L’avvertimento di Bain sui costi dell’AI nelle telco rivela una trappola per l’opex

Bain ha lanciato un avvertimento sui costi dell’AI nelle telco con un netto ribaltamento di prospettiva: la spesa per l’automazione può aumentare le spese operative anche dopo la scomparsa di posti di lavoro e attività. La società stima che agenti AI, token e servizi dati correlati potrebbero arrivare a rappresentare dal 20% al 30% della base di costi di un operatore.

L’avvertimento mette in discussione un presupposto comune dei programmi di AI nel settore delle telecomunicazioni. Modelli meno costosi e un minor numero di attività manuali non garantiscono un budget operativo inferiore. Se gli operatori mantengono sistemi, contratti, approvazioni e flussi di lavoro umani esistenti, l’AI diventa un’ulteriore spesa sovrapposta alla vecchia struttura.

Il conflitto è rilevante perché gli operatori stanno già applicando l’AI all’assistenza clienti, alle operazioni di rete, all’ingegneria del software e ai sistemi di supporto aziendale. AT&T sta sperimentando il routing dei modelli e modelli aperti, mentre Microsoft promuove agenti specializzati per le reti. La tesi di Bain è che questi strumenti generano risparmi solo quando gli operatori riprogettano il lavoro attorno a essi.

L’avvertimento di Bain sui costi dell’AI nelle telco cambia l’equazione dei risparmi

Il messaggio centrale di Bain è che le telco possono sostituire una parte della propria base di costi con l’AI, oppure aggiungere spesa per l’AI senza eliminare i costi che essa avrebbe dovuto sostituire.

La società ha pubblicato la sua analisi sulle telecomunicazioni il 10 settembre 2026. Descrive un probabile cambiamento nelle strutture operative delle telecomunicazioni nei prossimi tre-cinque anni. Gli agenti AI svolgeranno o supporteranno una quota maggiore del lavoro, mentre le persone manterranno la responsabilità delle decisioni critiche.

Bain presenta un possibile modello operativo in cui le spese tradizionali rappresentano dal 70% all’80% dei costi totali. Agenti AI, consumo di token e servizi correlati costituiscono il restante 20%-30%.

Questo modello non è di per sé una previsione di risparmi. Descrive un cambiamento in ciò per cui gli operatori pagano e nel modo in cui tali spese si comportano.

Nello scenario favorevole, i costi dell’AI sostituiscono una quota comparabile della spesa legacy. Gli operatori eliminano attività ridondanti, semplificano i processi, riducono il software non necessario e modificano le esigenze di personale. I costi totali potrebbero rimanere sostanzialmente stabili, mentre velocità, capacità o qualità del servizio migliorano.

Lo scenario pericoloso inizia quando un operatore aggiunge le stesse spese per l’AI senza rimuovere gran parte della base esistente. I dipendenti continuano a seguire processi consolidati. Gli abbonamenti software restano attivi. Gli accordi di outsourcing proseguono. Gli assistenti AI gestiscono passaggi isolati, ma non eliminano passaggi di consegna o sistemi duplicati.

Le spese operative totali aumentano quindi fino all’ammontare del nuovo livello AI. Produttività, esperienza del cliente o ricavi devono migliorare a sufficienza da giustificare tale incremento. In caso contrario, l’operatore ha finanziato un’organizzazione più complicata anziché più efficiente.

La distinzione è importante perché la spesa operativa, comunemente abbreviata in opex, ricorre nel normale funzionamento dell’azienda. Un progetto di capitale fallito può lasciare un asset visibile e una svalutazione definita. L’uso di token, l’inferenza cloud, il monitoraggio e la revisione umana possono invece produrre costi mensili variabili distribuiti tra i reparti.

Gli agenti AI generano spesa anche attraverso elementi diversi dall’accesso ai modelli. Richiamano strumenti software, recuperano informazioni archiviate, valutano output, mantengono il contesto e talvolta ripetono passaggi non riusciti. Gli operatori devono pagare l’infrastruttura e i controlli che circondano tali azioni.

Bain respinge quindi il costo per token come misura principale. Un token economico non rivela se un flusso di lavoro automatizzato abbia risolto un problema. L’unità utile è il costo per risolvere un problema del cliente, gestire un incidente di rete, produrre una proposta o completare una release software.

Il reporting originale ha colto l’implicazione più netta. Nessuno dei due percorsi illustrati da Bain riduce automaticamente i costi totali. Uno sostituisce la spesa tradizionale con quella per l’AI, mentre l’altro aumenta il conto complessivo.

È questo il cambiamento. La conversazione sull’AI nelle telecomunicazioni non riguarda più soltanto la capacità dei modelli di automatizzare il lavoro. Sta diventando una verifica finanziaria della capacità degli operatori di dismettere processi, contratti e livelli organizzativi resi superflui dall’automazione.

Modelli meno costosi possono comunque produrre fatture più elevate

Il calo dei prezzi dei modelli conta meno quando utilizzo, complessità dei flussi di lavoro e domanda crescono più rapidamente di quanto diminuisca il costo per token.

Bain afferma che i prezzi dei modelli sono diminuiti di circa dieci volte ogni anno. Sembra un percorso diretto verso una minore spesa per l’AI. Tuttavia, costi unitari inferiori spesso incoraggiano un uso più ampio, prompt più lunghi, ragionamenti più complessi e agenti attivi più a lungo.

Un dipendente che inizialmente usava l’AI per riassumere un documento potrebbe in seguito chiederle di esaminare l’intera cronologia di un caso. Un team di rete può passare dalla generazione di note sugli incidenti al coordinamento di diagnosi, ripristino, convalida ed escalation. Ogni miglioramento amplia la quantità di contesto, ragionamento e utilizzo di strumenti coinvolti.

L’AI agentica amplifica questo effetto. Un agente AI è software in grado di pianificare ed eseguire una sequenza di azioni, anziché rispondere a un singolo prompt. Può consultare diversi sistemi, riconsiderare un risultato fallito e richiamare un altro modello prima di completare un’attività.

Questi cicli possono consumare token senza produrre un risultato accettabile. Il contesto ripetuto può essere inviato a ogni chiamata del modello. Più guardrail possono ispezionare lo stesso output. Due agenti possono eseguire controlli sovrapposti perché team distinti li hanno progettati in modo indipendente.

La fattura del modello copre inoltre solo una parte della spesa. Un flusso di lavoro in produzione può richiedere software di orchestrazione, archiviazione, osservabilità, valutazione, controlli di cybersicurezza e supervisione umana. Gli operatori possono ottimizzare l’inferenza trascurando il sistema più ampio che la circonda.

La domanda crea un’ulteriore fonte di pressione. Quando i dipendenti scoprono applicazioni utili, l’adozione si diffonde tra le unità aziendali. Le operazioni di rete e l’assistenza clienti sono particolarmente esposte perché includono flussi di lavoro ad alto volume con grandi quantità di contesto operativo.

I team possono anche ricorrere per impostazione predefinita a nuovi modelli di ragionamento per attività di routine. Questi modelli possono offrire analisi migliori, ma le loro catene di ragionamento più lunghe consumano più token. Pagare meno per ciascun token non aiuta quando un’attività ne utilizza molti di più.

Questo schema ricorda l’effetto rimbalzo osservato in altre tecnologie. L’efficienza riduce il costo di una singola attività, incoraggiando le persone a svolgerne di più. Il consumo totale può aumentare anche se ogni unità diventa meno costosa.

Gli operatori di telecomunicazioni affrontano un’ulteriore complicazione perché i loro carichi di lavoro sono persistenti. Richieste dei clienti, allarmi, ticket, modifiche di configurazione e controlli antifrode proseguono senza sosta. Un piccolo aumento del costo di ogni evento automatizzato può diventare significativo su scala di rete.

Il confronto corretto non è quindi tra un modello e un altro. Gli operatori devono confrontare un flusso di lavoro abilitato dall’AI con il costo totale e il risultato del processo che sostituisce.

Questo calcolo dovrebbe includere tassi di completamento, tentativi ripetuti, escalation, errori, supervisione, infrastruttura e correzioni a valle. Dovrebbe inoltre riconoscere il valore che non appare come risparmio immediato sul lavoro, come un ripristino più rapido o una minore perdita di clienti.

Il risultato può favorire l’AI anche quando la spesa diretta aumenta. Un agente di rete che riduce la durata di un’interruzione grave può generare un valore aziendale sostanziale. Un chatbot che crea interazioni più lunghe senza risolvere più richieste dei clienti può fare il contrario.

Ecco perché l’analisi di Bain sui costi dell’AI nelle telco si concentra sul costo per attività completata. Costringe gli operatori a collegare la spesa a un risultato misurabile, anziché celebrare tariffe dei token inferiori o una maggiore adozione.

La vera trappola dell’opex è il modello operativo duale

L’AI diventa una trappola per l’opex quando svolge nuove attività ai margini mentre l’organizzazione legacy continua a operare senza cambiamenti.

Le aziende di telecomunicazioni raramente partono da sistemi puliti. Molte gestiscono reti multi-vendor, piattaforme di supporto aziendale personalizzate, accordi di outsourcing di lungo periodo e software accumulato in anni di espansione e acquisizioni.

Aggiungere un assistente a questo ambiente può rendere più rapido un singolo passaggio. Non elimina automaticamente quelli rimanenti.

Si consideri un operatore del servizio clienti che usa l’AI per riassumere una chiamata. Il riepilogo può far risparmiare tempo, ma il dipendente continua a gestire l’autenticazione, cercare in diversi sistemi, richiedere approvazioni, aggiornare i registri e risolvere il problema del cliente. L’operatore continua a pagare ogni piattaforma sottostante e ogni passaggio organizzativo.

Un assistente per le operazioni di rete crea lo stesso rischio. Può classificare un allarme o raccomandare una risposta, mentre gli ingegneri continuano a usare il processo consolidato di monitoraggio, ticketing ed escalation. L’output dell’AI diventa un ulteriore artefatto che i dipendenti devono esaminare.

Bain definisce questo un modello operativo duale. Il flusso di lavoro guidato dagli esseri umani rimane intatto, mentre l’AI svolge frammenti di attività attorno a esso. Licenze, costi di outsourcing, livelli manageriali e controlli manuali sopravvivono perché il processo sottostante non cambia mai.

La riprogettazione end-to-end produce un risultato diverso. Un operatore parte dall’esito, mappa ogni passaggio necessario per raggiungerlo e decide quali passaggi dovrebbero scomparire. L’AI partecipa quindi a un processo più semplice, anziché aggiungersi alla complessità ereditata.

Bain cita il lavoro di Vivo sulle operazioni di rete a ciclo chiuso come esempio. Secondo la società di consulenza, l’operatore ha riprogettato un processo completo dal rilevamento alla risoluzione. L’AI può rilevare anomalie, identificare cause probabili, eseguire azioni correttive, convalidare i risultati e inoltrare le eccezioni.

Questa struttura prende di mira l’intero incidente anziché un singolo passaggio analitico. L’attenzione umana si sposta verso i casi che richiedono giudizio o intervento. Il flusso di lavoro può generare valore anche se la spesa per l’AI rimane significativa, perché un minor numero di passaggi manuali ritarda la risoluzione.

Tuttavia, gli operatori devono considerare i contratti con i fornitori come parte della riprogettazione. Se gli agenti assumono attività precedentemente svolte tramite licenze software, fornitori di servizi esterni o team in outsourcing, tali impegni dovrebbero essere riconsiderati. Altrimenti, l’automazione crea risparmi tecnici senza risparmi finanziari.

La pianificazione della forza lavoro richiede uguale attenzione. Eliminare dipendenti esperti prima che il nuovo processo funzioni può indebolire la qualità del servizio e la conoscenza istituzionale. Mantenere invariato ogni ruolo dopo che l’automazione matura può preservare costi duplicati.

Gartner ha aggiunto un avvertimento più ampio il 9 settembre. La sua previsione sul futuro del lavoro prevede che entro il 2029 il 30% dei dipendenti licenziati a causa della sostituzione con l’AI dovrà essere riassunto. La società si aspetta che molte assunzioni di ritorno costino di più, perché le pipeline di talenti e la conoscenza istituzionale si saranno indebolite.

Questa previsione riguarda settori oltre le telecomunicazioni, ma rafforza direttamente lo stress test di Bain. Una riduzione affrettata può rendere attraente il business case iniziale, per poi generare in seguito costi di reclutamento, formazione, servizio e correzione.

L’obiettivo non è proteggere ogni attività esistente. È evitare di considerare la riduzione dell’organico come prova del corretto funzionamento del sistema riprogettato.

Gli operatori dovrebbero prima stabilire se l’AI sia in grado di completare il flusso di lavoro mirato con qualità e rischio accettabili. Possono quindi modificare ruoli, contratti, approvazioni e sistemi sulla base di prestazioni verificate. Questa sequenza collega il cambiamento organizzativo a evidenze operative.

La trappola dell'opex non è quindi semplicemente un'inferenza costosa. È la sopravvivenza della base di costi di ieri sotto il livello di automazione di domani.

AT&T mostra come funziona la tokenomics nella pratica

La risposta di AT&T illustra l'alternativa: abbinare la capacità del modello a ciascuna attività e progettare l'orchestrazione attorno al costo complessivo del workflow.

Bain afferma che AT&T ha esaminato come elaborare miliardi di token ogni giorno in modo più efficiente. L'operatore ha riprogettato la propria orchestrazione affinché grandi agenti di coordinamento potessero delegare il lavoro a modelli più piccoli e specializzati.

Secondo il resoconto di AT&T citato da Bain, questo approccio ha ridotto i costi fino al 90% triplicando al contempo il throughput. I numeri rappresentano un'affermazione dell'azienda, non un benchmark di settore verificato in modo indipendente. Mostrano comunque ciò che una seria strategia di controllo dei costi cerca di ottimizzare.

AT&T definisce il proprio approccio tokenomics. In questo contesto, tokenomics significa gestire il consumo dei modelli come una risorsa operativa, prendendo decisioni in base alla complessità del compito, alle prestazioni e ai costi.

L'operatore ha esplorato modelli aperti perché offrono un maggiore controllo sull'implementazione e sull'ottimizzazione. La sua strategia di tokenomics non dipende dall'invio di ogni richiesta al modello più grande disponibile.

Un'attività di classificazione di routine può richiedere un modello piccolo. Una complessa diagnosi di rete può giustificare un sistema di ragionamento più capace. Un agente di coordinamento può instradare il lavoro tra questi modelli invece di usare un unico modello costoso per ogni fase.

Questa strategia è importante perché la selezione dei modelli avviene spesso in modo invisibile. I dipendenti scelgono uno strumento conosciuto oppure gli sviluppatori impostano un unico modello predefinito per un'applicazione. La differenza di costo sembra ridotta durante un progetto pilota, ma si amplia quando l'uso raggiunge i volumi di produzione.

L'instradamento crea costi e rischi propri. L'operatore deve valutare quale modello possa gestire in modo affidabile ciascun compito. Servono regole di fallback, monitoraggio delle prestazioni, controlli di sicurezza e confini chiari per la revisione umana.

Tuttavia, questi meccanismi supportano una domanda finanziaria migliore. L'operatore può chiedersi quale combinazione di modelli, strumenti e persone risolva il compito al livello di servizio richiesto.

L'esperienza di Microsoft offre un confronto utile. Il CTO del settore telco dell'azienda ha affermato che i grandi modelli per il rilevamento delle anomalie aggiungevano una complessità sostanziale offrendo al contempo miglioramenti limitati rispetto ai metodi statistici tradizionali. L'azienda ha spostato l'attenzione dalla previsione di ogni guasto di rete alla capacità di rispondere rapidamente quando un guasto si verifica.

Questa ammissione è preziosa perché separa un caso d'uso tecnicamente interessante da uno finanziariamente utile. Un modello più sofisticato non crea valore quando metodi più semplici offrono prestazioni quasi equivalenti.

Microsoft continua a vedere potenziale nelle operazioni di rete e nei sistemi di supporto al business. Il suo framework Network Operations Agent utilizza agenti specializzati per funzioni quali telemetria, gestione dei ticket, risoluzione dei problemi e coordinamento sul campo.

Far EasTone Telecom ha utilizzato quel framework nel proprio centro operativo di rete. Secondo il resoconto di implementazione di Microsoft, quasi il 60% delle attività del centro operativo di rete dell'operatore è assistito dall'AI.

Assistito non significa autonomo. Microsoft mantiene la supervisione umana per le modifiche alla propria rete, anche quando gli agenti supportano workflow operativi avanzati. Questa distinzione limita il rischio operativo, ma preserva anche una parte del costo umano.

Questo è il compromesso centrale nella gestione dei costi dell'AI per le telco secondo Bain. Gli operatori desiderano una maggiore automazione, ma i requisiti di affidabilità impongono valutazioni, approvazioni e responsabilità. Eliminare la supervisione troppo presto può causare interruzioni del servizio o azioni errate. Mantenere una supervisione eccessiva può cancellare il beneficio economico.

L'approccio di AT&T non elimina questa tensione. La rende misurabile. L'instradamento dei modelli, budget dedicati e la contabilizzazione per attività consentono ai dirigenti di vedere dove una maggiore autonomia migliora il risultato e dove invece aumenta soltanto il consumo.

La lezione pratica non è che ogni telco debba copiare una sola architettura. È che la spesa per l'AI necessita di un sistema di controllo progettato prima che l'adozione raggiunga miliardi di token al giorno.

Ciò che la narrativa sul risparmio dei costi non dimostra ancora

Bain offre un modello operativo utile, ma le sue percentuali sono scenari, non risparmi o perdite verificati nell'intero settore delle telecomunicazioni.

La struttura 70 a 30 è una stima di come potrebbero evolvere i costi. Bain osserva che la sua illustrazione non incorpora variazioni assolute della spesa. Non dovrebbe essere interpretata come una previsione secondo cui ogni operatore spenderà la stessa quota per l'AI.

Gli operatori hanno infrastrutture di rete, strutture del lavoro, accordi di outsourcing, normative e strategie cloud differenti. Un modello adatto a un'azienda può essere inappropriato per un'altra.

Il costo di un'attività completata dipende anche dal risultato scelto. Un'interazione con il cliente può essere misurata in base al tempo di gestione, alla risoluzione, alla soddisfazione, alla fidelizzazione o ai ricavi. Un programma di automazione può apparire di successo secondo una misura e debole secondo un'altra.

Gli incidenti di rete creano un problema simile. Una diagnosi più rapida è utile, ma il risultato conta solo se la raccomandazione è accurata e la riparazione riesce. Un agente che genera risposte rapide ma inaffidabili può aumentare il lavoro di revisione e correzione.

L'argomentazione di Bain presuppone anche che gli operatori possano identificare ed eliminare i costi legacy. Spesso si tratta di una sfida contrattuale e organizzativa più che tecnica. Un accordo software può durare anni. Un controllo regolamentato può rimanere obbligatorio. Una funzione esternalizzata può coprire attività che l'AI gestisce solo in parte.

L'incertezza della domanda complica ulteriormente le previsioni. Il consumo di token può accelerare man mano che i dipendenti trovano nuovi utilizzi. Può anche stabilizzarsi quando la governance migliora, i modelli più piccoli maturano o l'automazione convenzionale sostituisce chiamate AI non necessarie.

I benefici possono comparire al di fuori della voce delle spese operative. Una migliore affidabilità della rete può ridurre l'abbandono dei clienti. Una generazione più rapida delle proposte può aumentare la capacità commerciale. Chioschi rurali automatizzati possono servire mercati che non sosterrebbero un punto vendita con personale.

Bain cita un progetto pilota di Telia relativo a chioschi self-service abilitati dall'AI nelle comunità rurali. L'esempio sposta la questione economica dalla riduzione del lavoro esistente al servizio di una domanda precedentemente antieconomica.

Si tratta di un caso di crescita, non di un semplice caso di riduzione dei costi. Può giustificare nuova spesa per l'AI se il servizio genera ricavi o valore per il cliente sufficienti. Trattare ogni progetto come un programma di riduzione dell'opex farebbe perdere questa distinzione.

Esiste anche il rischio che le aziende usino l'avvertimento per rallentare implementazioni valide. Le spese per l'AI sono reali, ma lo sono anche ritardi, interruzioni, lavoro ripetitivo e frustrazione dei clienti. Evitare ogni costo variabile preserverebbe le inefficienze che gli operatori vogliono affrontare.

La risposta migliore è una sperimentazione disciplinata legata ai risultati aziendali. Un progetto pilota dovrebbe stabilire qualità, costo di completamento, adozione e rischio operativo. Dovrebbe inoltre identificare con precisione quale vecchia spesa può scomparire se il pilota viene esteso.

È qui che le proof of concept spesso falliscono. Una dimostrazione può mostrare che un modello esegue un compito. Raramente dimostra che un'organizzazione possa eliminare un workflow, rinegoziare un contratto o modificare la responsabilità attorno a quella capacità.

La lettura scettica dell'avvertimento di Bain è quindi equilibrata. La sua analisi non stabilisce che l'AI aumenterà i costi totali di ogni operatore. Mostra perché prezzi dei modelli più bassi e progetti pilota impressionanti siano prove insufficienti di risparmio.

L'onere ora passa agli operatori. Devono pubblicare o convalidare internamente l'economia a livello di attività, non semplicemente dati sull'adozione, volumi di token o annunci sul personale.

Tre segnali mostreranno se le telco sfuggiranno alla trappola

Il prossimo test sarà verificare se gli operatori collegano il consumo di AI ai risultati completati, eliminano i costi duplicati ed espandono workflow comprovati senza indebolire il servizio.

Il primo segnale è il reporting a livello di attività. Gli operatori dovrebbero monitorare il costo completo dei casi cliente risolti, degli incidenti di rete, delle release software e delle proposte commerciali. Tali dati devono includere modelli, infrastruttura, valutazioni, tentativi ripetuti, strumenti e revisione umana.

Se i costi per attività diminuiscono mantenendo stabile la qualità di completamento, il percorso favorevole di Bain acquista credibilità. Se le tariffe dei token diminuiscono ma il costo totale per risultato aumenta, la trappola dell'opex sta prendendo forma.

Il secondo segnale è il ritiro visibile delle spese legacy. Gli operatori dovrebbero dimostrare che l'automazione di successo conduce a un minor numero di applicazioni ridondanti, catene di processo più brevi, contratti di outsourcing rivisti o ruoli riprogettati.

Le sole riduzioni del personale non bastano. La previsione di Gartner sulle riassunzioni evidenzia il rischio di rimuovere le persone prima che automazione, formazione e governance siano pronte. Risparmi sostenibili richiedono che cambi il processo stesso.

Le prove che gli operatori stanno riducendo software duplicato e passaggi manuali rafforzerebbero la tesi di Bain sulla riprogettazione dei workflow. La crescita continua sia della spesa per l'AI sia dei contratti legacy sosterrebbe invece il suo scenario di aumento graduale dei costi.

Il terzo segnale è l'espansione controllata dai progetti pilota ai workflow di produzione ad alto valore. Bain raccomanda di selezionare tre processi costosi e difficili per una riprogettazione end-to-end. Assistenza clienti, operazioni di rete e delivery software sono candidati evidenti.

Un'espansione riuscita dovrebbe produrre più di una dimostrazione. Dovrebbe stabilire responsabilità, tassi di errore accettabili, regole di escalation umana e responsabilità finanziaria. Ogni agente dovrebbe avere un responsabile nominato e un risultato misurabile.

Osservate come gli operatori discutono questi programmi negli aggiornamenti finanziari e nei briefing operativi. Le affermazioni sul numero di agenti o di token consumati rivelano attività, non valore. Le metriche legate a risoluzione, ripristino, fidelizzazione, throughput e costo totale rivelano se il modello operativo è cambiato.

I prossimi mesi non risolveranno l'economia a lungo termine dell'AI nelle telecomunicazioni. Possono rivelare se i dirigenti hanno accettato la sfida contabile immediata.

La ricerca di Bain sui costi dell'AI per le telco lascia agli operatori una scelta concreta. Possono continuare ad aggiungere assistenti ai vecchi workflow, oppure ricostruire workflow selezionati attorno a risultati misurabili. Acquirenti e dipendenti dovrebbero chiedere quali costi scompaiono con l'arrivo di ogni nuovo agente. Se i leader non sanno rispondere a questa domanda, l'efficienza promessa resta una previsione di spesa anziché un risultato aziendale.