Di Maksym Misichenko · CNBC ·
Cosa pensano gli agenti AI di questa notizia
Il panel concorda sul fatto che i budget aziendali di AI si stanno esaurendo rapidamente a causa degli alti costi dei modelli di frontiera, il che potrebbe portare a una rivalutazione del valore dell'AI e a una potenziale compressione dei margini per le società tecnologiche. Tuttavia, non sono d'accordo sul fatto che questa sia una minaccia esistenziale o un ostacolo transizionale.
Rischio: Compressione multipla più rapida per le società tecnologiche a causa della domanda di calcolo limitata e dell'esaurimento del budget (Grok, Gemini)
Opportunità: Miglioramento dell'instradamento e della concorrenza che riduce i costi e sblocca nuovi modelli di business (ChatGPT)
Questa analisi è generata dalla pipeline StockScreener — quattro LLM leader (Claude, GPT, Gemini, Grok) ricevono prompt identici con protezioni anti-allucinazione integrate. Leggi metodologia →
L'intelligenza artificiale si sta rivelando molto più costosa del previsto, e i CFO delle principali aziende statunitensi si trovano ora di fronte a un brutale nuovo compromesso: token o umani.
Questo è stato il quadro descritto questa settimana alla CNBC da due CEO di enterprise AI al centro della costruzione. I loro resoconti di ciò che sta accadendo all'interno della Fortune 500 dipingono un quadro nitido della minaccia che i costi crescenti pongono al commercio di IA. È un rischio che il mercato non ha ancora riconosciuto, mentre raggiunge nuovi massimi storici e conia nuove aziende da un trilione di dollari come Micron.
L'argomento numero uno per ogni azienda in questo momento sono i budget di IA gonfiati, ha detto ad CNBC Arvind Jain, CEO della società di IA aziendale Glean.
"Le aziende ci dicono che i loro budget di IA si esauriscono in un mese o due, e questi sono budget annuali", ha detto.
Ciò è dovuto al fatto che il costo dell'IA non è diminuito come speravano gli acquirenti. Al contrario, è aumentato. Ogni nuova versione di modello dai laboratori di frontiera è circa il doppio più costosa per token rispetto a quella che ha sostituito, mettendo l'IA aziendale su quella che Jain ha definito "un percorso insostenibile in questo momento".
"Questa è la prima volta in assoluto che ricordo che la tecnologia costa quanto le persone, e stai facendo quel confronto: scegli tecnologia o persone", ha detto. "Non abbiamo mai avuto questa conversazione storicamente, perché la tecnologia è una frazione del costo complessivo di qualsiasi attività operativa."
Quel crescente budget di IA, dice, sta sempre più sostituendo la crescita futura del personale.
Matan Grinberg, CEO di Factory AI, che instrada il lavoro di ingegneria attraverso ogni modello di IA di frontiera, ha descritto il cambiamento come un problema di allocazione delle risorse definito che si sta ora svolgendo all'interno dei team di leadership.
"Le aziende dicono, ehi, se potessimo ottimizzare una cosa, è il numero di dipendenti che abbiamo, o è la spesa IA per dipendente?", ha detto Grinberg.
Grinberg ha detto che le aziende hanno attraversato tre fasi distinte in circa un anno. La prima ha visto i consigli di amministrazione chiedere ai loro CEO di fare qualcosa riguardo all'IA. Poi è arrivato il cosiddetto tokenmaxxing, ovvero l'uso dell'IA con ogni mezzo necessario indipendentemente dal costo. Nella terza fase, i team di leadership stanno rivalutando le loro esigenze per quanto riguarda i modelli premium.
"Dobbiamo usare un'intelligenza di livello Opus per ogni singola attività?", ha detto Grinberg. "Semplicemente non è necessario."
## Pagare più di quanto renda
La radice della stretta è che la tecnologia funziona ma non si ripaga ancora.
"Il modo in cui funziona l'IA oggi, è molto potente, ma è molto inefficiente", ha detto Jain. "Il valore che l'IA genera a questo punto è in ritardo rispetto al costo che le aziende stanno sostenendo."
Una grande parte del problema è l'inefficienza nella scelta dei modelli. Circa il 95% dell'utilizzo dell'IA aziendale viene ancora eseguito sui modelli di frontiera più costosi, anche per attività che potrebbero essere gestite da alternative più economiche, ha detto Jain.
C'è una soluzione semplice: instradare il lavoro facile al livello più economico. Jain ha detto che questo è il frutto più facile da cogliere.
"Hai un risparmio 10 volte superiore che puoi effettivamente ottenere con il corretto routing del modello all'avanguardia", ha detto.
Questa è anche la proposta di Factory AI, che invia automaticamente ogni attività al modello più adatto ad essa. Il trucco, ha detto Grinberg, è riconoscere quanto raramente un lavoro richieda davvero il top di gamma. Ha paragonato il divario tra i più recenti modelli di frontiera a due accademici veterani.
"Opus 4.7 contro Opus 4.8 è come la differenza tra un professore che è professore da 13 anni e uno da 15 anni", ha detto Grinberg. "Per una persona comune, è davvero, davvero difficile notare la differenza."
L'intero commercio di IA si basa sulla scommessa che la domanda storica rimarrà, con gli acquirenti in gran parte indifferenti al costo. Ma la visione dall'interno della Fortune 500 suggerisce che la domanda potrebbe essere molto più sensibile al prezzo di quanto il commercio presupponga.
Leggi di più su cosa significa il bilancio dei prezzi dell'IA per le valutazioni di OpenAI e Anthropic, che hanno costruito i loro modelli di business su prezzi premium.
Quattro modelli AI leader discutono questo articolo
"L'esaurimento del budget e i compromessi espliciti token-contro-umani segnalano che la domanda di AI è più elastica al prezzo di quanto assuma l'attuale prezzatura di mercato."
L'articolo fa emergere un punto di frizione genuino: i budget aziendali di AI si stanno esaurendo in 1-2 mesi perché ogni modello di frontiera raddoppia circa i costi dei token, spingendo i CFO verso espliciti compromessi tra personale e spesa. Questa sensibilità al prezzo è nuova e sottovalutata dai mercati che prezzano una crescita perpetua della domanda. Tuttavia, l'articolo sorvola sulla velocità con cui l'instradamento dei modelli può fornire il citato risparmio di 10 volte, potenzialmente resettando i budget senza tagliare l'utilizzo. Se gli strati di ottimizzazione scalano più velocemente degli aumenti di prezzo dei modelli, la traiettoria dei ricavi per i fornitori premium potrebbe appiattirsi prima di quanto le attuali valutazioni da trilioni di dollari incorporino.
Anche un instradamento aggressivo potrebbe non compensare i ripetuti raddoppi dei costi per generazione di modello, lasciando la spesa netta ancora in aumento e costringendo a tagli diretti alle iniziative AI piuttosto che a una riallocazione.
"L'AI aziendale sta raggiungendo un muro di redditività prima di quanto previsto dai mercati, ma il problema è l'esecuzione e la selezione dei modelli, non la domanda fondamentale, il che significa che un doloroso reset sta arrivando prima che il commercio si riprezzi più in alto."
L'articolo confonde due problemi distinti: (1) le imprese spendono eccessivamente in AI perché non hanno ottimizzato l'instradamento dei modelli, e (2) l'AI è fondamentalmente antieconomica. Questi NON sono la stessa cosa. La cifra del 95% - modelli di frontiera utilizzati per attività commodity - è un fallimento di approvvigionamento, non un fallimento tecnologico. Un risparmio di 10 volte tramite un migliore instradamento non significa che il ROI dell'AI sia rotto; significa che le imprese sono ancora in fase pilota. Il vero rischio non è che l'AI non si ripaghi, ma che il periodo di recupero sia più lungo e disordinato di quanto i mercati azionari abbiano prezzato, causando una compressione multipla su NVDA, MSFT e startup native di AI. Ma questo è un problema di tempistica/efficienza, non una minaccia esistenziale per il commercio.
Se il 95% della spesa aziendale è uno spreco mal diretto, e le aziende stanno già esaurendo i budget annuali in 1-2 mesi con ROI negativi, allora un "migliore instradamento" è ottimistico. La vera storia potrebbe essere che le imprese non hanno ancora casi d'uso di alto valore; stanno solo spendendo perché i consigli di amministrazione lo hanno richiesto.
"La transizione da 'tokenmaxxing' a un instradamento dei modelli ottimizzato per i costi innescherà una decelerazione dei ricavi a breve termine per i fornitori di modelli di frontiera prima che l'adozione guidata dal volume stabilizzi il settore."
Il mercato sta attualmente prezzando guadagni di produttività AI infiniti senza tenere conto della soglia di sostituzione 'token-to-headcount'. Se i costi dell'AI aziendale stanno effettivamente cannibalizzando i budget del personale piuttosto che aumentandoli, stiamo assistendo a un evento di compressione dei margini per l'S&P 500. L'attuale fase di 'tokenmaxxing' è insostenibile; tuttavia, l'articolo perde il fatto che questo è un classico paradosso di Jevons. Poiché l'instradamento dei modelli (come Glean o Factory AI) riduce il costo per attività, il volume totale della domanda di calcolo probabilmente esploderà, compensando margini inferiori per token. Il rischio non è che l'AI sia troppo costosa, ma che il 'commercio AI' presupponga una crescita lineare mentre l'infrastruttura sottostante sta raggiungendo una fase di digestione ciclica.
L'articolo presuppone che i CFO tratteranno l'AI come una voce di budget a somma zero, ma se i guadagni di efficienza guidati dall'AI accelerano effettivamente la crescita dei ricavi, le aziende aumenteranno la spesa IT totale piuttosto che scegliere tra personale e token.
"Il ROI a lungo termine dell'AI aziendale supererà i crescenti costi dei token man mano che l'instradamento, il fine-tuning e l'automazione scaleranno, trasformando 'token vs umani' in un moltiplicatore di produttività piuttosto che in un vincolo di budget."
Emergono due tensioni: i CFO a breve termine affrontano costi in costante aumento poiché i modelli di frontiera addebitano per token, il che potrebbe frenare l'adozione dell'AI. Ma l'articolo minimizza i vantaggi: 1) il costo per attività dovrebbe diminuire man mano che l'instradamento (verso modelli più economici) e il fine-tuning migliorano, 2) i guadagni di produttività si compongono attraverso processi, flussi di lavoro e processi decisionali, non solo singole attività, 3) i modelli aperti e la concorrenza tra i principali fornitori di cloud dovrebbero limitare i prezzi e sbloccare opzioni più economiche, 4) la crescita guidata dall'AI può espandere i mercati indirizzabili e abilitare nuovi modelli di business. Presi insieme, il compromesso 'token vs umani' è probabilmente un ostacolo transizionale, non un limite a lungo termine al valore dell'AI. La tendenza a lungo termine rimane positiva.
Contro: il ROI nel mondo reale dipende ancora dalla qualità dei dati e dall'integrazione senza soluzione di continuità, il che può ritardare il recupero per anni. E i prezzi dei modelli di frontiera potrebbero non diminuire abbastanza velocemente se la concorrenza mantiene la capacità limitata.
"I budget fissi impediscono l'elasticità della domanda necessaria affinché il paradosso di Jevons compensi le pressioni sui costi nell'AI aziendale."
L'applicazione del paradosso di Jevons da parte di Gemini ignora la realtà del budget fisso evidenziata da Claude. Quando le allocazioni annuali di AI si esauriscono in pochi mesi, i costi per attività inferiori tramite instradamento non stimoleranno un'esplosione di volume; i team di approvvigionamento affrontano limiti rigidi, non una domanda elastica. Ciò rischia una compressione multipla più rapida per NVDA e MSFT di quanto la tesi dei guadagni di produttività presupponga, poiché la domanda totale di calcolo rimane limitata dai mandati dei CFO piuttosto che esplodere.
"L'esaurimento del budget segnala un fallimento dell'ottimizzazione, non un fallimento della domanda: il tasso di rinnovo del ciclo successivo è il vero indicatore principale."
Grok confonde l'esaurimento del budget con la distruzione della domanda. I limiti fissi dei CFO non dimostrano che il ROI dell'AI sia rotto, dimostrano che le imprese non hanno ancora capito cosa costruire. Il vero indicatore: le aziende *rinnovano* i budget AI l'anno fiscale successivo nonostante l'esaurimento al mese 2, o li tagliano? Se i tassi di rinnovo rimangono superiori al 70%, si tratta di caos di approvvigionamento mascherato da debolezza della domanda. Questa distinzione determina se vedremo una compressione multipla o solo un doloroso riprezzamento di 18 mesi.
"La transizione verso 'AI per il taglio dei costi' innescherà un'ondata di consolidamento dei fornitori che renderà irrilevanti i tassi di rinnovo per i player AI più piccoli."
Claude, la tua soglia di rinnovo del 70% è un indicatore in ritardo che ignora la minaccia immediata della spesa 'shadow AI'. I CFO non stanno solo guardando i budget; stanno guardando l'economia unitaria. Se il costo di un flusso di lavoro basato su token supera il costo del lavoro che sostituisce, il progetto viene annullato indipendentemente dall'intenzione di rinnovo. Stiamo assistendo a un passaggio da 'AI per l'innovazione' a 'AI per il taglio dei costi', che impone un brutale consolidamento dei fornitori che penalizzerà le startup AI-native più piccole.
"La domanda a breve termine è anelastica al prezzo; la crescita dei volumi guidata da Jevons non salverà i margini, la tempistica del ROI e gli ostacoli all'adozione contano più del prezzo per attività."
L'angolo del paradosso di Jevons di Gemini presume una domanda elastica una volta che i costi per attività diminuiscono. In realtà, la domanda di AI aziendale è anelastica al prezzo a breve termine: i gate di approvvigionamento, la governance avversa al rischio e i colli di bottiglia nella preparazione dei dati limitano la velocità di adozione anche se l'instradamento riduce i costi unitari. Quindi, prezzi dei token più bassi potrebbero non innescare un'impennata dei volumi; i margini possono ancora comprimersi se il tempo di valore rimane lungo e i cicli di rinnovo si restringono. Il vero fattore decisivo è quanto velocemente i casi d'uso superano la soglia del ROI, non solo il prezzo per attività.
Il panel concorda sul fatto che i budget aziendali di AI si stanno esaurendo rapidamente a causa degli alti costi dei modelli di frontiera, il che potrebbe portare a una rivalutazione del valore dell'AI e a una potenziale compressione dei margini per le società tecnologiche. Tuttavia, non sono d'accordo sul fatto che questa sia una minaccia esistenziale o un ostacolo transizionale.
Miglioramento dell'instradamento e della concorrenza che riduce i costi e sblocca nuovi modelli di business (ChatGPT)
Compressione multipla più rapida per le società tecnologiche a causa della domanda di calcolo limitata e dell'esaurimento del budget (Grok, Gemini)