Puntata 308 — Costi reali end-to-end

Livello: 💡 Manager AIlluminato · Capitolo 28 · Stato dell’arte aziendale

Il vendor ti mostra il costo per token. Bello. Ma il costo vero dell’AI in azienda include altre 6 voci. Conosciamole prima di firmare.

un iceberg visto di lato. La parte sopra l’acqua è etichettata “$0.01 per 1k tokens — visibile”. Sotto l’acqua, sezioni sempre più grandi: integrazione, governance, formazione, manutenzione, opportunità, errori. Una piccola barca con il logo “PROCUREMENT” galleggia sopra inconsapevole

L’iceberg del costo AI

Quando un vendor ti vende ChatGPT Enterprise a $30/utente/mese, è come comprare un iPhone vedendo solo il prezzo del telefono. Sotto ci sono:

Categoria	Quanto pesa nel TCO 36 mesi
1. Licenze / token	15-25%
2. Compute / infrastruttura	10-15%
3. Integrazione e sviluppo	20-30%
4. Formazione e change management	15-25%
5. Manutenzione e operations	10-15%
6. Governance, compliance, audit	5-10%
7. Costo degli errori (operativi + reputazionali)	5-15%

In media: la licenza / token è il 15-25% del TCO (Total Cost of Ownership). Il vendor te la vende come fosse il 100%.

Categoria 1: licenze e token

Il visibile.

Pattern 2026:

ChatGPT Enterprise: ~$60/utente/mese (volume discount per grandi).
Claude for Work: ~$25-30/utente/mese.
Microsoft 365 Copilot: $30/utente/mese (sopra M365).
Google Workspace Gemini: $20-30/utente/mese.
API tokens (per app custom): variabili ($0.001-$0.06 per 1k token).

Variabilità per scala: aziende grandi negoziano forti sconti (-30 a -50% sui list prices).

⚠️ Attenzione: i prezzi cambiano frequentemente. I modelli “vecchi” diventano più economici (GPT-4 base costa la metà del 2023). I “nuovi” arrivano caretti (o1, Claude Opus). Budget va aggiornato 2× anno.

Categoria 2: compute e infrastruttura

Spesso invisibile se sei in SaaS.

Per deploy custom (modelli open source, fine-tuning, on-premises):

GPU cloud: $1.5-$5/ora per A100, $4-$12/ora per H100.
GPU on-premises: NVIDIA H100 costa ~$30-40k a unità. 8x cluster: $300k+.
Storage: training datasets, model artifacts, RAG embeddings → TB scale.
Networking: bandwidth elevato per inference live.

Per SaaS pure: tipicamente già nei prezzi licenza. Ma:

Costo di mantenimento del RAG (embedding generation, re-indexing).
Costo egress dal tuo cloud al servizio AI.
Backup e disaster recovery.

Tipico in aziende medie: 5-15% del TCO. Per chi self-hostea: anche 30-40%.

Categoria 3: integrazione e sviluppo

Spesso sottostimato (di 2-5×).

Cosa include:

Connettori a sistemi esistenti (CRM, ERP, ticketing, knowledge base).
API gateway / middleware custom.
UI/UX integrato (chatbot widget, embed in tool aziendale).
RAG pipeline (ingestion, chunking, embedding, retrieval).
Prompt engineering specifico.
Test e QA.

Per un use case “medio” in azienda media:

Quick win (es. AI search interna): 4-12 settimane sviluppo, €30-€100k.
Use case strategic (es. customer service): 3-6 mesi sviluppo, €150-€500k.
Transformation (es. piattaforma AI custom): 9-18 mesi, €500k-€2M.

Costo 20-30% del TCO 36 mesi, in molti casi. È la voce più mal stimata in fase di pitch del vendor.

Categoria 4: formazione e change management

La voce più sottovalutata in cultura italiana.

Cosa include:

Onboarding dei dipendenti agli AI tools.
Workshop e formazione ricorrenti.
Documenti, prompt libraries, best practice interne.
Internal champions (early adopter dedicati).
Comunicazione interna continua (newsletter, demo, town hall).
Cambiamento processi che ora coinvolgono AI.

Senza change management seri, l’AI viene usata dal 10-20% dei dipendenti che avrebbero dovuto. Spesi soldi su tool che restano spenti.

Costo: 15-25% del TCO, ma con alto leverage: ogni € speso qui moltiplica il valore degli altri 6.

Categoria 5: manutenzione e operations

Il costo continuo dopo il go-live.

Re-indexing della knowledge base (RAG fresh).
Aggiornamento prompt a fronte di drift dei modelli.
Monitoring di qualità output (eval continua).
Bug fix e incident response.
Migration quando modelli vengono deprecated (vedi puntata 307).
Renewal contracts e re-negoziazione vendor.

Spesso sottostimata perché si sottovaluta il “model drift” (i modelli AI cambiano comportamento nel tempo, anche se non li tocchi, perché il vendor li aggiorna).

Costo: 10-15% del TCO, recurring.

Categoria 6: governance, compliance, audit

In Europa nel 2026, obbligatorio crescentemente.

Documentazione AI Act.
DPIA (Data Protection Impact Assessment) per ogni use case con dati personali.
Audit periodici (interni + eventualmente esterni).
Risk management processo.
Trasparenza verso utenti / clienti / dipendenti.
Eventuale AI Officer / DPO esteso.

Per aziende high-risk AI (HR, healthcare, financial decisions): mandatorio, multe alte se non fatto.

Costo: 5-10% del TCO, ma può esplodere se sotto stimato e arriva audit.

Categoria 7: costo degli errori

La wild card.

Errori operativi: AI dà info sbagliate a cliente → rimborsi, fix.
Errori reputazionali: chatbot offende cliente su social → crisi PR.
Errori legali: AI viola privacy / IP → cause, sanzioni.
Errori strategici: dati basati su AI errato → decisione sbagliata.

In aziende mature: 5-15% del TCO in eventi distribuiti. In aziende che gestiscono male: può essere >30% in singoli incidenti gravi (vedi Air Canada chatbot, puntata 305).

Esempio concreto: customer service AI in azienda 500 dipendenti

Voce	Setup (year 0)	Year 1	Year 2	Year 3	Totale 36 mesi
Licenze + token	€0	€60k	€70k	€85k	€215k
Integrazione	€120k	€30k	€20k	€15k	€185k
Compute / RAG ops	€5k	€20k	€25k	€30k	€80k
Formazione	€30k	€40k	€30k	€20k	€120k
Manutenzione	€0	€40k	€60k	€70k	€170k
Governance	€15k	€25k	€25k	€30k	€95k
Costo errori (stima)	€0	€20k	€30k	€25k	€75k
Totale	€170k	€235k	€260k	€275k	€940k

Il vendor ti aveva venduto la licenza a €60-80k/anno = €215k su 36 mesi. Il costo reale è 4×.

Senza questo conto completo, il ROI sembra meraviglioso. Con questo conto, ti accorgi che servono savings di €300k/anno per ROI positivo a 36 mesi.

Come fare TCO in modo onesto

Pratica suggerita:

Step 1: lista esplicitamente le 7 categorie

Per ogni use case AI, forza team interno a stimare ognuna. Anche con bound large (es. “tra €20k e €60k”). Meglio range onesto che cifre singole sotto-stimate.

Step 2: usa multipliers di settore

Se il vendor dice “implementazione: €50k”, moltiplica per 2-3× per ottenere costo realistico (include tempo interno, change management, rifacimenti).

Step 3: aggiungi 15% di contingency

Per voci impreviste.

Step 4: separa CAPEX da OPEX

Soprattutto per pianificazione finanziaria. OPEX di AI tipicamente cresce con scaling (paghi più token).

Step 5: confronta con benefit realistici

Risparmi attesi → applica fattore di realismo (60-70%). Difficilmente vedi il 100% del savings teorico.

TEST pratico (20 min)

Per il principale progetto AI in roadmap della tua azienda:

Recupera la proposta del vendor / business case interno.
Estrai la singola voce “licenza / costo modello” che è stata mostrata.
Per ogni altra delle 6 voci sopra (integrazione, compute, formazione, manutenzione, governance, errori): stima il costo proprio.
Somma. Confronta con la cifra “ufficiale” del business case.
Calcola il rapporto: TCO reale / costo ufficiale.

Se il rapporto è ≥ 2×, il business case è da rivedere. Probabilmente serve scope più focalizzato o aspettative tarate.

Glossario lampo

TCO (Total Cost of Ownership): costo totale di un sistema lungo tutto il suo ciclo di vita.
OPEX vs CAPEX: vedi puntata 304.
Model drift: cambiamento di comportamento di un modello AI nel tempo, anche senza modifiche esplicite (perché il vendor lo aggiorna).
DPIA (Data Protection Impact Assessment): analisi obbligatoria GDPR prima di trattamenti ad alto rischio.

Take-away in una riga

Il costo del vendor è il 15-25% del costo reale dell’AI in azienda. Le altre 6 voci sono dove falliscono i business case ottimisti del 2026. Conoscerle è la differenza tra ROI dichiarato e ROI vero.

➡️ Prossima puntata: Time-to-value realistico — non sono “tre mesi e siamo live”. Storia di tre PoC reali, e cosa li ha distinti.