La corsa all'intelligenza artificiale generativa ha divorato miliardi in datacenter, e ora i vendor hanno trovato il modo di presentare il conto: imporre tariffe a consumo che spostano il peso dell'infrastruttura direttamente sui clienti. Anthropic, OpenAI, GitHub hanno già cominciato a disegnare piani dove ogni chiamata API, ogni token, ogni agente attivato scala il costo mensile. Microsoft aggiunge la licenza E7, un pacchetto premium che incolla M365 Copilot, Agent 365 e strumenti di sicurezza sopra l'abbonamento E5.

La società di ricerca Forrester, dopo aver interrogato oltre 2.600 decisori aziendali, lancia l'allarme: i budget per il software lieviteranno nel 2025, trainati proprio da queste scelte di pricing. Il rapporto segnala che l'80% dei dirigenti prevede un incremento della spesa in dati e software, e la ragione non è solo l'adozione più ampia, ma il meccanismo perverso per cui il fornitore scarica sui clienti i costi crescenti dei suoi stessi datacenter.

Bain & Company aveva già stimato che la costruzione dei datacenter per l'AI toccherà i 2 trilioni di dollari entro il 2030. Invece di assorbire l'investimento e recuperarlo nel tempo con economie di scala, i vendor stanno adottando modelli di prezzo che rendono l'AI una voce di costo variabile, quasi una commodity energetica, per l'impresa. Il risultato è una crisi di prevedibilità: il tradizionale FinOps non è stato progettato per spese guidate dai token, e KPMG ha rilevato che quasi un terzo dei leader aziendali fatica a capire e controllare i costi operativi quando l'AI entra in produzione su larga scala.

Chi paga la vera infrastruttura nascosta

Questa trasformazione ha un effetto strutturale che va oltre la contabilità: cambia l'incentivo per le aziende che valutano dove far girare i propri Large Language Models. Finché i vendor offrivano canoni fissi, il cloud appariva comodo e prevedibile. Oggi, con fatture che possono esplodere mese dopo mese, gli attori più grandi iniziano a ricalcolare il Total Cost of Ownership di un'infrastruttura on-premise o in colocation, dove l'hardware si ammortizza nel tempo e l'inference può essere ottimizzata con tecniche come la quantization.

In questo scenario, il self-hosted non è più una scelta ideologica ma una leva finanziaria. E i team di procurement e di ingegneria delle piattaforme che già gestiscono carichi di lavoro containerizzati stanno cominciando a valutare runtime come vLLM o TGI — strumenti che permettono di orchestrare l'inference su GPU di proprietà, con piena visibilità sui costi e nessuna sorpresa a fine mese.

La favola dei licenziamenti sostituiti dall'AI

L'altro mito che il rapporto Forrester smonta è che l'AI stia sostituendo i posti di lavoro IT. «L'AI-washing dei licenziamenti continuerà — scrivono gli analisti — mentre i vendor tagliano per ragioni finanziarie e di ristrutturazione. State in guardia contro le promesse gonfiate che l'AI può rimpiazzare i dipendenti su tutta la linea». I dati parlano chiaro: la spesa per il personale tecnicico non è diminuita negli ultimi anni, nonostante i grandi annunci di tagli da parte di Oracle, Microsoft e Meta. Nel 2025 il personale assorbiva già il 35% dei budget IT, e per il 2027 il 67% dei decisori prevede di aumentare quella fetta. I ruoli specifici per dati e analytics sono in crescita, con il 68% degli intervistati che aspettano un incremento del budget dedicato.

Questo significa che l'AI non elimina lavoro, ma lo trasforma: servono persone capaci di gestire pipeline complesse, di fare fine-tuning in modo efficiente, di implementare semantic caching e guardrail contro la spesa incontrollata. Competenze che nel cloud si pagano in token, ma che in un ambiente controllato diventano know-how interno.

Oltre la FinOps: investire sui fondamentali

Sharyn Leaver, chief research officer di Forrester, sintetizza il passaggio strategico: «Le organizzazioni che eccelleranno nel 2027 non saranno quelle che spendono di più in AI, ma quelle che investono nei fondamentali che rendono l'AI efficace: dati affidabili, governance solida, prontezza organizzativa e capacità di adattarsi continuamente». Questo ribaltamento di prospettiva tocca il cuore dell'approccio on-premise: se il dato è ben governato e l'infrastruttura è sotto controllo, l'AI diventa una funzione calcolabile, non una variabile che sfugge di mano.

Forrester raccomanda comunque di potenziare le pratiche FinOps con capability adatte all'era dei token — routing dinamico tra modelli, caching semantico delle risposte, soglie di utilizzo. Ma sono palliativi. La vera domanda è se convenga continuare a pagare per ogni singolo token, magari su dati sensibili, quando con un investimento in hardware per inference si può abbattere il costo unitario e mantenere la sovranità sui flussi informativi. Non si tratta di tornare al datacenter autarchico, ma di scegliere dove collocare i carichi di lavoro in base a un calcolo trasparente di TCO, latenza e conformità.

I vendor hanno scelto la strada del consumo perché l'infrastruttura è costosa e gli azionisti premono per la redditività. I clienti, adesso, sono avvertiti: la bolletta infrastrutturale è già in arrivo. La capacità di leggerla, e di decidere quali voci portare fuori dal perimetro del fornitore, definirà i vincitori del 2027.