C’è stato un momento, qualche mese fa, in cui ho guardato una fattura cloud e mi sono fermato. Non per la cifra in sé, ma per cosa l’aveva generata. Un cliente aveva impostato un flusso che, per unire una manciata di file CSV ogni notte, chiamava un modello generativo di fascia alta. Funzionava, intendiamoci. Il file finale era corretto. Solo che stavamo pagando un fuoriclasse per fare una cosa che un mio script di vent’anni fa avrebbe risolto in mezzo secondo, a costo praticamente zero.
E lì mi è tornato in mente tutto. Trent’anni di IT, dai modem che fischiavano portando Internet nella provincia di Cuneo fino ad Azure, e la sensazione — familiare — di aver già visto questo film. La stagione dell’entusiasmo, quella in cui una tecnologia sembra gratis e infinita, finisce sempre. E finisce nello stesso identico modo: arriva il conto.
Per un paio d’anni ci siamo raccontati che l’AI fosse magia gratuita. Ci scrivevi dentro qualsiasi cosa e ti rispondeva, senza che nessuno sentisse il peso di quello che stava accadendo sotto. Ma sotto, il peso c’era eccome. Ogni risposta è calcolo, il calcolo è GPU, le GPU consumano energia e occupano data center che qualcuno paga. Quel “qualcuno”, oggi, siamo diventati noi. E non è un’impressione mia: già nel 2024 l’IBM Institute for Business Value stimava un aumento dell’89% del costo medio di elaborazione tra il 2023 e il 2025, indicando l’AI generativa come driver critico. All’epoca era una previsione. Poi i numeri sono arrivati: Gartner ha calcolato che la spesa globale per l’AI generativa avrebbe raggiunto i 644 miliardi di dollari nel 2025, in crescita del 76,4% sull’anno precedente, avvertendo che i CIO avrebbero dovuto fare i conti con l’aumento dei costi e con il bisogno di soluzioni più affidabili e prevedibili. [ai4business.it]
E qui c’è il dettaglio che a me, da veterano, dice tutto. Quella spesa monstre non è cresciuta perché l’AI stesse mantenendo le promesse. Al contrario: le aspettative iniziali erano già calate, per via degli alti tassi di fallimento nei progetti pilota e della delusione per i risultati ottenuti. Tradotto: si spendeva di più e si era più delusi. Quando vedo due curve che divergono così — costi su, soddisfazione giù — non penso mai che la tecnologia sia sbagliata. Penso che la stiamo puntando nel posto sbagliato. [ai4business.it]
Il punto è che è cambiato il modello mentale. Siamo passati dall’illusione del buffet libero al pasto pagato a portata. Ogni chiamata a un modello ha un prezzo, misurato in token — le unità in cui il testo viene spezzettato per essere elaborato. E qui la cosa diventa interessante, perché lo stesso identico task può costarti uno o costarti cento a seconda di quale modello decidi di usare. Non è un modo di dire. Guardando il listino ufficiale di OpenAI, i prezzi sono espressi per milione di token, e tra un modello di punta e le sue varianti più leggere il divario è enorme: si passa da diversi dollari per milione di token in input e decine in output, fino a modelli “nano” che costano una frazione, con l’output che pesa sistematicamente più dell’input. Tradotto: puoi mandare un problema banale a un modello che costa venti volte tanto, ottenere lo stesso risultato, e pagarlo venti volte di più senza nemmeno accorgertene. [developers…openai.com]
Ecco allora la vera linea di frattura di questi mesi, che non è tra chi “sa usare l’AI” e chi no. È tra chi la usa bene e chi la usa male. E usarla male, quasi sempre, vuol dire una cosa sola: usarla dove non serve.
Il martello e la vite
Torniamo ai miei CSV. Unire dei file, filtrarli, incolonnarli, rinominare colonne, togliere i duplicati: sono problemi risolti. Risolti da decenni. Un pezzo di Python, o persino un vecchio script da riga di comando, li smaltisce in modo deterministico, ripetibile, gratuito e verificabile. Sai esattamente cosa succede e sai che domani succederà uguale. Mettere un modello generativo in mezzo a quella catena non aggiunge intelligenza: aggiunge costo, latenza e — paradosso dei paradossi — incertezza, perché un modello probabilistico può anche sbagliare una cosa che uno script non sbaglierebbe mai.
Mi è capitato, in aula, di far vedere la differenza in diretta. Stesso task, un merge di qualche file con qualche pulizia banale. Da una parte il prompt a un modello grande, che ci mette qualche secondo, costa i suoi token e ogni tanto ti inventa una colonna che non c’era. Dall’altra dieci righe di pandas che girano in un battito di ciglia, gratis, sempre uguali. Quando i partecipanti vedono i due risultati affiancati, la faccia cambia. Non perché uno sia “più bravo” dell’altro: perché capiscono che avevano in mano un martello e stavano cercando di avvitare una vite. Il martello è potentissimo. Ma non su quella vite.
Non lo dico solo io per nostalgia da vecchia scuola. Lo dicono anche dentro le grandi aziende che l’AI la vendono. Jacob Dencik di IBM lo mette nero su bianco: “Non è necessario utilizzare grandi modelli linguistici per ogni cosa. Un modello di piccole dimensioni addestrato su dati di alta qualità può essere più efficiente e ottenere gli stessi risultati, o migliori, a seconda del compito da svolgere”. È esattamente il ragionamento che facevamo trent’anni fa quando sceglievamo il linguaggio giusto per il problema giusto. Nessuno scriveva un gestionale in assembler, ma nessuno metteva assembler in soffitta quando serviva spremere l’ultimo ciclo di clock da una routine critica. [ibm.com]
Questo è il pezzo che mi fa sorridere: la fatica di far di conto sui costi ci sta riportando indietro verso competenze che sembravano archiviate. Sapere che un CSV lo unisci con pandas e non con un prompt. Sapere che un piccolo modello, o addirittura nessun modello, batte quello enorme su nove task su dieci. È la stessa disciplina di quando ottimizzavi in C++ o contavi i byte in assembler perché la memoria costava e i cicli erano preziosi. Per un po’ ce lo siamo dimenticati, illusi che la potenza fosse infinita e a gratis. Non lo è mai stata. E infatti gli stessi esperti oggi parlano di routing: Adnan Masood di UST descrive il routing degli LLM come “indirizzare in modo intelligente le richieste in arrivo al modello di linguaggio più adatto in base a fattori come complessità, costo e prestazioni”. È l’ottimizzazione di sempre, con un nome nuovo. [ibm.com]
Il codice si stampa, il pensiero no
E qui arrivo alla cosa che mi sta più a cuore, quella che chiamo tra me e me il code printing. L’idea è semplice e un po’ provocatoria: il codice, oggi, non si scrive più. Si stampa. Lo chiedi, e arriva. Righe e righe di funzioni corrette, pulite, commentate, in qualsiasi linguaggio, in pochi secondi.
E allora uno penserebbe che sia la fine dei tecnici. È vero l’esatto contrario. Perché — e questo trent’anni me l’hanno inciso addosso — il codice non è mai stato il problema. Scrivere le righe era la parte facile, anche prima. La parte difficile è sempre stata un’altra: capire cosa fare, perché farlo, e in quale contesto. Quale problema stai davvero risolvendo, quali vincoli hai, cosa succede quando i dati raddoppiano, dove si rompe tutto alle tre di notte. Il modello ti stampa la soluzione, ma non ti dice se stai risolvendo il problema giusto. Quello resta compito tuo.
Ho un ricordo che tengo lì apposta. Anni fa passai una notte intera a caccia di un bug che mandava in crash un gestionale a intervalli casuali. Il codice incriminato erano tre righe. Tre. Corrette in sé, pulite, che qualsiasi modello di oggi ti stamperebbe identiche senza battere ciglio. Il problema non era scriverle: era capire che, in quel preciso contesto — un certo ordine di scrittura su disco, un certo carico, un timing sfortunato — quelle tre righe giuste diventavano un disastro. Nessuna stampante di codice mi avrebbe salvato quella notte, perché il nodo non era la sintassi. Era la comprensione del sistema attorno a quelle righe. È lì che vivevano trent’anni di mestiere, ed è lì che vivono ancora oggi.
Ed è per questo che il valore si è spostato. Non sta più nel produrre codice — quello ormai è una commodity che esce da una stampante. Sta nel decidere. E la decisione più preziosa, quella che nessun modello prende al posto tuo, è sapere quando non usare l’AI. Riconoscere il task banale e non sprecarci sopra un cervello da milioni di token. Vedere che quel problema ha già una soluzione deterministica migliore. Scegliere il modello piccolo invece di quello enorme. Capire quando ti serve una risposta certa e ripetibile, non una plausibile. È un giudizio, non un comando. E il giudizio non si stampa.
Questo non è un problema da giganti della Silicon Valley: il conto è arrivato anche sulle scrivanie delle nostre PMI. Il Soldo Spend Index – Primavera 2026 ha analizzato i dati di spesa di oltre 25.000 aziende nei principali mercati europei, Italia inclusa, nel periodo tra il primo trimestre 2024 e il quarto trimestre 2025. Quando un tema entra negli indici di spesa europei, vuol dire che non è più roba da laboratorio: è diventato una voce di bilancio che anche l’azienda di provincia si trova a dover gestire. E la gestisci nello stesso modo in cui abbiamo sempre gestito le risorse scarse: scegliendo dove spenderle. [impresacity.it]
C’è anche un costo che sulla fattura non si legge, ma che qualcuno paga sempre: quello energetico e ambientale. Dencik lo dice chiaro: “Non è solo un costo economico; è un costo ambientale associato all’uso dell’AI”, spesso nascosto dentro le spese cloud invece di comparire in bolletta. Sprecare un modello enorme per unire due CSV, allora, non è solo antieconomico. È proprio sbagliato in senso pieno. [ibm.com]
Se ripenso a quella fattura di qualche mese fa, oggi la leggo diversamente. Non era il segnale che l’AI fosse cara, complicata o sopravvalutata. Era il segnale che la stavamo usando nel punto sbagliato del processo, con lo strumento sbagliato, per un problema che non ne aveva bisogno. La tecnologia non era il problema. Lo eravamo noi, che avevamo smesso di scegliere.
La stagione del “tutto gratis e tutto facile” è finita, e per me è una buona notizia. Perché ci costringe a tornare a fare la cosa che questo mestiere ha sempre chiesto davvero: pensare prima di premere invio. L’AI non è difficile. È che, per un paio d’anni, l’abbiamo usata male. Adesso tocca imparare a usarla bene — e usarla bene, il più delle volte, significa avere il coraggio di non usarla affatto.
Rispondi