Sulla domanda indotta, i licenziamenti e il costo reale dell’IA che non sappiamo usare
Se hai passato del tempo su Twitter dei trasporti, hai visto il meme.
«Solo un’altra corsia, bro.»
Un ingegnere autostradale disegnato con i pastelli sta in piedi accanto a un’autostrada, indicando le nuove corsie che vuole aggiungere perché il traffico è intenso. Ha un’espressione sincera. Questa volta la sistemerà. Un’altra corsia e la congestione sparirà.
Raramente sparisce per molto.
Nuove corsie creano nuovi viaggi. Nuova capacità crea nuova domanda. Gli economisti la chiamano domanda indotta. La Katy Freeway in Texas è stata ampliata fino a diventare una delle autostrade più larghe del mondo. La 405 a Los Angeles ha avuto un ampliamento da un miliardo di dollari. Lo schema è familiare in decenni di espansione autostradale: la capacità aumenta, l’uso cresce fino a saturarla e la congestione ritorna.
L’ingegnere del meme continua comunque a chiedere un’altra corsia.
Ora siamo allo stesso punto con i datacenter per l’IA.
Il pitch per l’infrastruttura giusta
Ogni trimestre porta un nuovo annuncio da un hyperscaler. Un altro progetto da dieci cifre. Un altro campus. Un’altra sottostazione. Un altro accordo sull’energia. Un’altra battaglia sull’acqua. Un’altra contea rurale a cui viene detto che questo è il prezzo del progresso.
La giustificazione è sempre la stessa.
La domanda di IA sta esplodendo. Ci serve più calcolo. Se non costruiamo, gli Stati Uniti rimarranno indietro rispetto alla Cina. Le aziende non avranno la capacità di cui hanno bisogno. Gli sviluppatori saranno limitati. L’innovazione rallenterà.
Solo un altro datacenter.
Solo un altro campus da un gigawatt.
Solo un altro sito da 2.700 acri.
Solo un altro potenziamento della rete.
Poi ne avremo abbastanza.
È lo stesso ingegnere con un progetto diverso.
Questa è una scommessa infrastrutturale generazionale, e una parte sostanziale è già firmata.
Non è un argomento per dire che l’IA non ha bisogno di infrastruttura. Un po’ di nuova capacità è necessaria.
La domanda è se dovremmo continuare a impegnare nuova capacità a questo ritmo prima di costringere i compratori a dimostrare che stanno usando in modo intelligente la capacità esistente.
In questo momento, parte di quella domanda esplosiva è vera nuova produttività. Parte è consumo evitabile creato da impostazioni predefinite sbagliate, retry incontrollati, credenziali scadute, modelli sovradimensionati e carichi di lavoro che nessuno ha mai costretto a giustificare il proprio costo
La domanda indotta
Il calcolo non ha una curva di domanda fissa. Si piega verso qualunque offerta sia disponibile.
Dai agli sviluppatori accesso economico ai modelli di frontiera e molti carichi di lavoro predefiniti passeranno ai modelli di frontiera. Dai agli agenti budget elevati e molti agenti li spenderanno. Dai ai team chiavi API senza restrizioni e il conto cresce finché qualcuno non se ne accorge.
A quel punto, il carico di lavoro è già in produzione.
Una founder esegue un modello costoso in ogni fase di una pipeline di supporto clienti perché quello era il default quando l’ingegnere ha sviluppato in fretta. La pipeline funziona. Il conto diventa doloroso. Più tardi qualcuno scopre che gran parte del carico poteva girare su un modello più economico con poca o nessuna perdita di qualità misurabile.
Non è un caso limite bizzarro. È così che spesso funziona lo sviluppo di IA ad alta velocità.
I default sono sbagliati. Lo spreco è invisibile. La fattura arriva tardi.
La stessa cosa accade ovunque.
Un sistema di retrieval incorpora duplicati. Un agente di supporto va in loop sui retry. Un agente di coding brucia il modello più costoso su modifiche banali. La chiave di un contractor sopravvive al contratto. La chiave di un ex dipendente sopravvive all’uscita. Una chiave di produzione finisce sul portatile di qualcuno.
Non sono necessariamente malevoli. Il sistema è semplicemente non gestito.
Quando il settore dell’IA dice che la domanda sta esplodendo, parte di quella domanda è vera produttività. Parte sono default sbagliati, credenziali stantie, budget mancanti e lavoro macchina non governato.
Aggiungere calcolo non lo risolve. Lo alimenta. Anche aziende come Amazon stanno segnalando che è così.
Questa è domanda indotta. Questa è l’autostrada.
La mentalità “via le persone, dentro l’IA”
Con la forza lavoro in calo e i budget per l’IA in aumento, i due elementi sono spesso esplicitamente collegati. Microsoft ha detto chiaramente che i suoi tagli non sono semplicemente sostituzione con l’IA. Sam Altman ha ammesso che parte dell’attribuzione è ciò che lui chiama AI washing: citare l’IA per tagli che l’azienda avrebbe fatto comunque. Sondaggi di CEO condividono che devono pianificare cambiamenti basati sull’IA.
Ciò che i dati mostrano chiaramente è una riallocazione delle priorità. Challenger descrive le aziende tecnologiche come impegnate a ristrutturarsi intorno all’IA, automatizzando alcuni ruoli e riallocando budget verso nuove capacità. Il singolo lavoratore e la singola GPU non devono essere abbinati uno a uno perché lo spostamento di capitale sia reale.
Il che rende la domanda scomoda più acuta, non più morbida.
Se lo scambio non è persone in cambio di produttività dell’IA, e non è interamente persone in cambio di nulla, allora che cosa c’è esattamente dal lato macchina del bilancio? Nessuno può offrire una risposta solida, perché la spesa in IA sta diventando busta paga senza essere gestita con una disciplina neanche lontanamente simile a quella della busta paga.
I lavoratori umani hanno manager, budget, permessi, carte aziendali, badge di accesso, procedure di uscita, valutazioni delle performance e audit trail.
I lavoratori macchina spesso hanno una chiave API.
Stiamo spostando i nostri budget dalla busta paga umana a quella delle macchine, poi gestiamo la busta paga delle macchine come un mucchio di password. Nessun owner. Nessun manager. Nessuna scadenza. Nessuna policy di spesa. Nessuna ricevuta. Nessun costo per risultato utile. Nessuna prova che il lavoro macchina sia valso il costo macchina.
La chiave API è la nuova carta aziendale
Un’azienda non direbbe mai: «un ex dipendente ha tenuto la sua carta aziendale, nessuno sa cosa sta addebitando e l’abbiamo scoperto mesi dopo». Sarebbe considerato un ovvio fallimento operativo. Ma la versione API succede continuamente.
Una chiave di un provider di modelli può generare spesa. Una chiave cloud può creare infrastruttura. Una chiave Stripe può muovere denaro. Una chiave GitHub può distribuire codice. Una chiave di un data provider può accedere a dataset a pagamento. Una chiave di una piattaforma pubblicitaria può bruciare budget di campagne. Una chiave di un exchange può fare trading di asset.
Non sono solo segreti. Sono autorità economiche.
Troppe chiavi API sono ancora trattate come password. Devono essere trattate come carte aziendali per macchine.
Contractor, software house, agenzie di marketing, revisori, team frazionati, dipendenti e agenti hanno tutti bisogno di accesso a risorse che fluttuano nel tempo. Oggi, le aziende o concedono troppo accesso o rallentano tutto. Il progetto finisce, l’accesso rimane e la spesa continua a muoversi.
Questo non è solo un problema di sicurezza. È un problema contabile. Un problema di governance e un problema infrastrutturale.
I locali lo sanno
La reazione pubblica contro i datacenter non è solo NIMBYismo. Le persone percepiscono la contraddizione. Un sondaggio Gallup (link) ha recentemente rilevato che sette americani su dieci si opporrebbero alla costruzione di datacenter per l’IA nelle loro città.
I datacenter consumano enormi quantità di elettricità. A seconda del sistema di raffreddamento e della posizione, possono consumare anche molta acqua e molto territorio. Creano calore reale, rumore, conflitti sulle linee di trasmissione e pressioni politiche locali. I benefici spesso sembrano lontani, privati o speculativi. I costi sono locali.
L’onere infrastrutturale è concentrato nelle contee rurali. Il beneficio economico è diffuso e spesso catturato altrove. I benefici sono promessi per dopo. I costi arrivano ora.
Questo è politicamente instabile. Nel 2026 ha smesso di essere una previsione.
Il settore non dovrebbe sorprendersi che i datacenter siano diventati uno scontro politico nazionale. Se l’infrastruttura per l’IA chiede alle comunità terra, energia, acqua e pazienza, l’industria dovrebbe essere in grado di dimostrare che il calcolo viene usato bene.
In questo momento, molti compratori non possono.
Lo scambio persone per lavoro macchina non misurato è sbagliato
Metti insieme i livelli.
Un CFO legge la tesi d’investimento sull’IA, approva il buildout, taglia la forza lavoro per finanziarlo e dice al consiglio che i conti tornano. Il calcolo viene messo a disposizione. I carichi di lavoro vengono distribuiti. I default sono sbagliati. Le chiavi non sono gestite. I modelli costosi sono sovrautilizzati. Gli agenti fanno troppi retry. Le vecchie credenziali continuano a funzionare. Il conto cresce più velocemente del previsto.
Il consiglio chiede perché. La risposta torna: la domanda di IA sta esplodendo. Ci serve più capacità. Così il CFO firma il contratto successivo. Il ciclo si ripete.
Nel frattempo, il dipendente licenziato guarda l’azienda spendere in modo aggressivo su sistemi di IA che possono o non possono produrre davvero la produttività promessa. Un consigliere di contea riceve telefonate arrabbiate su energia, acqua, terra e rumore. Un operatore di rete cerca di far quadrare i numeri. Un residente locale si sente dire che questo è il futuro.
Troppo spesso, lo scambio non è stato persone per produttività. È stato persone per lavoro macchina non misurato.
Persone per default sbagliati. Persone per sciatteria. E quando la sciatteria è diventata costosa, la risposta del settore non è stata la disciplina. È stato un altro
datacenter. Solo un altro, bro.
La risposta reale
La risposta reale non è solo costruire più datacenter.
La risposta reale è usare in modo intelligente i datacenter che abbiamo già.
È una cosa scomoda da dire per il settore, perché gli incentivi non sono perfettamente allineati. I provider in genere vengono pagati quando il consumo cresce. I compratori vincono quando crescono i risultati utili. Queste due curve non sono le stesse.
L’interesse del compratore è specifico.
Il compratore vuole il modello più piccolo che faccia il lavoro. Il minor numero di chiamate che risolvono il problema. La chiave che scade quando il progetto finisce. La credenziale che funziona solo dal dispositivo giusto. L’agente che viene interrotto quando esce dalla policy. L’eccezione che viene approvata solo quando il business case è reale.
Niente di tutto ciò richiede un nuovo datacenter. Richiede un provisioning intelligente del calcolo che abbiamo già.
La strada verso una soluzione è noiosa
Dimensionare correttamente il carico di lavoro rispetto al modello. Batchare ciò che può essere batchato. Mettere in cache ciò che può essere messo in cache. Limitare ciò che deve essere limitato. Autorizzare ciò che ha bisogno di superare i limiti. Rifiutare ciò che sta girando sul modello sbagliato credential, dal dispositivo sbagliato, in mano alla persona sbagliata, per il lavoro sbagliato. Misura il costo per risultato utile. Fai scadere l’accesso automaticamente. Interrompi i loop fuori controllo. Instrada i lavori a basso rischio verso modelli a basso costo. Escala solo quando la qualità lo richiede. Produci ricevute.
Il mercato ha iniziato ad accorgersene. Quest’estate, CFO e consigli di amministrazione hanno cominciato a tagliare le spese di AI che superavano il budget. Il model routing è passato da essere un paper di ricerca a far parte del vocabolario delle board, mentre i team cercavano modi per mandare il lavoro di routine a modelli più economici senza sacrificare la qualità. Gli stessi fornitori di modelli hanno iniziato a rilasciare limiti di spesa amministrativi perché i clienti chiedevano un modo per tenere sotto controllo le fatture.
Bene. Quest’ondata è reale e attesa da tempo. I provider ora offrono limiti di spesa rigidi che fanno effettivamente fallire le chiamate quando si raggiunge il tetto, limiti per utente e percorsi di approvazione.
Ma nota il confine dell’ondata attuale. Questi controlli governano il consumo all’interno di un solo provider, un solo progetto o una sola applicazione. Il routing sceglie un modello più economico. Un tetto ferma una fattura fuori controllo. Nessuno dei due risponde alla questione più ampia dell’autorità: quale macchina sta agendo, da quale runtime, per conto di chi, per quale scopo, contro quali risorse esterne, e quale prova portabile esiste in seguito. Il controllo dei costi non è la stessa cosa dell’autorità programmabile e verificabile.
L’AI ha bisogno dell’intera disciplina, non solo della metà dedicata ai costi. Non perché l’AI sia negativa. Ma perché l’AI sta diventando lavoro. E il lavoro ha bisogno di gestione.
Il layer che manca agli agenti AI
Questo è il layer che riteniamo manchi all’AI, ed è volutamente più ristretto rispetto all’intero stack FinOps.
L’autorità economica dovrebbe essere governata prima dell’esecuzione: chi e cosa può spendere, da quale dispositivo e runtime, per quale carico di lavoro e con quali limiti. Il tutto con una ricevuta finale che una persona reale possa verificare.
Parte della costruzione dei datacenter è necessaria. L’AI è reale, e le cose reali hanno bisogno di infrastruttura. Ma la domanda non gestita rende la costruzione richiesta più grande, più rapida e più difficile da giustificare di quanto sia necessario. La strada giusta non è una dashboard più carina dopo che arriva la fattura. La soluzione è il livello di controllo al livello delle credenziali, prima che avvenga la spesa.
Guidare nella direzione giusta
Solo un altro datacenter, fratello.
Promettiamo che questa volta funzionerà. La capacità di calcolo sta per entrare in funzione. Il tasso di spreco sta per calare. I margini stanno per materializzarsi. I carichi di lavoro stanno per diventare efficienti. Le comunità locali stanno per convincersi. La rete elettrica sta per reggerlo. Il trilione di dollari nei contratti di locazione firmati sta per sembrare prudente. Il consiglio di amministrazione sta per vedere il guadagno di produttività.
Solo un altro.
Forse una parte di quella capacità è necessaria. Ma prima che il settore chieda alle comunità più terra, più acqua, più energia e più pazienza, gli acquirenti dovrebbero essere in grado di rispondere a una domanda più semplice.
Stiamo usando bene la capacità di calcolo che abbiamo già? Non su una slide o in un memo di policy.
Nelle ricevute. Quale modello è stato usato. Quale carico di lavoro ne aveva bisogno. Quale chiave lo ha autorizzato. Questa è la prossima battaglia sull’infrastruttura AI. Non calcolo contro non calcolo. Calcolo governato contro spreco.
Costruire in modo meno cieco. Usare ciò che abbiamo.