OpenAI vuole misurare l’IA per il lavoro svolto, non per il numero di utenti

«Per anni il software è stato misurato attraverso l’adozione: postazioni, utenti attivi, rinnovi. L’IA è diversa: deve essere misurata in base al lavoro svolto», ha scritto Friar su LinkedIn .

Il punto centrale è semplice: il modello con il costo per token più basso non è necessariamente quello che permette di ottenere il risultato finale al costo minore. Errori, tentativi ripetuti, verifiche umane e correzioni possono rendere più costosa una soluzione apparentemente economica .

Le quattro domande per misurare il ROI dell’IA

La proposta di Friar sostituisce le metriche di utilizzo generico con quattro domande concrete, pensate per formare uno scorecard del ritorno sugli investimenti .

1. L’IA sta completando attività che contano?

La prima metrica riguarda il lavoro utile, non il volume di attività generato. Un’azienda dovrebbe contare, per esempio, quante richieste dei clienti sono state risolte, quante modifiche al codice sono state effettivamente rilasciate o quanti contratti sono stati esaminati — non soltanto quante richieste sono state inviate al sistema .

Come ha osservato Friar, i token creano valore quando si trasformano in lavoro che le persone possono utilizzare . Il passaggio è quindi da una metrica di attività, cioè “quante richieste sono state fatte?”, a una metrica di impatto: “che cosa è stato portato a termine?”.

2. Quanto costa ogni attività completata con successo?

Il costo deve includere l’intero processo necessario per arrivare a un risultato conforme agli standard: inferenza del modello, nuovi tentativi, supervisione umana, correzioni e rilavorazioni .

Un modello economico che sbaglia spesso può costare più, per ogni risultato valido, di un modello premium capace di completare il compito al primo tentativo . Per questo il prezzo per token, preso da solo, non descrive il reale costo operativo dell’IA.

3. Con quale frequenza l’IA svolge correttamente il lavoro?

La terza dimensione è l’affidabilità: quante risposte sono pronte per essere usate e quante, invece, richiedono una correzione o l’intervento di un responsabile umano .

Meno interventi manuali significano normalmente costi complessivi più bassi e maggiore fiducia nel sistema. In questo senso, l’affidabilità diventa una metrica di controllo qualità importante quanto la capacità grezza del modello.

4. Ogni dollaro investito produce più valore quando l’utilizzo cresce?

L’ultima domanda riguarda la scalabilità. Le aziende devono verificare se l’IA riesce a completare nel tempo una quantità maggiore di lavoro di qualità senza far crescere i costi in modo sproporzionato .

Il concetto è collegato al return on compute (ROC), o ritorno sul calcolo, un termine preso in prestito dall’economia dei semiconduttori e dei data center. In pratica, serve a capire se l’investimento genera rendimenti crescenti oppure se il valore aggiuntivo diminuisce man mano che l’adozione aumenta.

Come applicare il metodo in azienda

Il framework è pensato per essere verificabile con gli strumenti che le organizzazioni già utilizzano . Per ogni flusso di lavoro, i team dovrebbero:

1. definire con precisione che cosa significa “completato”;
2. contare le attività concluse con successo;
3. sommare il costo totale, compreso il tempo delle persone coinvolte;
4. monitorare il tasso di superamento dei controlli e l’andamento della qualità .

In questo modo l’IA viene trattata come un asset produttivo, non come una semplice licenza software. Il metodo offre a direttori finanziari e responsabili tecnologici una base più concreta per rispondere alla domanda che Friar dice di sentirsi rivolgere più spesso dai suoi omologhi: come ottenere più valore dalla spesa per l’IA?

Perché la proposta arriva in questo momento

La proposta si inserisce in una fase di forte crescita della spesa aziendale per l’IA. OpenAI ha dichiarato di aver raggiunto 1 miliardo di dollari di ricavi mensili e oltre 500 milioni di postazioni enterprise vendute . Allo stesso tempo, molte organizzazioni non dispongono ancora di un metodo chiaro per dimostrare il ritorno degli investimenti, creando uno squilibrio tra ciò che l’IA è in grado di fare e il valore che le aziende riescono effettivamente a catturare .

Friar ha definito in precedenza questo divario “capability overhang”, cioè il divario tra le capacità già disponibili e la capacità concreta delle organizzazioni di trasformarle in valore per il business .

Il criterio “useful intelligence per dollar” non propone quindi soltanto un nuovo indicatore contabile. Chiede alle aziende di cambiare la domanda di fondo: non più “quanto utilizziamo l’IA?”, ma “quanto lavoro utile otteniamo, con quale affidabilità e a quale costo?”.