Ed Zitron, giornalista e critico tecnologico tra i pochi che da anni analizza le crepe strutturali nell’economia dell’intelligenza artificiale, ha pubblicato un’analisi che merita lettura integrale.
Nulla di epocale per chi segue il settore, ma quella che era una percezione (evidentemente) di pochi ora è diventato un fatto espresso in numeri.
Il caso GitHub Copilot
Il 1° giugno 2026 Microsoft porterà tutti i piani di GitHub Copilot a una fatturazione basata sul consumo effettivo di token, abbandonando il modello a canone mensile con un numero predefinito di richieste. In pratica chi pagava 19 dollari al mese e aveva 300 richieste “premium” incluse d’ora in poi pagherà in base a quanto effettivamente consuma. E quanto consuma? Una singola “request” di Copilot, scopre un utente sul subreddit dedicato, vale circa 11 dollari in token, perché coinvolge 60.000 token nel contesto, diversi strumenti e numerosi “turni” interni del modello.
Microsoft ha scritto l’annuncio con la consueta eleganza comunicativa del settore: “un passo importante verso un business Copilot sostenibile e affidabile.” [“…an important step toward a sustainable, reliable Copilot business and experience for all users.”] Zitron traduce in modo più diretto: “non possiamo più sussidiare i costi computazionali degli utenti senza che il nostro CFO abbia da ridire”
La crisi dei subprime dell’IA: era stata prevista
Zitron due anni fa ha coniato il termine “subprime AI crisis“: l’intera industria dell’IA generativa si è strutturata esattamente come i mutui subprime del 2008: prodotti venduti a prezzi artificialmente bassi, sostenuti dalle big tech, diffusi il più rapidamente possibile per creare dipendenza, con la certezza implicita che i costi sarebbero scesi nel tempo e che gli utenti sarebbero rimasti anche quando i prezzi fossero aumentati.
Ahimé, entrambe le assunzioni si sono rivelate sbagliate.
I costi dei token non sono scesi in modo significativo, i modelli “reasoning” più recenti ne consumano molti di più, quindi il costo dell’inferenza è in realtà aumentato. E gli utenti, che ne hanno sviluppato una sorta di dipendenza, si trovano di fronte a una realtà economica radicalmente diversa.
Il modello ad abbonamento mensile non ha mai avuto senso
È questo il punto più devastante dell’analisi di Zitron. Un abbonamento mensile funziona quando i costi sottostanti sono relativamente stabili e prevedibili: una palestra sa quanto consumano le attrezzature, quanta elettricità usa, quanto costano gli istruttori. Google Workspace, almeno prima dell’integrazione con gli strumenti IA, costava poco perché lo spazio digitale è economico e i documenti non richiedono GPU da decine di migliaia di dollari per esistere.
Un LLM non funziona così. Un utente può usarlo per una ricerca di cinque minuti. Un altro ci può caricare un intero codebase, iterare per ore, chiedere refactoring su repository di milioni di righe, e via di jargon tecnico a piacere. Il costo per il fornitore cambia di ordini di grandezza. Eppure entrambi pagano lo stesso abbonamento. Qualcuno deve coprire la differenza, e quel qualcuno è stato, per anni, il venture capital.
Anthropic consentiva agli utenti di bruciare fino a 8-13,50 dollari in computazione per ogni dollaro di abbonamento. OpenAI faceva lo stesso. GitHub Copilot ha supportato due milioni di utenti per tre anni, perdendo mediamente più di 20 dollari al mese per utente nei mesi iniziali, con punte di 80 dollari.
Quanto costa davvero usare l’IA per sviluppare software
Dai documenti interni di Anthropic su Claude Code risulterebbe che fino a inizio aprile 2026 la stima pubblica era di 6 dollari al giorno per sviluppatore, con il 90% degli utenti sotto i 12 dollari. Oggi quella stessa pagina recita: media di 13 dollari al giorno per sviluppatore attivo, con il 90% degli utenti sotto i 30 dollari al giorno, per una spesa mensile media tra i 150 e i 250 dollari.
Ipotizzando 21 giorni lavorativi al mese: una media di 273 dollari mensili, 3.276 dollari annui per sviluppatore. Al massimo del 90° percentile: 630 dollari al mese, 7.560 dollari l’anno. Per un team di dieci persone, e assumendo qualche mese con picchi di utilizzo, si parla agilmente di 100.000 dollari l’anno solo in token.
Goldman Sachs stima che alcune aziende stiano già spendendo il 10% del costo del personale in token AI, con proiezioni che potrebbero raggiungere il 100% nei prossimi trimestri.
Nessuno studio sul ROI dell’intelligenza artificiale riesce a quantificare un ritorno che giustifichi queste cifre. Il che suggerisce quello che in molti avevamo predetto, ossia che il ritorno non esiste o non è misurabile nel modo in cui le aziende si aspettavano.
I data center: un castello di carta da miliardi
Zitron entra poi nella matematica dei data center: un data center da 100 MW costa circa 4,4 miliardi di dollari. Con 85 MW effettivamente fatturabili, genera circa 1,06 miliardi di dollari di ricavi annui, ma solo al 100% di utilizzo. I costi di elettricità, manutenzione, colocation e ammortamento delle GPU su sei anni portano i costi totali a circa 837 milioni. Margine lordo: 16,7%, ma solo con piena occupancy permanente e senza debito. Se si aggiunge il finanziamento tipico (prestito all’80% del valore degli asset a tasso del 6%), il margine crolla al 5% nel primo anno e diventa ampiamente negativo nei successivi cinque, quando inizia il rimborso del capitale.
Stargate, il campus da 1,2 GW che Oracle sta costruendo per OpenAI in Texas, progetto da 52,8 miliardi di dollari, era atteso completamente operativo “entro il 2025”, poi “entro metà 2026”. Ad aprile 2026, solo due edifici su otto sono operativi. Oracle ha accumulato circa 115 miliardi di dollari di debito per finanziare Stargate, necessita di altri 150 miliardi per completarlo, e il suo unico cliente è OpenAI, un’azienda che ha bisogno di raccogliere o generare 852 miliardi di dollari entro il 2030 per onorare i propri impegni computazionali.
La CFO di OpenAI ha comunicato ai dirigenti e al consiglio di amministrazione la preoccupazione che l’azienda potrebbe non essere in grado di pagare i futuri contratti di computazione se i ricavi non crescono abbastanza. Ha anche sottolineato che OpenAI non è ancora pronta a soddisfare i rigidi standard di rendicontazione richiesti a una società quotata. Un’azienda valutata 852 miliardi di dollari, che ha raccolto 122 miliardi in finanziamenti, e i cui conti non sarebbero pronti per una quotazione in borsa. Houston, abbiamo un problema.
Anthropic non è da meno: si è impegnata a prendere “fino a” 10 GW di capacità computazionale da Google e Amazon, stimati in circa 100 miliardi di dollari di impegni effettivi, a fronte di 5 miliardi di dollari di ricavi cumulati nell’intera storia dell’azienda.
La conclusione di Zitron: è stata una truffa deliberata
Zitron sostiene questa accusa con precisione maniacale. I servizi AI in abbonamento mensile erano uno strumento per nascondere il costo reale dei Large Language Model, far crescere le base utenti più velocemente possibile, e creare dipendenze comportamentali che avrebbero reso difficile tornare indietro quando i prezzi fossero aumentati.
L’oscuramento dei costi (token, messaggi, percentuali di limite d’uso) era strategia di go-to-market. Nessuno avrebbe adottato questi strumenti così massivamente se avesse dovuto pagare il costo reale da subito.
Il conto, dice Zitron, e io mi accodo, è arrivato.
I miei due cent
Zitron è tra i pochi ad aver avuto tempo e voglia di fare i conti in modo serio. Nella mia esperienza diretta con le aziende vedo alcune dinamiche che l’analisi tocca solo in parte e che meritano approfondimento.
I costi nascosti stanno emergendo. Ma solo quelli visibili.
Sembra un paradosso, quello dei costi nascosti visibili e dei costi nascosti invisibili. Quello che sta venendo a galla ora è solo la punta dell’iceberg: sono i costi diretti e misurabili, quelli che appaiono in una fattura. GitHub Copilot che passa a token-based billing è la parte facile da calcolare.
Quello che le aziende non stanno ancora quantificando, forse perché è scomodo farlo, sono i costi indiretti. Il tempo perso a correggere output sbagliati, le decisioni prese su analisi generate da modelli che allucinano con eleganza. Il costo di dover tenere comunque personale esperto per supervisionare quello che l’IA produce, perché nessuno nella stanza si fida abbastanza da non controllare. E poi c’è il costo reputazionale, che è il più pericoloso di tutti proprio perché è invisibile finché non esplode.
Chi pensava di tagliare il costo del lavoro ha scoperto che non funziona così
Questa è la storia che sento più spesso, con variazioni minime, da parte di chi ha il coraggio di ammettere la verità: l’azienda entra nel progetto AI convinta di risparmiare sul personale, scopre che per usare gli strumenti in modo produttivo serve personale formato, e che la formazione costa, oppure le persone già formate costano di più perché sono più rare. Scopre che i processi devono essere ripensati da zero e anche questo ha un costo e un forte impatto sull’organizzazione. Scopre che chi non è formato usa l’IA in modo sbagliato e produce output di qualità inferiore rispetto a prima, con l’aggiunta del tempo perso nel ciclo prompt-verifica-correzione.
Intanto, le Big Four di consulenza, che si sono posizionate da subito come gli unici in grado di guidare la “trasformazione AI” aziendale, hanno fatturato cifre considerevoli per progetti spesso di scarso valore operativo. Sono loro le uniche vincitrici: non le aziende che hanno adottato l’IA, non i vendor di modelli che perdono miliardi, ma chi ha venduto la consulenza per aiutare a capire cosa fare con strumenti che nessuno capiva davvero (in alcuni casi forse nemmeno loro…).
I prezzi cambiano da un giorno all’altro e nessuno lo dice chiaramente
Il caso GitHub Copilot è emblematico anche per come è avvenuto. Annunciato con pochi giorni di preavviso effettivo, comunicato con il linguaggio opaco e manipolatorio dell’”evoluzione del prodotto”, senza simulatori di costo che permettano agli utenti di capire in anticipo quanto spenderanno. Gli schemi di costo nell’AI cambiano con una frequenza che non ha precedenti in nessun altro settore, ridefinendo le regole del gioco mentre il gioco è in corso.
Qualsiasi CFO o CIO che stia cercando di fare budget su strumenti AI nel 2026 sta pianificando su sabbie mobili, e questo problema non riguarda solo Copilot: ogni “piano enterprise” che oggi include qualcosa e domani potrebbe non includerlo più o includerlo a un prezzo doppio.
Il costo reputazionale è il più difficile da valutare e il più facile da sottovalutare
Ogni errore di un sistema AI che arriva a un cliente, tutti gli output che vengono pubblicati senza verifica e contengono inesattezze, la decisione presa su dati generati che si rivela sbagliata, tutto questo ha un costo. Si parla di fiducia persa e credibilità sgretolata, danni che nel lungo periodo sono molto più costosi di qualsiasi token usato male e pagato caro.
I costi reputazionali sono pericolosi esattamente perché sono indiretti, si accumulano, silenziosamente, e quando emergono lo fanno in modo irreversibile.
Zitron chiude il suo articolo con una frase che condivido: “Generative AI is an insult.” Io sono più cauta, o forse più cinica, nel giudizio globale sulla tecnologia, che ha applicazioni reali e legittime. Ma sull’economia, sulla comunicazione, sulla gestione della trasparenza verso utenti e aziende? No, non ho molto da aggiungere.
Il conto è arrivato e molti si scopriranno impreparati a pagarlo.