La fatturazione basata sul consumo ridisegna il mercato cloud dell'AI

Google News ha messo in evidenza un'analisi di Cloud Wars con una tesi netta: la fatturazione basata sul consumo sta ridefinendo il modo in cui i fornitori di AI competono per la spesa aziendale.

Il cambiamento sostituisce una previsione tradizionale del software con una variabile legata a token, richieste, tempo di calcolo o lavoro completato. Offre ai fornitori un modo per recuperare il costo dei carichi di lavoro AI più intensivi. Ma trasferisce anche maggiori rischi di previsione ai clienti.

Questa tensione è rilevante perché gli agenti AI non si comportano come utenti software ordinari. Possono lavorare ininterrottamente, chiamare diversi modelli, recuperare documenti, usare strumenti e ritentare attività non riuscite. Un'azienda può ridurre il numero di dipendenti senza ridurre il proprio consumo software.

L'industria cloud ha già visto questo schema. Amazon Web Services, Microsoft Azure e Google Cloud hanno costruito il loro business attorno a infrastrutture a consumo. I fornitori di AI stanno ora estendendo questa logica dai server e dallo storage al software di uso quotidiano.

Il risultato non è una semplice vittoria dei prezzi pay-as-you-go. È una sfida tra l'economia dei fornitori e la prevedibilità per i clienti. L'azienda che misura la maggiore quantità di attività non offre automaticamente il maggior valore.

Cosa segnala davvero il titolo di Google News

Il cambiamento importante non è un singolo annuncio sulla fatturazione. È la convergenza di piattaforme AI, fornitori software e cloud provider attorno al consumo misurato.

Il titolo di Google News indica una transizione del settore, non il lancio di un unico prodotto isolato. Le aziende AI applicano sempre più spesso tariffe in base alle risorse consumate dal cliente. Tali risorse possono includere token di input, token generati, chiamate al modello, immagini, tempo di elaborazione o capacità di inferenza riservata.

Un token è una piccola unità di dati elaborata o generata da un modello linguistico. La fatturazione a token collega quindi i ricavi al volume e alla complessità dell'attività del modello.

Questo collegamento risolve un problema reale per i fornitori. Gli abbonamenti software tradizionali presuppongono che servire un utente aggiuntivo comporti un costo incrementale relativamente basso. L'AI generativa cambia questo calcolo, perché ogni prompt, risposta, recupero di informazioni e azione di un agente può consumare risorse di calcolo.

La documentazione enterprise di Anthropic illustra l'emergente modello ibrido. I suoi accordi enterprise basati sull'utilizzo combinano l'accesso degli utenti con addebiti separati basati sull'effettivo consumo di token. L'azienda afferma che tale consumo viene generalmente misurato utilizzando le sue tariffe standard per le application programming interface.

Questa struttura preserva una relazione d'account familiare, evitando al contempo che un'attività illimitata del modello diventi una spesa illimitata per il fornitore. Significa anche che un cliente può sostenere costi più elevati senza aggiungere dipendenti.

Le piattaforme cloud presentano già diverse versioni dello stesso compromesso. I clienti possono usare l'inferenza a consumo quando la domanda è incerta, riservare capacità per carichi di lavoro costanti o combinare entrambi gli approcci.

Microsoft documenta questa distinzione attraverso deployment basati sui token e throughput provisioned. Il throughput provisioned riserva capacità di elaborazione del modello e fattura la capacità distribuita, anche quando i clienti non la utilizzano pienamente. La guida alla fatturazione dell'azienda presenta il modello come un'alternativa al puro consumo di token.

Amazon Bedrock offre una scelta simile tra inferenza on-demand e throughput dedicato. La sua documentazione sul throughput spiega che i clienti possono riservare capacità del modello per un periodo fisso, invece di affidarsi interamente a un accesso guidato dalle richieste.

Queste opzioni rivelano la vera struttura del mercato. La fatturazione a consumo sta diventando il punto di accesso predefinito, ma i carichi di lavoro più grandi tendono spesso verso impegni e capacità riservata.

Questa evoluzione ricorda il precedente ciclo del cloud. All'inizio i clienti apprezzavano la libertà di pagare solo ciò che utilizzavano. Quando i carichi di lavoro sono diventati essenziali, hanno scambiato parte della flessibilità con garanzie di capacità e un'economia più prevedibile.

L'AI aggiunge un ulteriore livello, perché l'unità di consumo è più difficile da interpretare. Un'ora di macchina virtuale descrive una risorsa infrastrutturale. Un milione di token elaborati dice poco sul fatto che un dipendente abbia ricevuto una risposta utile.

Lo scarto aumenta con i sistemi agentici. Un agente può consumare token mentre pianifica, cerca, verifica il proprio lavoro e si riprende dagli errori. Il risultato finale potrebbe essere un singolo caso di assistenza risolto o un singolo componente software aggiornato.

I clienti hanno quindi bisogno di due registri. Il primo misura il consumo tecnico. Il secondo collega tale attività a un risultato di business.

Senza entrambi, una fattura dettagliata può comunque offrire una responsabilità limitata. Può mostrare esattamente ciò che un'organizzazione ha consumato senza dimostrare se quel consumo sia stato utile.

Perché i fornitori di AI si allontanano dal software per postazione

I prezzi per postazione perdono forza quando il software svolge lavoro indipendentemente dal numero di persone che effettuano l'accesso.

Il software in abbonamento tradizionalmente cresce con il numero di dipendenti. Un'azienda assume più persone, attiva più account e paga per più postazioni. I ricavi crescono con la forza lavoro del cliente.

Gli agenti AI sconvolgono questo rapporto. Un dipendente può avviare centinaia di attività automatizzate, mentre un flusso di lavoro non supervisionato può continuare a operare dopo che tutti hanno lasciato l'ufficio. Un piccolo team può generare più attività del modello di un team molto più grande che usa software convenzionale.

Questo crea una complessa equazione per i fornitori. Un abbonamento fisso può produrre ricavi simili da due clienti con esigenze di calcolo sostanzialmente diverse. Gli utenti intensivi diventano meno redditizi, a meno che il fornitore non limiti l'accesso, aumenti l'abbonamento o introduca tariffe basate sul consumo.

La fatturazione basata sull'utilizzo offre una risposta diretta. Il fornitore registra l'attività del modello e addebita la quantità consumata. I ricavi aumentano quindi insieme al carico infrastrutturale generato dal cliente.

La ricerca di settore suggerisce che questo modello si stesse espandendo prima dell'attuale ondata di agenti AI. McKinsey ha riportato che il numero di aziende software basate sul consumo è più che raddoppiato tra il 2015 e il 2024. La sua analisi sul software AI identifica Salesforce, Zendesk, Intercom e LexisNexis tra le aziende che monetizzano l'AI attraverso strutture orientate al consumo.

Il cambiamento va oltre la sostituzione delle postazioni con i token. I fornitori stanno sperimentando diversi misuratori, perché nessuna singola unità tecnica rappresenta il valore in ogni applicazione.

Un assistente di scrittura può contare il testo generato. Una piattaforma di assistenza clienti può contare le risoluzioni automatizzate. Uno strumento per sviluppatori può misurare richieste al modello o attività completate. Una piattaforma di immagini può misurare generazioni, tempo di elaborazione o crediti.

La fatturazione basata sui risultati cerca di ridurre la distanza tra consumo e valore. In questo modello, il cliente paga quando il sistema produce un risultato concordato. Un'interazione di assistenza risolta è più facile da valutare per un acquirente aziendale rispetto a una fattura che contiene diverse classi di token.

Tuttavia, la fatturazione basata sui risultati crea proprie controversie. Acquirente e fornitore devono concordare cosa costituisca un risultato completato. Servono anche regole per casi riaperti, output di bassa qualità, errori del cliente e attività che richiedono correzioni umane.

La fatturazione a token è tecnicamente più semplice perché i servizi dei modelli contano già i token. Non richiede che entrambe le parti concordino sul valore del lavoro.

Questa semplicità rende la fatturazione a token attraente per i fornitori di infrastruttura. È meno convincente per un'applicazione aziendale finita, dove i clienti si aspettano che il fornitore gestisca la complessità tecnica.

Un'azienda software che espone i costi grezzi del modello a ogni cliente trasforma di fatto la propria architettura infrastrutturale in una metrica commerciale. Prompt inefficienti, contesto non necessario e chiamate ripetute al modello possono quindi comparire nella fattura del cliente.

Questo accordo può indebolire l'incentivo del fornitore a ridurre l'utilizzo. Se più calcolo produce più ricavi, efficienza e ricavi non si muovono più nella stessa direzione.

La concorrenza può controbilanciare questa pressione. Un fornitore che completa la stessa attività con meno risorse può offrire una migliore prevedibilità o preservare un margine più elevato. Gli acquirenti possono anche confrontare il costo totale per completare un flusso di lavoro, anziché le tariffe per token.

I sistemi tariffari più duraturi probabilmente resteranno ibridi. Un impegno di base può sostenere accesso, amministrazione, sicurezza e capacità di servizio prevedibile. Le tariffe a consumo possono coprire carichi di lavoro insolitamente intensivi.

L'analisi di Deloitte sull'economia del software AI descrive i prezzi a consumo come sempre più comuni ma meno prevedibili. Osserva inoltre che misurazione, fatturazione, osservabilità e conformità finanziaria devono diventare più immediate con la crescita dell'uso degli agenti.

Questo onere operativo è facile da sottovalutare. I dati di utilizzo devono passare dall'applicazione a un misuratore, un motore di pricing, una fattura, un sistema contabile e una dashboard cliente. Ogni trasformazione può creare controversie.

Il fornitore deve anche decidere quando registrare il consumo. Richieste fallite, tentativi ripetuti, input in cache, ragionamento in background e chiamate a strumenti delegati possono tutti incidere sul totale.

Un modello di fatturazione è quindi parte dell'architettura del prodotto. Determina quali azioni gli sviluppatori ottimizzano, quali comportamenti i clienti limitano e quali risultati i team commerciali promettono.

La fatturazione cloud dell'AI rimette gli hyperscaler al centro

I prezzi a consumo rafforzano i cloud provider perché controllano i misuratori infrastrutturali alla base di gran parte del mercato AI.

Le applicazioni AI possono presentarsi come prodotti software indipendenti, ma molte dipendono da cloud hyperscale per l'accesso ai modelli, lo storage dei dati, il networking e la capacità di calcolo. Ogni livello può creare un record di consumo separato.

Una singola richiesta di un agente potrebbe recuperare documenti dallo storage, cercare in un database vettoriale, chiamare diversi modelli linguistici, eseguire codice e registrare la propria attività. Il cliente vede una sola attività. Lo stack infrastrutturale vede una catena di operazioni fatturabili.

Questa catena offre ad Amazon, Microsoft e Google diversi vantaggi strategici. Gestiscono già sistemi di fatturazione maturi, contratti enterprise, controlli delle identità e strumenti di gestione dei costi. Possono integrare l'accesso ai modelli nelle relazioni che i clienti usano per altre infrastrutture.

I cloud provider possono anche offrire diverse modalità economiche. L'inferenza misurata serve una domanda incerta. La capacità riservata serve carichi di lavoro prevedibili. L'elaborazione batch serve lavori flessibili che non richiedono una risposta immediata.

Gli impegni di spesa rivisti di Google Cloud mostrano come il settore possa combinare consumo e prevedibilità contrattuale. La spiegazione FinOps dell'azienda descrive un passaggio verso prezzi scontati diretti basati su modelli di consumo.

Gli impegni non eliminano la misurazione dell'utilizzo. Pongono un confine commerciale attorno a essa. I clienti accettano di consumare un importo definito, mentre i fornitori ottengono visibilità sui ricavi e maggiore fiducia nella pianificazione dell'infrastruttura.

Questo equilibrio è centrale nelle guerre del cloud. I fornitori vogliono carichi di lavoro che crescano con l'adozione dell'AI, ma hanno anche bisogno che i clienti si impegnino prima che ogni unità di domanda diventi certa.

Le aziende di modelli si trovano davanti a una scelta simile. Possono vendere l’accesso direttamente, distribuire attraverso marketplace cloud oppure utilizzare entrambi i canali. Un marketplace può semplificare gli acquisti per i clienti con impegni cloud già in essere.

Lo stesso marketplace può indebolire la relazione commerciale diretta dell’azienda di modelli. Il provider cloud controlla la fattura, il quadro degli sconti e una parte dell’esperienza cliente.

I grandi fornitori di software hanno un altro vantaggio. Possono includere parte del consumo di AI in contratti più ampi oppure offrire quote che risultano familiari agli acquirenti. Le aziende AI più piccole spesso non dispongono di ricavi di prodotto sufficienti per assorbire una domanda di inferenza imprevedibile.

Questa divisione può influenzare la progettazione del prodotto. Una startup potrebbe imporre limiti rigidi, preferire modelli più piccoli o instradare le attività tra diversi provider. Una grande piattaforma può usare impegni contrattuali, infrastruttura interna o economie di portafoglio per sostenere una gamma più ampia di utilizzi.

La fatturazione a consumo rende inoltre l’instradamento dei modelli commercialmente importante. L’instradamento assegna ogni attività a un modello selezionato in base alla qualità, alla velocità e ai requisiti di risorse attesi.

Un semplice compito di classificazione non richiede sempre il modello più capace. Un’applicazione può riservare i sistemi più performanti alle attività difficili, mentre i modelli più piccoli gestiscono le richieste di routine.

Il caching dei prompt offre un’altra leva. Consente a un provider di riutilizzare contesto già elaborato invece di processare di nuovo lo stesso materiale. Questo può ridurre il lavoro ripetuto quando molte richieste condividono istruzioni o documenti.

L’elaborazione in batch può ridurre la pressione sulle risorse per i lavori che non richiedono risultati immediati. La capacità provisionata può migliorare la prevedibilità quando il traffico rimane stabile.

Ogni tecnica modifica l’economia senza cambiare l’interfaccia utente visibile. Per questo gli acquirenti devono valutare l’architettura dietro una funzionalità AI, non soltanto la sua unità di fatturazione dichiarata.

Il provider con la tariffa per token più bassa non garantisce necessariamente il costo di workflow più basso. Un modello che richiede più tentativi, prompt più lunghi o ulteriori validazioni può consumare complessivamente più risorse.

I fallimenti di qualità comportano anche costi esterni alla fattura del modello. I dipendenti devono esaminare output inaffidabili, correggere errori e ripetere il lavoro interrotto. Queste attività raramente compaiono in una dashboard di utilizzo AI.

La competizione cloud andrà quindi oltre i punteggi dei benchmark. I provider dovranno dimostrare che i loro modelli, la loro infrastruttura e i loro controlli dei costi producono risultati affidabili in carichi di lavoro reali.

La copertura di Google News può attirare l’attenzione sui cambiamenti più evidenti, ma le decisioni aziendali dipenderanno da questi dettagli meno visibili. Granularità della fatturazione, garanzie di capacità, controlli di instradamento e verificabilità determineranno quale piattaforma conquisterà un utilizzo duraturo.

Il problema della prevedibilità non è stato risolto

La fatturazione a consumo può rendere trasparenti le singole voci di spesa, rendendo però più difficile prevedere il budget complessivo.

Un’azienda può stimare il costo di una singola chiamata al modello e comunque non riuscire a prevedere la propria spesa AI annuale. La variabile mancante è il comportamento.

I dipendenti cambiano la frequenza con cui utilizzano uno strumento quando questo diventa utile. I team di prodotto aggiungono funzionalità AI a un numero maggiore di workflow. Gli agenti generano attività in background che non corrispondono a una sessione umana attiva.

La domanda può cambiare anche quando un fornitore aggiorna un modello. Una nuova versione potrebbe usare il contesto in modo diverso, generare risposte più lunghe o incoraggiare i clienti ad automatizzare attività più complesse.

Il risultato è un problema di previsione con diverse variabili interagenti. I team finanziari devono stimare adozione, frequenza delle attività, dimensione degli input, dimensione degli output, selezione del modello, tentativi ripetuti e future modifiche del prodotto.

L’efficienza tecnica non garantisce una fattura totale inferiore. Un minore consumo unitario può rendere accessibili attività in precedenza antieconomiche. Le organizzazioni automatizzano quindi più lavoro, facendo aumentare la domanda complessiva.

Questo schema ricorda l’effetto rimbalzo osservato in altre tecnologie. L’efficienza riduce il costo di un’attività, incentivando un utilizzo aggiuntivo. Il cliente spende meno per attività ma ne completa molte di più.

Gli agenti AI intensificano questa possibilità perché possono avviare sotto-attività. Un agente di ricerca potrebbe consultare diverse fonti, confrontare affermazioni, generare una bozza, verificare i riferimenti e rivedere il risultato.

Ogni passaggio può migliorare la qualità. Ogni passaggio può anche generare consumo aggiuntivo.

Gli acquirenti hanno bisogno di controlli che operino prima dell’arrivo della fattura. Budget, quote, avvisi, policy di instradamento dei modelli e limiti a livello di attività possono impedire a un workflow difettoso di consumare risorse indefinitamente.

Hanno bisogno anche di attribuzione. Ogni chiamata al modello dovrebbe essere associata a un utente, un’applicazione, un cliente o un processo aziendale. In caso contrario, l’organizzazione può vedere l’utilizzo totale senza identificare chi lo ha generato.

Il chargeback assegna la spesa tecnologica all’unità aziendale responsabile. Lo showback riporta le stesse informazioni senza trasferire la spesa. Entrambe le pratiche aiutano i team a collegare l’utilizzo alla responsabilità.

FinOps, la disciplina che gestisce la spesa cloud variabile tra team finanziari, tecnici e aziendali, offre una base utile. L’AI introduce nuove unità, ma il problema della responsabilità è noto.

Tuttavia, gli strumenti cloud convenzionali spesso organizzano la spesa intorno ad account, servizi e risorse infrastrutturali. I responsabili AI devono comprendere anche attività, modelli, prompt e risultati.

Un agente può attraversare diversi servizi nel corso di un workflow. Se questi addebiti rimangono separati, i team potrebbero sottovalutare il costo totale dell’attività.

Dati di fatturazione standardizzati possono migliorare questo processo, ma la normalizzazione non determina il valore da sola. Un record dei costi tecnicamente accurato necessita comunque di contesto aziendale.

I clienti dovrebbero porre ai fornitori diverse domande dirette prima di accettare condizioni basate sul consumo:

• Quali eventi esatti generano un’unità fatturabile?

• I tentativi non riusciti, i retry o gli input memorizzati nella cache vengono conteggiati?

• Gli amministratori possono stabilire limiti di spesa rigidi?

• Con quale rapidità l’utilizzo appare nella dashboard?

• I record possono essere esportati a livello di utente e workflow?

• In che modo una modifica del modello influisce sul consumo?

• Il fornitore può ricondurre una voce della fattura a una singola attività aziendale?

• Cosa accade quando un processo automatizzato entra in un ciclo?

Queste domande non sono dettagli di approvvigionamento. Determinano se un’azienda può espandere in sicurezza l’AI oltre gli esperimenti controllati.

Anche i fornitori devono rendere comprensibili i propri contatori. I crediti possono semplificare l’interfaccia, ma possono nascondere il rapporto tra utilizzo tecnico e addebito finale.

Un sistema di crediti diventa difficile da valutare quando i tassi di conversione differiscono in base al modello o alla funzionalità. I clienti possono sapere quanti crediti restano senza sapere quanto lavoro tali crediti sosterranno.

PwC sostiene che trasparenza della fatturazione, previsioni, avvisi e misurazioni del ritorno rivolte al cliente siano essenziali per un modello di consumo credibile. La sua analisi dei prezzi afferma che la metrica di utilizzo dovrebbe correlarsi direttamente ai risultati del cliente.

Quella correlazione è la questione irrisolta. I token descrivono l’attività del modello. Non misurano accuratezza, soddisfazione del cliente, ricavi completati o tempo risparmiato.

Le metriche di risultato suonano meglio, ma richiedono definizioni di cui entrambe le parti si fidino. Un agente di assistenza clienti può chiudere un caso in modo errato. Un agente di coding può completare una modifica che introduce successivamente un difetto.

I contratti più sicuri potrebbero combinare metriche tecniche e aziendali. Il consumo tecnico può determinare la componente variabile di una fattura. Qualità del servizio, tassi di errore e risultati riusciti possono determinare crediti o tutele commerciali.

I clienti dovrebbero inoltre conservare la possibilità di instradare il lavoro altrove. Una piattaforma che combina modelli proprietari, crediti opachi e controlli di esportazione limitati può creare lock-in economico.

Cambiare provider non risolve sempre il problema. Prompt, dati di valutazione, revisioni di sicurezza e integrazioni di workflow possono essere difficili da spostare. L’unità di fatturazione può essere portabile, mentre l’applicazione non lo è.

I modelli aperti e l’inferenza locale offrono un’altra valvola di sfogo. Possono avere senso per attività stabili ad alto volume o carichi di lavoro che richiedono un controllo più stretto. Introducono però anche rischi legati a hardware, personale, manutenzione e utilizzo.

La capacità cloud riservata rappresenta una via di mezzo. Migliora la prevedibilità senza richiedere al cliente di gestire ogni livello dell’infrastruttura.

Microsoft distingue esplicitamente la capacità di modello riservata dal consumo di token. Il suo approccio mostra che l’economia dell’AI non si sta muovendo verso un unico contatore universale. Sta diventando un portafoglio di scelte tra utilizzo, capacità e impegni.

Questa complessità favorisce gli acquirenti cloud esperti. Le organizzazioni più piccole potrebbero non disporre di ingegneri dei costi o team di approvvigionamento dedicati. Hanno bisogno di limiti più chiari a livello di prodotto, non di un’altra disciplina finanziaria specializzata.

Per i knowledge worker, la questione si presenta in una forma più personale. I dipendenti potrebbero esitare a usare uno strumento AI se ogni azione sembra costosa o strettamente monitorata.

Le organizzazioni hanno bisogno di policy che incoraggino un utilizzo di valore scoraggiando al tempo stesso gli sprechi. Una base di conoscenza personale ricercabile può ridurre il lavoro di recupero ripetuto quando i dipendenti necessitano di contesto dai propri documenti.

L’obiettivo non dovrebbe essere il minor numero possibile di token. Dovrebbe essere il costo affidabile più basso per un risultato utile.

Tre segnali decideranno la prossima fase delle guerre del cloud

Il modello di fatturazione vincente renderà la spesa AI misurabile, governabile e difendibile sia per i team tecnici sia per i responsabili finanziari.

Il primo segnale è la diffusione dei contratti ibridi. Occorre osservare se più fornitori combinano un impegno di base con utilizzo misurato e capacità riservata. Ciò confermerebbe che gli abbonamenti puri non possono sostenere carichi di lavoro AI intensivi.

Mostrerebbe anche che la fatturazione puramente pay-as-you-go è troppo imprevedibile per i sistemi aziendali principali. Gli impegni offrono ai fornitori certezza di pianificazione, mentre le componenti basate sull’utilizzo preservano un legame con la domanda.

Il secondo segnale è l’unità di fatturazione che i fornitori presentano ai clienti. La tariffazione per token resterà importante per sviluppatori e team infrastrutturali. Gli acquirenti aziendali chiederanno unità collegate ad attività completate, risoluzioni, documenti o altri risultati osservabili.

Un passaggio verso contatori basati sui risultati rafforzerebbe l’argomento secondo cui il software AI sta diventando una forma di lavoro digitale. Indebolirebbe la posizione dei fornitori che si limitano a trasferire ai clienti l’attività infrastrutturale.

Il terzo segnale è se la governance dei costi entra nel prodotto stesso. Gli acquirenti dovrebbero cercare limiti in tempo reale, attribuzione dei workflow, regole di instradamento dei modelli, rilevamento delle anomalie e fatture spiegabili.

Questi controlli devono operare prima che la spesa avvenga. Un report mensile dettagliato non può fermare un agente fuori controllo che ha consumato il proprio budget diverse settimane prima.

I provider cloud hanno un vantaggio iniziale perché gestiscono già la spesa infrastrutturale variabile. Tuttavia, i fornitori nativi AI possono competere rendendo più facile comprendere il rapporto tra utilizzo e valore.

È qui che si combatterà la prossima battaglia del cloud. La qualità dei modelli rimane importante, ma gli acquirenti hanno bisogno anche di controllo su ciò che il modello fa, sulla frequenza con cui agisce e sul risultato che giustifica la spesa.

Il modello a consumo affronterà la sua prova più dura quando gli agenti AI passeranno da assistenti opzionali a processi aziendali persistenti. I clienti non tollereranno più unità poco chiare o controlli di spesa deboli.

Google News ha evidenziato il cambiamento, ma le prove decisive arriveranno da fatture, negoziazioni di rinnovo e distribuzioni in produzione. Gli acquirenti dovrebbero iniziare ora a misurare il costo per workflow completato.

Chiedetevi se ogni attività automatizzata fa risparmiare tempo, migliora la qualità o crea valore aziendale misurabile. Poi confrontate quel risultato tra fornitori, modelli e metodi di distribuzione.

La fatturazione basata sul consumo non è automaticamente più equa né più costosa. È un trasferimento di responsabilità. I fornitori devono mettere a disposizione misuratori affidabili, e i clienti devono collegare tali misuratori ai risultati.

Le aziende che risolveranno entrambi gli aspetti plasmeranno la prossima fase della competizione nell'AI. Quelle che misureranno tutto senza spiegare il valore rischieranno limiti più stringenti, modelli alternativi e verifiche degli acquisti più rigorose.