AI FOMO: il costo nascosto dell'IA e perché i CEO e i decision maker stanno sbagliando

Il fenomeno

Che cos'è l'AI FOMO

Stiamo assistendo a un paradosso. Da un lato, la corsa frenetica all'adozione dell'intelligenza artificiale guidata dalla paura di rimanere indietro, la FOMO (fear of missing out). Dall'altro, una realtà fatta del costo nascosto dell'IA, di problemi tecnici e dell'illusione di poter sostituire il capitale umano con un software.

Il meccanismo è semplice: i mercati e gli investitori premiano chi annuncia di stare implementando l'IA e di tagliare i costi fissi. Un'azienda che frena sull'automazione rischia di apparire vecchia agli occhi del mercato. Così la decisione di adottare l'IA diventa spesso una scelta finanziaria e di posizionamento più che tecnica. E quando la motivazione è la paura, i conti si fanno dopo.

Il vero costo

Il costo nascosto dell'IA: quanto costa davvero usarla

Molti manager hanno approcciato l'IA pensando che costasse solo l'abbonamento mensile alle licenze: i classici 20 o 30 euro a utente. È solo la punta dell'iceberg: il costo nascosto dell'IA sta sotto la superficie. Il costo del modello è quasi sempre la più piccola delle voci sull'intero ciclo di vita di un progetto serio.

I costi reali si raggruppano in tre famiglie:

1. Calcolo e consumo delle API. Man mano che persone e sistemi usano l'IA per compiti complessi (scrivere codice, analizzare grandi volumi di dati), il consumo di token sale. Il prezzo per token cala anno dopo anno, ma il consumo cresce molto più in fretta: in pratica, la fattura aumenta. I sistemi agentici, che fanno più chiamate e cicli di ragionamento per ogni risposta, moltiplicano il conto.
2. Integrazione e RAG (Retrieval-Augmented Generation, la tecnica che collega il modello ai dati interni dell'azienda). Un'IA generica non sa nulla dei documenti e dei dati di un'azienda. Per renderla utile va collegata ai sistemi aziendali tramite database vettoriali, orchestrazione e monitoraggio: una piccola piattaforma da costruire e mantenere, con ingegneri dei dati dedicati.
3. Supervisione e correzione degli errori. Quando l'IA "allucina" (inventa un dato, sbaglia un calcolo), il costo per riparare il danno a valle (clienti arrabbiati, contratti errati, bug nel software) è spesso esponenzialmente più alto del risparmio iniziale.A questo si aggiungono i retry, cioè i tentativi ripetuti quando una risposta fallisce, e i fallback, cioè il ricorso a un sistema alternativo quando il modello principale non basta. Anche questi passaggi aumentano i token effettivamente fatturati.

Il risultato è che i direttori finanziari, abituati a budget per licenze e personale, sottostimano sistematicamente la spesa. Secondo Deloitte oltre la metà dei leader investe ormai tra il 21% e il 50% del budget di trasformazione digitale in IA, anche se molti faticano a collegare quella spesa a risultati concreti. Con il prezzo a consumo, la spesa effettiva può superare rapidamente le proiezioni iniziali, soprattutto quando aumentano chiamate, token, retry, fallback e complessità dei workflow agentici.

Il modello costa poco. È tutto il resto (i dati, l'integrazione, gli errori, le persone che li correggono) che presenta il conto.

L'errore strategico

Perché le aziende tagliano i professionisti per sistemi non testati?

La scelta di sostituire personale qualificato con l'IA nasce quasi sempre da logiche a breve termine più che da una reale superiorità tecnica dello strumento:

1. La pressione di mercati e investitori. Tagliare gli stipendi e annunciare IA fa salire le quotazioni. Il costo del personale è una voce visibile e immediata in bilancio; il valore della competenza è diffuso e difficile da misurare.
2. La trappola del "funziona all'80%". I sistemi moderni sono impressionanti nei primi cinque minuti. Creano l'illusione che una macchina possa fare il lavoro di un senior. Ma quel 20% di precisione mancante è esattamente ciò che separa un lavoro mediocre da uno eccellente e sicuro.
3. La scalabilità teorica. Un software non va in ferie, non si ammala, lavora su diecimila pratiche insieme. Sulla carta è il sogno di ogni responsabile delle operazioni, finché la qualità del risultato non crolla.

Va detto con onestà: la premessa che le aziende abbiano smesso di spendere in professionisti è in parte sovrastimata. Nella maggior parte dei casi la spesa in IA si aggiunge a quella esistente, senza sostituirla. La sostituzione netta è reale solo in alcune nicchie (customer service di primo livello, contenuti, coding junior). La formulazione più corretta è questa: i manager hanno scommesso che l'IA potesse rimpiazzare l'expertise, e nel 95% dei casi la scommessa non ha ancora pagato.

I dati

Il ritorno reale: cosa dice lo studio MIT

Lo studio del MIT "The GenAI Divide: State of AI in Business 2025" (iniziativa NANDA) ha analizzato 300 implementazioni pubbliche, 150 interviste a dirigenti e 350 questionari ai dipendenti. Il risultato: a fronte di circa 30–40 miliardi di dollari investiti dalle imprese, solo il 5% dei progetti ha ottenuto un ritorno economico misurabile.

Il punto cruciale sta nel "learning gap": l'incapacità dei sistemi di apprendere, adattarsi e integrarsi nei flussi di lavoro reali. I modelli funzionano; a incepparsi è l'organizzazione che li circonda. Solo due settori su nove (tecnologia e media) mostrano una trasformazione strutturale. E mentre solo il 40% delle aziende ha abbonamenti ufficiali, circa il 90% dei lavoratori usa quotidianamente strumenti di IA personali: una "shadow AI economy" che spesso funziona meglio dei sistemi aziendali.

C'è però una leva chiara. I progetti costruiti internamente si arenano nei pilot; quelli affidati a fornitori verticali riescono circa il doppio, perché partono dal flusso di lavoro reale invece che dalla tecnologia.

Il caso

Klarna: la lezione da 700 posti di lavoro

Nel 2024 Klarna dichiarò che il suo assistente IA svolgeva un lavoro equivalente a quello di circa 700 agenti del customer service. Il caso è diventato emblematico perché, dopo una forte spinta sull’automazione, l’azienda ha riconosciuto la necessità di riportare persone nei casi più complessi e delicati.

Sulle richieste semplici l'IA reggeva; su dispute, frodi e casi delicati la qualità crollava e il modello dava risposte sicure ma sbagliate. In un contesto finanziario, una risposta errata sui soldi diventa un problema di compliance, prima ancora che di qualità. Il CEO ha ammesso di essersi spinto troppo oltre, concentrandosi su efficienza e costo a scapito della qualità, e l'azienda è tornata ad assumere persone, passando a un modello ibrido: l'IA sui volumi ripetitivi, gli umani sui casi complessi. Klarna è oggi il caso scuola che ogni board cita per non ripetere lo stesso errore.

Il lato tecnico

Perché all'improvviso smettono di funzionare?

Che questi sistemi a volte "impazziscano" non è un caso: dipende da come sono costruiti. I grandi modelli linguistici non possiedono una comprensione del mondo, sono sofisticati motori statistici che prevedono la parola più probabile. Da qui i blocchi improvvisi:

1. Deriva del modello (model drift). Quando il fornitore aggiorna o manda in pensione una versione, cambiano i pesi interni. Un'IA che il venerdì eseguiva un compito alla perfezione, il lunedì può dare risposte diverse o errate, rompendo i flussi automatizzati.
2. Allucinazioni sui casi nuovi. Più i compiti diventano complessi, più il sistema tende a fabbricare informazioni verosimili ma false. Davanti a scenari mai visti, la probabilità di errore si impenna.
3. Oblio catastrofico. Riaddestrando il modello con nuovi dati, si rischia che "sovrascriva" e dimentichi regole e logiche apprese prima.
4. Lock-in e singolo punto di rottura. Un'interruzione dell'API, un aumento di prezzo o un cambio di policy del fornitore, e il processo si ferma. Chi dipende da un solo modello esterno eredita tutta la sua fragilità.

Cosa fare

Come non finire nel 95%: checklist per decision maker

1. Parti da un perimetro stretto. Un problema preciso, ben definito e misurabile, lontano dal "mettiamo l'IA ovunque".
2. Per i casi non strategici, valuta il partner verticale. Riesce circa il doppio dei build interni e ti evita di costruire una piattaforma da zero.
3. Tieni le persone nel ciclo. Ogni output che ha conseguenze legali, economiche o reputazionali va validato da una persona competente.
4. Tieni conto del costo per ogni risultato ottenuto, più che per singola chiamata. Misura quanto ti costa arrivare a un risultato utile. E guarda sempre il tasso di retry: quando un sistema deve riprovare troppe volte, non sta solo diventando meno affidabile. Sta diventando più caro.
5. Metti in conto la conformità. L’AI Act europeo e le normative nazionali stanno introducendo nuovi obblighi di tracciabilità, controllo e responsabilità nell’uso dei sistemi di intelligenza artificiale. Per le aziende, questo significa poter dimostrare come vengono usati gli algoritmi, chi li supervisiona e come vengono gestiti eventuali errori o decisioni critiche.
6. Usa l'IA per affiancare le persone. I dati premiano i modelli ibridi: la macchina sul volume, l'esperto sulla qualità.

L'IA conviene quando affianca la competenza. Pretendere di rimpiazzarla è la logica "tagliamo i professionisti e mettiamo il chatbot", quella che, dati alla mano, brucia di più.

Vuoi testi e contenuti scritti da una persona, con una voce e una strategia dietro? Scopri come lavoro.