L’eccezione da 28.000 dollari nell’uso dell’AI di Microsoft mette alla prova la spinta verso un impiego più efficiente dell’AI
Microsoft avrebbe registrato un dipendente che ha consumato risorse AI per un valore di 28.000 dollari in 28 giorni, creando un netto contrasto dietro gli ultimi titoli di Google News. L’azienda ha trascorso anni a incoraggiare i dipendenti ad adottare l’AI. Ora sta dicendo loro che consumare più token non crea necessariamente più valore.
La cifra straordinaria è comparsa in un foglio di calcolo volontario sulle retribuzioni, non in un rendiconto aziendale verificato. Circa 350 dipendenti avrebbero inserito dati sull’utilizzo dell’AI e la mediana delle segnalazioni era di circa 300 dollari. Questo rende il numero da titolo un valore estremamente anomalo, un possibile errore di segnalazione o un carico di lavoro insolitamente costoso.
La storia più ampia non dipende dal fatto che quella singola voce sia rappresentativa. Microsoft ha separatamente introdotto budget di token per divisione e monitoraggio dell’utilizzo personale, secondo quanto riportato sulle sue linee guida interne. Il suo messaggio è passato dal massimizzare l’adozione al massimizzare risultati misurabili per ogni unità di consumo AI.
Questo cambiamento riflette un problema che si sta diffondendo nell’AI aziendale. I sistemi di coding agentico possono leggere ripetutamente file, generare codice, eseguire test, analizzare errori e riprovare. Ogni ciclo consuma token, piccole unità utilizzate per elaborare prompt e generare risposte.
Un consumo elevato può riflettere automazione preziosa, ripetizioni inefficaci o entrambe le cose. Un dashboard di utilizzo registra l’attività, ma raramente distingue tra questi risultati. Microsoft sta affrontando questa lacuna di misurazione all’interno della stessa organizzazione che vende alle aziende un futuro incentrato sull’AI.
Cosa mostrano davvero i dati riportati sull’utilizzo dell’AI di Microsoft
La voce da 28.000 dollari colpisce, ma la distribuzione e la scarsa qualità dei dati contano più del titolo.
La cifra proveniva da un foglio di calcolo interno in cui i dipendenti Microsoft condividevano volontariamente dettagli retributivi e utilizzo dell’AI. Non è stata presentata tramite una relazione sugli utili, un documento normativo o un annuncio ufficiale di Microsoft.
Secondo l’originale report sulla spesa AI, la segnalazione più alta proveniva dall’organizzazione Customer and Partner Solutions di Microsoft. La voce copriva un periodo mobile di 28 giorni.
La partecipazione era limitata. I report indicano che quasi 600 dipendenti negli Stati Uniti hanno contribuito con alcune informazioni, mentre circa 350 hanno incluso l’utilizzo dell’AI. Microsoft impiegava oltre 223.000 persone a livello globale, rendendo il campione un gruppo minuscolo e autoselezionato.
Questo limite impedisce qualsiasi tentativo responsabile di estrapolare la mediana riportata all’intera Microsoft. I dipendenti che hanno inserito il proprio utilizzo potrebbero differire significativamente da quelli che non l’hanno fatto. Il foglio di calcolo potrebbe inoltre combinare stime prodotte da sistemi interni con valori inseriti manualmente.
Le cifre riportate mostrano comunque un modello importante. Il consumo AI variava di diversi ordini di grandezza, anche tra persone che lavoravano in organizzazioni simili.
CoreAI avrebbe avuto la mediana dipartimentale più alta, pari a 975 dollari. Seguivano Security con 526 dollari, Microsoft AI con 490 dollari, Cloud and AI con 325 dollari ed Experiences and Devices con 250 dollari.
Azure avrebbe registrato una mediana di 241 dollari, mentre Customer and Partner Solutions aveva una mediana di 134 dollari. Eppure la voce individuale più alta proveniva proprio da quell’organizzazione con mediana più bassa.
Altri valori anomali riportati includevano 16.000 dollari in CoreAI, 15.000 dollari in Cloud and AI e 10.000 dollari in Security. Queste cifre suggeriscono che la sola qualifica professionale o il dipartimento non possono spiegare il consumo.
I dati non rivelano cosa abbia prodotto ciascun dipendente. Non identificano il modello, il carico di lavoro, il numero di agenti, il metodo di fatturazione o il risultato aziendale dietro ogni importo.
Questo contesto mancante è decisivo. Un ingegnere potrebbe spendere molto per risolvere un incidente critico, migrare una grande base di codice o testare un prodotto interno. Un altro utente potrebbe generare una fattura simile attraverso cicli mal controllati che producono poco lavoro utilizzabile.
Anche la voce da 28.000 dollari potrebbe essere errata. Una conversione di unità, un evento contabile duplicato o un’autosegnalazione sbagliata potrebbero creare un valore anomalo artificiale. Microsoft non ha convalidato pubblicamente la cifra individuale né spiegato il suo calcolo.
Anche con queste cautele, il foglio di calcolo mostra perché il consumo grezzo sia un debole segnale di performance. L’utente principale ha speso oltre 90 volte la mediana riportata, eppure i dati disponibili non dicono nulla sul valore proporzionale.
Questo è il vero innesco dell’evento. Microsoft non deve più soltanto affrontare la questione dell’adozione dell’AI da parte dei dipendenti. Deve determinare quali forme di adozione giustifichino i loro costi variabili di infrastruttura.
Perché il titolo su Google News è solo una parte della storia
L’attenzione di Google News si concentra su un dipendente, mentre la politica interna di Microsoft rivela un cambiamento degli incentivi a livello aziendale.
La risposta riportata di Microsoft è iniziata prima che il caso anomalo diventasse un titolo virale. Nel luglio 2026, le divisioni dell’azienda avrebbero ricevuto obiettivi di budget per i token AI. I dipendenti potevano inoltre visualizzare il proprio consumo individuale attraverso un dashboard interno.
Jay Parikh, vicepresidente esecutivo del gruppo CoreAI di Microsoft, ha rafforzato la politica in un memorandum di inizio agosto. Il suo messaggio si concentrava sul valore piuttosto che su una riduzione generalizzata dell’uso dell’AI.
“Tokenmaxxing is not what we are optimizing for,” ha scritto Parikh, secondo le riportate linee guida interne sull’AI. Ha chiesto ai dipendenti di concentrarsi su risultati che incidano sui clienti e sul business.
Parikh ha inoltre affermato che Microsoft avrebbe gestito la spesa per i token con la disciplina applicata ad altre risorse critiche. Il memorandum avrebbe evitato di pubblicare un limite di spesa universale.
Questa distinzione è importante. Microsoft non ha detto agli ingegneri di smettere di usare l’AI. Ha detto loro che il solo volume di utilizzo non avrebbe soddisfatto gli obiettivi dell’azienda.
La politica riflette un problema di incentivi creato durante la prima fase dell’adozione aziendale. Le aziende volevano che i dipendenti sperimentassero, quindi i dirigenti celebravano l’aumento dell’utilizzo e il coinvolgimento visibile.
Alcune organizzazioni hanno introdotto dashboard o competizioni informali. Questi sistemi rendevano facile misurare il consumo di token, anche quando l’output utile restava difficile da quantificare.
I lavoratori rispondono alle metriche visibili. Se la leadership mette in evidenza l’utilizzo, i dipendenti hanno un motivo per mantenere in esecuzione i modelli, avviare agenti paralleli o selezionare sistemi ad alta intensità di risorse.
Questo comportamento è diventato noto come tokenmaxxing. Il termine descrive gli sforzi per massimizzare il consumo di token AI, talvolta perché un utilizzo elevato viene considerato una prova di ambizione o produttività.
Il CEO di Microsoft Satya Nadella ha riconosciuto la propria attrazione per un uso intensivo dell’AI. Più importante, ha messo in dubbio che i clienti ricevano abbastanza valore dai costosi modelli frontier e dai dati loro forniti.
Il cambiamento ricorda errori precedenti nella gestione del software. Un tempo le righe di codice fungevano da comoda metrica di produttività. Quella misurazione premiava il volume dell’output, anche se un codice più breve e più manutenibile spesso risolveva meglio il problema.
I token creano la stessa tentazione. Forniscono un numero preciso che appare oggettivo. Tuttavia, il numero misura l’attività computazionale anziché il lavoro completato, la soddisfazione dei clienti, l’affidabilità o i ricavi.
Il caso anomalo virale distrae quindi dal compito più difficile di Microsoft. L’azienda deve sostituire una semplice metrica di adozione con un modello basato sui risultati che funzioni per i team di ingegneria, vendita, sicurezza e prodotto.
I manager devono collegare il consumo a risultati specifici. Questi potrebbero includere incidenti risolti, migrazioni completate, modifiche al codice accettate, code di supporto più brevi o opportunità clienti convalidate.
Una tale misurazione richiede più di un dashboard mensile. I team hanno bisogno di flussi di lavoro tracciabili che conservino prompt, output, decisioni di revisione e risultati finali.
Un flusso di lavoro AI strutturato può aiutare i team a collegare il materiale generato alle decisioni che ha supportato. Questo contesto è più informativo di un conteggio totale dei token.
Il cambiamento di politica di Microsoft suggerisce che l’adozione sia entrata in una fase più impegnativa. La sperimentazione resta incoraggiata, ma il consumo non spiegato sarà sottoposto a controllo.
Più token non garantiscono risultati AI migliori
I sistemi agentici possono consumare enormi quantità di contesto senza produrre un miglioramento proporzionale dell’accuratezza.
Le interazioni chat tradizionali sono relativamente delimitate. Un utente invia un prompt, il modello elabora il suo contesto e restituisce una risposta. L’utente decide poi se valga la pena effettuare un altro turno.
Gli agenti AI per il coding operano diversamente. Possono analizzare repository, cercare documentazione, modificare file, eseguire comandi, esaminare errori e ripetere il ciclo.
Ogni azione aggiunge contesto. Lunghi file di codice, output dei comandi, log e tentativi precedenti possono tornare al modello nei passaggi successivi. Un singolo incarico può quindi espandersi in molte grandi chiamate di inferenza.
Gli agenti paralleli moltiplicano l’effetto. Un dipendente potrebbe chiedere a più agenti di indagare sullo stesso bug o di creare implementazioni concorrenti. Questo approccio può migliorare la copertura, ma può anche ripetere lavoro costoso.
La relazione tra sforzo e qualità non è lineare. Uno studio del 2026 su otto modelli frontier ha rilevato che le attività di coding agentico consumavano molti più token rispetto alle normali conversazioni di coding.
I ricercatori hanno riferito che attività identiche potevano variare fino a 30 volte nel consumo di token. Un utilizzo maggiore non produceva costantemente una precisione superiore.
Secondo lo studio sulla spesa degli agenti, le prestazioni spesso miglioravano fino a un livello intermedio, per poi stabilizzarsi. I modelli frontier faticavano inoltre a prevedere il loro eventuale utilizzo di token.
Questi risultati spiegano perché un limite universale per dipendente sarebbe grossolano. Alcune attività difficili richiedono un’ampia esplorazione del repository. Altre entrano in cicli ripetitivi perché l’agente non dispone di informazioni o segue un piano debole.
Il contesto in input ha guidato gran parte del consumo misurato. Questo punto mette in discussione l’idea che i dipendenti possano controllare i costi semplicemente richiedendo risposte più brevi.
Un agente che carica ripetutamente un grande repository può consumare risorse sostanziali prima di generare qualsiasi output visibile. I risultati degli strumenti e i log dei test possono ampliare ulteriormente il contesto.
La selezione del modello aggiunge un’altra variabile. Il modello più capace può essere giustificato per decisioni architetturali, debugging difficile o analisi di sicurezza. Può essere superfluo per la formattazione, la documentazione ordinaria o semplici trasformazioni del codice.
Microsoft avrebbe risposto rendendo GPT-5.6 Sol l’impostazione predefinita per il lavoro interno. I report lo hanno descritto come un’opzione più efficiente in termini di token per i flussi di lavoro dell’azienda.
Un’impostazione predefinita non vieta altri modelli. Cambia il punto di partenza, cosa che può influenzare migliaia di scelte quotidiane senza richiedere ai dipendenti di valutare manualmente ogni richiesta.
Questo ricorda il routing dei modelli, in cui il software invia le attività più semplici a sistemi efficienti e riserva i modelli costosi ai lavori più difficili. Il routing può avvenire tramite policy, classificazione automatizzata o selezione dell’utente.
La documentazione commerciale di Microsoft stessa sottolinea i controlli di utilizzo per gli agenti AI. Le sue linee guida sui costi di Copilot descrivono il consumo a consumo, i controlli di spesa e i metodi per ridurre l’elaborazione non necessaria.
Il cambiamento interno si allinea quindi a una sfida di prodotto che riguarda i clienti di Microsoft. Le aziende vogliono che gli agenti svolgano attività utili, mantenendo al tempo stesso il consumo variabile comprensibile e governabile.
L'efficienza non significa ridurre al minimo ogni prompt. Significa selezionare contesto, ragionamento e verifica sufficienti per ottenere un risultato affidabile.
Un'esecuzione più breve che produce codice errato non è economica. Non lo è nemmeno un agente che ripete i test all'infinito dopo aver raggiunto una risposta accettabile.
L'unità utile è il lavoro completato a un livello di qualità accettabile. Il numero di token conta perché influenza il costo per raggiungere quel risultato, ma non può definire il risultato da solo.
La promessa AI-first di Microsoft incontra la realtà dei budget
Microsoft sta cercando di contenere i consumi improduttivi senza indebolire il comportamento AI-first che aveva richiesto ai dipendenti.
Questo è il ribaltamento centrale dell'articolo. Microsoft ha incoraggiato un'adozione diffusa perché l'uso interno poteva accelerare lo sviluppo e dimostrare fiducia nei suoi prodotti.
Quella strategia ha creato un problema di secondo ordine. Una volta che l'AI si è integrata nei flussi di lavoro, il suo consumo marginale è diventato difficile da prevedere.
Il software basato sulle licenze per utente offre ai team finanziari costi ricorrenti prevedibili. I servizi agentici introducono un utilizzo che può variare in base alla complessità del compito, alla scelta del modello, alla lunghezza del contesto e al comportamento nei tentativi ripetuti.
Un dipendente può avviare un agente o più agenti. Ogni agente può effettuare chiamate a strumenti e continuare a lavorare dopo il prompt iniziale. Un numero fisso di lavoratori non implica più una quantità fissa di consumo software.
Questa tensione va oltre il budget interno di Microsoft. L'azienda vende infrastruttura cloud, prodotti Copilot, strumenti per sviluppatori e piattaforme per agenti a clienti che affrontano lo stesso problema contabile.
Microsoft ricopre quindi due ruoli. Trae vantaggio quando i clienti usano più AI, ma deve dimostrare che un maggiore consumo produce valore aziendale.
La sua politica interna può diventare una prova di una governance migliore. Può anche rivelare debolezze nella visibilità dei costi, nel routing e nel comportamento predefinito dei prodotti.
Il memo riportato ha cercato di bilanciare attentamente questi ruoli. Parikh ha affermato che Microsoft non stava ottimizzando per utilizzare meno token. Stava ottimizzando per ottenere un impatto maggiore per token.
Questa formulazione preserva l'impegno AI-first dell'azienda cambiando al contempo il suo standard di performance. I dipendenti possono continuare a sperimentare, ma un'attività intensa necessita di una spiegazione basata sui risultati.
Il mercato più ampio ha già iniziato un aggiustamento simile. Associated Press ha riferito che le aziende stanno esaminando routing, modelli open e sistemi più efficienti con l'aumento delle spese per token.
La consulente di Bain Jue Wang ha dichiarato che alcune grandi organizzazioni avevano visto i costi dei token raddoppiare quasi a mesi alterni. Ha sostenuto che le aziende assegnano spesso modelli premium a compiti che non li richiedono.
Il Chief Technology Officer di Mozilla Raffi Krikorian ha paragonato il tokenmaxxing alla misurazione dei programmatori in base alle righe di codice. Si aspettava che questa pratica svanisse man mano che le aziende avessero riconosciuto il suo debole legame con la produttività.
Il cambiamento nei token aziendali esercita inoltre pressione su OpenAI e Anthropic. Entrambe beneficiano di un utilizzo intenso, ma i clienti richiederanno maggiore efficienza e rendimenti più chiari.
Microsoft si trova in una posizione particolarmente complessa perché mantiene una stretta relazione con OpenAI mentre sviluppa i propri modelli, infrastruttura e livelli di orchestrazione.
Le impostazioni predefinite interne possono influenzare questo equilibrio. Instradare il lavoro di routine verso un modello efficiente riduce il consumo preservando l'accesso ai sistemi specializzati.
I concorrenti affrontano lo stesso compromesso. Amazon avrebbe sperimentato classifiche interne sull'uso dell'AI prima di spostare l'attenzione sui costi. Anche Meta ha promosso un consumo aggressivo di token durante la corsa all'adozione.
Uber avrebbe esaurito la propria allocazione annuale prevista per gli strumenti di coding AI nel giro di alcuni mesi. Questo caso ha mostrato quanto rapidamente l'adozione degli agenti possa travolgere budget progettati attorno al software convenzionale per sviluppatori.
Questi esempi non dimostrano che l'AI aziendale sia priva di valore. Mostrano che l'adozione può procedere più rapidamente della governance e della contabilità.
La domanda non è se un agente consumi più risorse di un editor di testo. La domanda è se accorci i tempi di consegna, migliori l'affidabilità, aumenti l'output o elimini abbastanza lavoro manuale da giustificare quel consumo.
La politica di Microsoft rende questa domanda inevitabile. Ogni grande azienda che acquista Copilot o sviluppa agenti dovrà prima o poi affrontare la stessa richiesta da parte dei responsabili finanziari.
Cosa non dimostra ancora l'affermazione da 28.000 dollari
L'eccezione riportata non può dimostrare sprechi, produttività o un comportamento diffuso in Microsoft senza dati su carichi di lavoro e risultati.
La natura volontaria del foglio di calcolo crea un bias di selezione. I dipendenti che monitorano attentamente l'utilizzo dell'AI potrebbero essere più propensi a inviarlo, mentre gli utenti leggeri potrebbero ignorare la colonna.
I valori erano inoltre auto-riportati. Microsoft non ha spiegato se i dipendenti abbiano copiato numeri da un tracker standardizzato, li abbiano stimati o abbiano interpretato categorie d'uso differenti.
Un campo con un equivalente in dollari può creare ulteriore ambiguità. Potrebbe rappresentare costi di infrastruttura interni, prezzi equivalenti per i clienti, crediti allocati o un altro modello contabile.
Questi valori non sono intercambiabili. Un importo equivalente al prezzo al dettaglio può superare di molto la spesa marginale dell'azienda per il calcolo. Un'allocazione interna può anche includere costi indiretti oltre all'inferenza diretta del modello.
I report disponibili non identificano il dipendente. Non descrivono il ruolo della persona, i compiti, i modelli, gli output o i risultati aziendali.
Ciò rende impossibile verificare l'interpretazione più provocatoria. Nessuno al di fuori di Microsoft può stabilire se il dipendente abbia sprecato risorse o completato un lavoro insolitamente prezioso.
La voce potrebbe riflettere stress test. Potrebbe riguardare valutazioni di prodotto, dimostrazioni per clienti, preparazione dei dati o un grande progetto software.
Potrebbe anche riflettere un agente intrappolato in cicli costosi. Senza tracce di esecuzione, entrambe le spiegazioni restano speculative.
Le mediane dipartimentali riportate meritano una cautela simile. Una mediana basata su invii volontari non misura il consumo medio in ciascuna organizzazione Microsoft.
I reparti svolgono inoltre lavori diversi. Gli ingegneri di CoreAI interagirebbero ragionevolmente con i modelli più spesso rispetto ai dipendenti di gruppi incentrati sulle relazioni con i clienti o sui processi amministrativi.
Anche un confronto valido necessita di misure degli output. Un'indagine di sicurezza ad alto costo può prevenire una perdita molto maggiore. Un riepilogo generato a basso costo può comunque causare danni se contiene un errore non rilevato.
Questa incertezza rafforza la necessità di una misurazione migliore, non di una corsa verso limiti rigidi. I limiti severi possono fermare gli sprechi, ma possono anche interrompere un lavoro prezioso nel momento peggiore.
I budget per attività offrono un'alternativa. I team possono allocare maggiore capacità al lavoro complesso, instradando al tempo stesso le richieste di routine attraverso sistemi efficienti.
Le soglie di approvazione offrono un'altra opzione. I dipendenti potrebbero utilizzare liberamente i modelli entro intervalli normali, per poi documentare lo scopo di carichi di lavoro insolitamente intensi.
Le revisioni dei risultati possono esaminare codice accettato, problemi risolti, frequenza di distribuzione, tassi di incidenti e tempo risparmiato. Nessuno di questi elementi fornisce da solo una risposta completa.
La qualità deve restare parte del calcolo. Gli agenti che generano lavori plausibili ma difettosi possono spostare il lavoro dalla creazione alla revisione.
La governance dei dati aggiunge un'altra dimensione di costo. L'invio di materiale proprietario in modelli esterni può creare problemi di sicurezza, riservatezza e conservazione, anche quando la spesa per token appare modesta.
Microsoft deve quindi evitare di sostituire una metrica semplicistica con un'altra. Premiare un basso consumo può essere distorsivo quanto premiare un consumo elevato.
La politica più solida misurerebbe il completamento efficiente e affidabile. Riconoscerebbe la sperimentazione necessaria, indagando al contempo le eccezioni inspiegate.
Questo approccio dipende anche da registri affidabili. I team devono sapere quali fonti, prompt, output dei modelli e decisioni umane abbiano contribuito a un risultato.
Una base di conoscenza ricercabile può preservare quel contesto operativo. Non può calcolare automaticamente il rendimento, ma offre ai revisori prove che vanno oltre un totale mensile.
Microsoft non ha divulgato pubblicamente un simile quadro di valutazione. I budget e le dashboard riportati rappresentano visibilità sui costi, che è solo il primo livello della governance.
La prossima sfida dell'azienda è l'attribuzione. Deve collegare il consumo a risultati utili senza incoraggiare i dipendenti a manipolare qualunque metrica sostituisca i token.
Cosa osservare dopo la stretta di Microsoft sui token
Tre segnali mostreranno se Microsoft sta costruendo una migliore economia dell'AI o se sta semplicemente sopprimendo un problema di costo visibile.
Il primo segnale è la politica di Microsoft sui modelli predefiniti. Secondo i report, l'azienda ha reso GPT-5.6 Sol l'opzione interna standard, puntando a una maggiore efficienza.
Occorre osservare se Microsoft manterrà questa impostazione predefinita, amplierà il routing automatizzato o cambierà l'accesso ai modelli a maggior consumo. Una politica di routing stabile sosterrebbe l'affermazione secondo cui l'azienda desidera un'allocazione più intelligente anziché tagli indiscriminati.
Il routing dei modelli deve restare sensibile ai requisiti del compito. Inviare ogni incarico al sistema più economico può aumentare le rilavorazioni, ridurre la qualità e annullare i risparmi attesi.
La misura rivelatrice sarà il completamento efficace dei compiti, non un grafico dei token in calo. Microsoft dovrebbe esaminare se i team mantengano velocità di consegna, qualità del codice e prestazioni sugli incidenti dopo le modifiche alle impostazioni predefinite.
Il secondo segnale riguarda il modo in cui i budget divisionali influenzeranno il comportamento dei dipendenti. Microsoft avrebbe assegnato obiettivi di token alle divisioni senza pubblicare un limite personale universale.
Questa struttura offre flessibilità ai manager, ma può anche creare un'applicazione incoerente. Un gruppo potrebbe trattare un obiettivo come indicazione, mentre un altro lo trasforma in un tetto rigido.
Un sistema utile consentirebbe eccezioni documentate per lavori di alto valore. Indagherebbe inoltre le eccezioni ricorrenti senza presumere che ogni cifra elevata rappresenti un abuso.
Se Microsoft introdurrà limiti rigidi senza controlli sui risultati, la stretta sembrerà un convenzionale taglio dei costi. Se combinerà i budget con l'attribuzione per attività, la politica sosterrà una strategia di efficienza più ampia.
Il terzo segnale è ciò che Microsoft offrirà ai clienti aziendali. L'esperienza interna dovrebbe influenzare dashboard di Copilot, controlli degli agenti, routing e previsione dei costi.
I clienti hanno bisogno di più di una fattura dopo che il consumo si è verificato. Hanno bisogno di avvisi, budget, raccomandazioni sui modelli, attribuzione a livello di attività e spiegazioni chiare del costoso comportamento degli agenti.
Microsoft può rafforzare la propria posizione se questi controlli diventeranno più facili da configurare tra i vari prodotti. Ciò trasformerebbe un problema di governance interna in una lezione di prodotto.
Il fallimento avrebbe un aspetto diverso. I costi continuerebbero a sorprendere i clienti, gli amministratori imporrebbero restrizioni grossolane e i dipendenti sposterebbero il lavoro in strumenti non monitorati.
Anche la risposta competitiva conta. OpenAI, Anthropic, Google, Amazon e i fornitori di modelli open hanno tutti incentivi a migliorare l'efficienza e l'osservabilità dei token.
Un modello più economico può conquistare carichi di lavoro di routine anche quando resta indietro rispetto al sistema più forte nei benchmark più difficili. Per gli acquirenti aziendali, costi di completamento prevedibili possono contare quanto la capacità di picco.
L'eccezione da 28.000 dollari finirà per scomparire dal ciclo di Google News. Il problema contabile resterà.
Microsoft ha reso visibile la domanda giusta: cosa ha ricevuto l'organizzazione in cambio del suo consumo di AI? La risposta non può arrivare dai soli token.
Gli sviluppatori dovrebbero verificare se i nuovi controlli riducono gli sprechi senza rallentare il lavoro più complesso. Gli acquirenti aziendali dovrebbero pretendere evidenze sui costi e sulla qualità a livello di singola attività prima di estendere le implementazioni.
Anche i lavoratori della conoscenza dovrebbero distinguere tra attività visibile e risultati conclusi. Far lavorare più agenti può sembrare produttivo, ma rischia di generare ulteriori revisioni, lavoro duplicato e contesto frammentato.
La prossima fase dell'AI aziendale premierà le organizzazioni che collegano i modelli a flussi di lavoro responsabili. Microsoft dimostrerà che i suoi controlli interni migliorano i risultati, oppure la prossima voce estrema in un foglio di calcolo rivelerà ancora una volta lo stesso divario nella misurazione?
