La spesa per l'AI su Ramp è calata nelle principali aziende, mettendo alla prova la scommessa sulla crescita degli hyperscaler

La spesa per l'AI su Ramp tra gli utenti aziendali più intensivi è diminuita del 9,7% ad agosto, nonostante anni di rapida espansione del consumo di AI nelle imprese. Il calo ha portato la spesa mensile per dipendente dell'1% superiore delle aziende che usano l'AI da 7.976 dollari a 7.205 dollari. Un rallentamento estivo offre una possibile spiegazione. Il calo dei costi dei token e la crescente preferenza per modelli più economici ne suggeriscono una più rilevante.

Gli stessi dati hanno mostrato che l'adozione aziendale continuava a crescere, ma appena. Ramp ha rilevato che il 56% dei suoi clienti ha acquistato prodotti AI durante agosto, solo 0,4 punti percentuali in più rispetto a luglio. Questa combinazione — adozione più lenta e minori spese tra i clienti più grandi — mette in discussione le ipotesi alla base del boom infrastrutturale.

OpenAI, Anthropic e i loro partner hyperscaler necessitano di un utilizzo in espansione per superare il calo dei prezzi unitari. Gli acquirenti enterprise vogliono sempre più il modello meno costoso che completi ogni compito in modo affidabile. La differenza tra vendere più intelligenza e offrire risultati più economici è ora al centro dell'economia dell'AI.

La spesa per l'AI su Ramp ha perso slancio ad agosto

Il calo di agosto è rilevante perché è emerso tra i clienti che dovrebbero trainare una quota sproporzionata dei futuri ricavi dell'AI.

Ramp ha basato la sua ultima analisi su dati anonimizzati delle transazioni di oltre 70.000 aziende. La piattaforma finanziaria monitora i pagamenti per abbonamenti AI e l'utilizzo di token, fornendo una visione diretta degli acquisti aziendali.

Il September AI Index ha rilevato che l'adozione ha continuato a crescere nel corso di agosto. Tuttavia, il ritmo ha rallentato abbastanza da sollevare interrogativi sulla domanda dopo diversi mesi di intensa espansione.

Anthropic ha raggiunto un'adozione del 43,8% tra le aziende misurate da Ramp. Ciò ha rappresentato un incremento mensile di 0,34 punti percentuali. OpenAI è salita di appena 0,09 punti percentuali, raggiungendo il 39,8%.

Queste percentuali misurano le aziende che pagano ciascun fornitore, non una quota di mercato esclusiva. Le aziende possono acquistare prodotti da più vendor AI contemporaneamente. Ramp aveva precedentemente rilevato che il 52% dei clienti che usavano OpenAI o Anthropic utilizzava entrambi.

Il cambiamento più sorprendente è apparso nell'intensità della spesa. La spesa mensile per l'AI per dipendente tra l'1% superiore degli adottanti è scesa da una cifra rivista di luglio pari a 7.976 dollari a 7.205 dollari.

Ramp avverte che questo gruppo comprende un numero relativamente ridotto di aziende. La sua stima è quindi più volatile delle cifre relative all'azienda mediana o al 10% superiore. Anche le transazioni registrate in ritardo hanno indotto Ramp a rivedere al rialzo il risultato di luglio.

Questa avvertenza metodologica impedisce che un singolo movimento mensile diventi la prova di una ritirata duratura. Non rende tuttavia irrilevante il calo. L'1% superiore contribuisce a una quota fuori misura dei ricavi disponibili per i fornitori di modelli.

Questi adottanti intensivi differiscono nettamente dall'azienda tipica. I dati sulla spesa estiva di Ramp hanno collocato la spesa mensile mediana per l'AI a 11,95 dollari per dipendente a luglio. Il 10% superiore ha speso circa 650 dollari, mentre l'1% superiore ha superato i 7.400 dollari.

Il divario mostra perché l'adozione aggregata può essere fuorviante. Aggiungere un altro cliente poco coinvolto non compensa la riduzione della spesa di un'azienda che utilizza agenti, sistemi di coding e workflow automatizzati in tutte le proprie operazioni.

Agosto ha anche una storia di attività debole. Ramp ha osservato una crescita minima dell'adozione tra agosto e ottobre nel 2025, seguita da una rinnovata espansione verso la fine dell'anno. I team di ingegneria spesso vanno in vacanza durante l'estate, riducendo l'utilizzo interattivo e automatizzato.

La stagionalità resta quindi una spiegazione credibile. Eppure il calo della spesa è arrivato insieme a cambiamenti strutturali che non scompaiono quando i dipendenti tornano al lavoro. I token stanno diventando più economici, le aziende stanno impostando modelli predefiniti e gli acquirenti stanno esaminando con attenzione i rendimenti.

È preferibile considerare il rallentamento come un primo segnale piuttosto che come un verdetto definitivo. Mostra che i ricavi dell'AI enterprise non crescono più automaticamente ogni volta che l'adozione aumenta.

I token più economici stanno cambiando il significato della crescita

Costi inferiori dei token favoriscono i clienti, ma costringono i fornitori di modelli a generare un utilizzo maggiore semplicemente per mantenere gli stessi ricavi.

L'indice dei prezzi effettivi di Ramp è sceso a 0,68 dollari per milione di token all'inizio di settembre. Si tratta del 41% in meno rispetto al picco del 2026 di 1,15 dollari registrato a marzo. La concorrenza e le riduzioni di prezzo dei fornitori hanno contribuito a determinare il cambiamento.

Un token è una piccola unità di testo elaborata o generata da un modello linguistico. I fornitori fatturano comunemente ai clienti API in base al numero di token di input e output consumati.

Costi unitari inferiori non indicano necessariamente una minore attività AI. Un'azienda potrebbe elaborare più documenti, generare più codice o gestire agenti aggiuntivi pagando meno. La spesa può diminuire anche quando cresce l'output utile.

Questa distinzione rende la spesa per l'AI su Ramp un indicatore imperfetto dell'intensità di adozione. I registri delle transazioni mostrano il denaro che passa ai vendor. Non rivelano direttamente i compiti completati, i token generati, il tempo risparmiato dai dipendenti o il valore aziendale.

Tuttavia, i ricavi contano in ultima analisi per gli sviluppatori di modelli e i fornitori di infrastrutture. Se i prezzi scendono più rapidamente di quanto aumentino i volumi, un maggiore utilizzo tecnico produce una crescita commerciale più debole.

Questo è il ribaltamento centrale nei dati di agosto. I servizi AI stanno diventando più accessibili, proprio come la concorrenza avrebbe dovuto favorire. Questo successo indebolisce il legame tra adozione e ricavi.

Il mix di modelli aumenta la pressione. Ramp ha dichiarato che le aziende usano sempre più modelli standard come GPT-5.6 Terra e la famiglia Sonnet di Anthropic. Le aziende hanno detto a Ramp che questi sistemi restavano capaci pur costando meno delle alternative frontier.

I modelli frontier, inclusi Opus, Fable e Sol, rappresentavano il 45% del volume di token misurato. Secondo il resoconto di Ramp, la loro quota aveva in precedenza raggiunto il 53% durante agosto prima di ridiscendere.

Le etichette esatte dei modelli e le relative quote continueranno a cambiare. Il comportamento dei clienti che vi sta alla base è più duraturo. Le aziende stanno imparando che la stesura di email, la classificazione, l'estrazione e il coding di routine raramente richiedono il modello più capace.

Il routing dei modelli formalizza questa decisione. Un router valuta una richiesta e la indirizza verso un sistema che offre un equilibrio accettabile tra capacità, latenza e costo.

Il cambiamento nel routing enterprise era già visibile prima che Ramp pubblicasse le sue cifre di agosto. Il consulente Bain Jue Wang ha descritto aziende che riservano i sistemi costosi ai compiti che li richiedono effettivamente.

Questo approccio modifica l'unità competitiva. I fornitori non competono più soltanto per un contratto aziendale complessivo o per la posizione di chatbot preferito. Competono per ogni categoria di lavoro all'interno del livello di routing del cliente.

Un laboratorio frontier può vincere richieste difficili di ricerca e coding, perdendo però riassunti, classificazioni e query di routine a favore di sistemi più economici. Quel cliente può restare un account attivo pur generando minori ricavi.

È un'efficienza benvenuta per gli acquirenti enterprise. Assomiglia all'ottimizzazione del cloud, in cui i team abbinano i workload al calcolo adeguato anziché scegliere l'istanza più grande per ogni attività.

La transizione può anche mettere in luce progetti AI deboli. Un'inferenza economica non può salvare un workflow che produce risultati inaffidabili, richiede ampie revisioni o risolve un problema poco importante.

Le aziende devono quindi misurare i risultati, non i totali dei token. Una base di conoscenza AI ricercabile crea valore quando i dipendenti recuperano informazioni utili più rapidamente. Il suo consumo di token, da solo, dice poco su quel risultato.

Il calo dei prezzi può espandere la domanda nel tempo. Tuttavia, la rilevazione di agosto di Ramp suggerisce che questa espansione non avesse ancora compensato pienamente i fornitori per i prezzi effettivi inferiori.

La scommessa degli hyperscaler richiede che il volume superi l'efficienza

La costruzione delle infrastrutture presuppone che un'intelligenza più economica crei abbastanza lavoro aggiuntivo da compensare il calo dei ricavi per ogni unità di calcolo.

OpenAI, Anthropic e altre aziende di modelli spendono molto per addestrare e servire sistemi sempre più capaci. I partner cloud costruiscono data center, si assicurano l'elettricità e acquistano acceleratori sulla base di aspettative di domanda duratura.

Questa tesi d'investimento non richiede che ogni azienda spenda quanto l'1% superiore di Ramp. Richiede però una crescita sostenuta in un numero sufficiente di clienti, workflow e agenti automatizzati per supportare la capacità installata.

I dati di agosto mettono sotto pressione tale aspettativa da entrambe le direzioni. La crescita dell'adozione ha decelerato, mentre la spesa per dipendente è diminuita tra gli utenti più impegnati. Nessuno dei due cambiamenti, da solo, invalida la tesi.

Insieme, rivelano una vulnerabilità. Il mercato si aspetta che gli adottanti intensivi continuino a scoprire workload di valore più rapidamente di quanto i fornitori riducano i prezzi.

La relazione assomiglia a un'attività basata sui volumi con un'efficienza produttiva in rapido miglioramento. Costi inferiori possono attrarre clienti e stimolare i consumi. Possono anche comprimere i ricavi quando i clienti catturano la maggior parte dei risparmi.

Le aziende AI vogliono che prevalga il primo effetto. I team finanziari enterprise vogliono il secondo. La concorrenza determina come si divide il beneficio.

OpenAI ha risposto incoraggiando i clienti a misurare il valore anziché i costi grezzi dei token. Il suo concetto proposto, intelligenza utile per dollaro, chiede se l'AI completi un lavoro significativo in modo accurato ed economico.

Questo quadro ha valore. Il modello più economico non è la scelta migliore quando fallimenti ripetuti, correzioni umane o escalation cancellano i suoi apparenti risparmi.

Eppure il quadro serve anche gli interessi commerciali dei fornitori frontier. Hanno bisogno che gli acquirenti considerino il successo del compito, non si limitino a confrontare i prezzi dei token tra modelli.

Molte imprese sembrano accettare l'argomento basato sui risultati, rifiutando però l'idea che un unico modello premium debba gestire tutto. Instradano il lavoro semplice in modo economico e riservano i sistemi frontier alle richieste complesse.

La ricerca sull'economia degli agenti sostiene questa cautela. Un'analisi dell'economia dei workflow ha rilevato che la selezione del modello, la progettazione del workflow, i tentativi ripetuti e la supervisione umana possono modificare radicalmente i costi totali.

Gli agenti amplificano queste variabili perché completano compiti in più fasi. Una richiesta utente può attivare pianificazione, chiamate a strumenti, ricerche, convalida e interazioni ripetute con il modello.

Questo crea un percorso plausibile di ritorno alla crescita. Anche se ogni token diventa più economico, i workflow autonomi possono consumare molti più token di un prompt conversazionale. Più agenti potrebbero quindi ripristinare la crescita dei volumi.

Tuttavia, un maggiore consumo non garantisce un valore proporzionale. Un agente progettato male può ispezionare ripetutamente lo stesso materiale, chiamare strumenti non necessari o ripetere un passaggio fallito senza migliorare il risultato.

Le aziende stanno iniziando a distinguere l'automazione produttiva dall'attività dei token. Questo cambiamento minaccia strategie aziendali costruite attorno all'utilizzo come metrica di successo.

La posta in gioco va oltre i laboratori di modelli. Gli hyperscaler guadagnano dal calcolo, dallo storage, dal networking e dai servizi gestiti alla base delle applicazioni AI. Investono inoltre direttamente negli sviluppatori frontier e riservano capacità per la domanda prevista.

Se i clienti ottengono lo stesso output con modelli più piccoli, caching migliore e routing più selettivo, la domanda infrastrutturale può restare elevata pur crescendo al di sotto delle previsioni ambiziose.

La distinzione tra utilizzo e spesa diventa essenziale in questo caso. Più token non richiedono sempre una quantità proporzionalmente maggiore di calcolo. Quantizzazione, inferenza ottimizzata e hardware specializzato possono ridurre le risorse necessarie per ogni risposta.

I fornitori possono reagire rilasciando modelli più potenti, migliorando gli strumenti per sviluppatori o creando applicazioni destinate ai lavoratori non tecnici. Ogni strategia punta a generare nuova domanda oltre il primo utilizzo nell’ingegneria.

Questo aiuta a spiegare la crescente attenzione verso gli spazi di lavoro AI, gli assistenti di ricerca e gli agenti collaborativi. I team tecnici hanno adottato l’AI per primi. Il prossimo bacino di ricavi deve includere operazioni, finanza, marketing, attività legali e altre funzioni ad alta intensità di conoscenza.

La scommessa ora dipende da un utilizzo ripetuto e di valore in tutti questi ruoli. Un abbonamento acquistato che i dipendenti aprono raramente sostiene le statistiche di adozione, ma contribuisce poco ai ricavi da espansione.

Cosa non possono dimostrare i numeri di Ramp

Un solo mese volatile non può distinguere una pausa stagionale da un cambiamento duraturo nella domanda aziendale.

Il dataset di Ramp offre prove insolitamente dirette perché osserva pagamenti reali. Rappresenta comunque i clienti di Ramp, la cui composizione settoriale e le cui preferenze tecnologiche differiscono dall’economia nel suo complesso.

Settori tecnici come informazione, finanza e servizi professionali guidano l’adozione nel campione. Questo orientamento può rendere l’indice un indicatore anticipatore, ma può anche sovrastimare l’adozione tra le aziende statunitensi.

Il sondaggio sull’adozione da parte delle imprese dell’U.S. Census Bureau fornisce un utile contrappeso. TechCrunch ha riportato che un aggiornamento di agosto collocava l’uso dichiarato dell’AI vicino al 22% delle aziende, ben al di sotto del 56% rilevato da Ramp.

I sondaggi misurano popolazioni e comportamenti diversi. Ramp rileva acquisti classificati come spesa per l’AI. Il Census Bureau chiede alle imprese dell’uso dell’AI nella produzione di beni e servizi.

Nessuna delle due misure cattura l’intero mercato. I dipendenti possono usare strumenti gratuiti o abbonamenti acquistati personalmente, al di fuori dei sistemi aziendali. Le aziende possono inoltre pagare prodotti AI che registrano poco utilizzo significativo.

La stima di Ramp relativa all’1% superiore merita particolare cautela. Un numero limitato di aziende, date di fatturazione, contratti annuali o transazioni ritardate può spostare la mediana mensile di quel gruppo.

Ramp ha rivisto la spesa di luglio da circa $7.400 a quasi $8.000 dopo aver ricevuto ulteriori transazioni. I risultati di agosto restano soggetti a variazioni simili.

I periodi di vacanza introducono un’altra fonte di rumore. Se gli ingegneri hanno generato meno token durante agosto, la spesa potrebbe rimbalzare alla ripresa dei progetti. Le precedenti riprese di fine anno sostengono questa possibilità.

Anche un rimbalzo non eliminerebbe la sfida dei prezzi. I dipendenti che rientrano dalle vacanze incontreranno modelli più economici e impostazioni predefinite più attente ai costi rispetto a quelle disponibili all’inizio del 2026.

I dati disponibili non possono nemmeno stabilire se il calo rifletta una minore produzione. Un’azienda che paga meno potrebbe svolgere lo stesso lavoro in modo più efficiente. Questo risultato rappresenta un’adozione riuscita, non una ritirata.

Al contrario, un’azienda con spese elevate potrebbe generare grandi volumi di output di scarso valore. I totali di token non possono distinguere l’automazione produttiva dallo spreco.

Questa lacuna di misurazione conta per gli acquirenti. I team finanziari hanno bisogno della spesa suddivisa per workflow, team, modello e risultato completato. I responsabili di prodotto hanno bisogno di qualità, tempi di ciclo, tassi di correzione e fidelizzazione degli utenti.

Gli sviluppatori hanno bisogno di una visione altrettanto completa. Un modello economico che fallisce ripetutamente può costare di più dopo tentativi e debugging. Un modello costoso può essere conveniente quando completa correttamente un compito difficile.

Per i fornitori di modelli, l’ambiguità offre sia conforto sia pericolo. Una spesa in calo potrebbe indicare una migliore economia per i clienti, che in seguito accelera il deployment. Potrebbe anche rivelare un limite alla disponibilità a pagare.

I modelli a pesi aperti non spiegano ancora il cambiamento generale. Ramp ha rilevato che solo il 6,4% delle aziende che spendono in AI ha utilizzato piattaforme di serving o inferenza dei modelli durante agosto.

Questa cifra è una stima massima dell’uso di modelli aperti, perché le piattaforme di routing possono offrire anche modelli chiusi. Ramp ha collocato l’adozione tra tutte le aziende al 3,6%.

I modelli aperti restano quindi un contesto di supporto, non il principale concorrente in questa storia. La concorrenza immediata proviene da offerte standard più economiche vendute dagli stessi grandi fornitori.

Questa dinamica può ridurre il ricavo medio senza richiedere ai clienti di cambiare fornitore. Un cliente Anthropic può spostare il lavoro da Opus a Sonnet. Un cliente OpenAI può selezionare un modello meno costoso per le attività di routine.

L’adozione di un fornitore può crescere mentre la qualità dei ricavi si indebolisce. È esattamente per questo che la combinazione di agosto merita attenzione, ancora prima che qualcuno la definisca una tendenza.

Tre segnali decideranno se si è trattato di un avvertimento

Il prossimo test sarà verificare se la spesa si riprende mentre i clienti continuano a indirizzare più lavoro verso modelli economici.

Il primo segnale è la spesa di settembre e ottobre dell’1% superiore dei clienti Ramp. Un forte rimbalzo verso il livello di luglio rafforzerebbe la spiegazione stagionale.

Quella ripresa deve essere valutata insieme alle revisioni delle transazioni. Un aumento o un calo preliminare può cambiare quando Ramp riceve pagamenti aggiuntivi. Diversi mesi offriranno una tendenza più solida di una singola osservazione.

Un calo continuato rafforzerebbe l’interpretazione strutturale. Suggerirebbe che token più economici e una selezione dei modelli più rigorosa stanno riducendo i ricavi più rapidamente di quanto i nuovi carichi di lavoro li espandano.

Il secondo segnale è la quota di volume dei token rappresentata dai modelli frontier. Ramp ha collocato questa quota al 45% dopo un precedente picco di agosto del 53%.

Una ripresa sostenuta dimostrerebbe che le aziende trovano ancora abbastanza attività difficili da giustificare sistemi premium. Ciò sosterrebbe le affermazioni dei fornitori secondo cui una maggiore capacità crea un’economia migliore.

Un ulteriore calo mostrerebbe che i modelli standard stanno conquistando una quota maggiore del lavoro quotidiano. Spingerebbe i laboratori frontier a migliorare la differenziazione, ridurre i prezzi o integrare capacità avanzate in prodotti più ampi.

La quota grezza dei modelli richiede comunque contesto. Un modello frontier può generare ricavi sostanziali con meno token se il suo prezzo resta più alto. I fornitori potrebbero anche modificare pacchetti, sconti o strutture di abbonamento.

Il terzo segnale è l’adozione al di fuori dei team tecnici. I laboratori AI puntano sempre più al lavoro collaborativo svolto da analisti, manager, professionisti del marketing e altri lavoratori della conoscenza.

Un forte utilizzo ripetuto in questi gruppi amplierebbe la base di clienti oltre i primi adottanti dell’ingegneria. Creerebbe inoltre workflow meno legati ai cicli di rilascio del software e al numero di sviluppatori.

I soli acquisti non risolveranno la questione. Le aziende devono dimostrare che gli utenti non tecnici ritornano, completano attività significative ed espandono il loro utilizzo dopo le prove iniziali.

I lettori dovrebbero osservare la fidelizzazione del prodotto, il volume dei workflow e i risultati dichiarati delle attività. Questi indicatori rivelano più degli annunci di lancio o del numero di account.

Gli acquirenti aziendali dovrebbero inoltre esaminare da dove provengano i propri risparmi. Una spesa inferiore causata da un routing migliore è positiva. Una spesa inferiore causata da progetti abbandonati segnala un deployment fallito.

I team possono sostenere questa distinzione collegando l’attività AI a decisioni archiviate, registri di progetto e lavoro completato. Un second brain ben curato può preservare il contesto necessario per valutare questi risultati nel tempo.

Il mercato più ampio non ha bisogno che la spesa per dipendente aumenti per sempre. Le aziende traggono vantaggio quando le capacità migliorano e i costi diminuiscono. Un’adozione efficiente può produrre più valore con minori spese.

Gli sviluppatori di modelli e gli hyperscaler affrontano un’equazione diversa. I loro piani di investimento richiedono ricavi che alla fine giustifichino enormi impegni infrastrutturali.

La spesa per l’AI rilevata da Ramp ha messo in luce il conflitto tra questi risultati. Ciò che aiuta i clienti può comprimere i fornitori, anche quando più persone usano l’AI.

Agosto potrebbe comunque rivelarsi una pausa dovuta alle vacanze. Le prossime rilevazioni mostreranno se gli utenti più intensivi hanno ripreso a spendere o hanno imparato in modo permanente a fare di più con modelli più economici.

Per sviluppatori e leader aziendali, la domanda pratica è già chiara: la spesa per l’AI sta producendo lavoro completato e di valore, oppure sta semplicemente accumulando token? Misurate questa risposta prima del prossimo ciclo di budget.