L’intelligenza artificiale generativa si è rapidamente evoluta da singoli progetti pilota a un’infrastruttura ampiamente utilizzata nei settori dello sviluppo, delle vendite, del marketing e dell’assistenza. Con l’aumento del numero di casi d’uso, cresce anche il consumo di accessi ai modelli e, di conseguenza, il peso dei costi. In molte aziende, la gestione di queste spese è in ritardo rispetto al ritmo di adozione. Ciò è dovuto meno a una mancanza di disciplina di bilancio che al modo in cui è organizzato l’accesso ai modelli linguistici. I team accedono spesso ai modelli dei provider tramite una chiave API condivisa, con una fatturazione aggregata a livello di account e calcolata in token. Da questa prospettiva, è impossibile determinare quale utente, team o processo automatizzato stia generando i costi. Un controllo efficace dei costi richiede quindi innanzitutto una mappatura affidabile dei consumi alla loro origine.Le implicazioni finanziarie di questa lacuna diventano evidenti se confrontate con altri tipi di spesa. I costi del personale, del cloud e delle licenze vengono pianificati e attribuiti ai singoli centri di costo, consentendo di valutarne il valore e di limitarne la crescita. In molte organizzazioni, questa base è completamente assente quando si tratta del consumo di AI. Senza una panoramica della spesa effettiva, il contributo di valore di un investimento in AI non può essere calcolato e, senza un’attribuzione a team e processi, la spesa non può essere limitata in modo mirato. A ciò si aggiunge un comportamento tipico: in assenza di un budget, di trasparenza e di una motivazione per la scelta del modello, gli utenti tendono generalmente a scegliere il modello più potente disponibile, anche quando un’opzione più semplice ed economica fornirebbe lo stesso risultato.Indice degli argomenti