Introduzione

L’aumento della spesa per l’intelligenza artificiale (AI) non indica necessariamente inefficienza. Per comprenderne il valore reale è necessario calcolare quanto costa ogni risultato aggiuntivo, confrontarlo con i ricavi e i benefici per il business e monitorarne l’evoluzione nel tempo, soprattutto quando cambiano modelli, utilizzo, complessità e costi operativi.

Relazione tra spesa AI e ritorno sull’investimento

Se ogni dollaro investito nell’AI generasse un ritorno di due dollari, l’aumento dei costi sarebbe il segnale di un ROI positivo, anziché di inefficienza. Tuttavia, stabilire una relazione chiara tra la spesa e il valore generato può risultare complesso, lasciando le organizzazioni senza metriche precise per capire quando ampliare un’iniziativa o, al contrario, ricalibrarla.

Metodologia di calcolo del ROI

1. Allocazione dei costi

Il primo passo consiste nell’attribuire i costi dell’AI a specifici risultati di business. Questo permette di ottenere il costo per risultato (Cost per outcome), elemento fondamentale per il calcolo del ROI.

2. Calcolo del costo per risultato

Una volta determinato quanto costa ciascun risultato, il ROI si ottiene confrontando quel costo con il valore che il risultato è in grado di generare.

Classificazione dei casi d’uso

AI esterna vs AI interna

Per valutare il valore di un caso d’uso è opportuno identificare e classificare le diverse implementazioni, distinguendole in due categorie:

AI esterna: è direttamente riconducibile ad attività che generano ricavi. Il relativo costo può entrare a far parte del costo del venduto. È necessario individuare le attività di fatturazione e analizzare le modalità, dirette e indirette, con cui l’AI supporta tali funzioni.
AI interna: supporta la produttività degli sviluppatori (assistenza alla programmazione, automazione dei workflow) o più in generale l’efficienza dei dipendenti. Attribuire un ROI a queste implementazioni è più difficile perché non sono direttamente collegate a ricavi. La misurazione richiede risultati quantificabili, come illustrato nella sezione “Determinare la metrica di valore per il business”.

Interazioni strutturate vs non strutturate

All’interno di ciascuna categoria è utile distinguere tra:

Interazioni strutturate: agenti con obiettivo definito, KPI specifici e modalità di esecuzione prevedibili (es. assistente che risponde a domande sullo storico degli ordini di un cliente). Queste sono più semplici da allocare.
Interazioni non strutturate: assistenti alla programmazione o interfacce conversazionali generiche, il cui comportamento è più aperto ed estensibile. Richiedono un’allocazione dei costi più granulare per poter essere collegati alle metriche di valore aziendale.

Determinazione del Total Cost of Ownership (TCO)

Costi diretti

Il TCO dell’AI parte dai costi diretti dei servizi gestiti, ad esempio Amazon Bedrock, Claude Platform su AWS o Amazon Kiro.

Costi indiretti

Oltre ai costi diretti, è necessario considerare quelli indiretti o correlati, che rientrano tipicamente in quattro categorie:

Costi di integrazione e sviluppo (API, SDK, personalizzazioni).
Spese operative (monitoraggio, logging, scaling).
Formazione e change management (corsi, workshop, supporto al personale).
Costi di governance e compliance (audit, sicurezza, gestione dei dati).

Attribuzione dei costi

Una visibilità granulare permette di mettere in relazione i costi dell’AI con il valore generato per il business. In assenza di tale attribuzione, la spesa appare come un’unica voce, rendendo difficile individuare quale team, applicazione o caso d’uso stia realmente generando i costi.

Amazon Bedrock, ad esempio, mette a disposizione diversi meccanismi di attribuzione dei costi, fornendo sia dati aggregati per i team finanziari sia informazioni più dettagliate per le attività di ottimizzazione tecnica. L’obiettivo è ricondurre la spesa al caso d’uso, al team o all’applicazione che genera valore.

Definizione della metrica di valore per il business

Una metrica di valore è un indicatore che contribuisce a misurare lo stato di salute o la redditività dell’azienda. Il primo passo è verificare che sia effettivamente misurabile e che non sia facilmente manipolabile.

Come ricorda la legge di Goodhart: “Quando una misura diventa un obiettivo, cessa di essere una buona misura”.

Ad esempio, scegliere il “numero di righe di codice prodotte” potrebbe incentivare gli sviluppatori a generare codice superfluo. Metriche più significative includono il numero di funzionalità rilasciate o di bug risolti.

Categorie di metriche di valore

Metriche di revenue: fatturato aggiuntivo, margine lordo per cliente, tasso di conversione.
Metriche operative: tempo medio di risoluzione, numero di ticket chiusi, velocità di deployment.
Metriche di produttività: funzionalità rilasciate per sprint, bug risolti, tempo di sviluppo per feature.

Una volta scelta la metrica, è fondamentale stabilire una baseline precedente all’introduzione dell’AI, per monitorare l’evoluzione parallelamente all’adozione della tecnologia. La metrica dovrebbe essere rivalutata periodicamente e ogni volta che intervengono cambiamenti significativi.