Gli strumenti di coding con l’intelligenza artificiale consentono sì di far scrivere codice più in fretta, ma il loro conto rischia di diventare più salato dello stipendio di chi quel codice lo scrive. Lo dice Gartner che prevede che entro il 2028 il costo degli strumenti di programmazione assistita dall’AI supererà lo stipendio medio di uno sviluppatore.
A spingere la spesa sono due fattori convergenti: l’aumento del consumo di token dei modelli linguistici di grandi dimensioni (Llm) e il passaggio a modelli di licenza basati sul consumo. I token, lo ricordiamo, sono le unità di dati elaborate dai modelli di AI generativa e incidono in modo diretto sul costo degli strumenti di AI coding, soprattutto nelle formule di prezzo a consumo.
La previsione, per certi aspetti, evidenzia e fotografa un paradosso: strumenti nati per aumentare la produttività possono finire per costare più del valore che generano. “Le organizzazioni stanno passando rapidamente dalla sperimentazione all’adozione su larga scala degli agenti di AI coding, ma tante sottovalutano l’impatto economico del crescente consumo di token”, avverte infatti Nitish Tyagi, senior principal analyst di Gartner. Il nodo, sottolinea l’analista, è che il rigore riguardo il controllo dei costi non arriverà certo spontaneamente dal basso: “La disciplina nell’uso dei token non dipenderà solo dalle scelte degli sviluppatori, perché essi tendono a privilegiare velocità e comodità rispetto all’efficienza dei costi”. Senza un modello operativo governato, aggiunge, “i costi possono quindi crescere più rapidamente dei guadagni di produttività che questi strumenti dovrebbero generare”.
Perché è difficile prevedere i costi
Il primo elemento di pressione sui bilanci destinati all’AI è il modello di pricing. Il passaggio dalle licenze per postazione a quelle a consumo, ormai diffuso tra i fornitori di agenti di AI per il coding, introduce strutture di costo molto variabili per i carichi di lavoro di software engineering. Il problema è la scarsa trasparenza: molti vendor non chiariscono come venga calcolato e fatturato il consumo di token, limitando la capacità delle aziende di prevedere e controllare la spesa.
È un rovesciamento di logica: dove il modello a postazione rendeva il costo prevedibile e legato al numero di sviluppatori, quello a consumo lo aggancia all’intensità d’uso, una variabile assai più difficile da stimare in anticipo. Senza una visibilità chiara sull’uso dei token nelle diverse attività, il rischio è duplice: sforamenti di budget e impossibilità di misurare il rapporto tra costi e valore generato.
È un terreno su cui, secondo l’analista, le aziende sono ancora impreparate. “La maggior parte delle organizzazioni non dispone ancora della maturità e dei framework necessari per misurare con efficacia il costo rispetto all’impatto sul business”, osserva Tyagi. E i responsabili del software engineering, prosegue, “sono sempre più preoccupati, perché la spesa per l’AI guidata dai token diventa più difficile da giustificare, con budget spesso esauriti prima del previsto”.
Questione di utilizzo e governance
Oltre al prezzo e alla scarsa visibilità, a pesare – abbiamo visto – è quindi anche il modo in cui gli strumenti vengono effettivamente utilizzati. Gartner lega l’eccesso di consumo di token alle scelte di governance dei responsabili dell’ingegneria, individuando alcuni schemi ricorrenti: autonomia non governata negli workflow guidati dagli agenti, le finestre di contesto sovradimensionate e l’assenza di meccanismi strutturati di feedback per ottimizzare l’uso. Tradotto, significa agenti lasciati liberi di operare senza vincoli, richieste appesantite da contesto superfluo e nessun circuito di correzione che riporti l’utilizzo entro binari efficienti. A complicare il quadro c’è il fatto che gli stessi fornitori non hanno ancora integrato negli strumenti funzionalità mature di ottimizzazione dei costi, contribuendo all’escalation della spesa.
Il trend, secondo Gartner, è ancora in salita: “I costi dell’AI coding continueranno a crescere, mentre gli investimenti in infrastrutture e le sfide di redditività spingono al rialzo i prezzi dei modelli”, prosegue Tyagi. A questo si somma l’effetto della diffusione: “Con l’aumentare degli sviluppatori che adottano strumenti di AI, gli utenti occasionali diventeranno rapidamente utenti abituali”, alimentando un’ulteriore crescita del consumo di token e della spesa complessiva. In altre parole, la pressione sui costi cresce su entrambi i fronti: prezzi unitari in aumento e platea di utilizzatori in espansione.
Contromisure, pensare un modello operativo disciplinato
Per evitare che i costi divorino i benefici, Gartner raccomanda ai responsabili del software engineering di adottare un modello operativo disciplinato per l’uso dell’AI, articolato su più fronti. Il primo è la definizione di un quadro decisionale basato sui casi d’uso, che stabilisca quando ricorrere agli agenti e con quale grado di autonomia, classificando le attività di sviluppo in tre modelli di esecuzione: guidate dallo sviluppatore, svolte dallo sviluppatore con il supporto dell’agente oppure affidate interamente all’agente. Il secondo riguarda l’allineamento tra modello e complessità del compito: gli agenti risultano più convenienti quando il lavoro viene scomposto in attività più piccole, gestibili da modelli più leggeri, riservando i modelli di frontiera solo ai compiti complessi e ad alto valore. Da qui la necessità di strategie di instradamento intelligente (model routing) che indirizzino le attività semplici e ad alta frequenza verso modelli più piccoli.
Terzo fronte è il context engineering: gli sviluppatori vanno formati a ottimizzare il contesto fornito ai sistemi, includendo solo le informazioni rilevanti, sintetizzando dove possibile ed eliminando i dati superflui, così da ridurre il consumo di token senza sacrificare la qualità dell’output.
Restano infine i controlli: Gartner invita a introdurre meccanismi di governance e di contenimento dei costi (soglie di consumo dei token, politiche di escalation e monitoraggio automatizzato) da incorporare direttamente nei flussi di lavoro dell’ingegneria, e a inserire revisioni periodiche dei workflow più onerosi in termini di token all’interno delle retrospettive di sprint, per individuare inefficienze, affinare le pratiche e diffondere la conoscenza tra i team.
© RIPRODUZIONE RISERVATA
