L’adozione dell’IA richiede ruoli definiti, limiti e responsabilità sulla spesa

Le organizzazioni stanno incoraggiando un numero sempre maggiore di dipendenti a creare soluzioni con l’intelligenza artificiale, ma affidarsi a un unico strumento generalista per ogni attività può generare risultati deludenti e minare la fiducia nella tecnologia. Quando ciò avviene su larga scala, i lavoratori possono perfezionare ripetutamente i prompt fino a ottenere qualcosa di utilizzabile, una pratica descritta come “tokenmaxxing”.

La fonte sostiene che il tokenmaxxing sia meno un fallimento dei dipendenti che un sintomo di obiettivi poco chiari, limiti insufficienti e strumenti limitati per misurare la spesa e i risultati dell’IA. Incolpare semplicemente il personale o aggiungere una formazione generale sull’uso responsabile non affronta questi problemi alla radice.

Anche i tradizionali processi di approvvigionamento possono entrare in conflitto con la velocità dello sviluppo dell’IA. Mentre l’approvazione di un software aziendale può richiedere mesi, un dipendente può accedere a un chatbot pubblico e generare una landing page in pochi secondi. Se gli strumenti approvati sono troppo lenti o restrittivi, i lavoratori potrebbero ricorrere a servizi non verificati, inserendo potenzialmente informazioni proprietarie nei modelli pubblici e creando rischi per la governance dei dati.

I prototipi risultanti possono introdurre ulteriori problemi. Possono contenere codice di scarsa qualità, non rispettare i sistemi di progettazione aziendali o i requisiti di accessibilità come WCAG 2.2 e omettere pratiche basilari di autenticazione. Limitare l’accesso non impedisce necessariamente questo comportamento; i dipendenti potrebbero invece pagare personalmente gli abbonamenti, spostando i costi al di fuori dell’immediata visibilità finanziaria dell’organizzazione.

L’articolo collega inoltre l’uso non gestito dell’IA alla pressione per ottenere risultati più rapidamente. Un sondaggio di Teneo condotto su oltre 350 amministratori delegati di società quotate e 400 investitori istituzionali ha rilevato che il 53% degli investitori si aspettava ritorni positivi dalle nuove iniziative di IA entro sei mesi o meno, rispetto al 16% degli amministratori delegati di società a grande capitalizzazione che riteneva di poter rispettare tale tempistica. Gli amministratori delegati hanno inoltre riferito che meno della metà dei loro attuali progetti di IA stava generando un ritorno positivo sull’investimento.

Allo stesso tempo, si prevede che l’uso dei token aumenti significativamente. Goldman Sachs Research prevede un incremento di 24 volte nel consumo mensile di token, fino a raggiungere 120 quadrilioni di token tra il 2026 e il 2030, mentre i fornitori di semiconduttori stanno ottenendo riduzioni annuali dal 60% al 70% nel costo per token. Prezzi più bassi potrebbero incoraggiare un utilizzo maggiore, soprattutto mentre le organizzazioni implementano agenti di IA autonomi.

Gli agenti possono consumare molti più token di una persona che lavora attraverso un prompt, perché ripetono le richieste in sequenza. Un agente incaricato di un’attività poco chiara può continuare a operare molto oltre il momento in cui una persona si sarebbe chiesta se il lavoro valesse la pena. Parte di questa spesa è destinata a prototipi che non arrivano mai in produzione.

Gartner ha rilevato che almeno la metà dei progetti di IA generativa era stata abbandonata dopo la fase di proof of concept entro la fine del 2025. Tra le ragioni figuravano la scarsa qualità dei dati, controlli dei rischi inadeguati, costi in aumento e un valore aziendale poco chiaro. I prototipi che richiedono agli ingegneri di essere ricostruiti da zero possono inoltre consumare sia i budget di token sia tempo prezioso degli ingegneri.

Ciò può accentuare la diffidenza dei team tecnici. Il sondaggio 2025 di Stack Overflow tra gli sviluppatori ha rilevato che il 46% degli sviluppatori non si fidava dell’accuratezza dei risultati dell’IA. Le risposte “quasi corrette” rappresentavano la principale fonte di frustrazione per il 66% degli sviluppatori, mentre il 45% ha dichiarato che il debugging del codice generato dall’IA richiedeva più tempo.

L’alternativa proposta non consiste nel limitare l’accesso all’IA, ma nel rendere il suo utilizzo più specifico e responsabile. Dare ai team non tecnici la possibilità di creare soluzioni può contribuire a sviluppare software modellato da persone che comprendono il requisito aziendale. Tuttavia, ogni utilizzo dovrebbe avere uno scopo chiaramente definito e i dipendenti dovrebbero essere in grado di spiegare quale risultato intendesse ottenere una determinata spesa in token.

Invece di trattare una casella di chat generalista come interfaccia predefinita, le organizzazioni potrebbero fornire flussi di lavoro e agenti adattati a ruoli specifici. Questi ambienti potrebbero includere limiti di esecuzione, linee guida del marchio, caratteri approvati, requisiti di sicurezza e componenti predefiniti. Integrare questi controlli aiuterebbe i dipendenti a produrre applicazioni più vicine alla conformità e pronte per la produzione, senza richiedere richieste separate per ogni misura di salvaguardia.

La fonte descrive un’azienda di medie dimensioni in cui un team di analisi dei dati composto da tre persone ha creato un agente per analizzare informazioni provenienti dai suoi sistemi. L’implementazione ha fatto risparmiare a ciascun membro del team tra le 12 e le 13 ore di lavoro manuale alla settimana. L’agente aveva un compito definito e operava entro parametri prestabiliti, invece di funzionare come un chatbot senza restrizioni.

L’argomento centrale è che la diminuzione dei prezzi dei token non elimina la necessità di una supervisione finanziaria. Le organizzazioni dovrebbero innanzitutto definire, in termini semplici, ciò che vogliono ottenere dall’IA e poi allineare strumenti, limiti e spesa a tale obiettivo. Senza questa chiarezza, una fattura imprevista è solo il sintomo di un fallimento più ampio nel definire quale ruolo dovrebbe svolgere l’IA.

Fonti: TechRadar.