delle grandi aziende ha avviato almeno un progetto, solo il 21% dichiara iniziative operative strutturate, mentre nelle PMI i progetti attivi si fermano all'8% nonostante un 69% di imprese interessate. Questo scollamento tra interesse e implementazione concreta è un campanello d'allarme che il mercato, pur avendo raggiunto 1,8 miliardi di euro nel 2025 con una crescita del 50%, non può ignorare.

Il peso della bolletta: consumi e costi nascosti

Mentre si discute di algoritmi e modelli, i data center iniziano a scottare. L'infrastruttura AI ha un peso specifico che, se non gestito con una logica di FinOps, diventa insostenibile. I rack per l'AI possono richiedere oltre 60 kW, un ordine di grandezza superiore rispetto ai tradizionali 5-10 kW, e Gartner stima che il consumo energetico dei data center triplicherà entro il 2030 proprio a causa dell'AI. Ma il vero iceberg è il Total Cost of Ownership (TCO): il costo dell'AI non è solo quello delle licenze o dell'hardware.

Ci sono i costi nascosti dello scaling che emergono dopo il lancio, come il monitoraggio di un modello in produzione che può costare fino a 100.000 euro l'anno, senza contare i costi reputazionali in caso di errori e la necessità di una revisione costante dei dati. A complicare ulteriormente il quadro, la governance dichiarata matura e integrata solo dal 9% delle aziende: senza regole chiare, l'uso cresce in modo opportunistico e l'azienda si accorge della spesa solo a consuntivo.

Locale vs cloud: un calcolo che va oltre il prezzo del token

La scelta tra possedere il modello e affittarlo non si riduce a un confronto di prezzo per token, ma dipende dal volume di utilizzo e dal tipo di lavoro. Per carichi di lavoro continui, l'investimento in hardware locale può rivelarsi conveniente: una GPU consumer usata come la RTX 3090 da 24GB, che consente di eseguire modelli nella fascia 27B-32B con quantizzazione a 4 bit, costa tra gli 850 e i 1.200 dollari, e rappresenta il miglior compromesso per un uso quotidiano.

Chi genera almeno 80 dollari al mese di chiamate API, con una scheda che consuma tra i 50 e i 140 dollari l'anno di elettricità, può ammortizzare l'investimento in tempi ragionevoli. Per compiti puntuali e computazionalmente pesanti, invece, il noleggio di una GPU nel cloud ha un senso economico innegabile: noleggiare una RTX 4090 su piattaforme come Vast.ai per mezz'ora può costare meno dell'elettricità che si consumerebbe per far girare la stessa operazione per ore sulla propria GPU locale, con il vantaggio di utilizzare il modello in piena precisione senza quantizzazione.

Il punto è che il modello open-source è gratis, ma la gestione locale dell'hardware può diventare una bella gatta da pelare, sia a livello tecnico che economico.

Un freno che salva i posti di lavoro?

E qui sta il paradosso. L'AI è stata a lungo dipinta come una minaccia per l'occupazione, ma il suo costo di implementazione potrebbe rivelarsi un freno all'automazione selvaggia che molti paventavano. Secondo il Future of Jobs Report 2025 del World Economic Forum, entro il 2030 potrebbero scomparire circa 92 milioni di occupazioni, ma al tempo stesso ne nasceranno oltre 170 milioni, segno che l'AI non distrugge il lavoro, bensì lo trasforma.

Il report di BCG conferma questa prospettiva: il 64% dei dirigenti prevede che la forza lavoro rimarrà stabile grazie all'integrazione dell'AI come supporto alle attività umane, mentre solo il 7% delle imprese ipotizza una riduzione del personale dovuta all'automazione.

In sostanza, per quanto l'AI abbia un potenziale dirompente, la sua adozione su larga scala si scontra con una realtà fatta di costi infrastrutturali, competenze limitate e complessità normative che rallentano i processi, costringendo le aziende a procedere con cautela e a preservare, almeno per ora, il capitale umano.