L’AI non trasforma il piombo in oro. Al massimo in pirite.

Perché tutti si stanno lamentando del costo dell’AI?

Si racconta che, durante il dominio britannico in India, la presenza di cobra velenosi fosse diventata un problema.

Le autorità decisero allora di offrire una ricompensa per ogni cobra ucciso.

All’inizio il piano sembrò funzionare. Le persone iniziarono a consegnare cobra morti e a incassare il premio. La metrica era semplice, pulita, rassicurante: più cobra morti, meno cobra vivi.

Poi qualcuno capì il gioco.

Se il governo pagava per ogni cobra ucciso, allora allevare cobra poteva diventare un ottimo affare.

Quando le autorità se ne accorsero, eliminarono la ricompensa. A quel punto gli allevatori liberarono i serpenti che ormai non avevano più alcun valore economico.

Alla fine, secondo la storia, c’erano più cobra di prima.

È una storia perfetta perché racconta qualcosa che le organizzazioni fanno continuamente: misurano un fenomeno, trasformano quella misura in un obiettivo, e poi si stupiscono quando le persone imparano a ottimizzare l’obiettivo invece del risultato.

Ogni azienda ha i suoi cobra.

Bug creati per poi essere risolti. Ticket chiusi senza risolvere davvero il problema. Riunioni moltiplicate per dimostrare allineamento. Chilometri percorsi scambiati per vendite. Documenti prodotti scambiati per pensiero.

E oggi, nell’era dell’intelligenza artificiale, abbiamo trovato un nuovo cobra da contare: i token.

Prima di proseguire, una premessa.

So che quello che sto per dire non piacerà a tutti. Penso che per comprendere davvero l’intelligenza artificiale servano competenze che pochissime persone al mondo possiedono. Forse qualche migliaio. Io non sono tra quelle.

Io appartengo a un’altra categoria: quella delle persone che osservano, si interrogano sui problemi, cercano di capire dove stiamo andando e provano a dare risposte. Risposte parziali, imperfette, discutibili, ma possibilmente utili.

Negli ultimi tempi è avvenuto un cambiamento poco visibile, ma importante: il modo in cui i grandi provider di AI conteggiano i token e sussidiano il loro consumo sta cambiando.

Per molto tempo l’obiettivo dei grandi provider è stato evidente: farci provare l’AI, farcela usare, inserirla nel nostro lavoro quotidiano. E, in una certa misura, renderci dipendenti.

Non uso il termine “dipendenti” in senso necessariamente complottista. La dinamica è più semplice.

L’AI funziona bene.

In molti casi funziona molto bene.

Una volta che inizi a usarla seriamente, è difficile tornare indietro. Ma per convincertene devi prima provarla. E per fartela provare, qualcuno deve assorbire parte del costo.

Fin qui, tutto comprensibile.

Il problema nasce quando le aziende iniziano ad adottare l’AI senza sapere bene come misurarne l’impatto. E allora scelgono la metrica più facile: il numero di token consumati.

È una tentazione comprensibile.

I token si contano.
I token entrano nei report.
I token producono grafici.
I token fanno felici le dashboard.

Ma misurare l’adozione dell’AI attraverso i token è come misurare la qualità di un manager dal numero di riunioni a cui partecipa. O la capacità di un commerciale dal carburante che consuma. O l’intelligenza di uno studente dal numero di pagine sottolineate.

La metrica è reale. Ma non dice quello che pensiamo dica.

Quando poi i costi iniziano a emergere, tutti cominciano a grattarsi la testa.

L’AI porta davvero efficienza?
Il costo è giustificato?
Ne vale la pena?
Stiamo pagando troppo?
Dobbiamo ridurre l’utilizzo?

Sono domande legittime, ma spesso formulate male. Perché nascono da una metrica sbagliata alla radice.

Il punto non è quanti token consumiamo.

Il punto è che cosa quei token producono.

Una risposta utile?
Una decisione migliore?
Un errore evitato?
Un processo accelerato?
Una persona messa nelle condizioni di lavorare meglio?
Una procedura semplificata?
Un cliente servito prima?

Queste sono le domande difficili.

Ed è proprio per questo che tendiamo a evitarle.

Misurare ciò che conta è faticoso. Misurare ciò che è facile è rassicurante. Il problema è che le organizzazioni, come gli esseri umani, tendono a confondere ciò che è misurabile con ciò che è importante.

Qui torna una vecchia legge dell’informatica, una di quelle che tutti conoscono e tutti dimenticano: garbage in, garbage out.

Entra spazzatura, esce spazzatura.

Possiamo vestirla meglio. Possiamo renderla più elegante. Possiamo chiederle di parlare con un tono professionale, empatico, visionario o strategico. Possiamo farla passare attraverso il modello più potente del momento.

Ma se alla base c’è confusione, l’AI non produce chiarezza.

Produce confusione ben scritta.

Questa è forse la parte più scomoda del discorso.

L’AI non paga i nostri debiti. Li moltiplica.

Se un’azienda ha un grande debito tecnologico, l’AI non lo cancellerà magicamente. Se una procedura è confusa, resterà confusa, solo più veloce. Se un processo decisionale è fragile, l’AI non lo renderà automaticamente solido. Se un’idea è pessima, anche cucinata con l’AI resterà una pessima idea.

Anzi, spesso diventerà più pericolosa, perché sembrerà migliore.

L’AI ha un talento straordinario: rendere plausibile quasi tutto.

Fate un esperimento. Prendete una pessima idea e discutetene con un assistente AI. Se insistete abbastanza, se formulate bene le domande, se cercate conferme invece di obiezioni, dopo un po’ rischiate di convincervi che quella pessima idea sia in realtà un’intuizione brillante.

Non perché l’AI sia malvagia.

Ma perché molti sistemi sono progettati per aiutarci, supportarci, accompagnarci. E aiutare qualcuno non significa necessariamente contraddirlo.

A volte significa dargli una versione più elegante del suo errore.

Ecco perché non credo che l’AI trasformi il piombo in oro.

Più spesso trasforma il piombo in pirite: qualcosa che luccica, che sembra prezioso, ma che non lo è.

Questo significa che non dobbiamo adottare l’AI?

Al contrario.

Sarebbe un errore enorme.

Ogni grande tecnologia ha avuto una fase immatura. Pensiamo alle macchine utensili nelle fabbriche. Le prime erano potenti, trasformative, ma anche pericolose. Non avevano le protezioni che oggi consideriamo ovvie. Si facevano male gli operai meno esperti, ma anche quelli bravi.

La soluzione non è stata rinunciare alle macchine utensili.

È stata imparare a usarle meglio. Disegnare protezioni. Definire procedure. Formare le persone. Capire dove avevano senso e dove no.

Con l’AI sarà lo stesso.

L’imprenditore intelligente non guarda solo il ROI di oggi. Guarda il ROI prospettico. Si chiede: quanto costa adottare questa tecnologia? Ma anche: quanto costerà non adottarla?

Per l’AI la domanda è identica.

Il punto non è se usarla.

Il punto è come usarla senza diventare stupidi più velocemente.

Da dove partire?

Prima di tutto, dalla sperimentazione. Ma una sperimentazione seria, non cosmetica. Non basta distribuire licenze, contare token e dichiarare avviata la trasformazione digitale.

Bisogna scegliere casi d’uso concreti. Misurare risultati concreti. Capire dove l’AI riduce attrito e dove invece aggiunge rumore. Dove accelera il lavoro e dove produce soltanto altra roba da controllare.

Soprattutto, bisogna smettere di aspettarsi che l’AI paghi i nostri debiti tecnologici e organizzativi.

Non lo farà.

Anzi, li renderà più evidenti.

Poi c’è un tema di efficienza.

Usare bene l’AI non significa usare sempre il modello più potente, con il contesto più grande possibile, per qualunque problema.

Questo è l’equivalente aziendale di chiamare il miglior chirurgo del paese per mettere un cerotto.

Bisogna imparare a essere parsimoniosi e intelligenti.

Limitare il contesto allo scopo reale del problema.
Dividere problemi complessi in problemi più semplici.
Usare modelli più piccoli per attività più semplici.
Riservare i modelli più potenti ai compiti che richiedono davvero ragionamento, sintesi, controllo e orchestrazione.

In azienda tutti vorrebbero avere la persona più intelligente in ogni riunione, su ogni decisione, in ogni progetto.

Ma si capisce presto che non è possibile.

E, soprattutto, non è nemmeno una buona idea.

Lo stesso vale per l’AI.

Infine, serve un nuovo ruolo: l’avvocato del diavolo.

Mi fa sorridere quando qualcuno chiede all’AI: “Non fare errori” oppure “Non allucinare”.

È un po’ come dire a una persona: “Mi raccomando, sii intelligente”.

Utile come intenzione, debole come metodo.

Molto meglio costruire un processo di critica.

Una volta che l’AI ha prodotto una proposta, un’altra AI dovrebbe provare a smontarla. Cercare assunzioni fragili. Evidenziare contraddizioni. Trovare rischi. Fare domande scomode.

E no, non conviene fare tutto nello stesso passaggio.

Chiedere allo stesso modello di generare un’idea e criticarla immediatamente spesso produce una critica debole, educata, accomodante.

Meglio separare i ruoli.

Meglio ancora se l’avvocato del diavolo è un modello diverso, con istruzioni diverse, magari persino con una filosofia diversa.

Perché il futuro dell’AI in azienda non sarà deciso solo da chi la usa di più.

Sarà deciso da chi imparerà a usarla meglio.

E usarla meglio significa anche misurarla meglio.

Non i token.
Non le ore risparmiate dichiarate a sentimento.
Non il numero di prompt scritti.
Non il numero di documenti generati.

Ma la qualità delle decisioni.
La riduzione degli errori.
La velocità dei processi reali.
La diminuzione del lavoro inutile.
La capacità delle persone di concentrarsi su problemi migliori.

L’AI è una tecnologia potentissima.

Ma non è una religione.
Non è una bacchetta magica.
Non è un condono organizzativo.

È uno specchio.

Se davanti allo specchio mettiamo processi confusi, obiettivi vaghi e metriche sbagliate, l’immagine che tornerà indietro sarà più nitida, più veloce, più convincente.

Ma sarà sempre la stessa immagine.

Solo con più token.