L’AI per programmare potrebbe costare più degli sviluppatori entro il 2028

Perché il costo dell’AI coding sta crescendo così rapidamente

Secondo Gartner, il fenomeno nasce dall’incrocio di due tendenze .

• Aumentano i token consumati. I token sono le unità di testo e dati che i modelli linguistici elaborano e su cui viene spesso calcolato il prezzo. Quando gli sviluppatori affidano agli agenti AI attività più lunghe, iterative e autonome, il volume utilizzato cresce rapidamente. Nitish Tyagi, senior principal analyst di Gartner, ha riferito a The Register che le fatture possono passare da 20 o 100 dollari al mese per sviluppatore a 2.000 o persino 5.000 dollari .
• La fatturazione passa dall’abbonamento al consumo. Aziende come Anthropic, Cursor e GitHub Copilot si stanno spostando, almeno in parte, da canoni fissi a prezzi misurati in base all’utilizzo e ai token. Il costo diventa così variabile e può aumentare con ogni richiesta, revisione o ciclo di lavoro dell’agente .

Il calo del prezzo per singolo token non è sufficiente a compensare l’aumento dei volumi. Come ha osservato Tyagi, le spese per l’AI coding continueranno a crescere perché gli investimenti nelle infrastrutture e le difficoltà legate alla redditività possono spingere verso prezzi più elevati dei modelli .

Uber: il budget annuale finisce in quattro mesi

Il caso più documentato è quello di Uber. L’azienda ha esaurito entro aprile 2026 l’intero budget annuale destinato agli strumenti di AI per la programmazione .

La risposta è stata un limite di 1.500 dollari al mese per dipendente e per singolo strumento di coding agentico, come Claude Code di Anthropic e Cursor . Il tetto si applica separatamente a ciascun prodotto: la spesa su uno strumento non incide sul budget dell’altro .

La crescita dell’utilizzo aiuta a spiegare la rapidità dell’aumento. A marzo 2026 Claude Code era utilizzato dall’84% degli ingegneri di Uber, rispetto al 32% della fine del 2025 . Prima dell’introduzione dei limiti, il costo mensile per ingegnere oscillava tra 500 e 2.000 dollari . Il COO dell’azienda avrebbe riassunto il problema così: «Il collegamento tra la spesa per l’AI e il valore per i clienti non è ancora evidente» .

Non è solo Uber: le aziende stanno mettendo un freno

Altri casi mostrano quanto sia difficile prevedere il costo dell’AI quando l’utilizzo cresce rapidamente:

• Microsoft ha revocato l’accesso a Claude Code per i propri sviluppatori pochi mesi dopo averlo abilitato, anche per motivi di costo .
• Priceline ha registrato aumenti di cinque volte nei prezzi degli strumenti di AI coding .
• Gartner prevede inoltre che entro il 2027 il 40% delle imprese che utilizzano strumenti di AI coding con prezzi basati sul consumo dovrà affrontare costi imprevisti superiori al doppio del budget previsto .

Il problema non riguarda necessariamente solo i programmatori. Nel caso di Accenture, secondo audio trapelati e relative ricostruzioni, il maggiore consumo di token sarebbe stato generato da dipendenti non tecnici che usavano strumenti AI per trasformare PDF in presentazioni . L’azienda prevede di lanciare “Token IQ”, un prodotto pensato per aiutare i dirigenti a capire se la spesa in AI produce un ritorno adeguato .

Il problema invisibile: molte aziende non sanno quanto stanno spendendo

Anche quando esistono dashboard e procedure di approvazione, il controllo finanziario resta incompleto. La Global AI Pulse di KPMG per il secondo trimestre 2026, basata sulle risposte di oltre 2.100 dirigenti senior in 20 Paesi, rileva che solo il 26% delle organizzazioni ha una visibilità completa e in tempo reale sui costi dell’AI .

Il quadro è questo :

• il 50% dispone soltanto di una visibilità parziale;
• il 22% ha poca o nessuna visibilità e scopre l’entità dei costi solo quando arriva la fattura.

Steve Chase, responsabile globale dell’AI di KPMG, ha descritto la situazione come un rischio di opacità finanziaria. Alcuni clienti, ha riferito, hanno consumato in pochi mesi budget annuali per token e servizi cloud; in un caso, l’utilizzo dei token è aumentato di sei volte .

Con la fatturazione a consumo, i tradizionali controlli finanziari dell’IT diventano meno efficaci: non basta più sapere quante licenze sono state acquistate, bisogna capire quanto ogni utente, team, modello e flusso di lavoro sta effettivamente consumando .

Le contromisure indicate da Gartner

Gartner non suggerisce di abbandonare l’AI, ma di gestirla come una vera voce di costo. La sua proposta è un modello operativo disciplinato, con regole chiare sull’utilizzo e sull’autonomia degli agenti .

1. Stabilire quando usare gli agenti

Le aziende dovrebbero definire quali attività possono essere affidate all’AI e con quale livello di autonomia. Gartner distingue tre modalità: lavoro guidato dallo sviluppatore, lavoro svolto dallo sviluppatore insieme a un agente e lavoro completamente guidato dall’agente .

2. Scegliere il modello in base alla complessità

Scrittura di test, refactoring, scaffolding, documentazione e correzioni semplici sono attività frequenti e relativamente circoscritte. Per questi compiti può essere più conveniente usare modelli specialistici più piccoli e meno costosi, riservando i modelli di punta ai problemi complessi e ad alto valore .

Gartner osserva che la produttività migliora in modo significativo sulle attività ben definite, mentre i vantaggi sono più contenuti nelle decisioni architetturali e nel debugging originale . La pianificazione della spesa dovrebbe quindi partire dalla quota di lavoro che rientra nel primo gruppo .

3. Ridurre il contesto inutile

La cosiddetta context engineering consiste nel migliorare le informazioni fornite al modello, evitando contesto ridondante o irrilevante. Un input più mirato può ridurre il numero di token consumati senza sacrificare la qualità del risultato .

4. Usare caching, batching e monitoraggio

La memorizzazione nella cache può evitare di rielaborare richieste ricorrenti; l’elaborazione raggruppata delle richieste può ridurre il calcolo duplicato. Gartner raccomanda inoltre di monitorare in tempo reale il consumo per sviluppatore e per team .

5. Creare una governance simile alla FinOps

Un livello di governance in stile FinOps dovrebbe includere monitoraggio dei consumi, budget per utente e rilevamento automatico delle anomalie. L’obiettivo è individuare rapidamente gli utilizzi fuori scala, prima che si trasformino in un problema di bilancio .

La questione non è più se usare l’AI, ma quanto usarla

La fase della spesa senza limiti sembra arrivata al capolinea. Gli strumenti AI possono offrire guadagni reali su attività ripetitive e ben specificate, ma il loro costo può aumentare più velocemente della produttività se l’utilizzo non viene governato .

I casi di Uber, Microsoft e Accenture mostrano che il rischio non è soltanto pagare troppo per scrivere codice. È anche non riuscire a collegare il consumo di token a un risultato misurabile per l’azienda. Per questo la ricetta di Gartner punta su visibilità, scelta del modello, limiti di spesa e regole operative: non un passo indietro sull’AI, ma il passaggio dall’entusiasmo alla gestione economica.