“Tokenmaxing” – È stata Amazon? Perché una società ha bruciato mezzo miliardo di dollari in token: l'intelligenza artificiale gestita come meccanismo di protezione

La trappola da 500 milioni di dollari: perché gli agenti di intelligenza artificiale autonomi stanno mandando in fumo i budget aziendali

Un solo mese, accesso illimitato a modelli di IA e un conto incredibile di 500 milioni di dollari: un recente episodio emerso nel mondo aziendale mette in luce gli enormi rischi finanziari dell'intelligenza artificiale quando utilizzata senza linee guida chiare. Mentre la cosiddetta "IA agente" si occupa sempre più autonomamente di compiti complessi, fenomeni come il "token maxing" fanno esplodere i costi in modo esponenziale dietro le quinte, spesso senza alcun valore aggiunto tangibile per l'azienda. Persino giganti della tecnologia come Amazon, Uber e Meta hanno già imparato a proprie spese che un'implementazione incontrollata dell'IA divora i budget in tempi record. Questo caso fa luce su quello che è probabilmente il fallimento più costoso dell'IA nella storia aziendale e illustra vividamente perché l'"IA gestita" – il controllo, la gestione e la limitazione sistematici dei flussi di lavoro dell'IA – non è più una funzionalità IT opzionale, ma una necessità strategica assoluta per ogni azienda.

Quando la mancanza di governance diventa più costosa del modello di intelligenza artificiale stesso

Da qualche parte, nel reparto contabilità di una grande azienda, un team finanziario sta ancora elaborando gli eventi di un solo mese. Nessun rapporto trimestrale, nessun piano annuale: un solo mese è bastato per trasferire circa 500 milioni di dollari alla piattaforma Claude di Anthropic senza che nessuno fosse in grado di bloccare le spese. Non perché l'azienda non fosse in grado di fissare un limite, ma semplicemente perché nessuno lo aveva fatto.

Questo caso, riportato per la prima volta da Axios il 28 maggio 2026 e confermato da un consulente di intelligenza artificiale, è ora considerato la più grande perdita mensile di cui si abbia notizia pubblica, dovuta a sforamenti di budget per l'IA, nella storia aziendale. Non si tratta di un episodio isolato ai margini del settore, bensì del sintomo di una debolezza strutturale che affligge numerose grandi aziende: la combinazione tra l'uso incontrollato dell'IA agentiva e la quasi totale assenza di strutture di gestione dell'IA.

Il caso nel dettaglio: 500 milioni di dollari senza limiti

Né Axios né il consulente citato hanno nominato esplicitamente l'azienda in questione. Sulla piattaforma X circolavano voci su Amazon, ma senza alcuna prova. Quel che è certo è che la società ha concesso ai propri dipendenti accesso illimitato alla piattaforma Claude di Anthropic, senza limiti di spesa, senza quote di utilizzo e senza dashboard in tempo reale per monitorare il consumo di token.

Il risultato è stato un aumento esponenziale dei costi. I dipendenti hanno fatto ampio uso di agenti di programmazione basati sull'IA, flussi di lavoro con finestre di contesto ampie e sistemi di IA agentici multilivello che concatenavano autonomamente le attività. Né il dipartimento finanziario né le strutture di governance IT sono intervenuti. Quando è arrivato il conto, erano stati spesi 500 milioni di dollari, in un solo mese.

Anthropic offre meccanismi di controllo di livello aziendale: dashboard per gli amministratori, limiti di utilizzo basati sugli utenti e strumenti di conformità. Tuttavia, queste funzionalità richiedono una configurazione proattiva. In questo caso, tale configurazione è stata completamente trascurata. Il risultato: Anthropic ha generato un fatturato mensile da un singolo cliente a un livello che i venture capitalist in genere possono solo sognare.

Intelligenza artificiale agentica: il moltiplicatore di costi silenzioso

Per capire come sia possibile guadagnare 500 milioni di dollari in 30 giorni, bisogna comprendere la natura dei cosiddetti sistemi di intelligenza artificiale agentiva. Una tipica interrogazione a un modello linguistico – si digita una domanda, si riceve una risposta – consuma un numero gestibile di token. Un agente di intelligenza artificiale, d'altro canto, funziona in modo fondamentalmente diverso.

I sistemi di IA agentica pianificano autonomamente, eseguono più attività in sequenza, valutano i propri risultati intermedi, si correggono, si avvalgono di strumenti esterni e ricontestualizzano l'intera cronologia della conversazione precedente a ogni passaggio. Ogni nuova azione richiede al modello di elaborare non solo il prompt corrente, ma anche l'intera cronologia della conversazione accumulata: un effetto a catena che fa aumentare esponenzialmente i costi in token. Un recente studio dello Stanford Digital Economy Lab, a cui ha partecipato Erik Brynjolfsson, ha dimostrato empiricamente che le attività di IA agentica consumano, in media, fino a 1.000 volte più token rispetto a semplici attività di ragionamento sul codice o chat sul codice.

Lo studio ha evidenziato un dato particolarmente critico: i modelli sono strutturalmente incapaci di prevedere i propri costi in termini di token. Per compiti identici, il consumo effettivo di token da parte dello stesso agente può variare di un fattore pari a 30. Inoltre, un maggiore consumo di token non si traduce necessariamente in risultati di qualità superiore: l'accuratezza raggiunge spesso il suo massimo con un utilizzo medio di token e si stabilizza a livelli di consumo più elevati.

Questa stocasticità intrinseca rende quasi impossibile la gestione del budget tramite token secondo le logiche finanziarie classiche, a meno che non si creino strutture di supporto attraverso sistemi di intelligenza artificiale gestiti che controllino il flusso dei costi indipendentemente dal comportamento del modello.

Tokenizzazione: quando gli incentivi alla performance vengono distorti

Il caso dei 500 milioni di token non è un episodio isolato. Si inserisce in un fenomeno più ampio che ora ha un nome specifico: il token maxing. Con questo termine si intende l'aumento deliberato del consumo di token, non per una reale necessità, ma per raggiungere indicatori di performance interni, fare carriera all'interno dell'azienda o semplicemente per sfruttare l'imprecisione delle misurazioni di produttività basate sull'intelligenza artificiale.

Amazon ha introdotto un sistema di classificazione interno chiamato "KiroRank" per la sua piattaforma di sviluppo Kiro, che valutava i dipendenti in base al loro utilizzo dell'IA. L'obiettivo iniziale era lodevole: promuovere l'adozione dell'IA e mettere in evidenza le migliori pratiche. La conseguenza inattesa: i dipendenti hanno iniziato ad assegnare agli agenti IA compiti inutili semplicemente per aumentare il numero di token e scalare la classifica. Il vicepresidente senior di Amazon, Dave Treadwell, ha successivamente spiegato ai dipendenti che, sebbene la classifica fosse stata sviluppata con buone intenzioni, aveva comportato costi aggiuntivi non necessari. Il suo messaggio è stato inequivocabile: "Non usate l'IA solo per il gusto di usarla". Il sistema è stato disattivato. Come nuovo criterio di valutazione, Amazon ha introdotto le "distribuzioni normalizzate", una metrica che misura non il numero di token, ma il numero effettivo di distribuzioni di codice utili generate.

Poche settimane prima, Meta aveva lanciato un sistema simile di gestione dei dipendenti, chiamato "Claudeonomics". Lo schema si ripete a livello sistemico: non appena il consumo di token diventa una metrica misurabile, i dipendenti si concentrano sul consumo di token, anziché sulla creazione di valore.

Uber ha fornito ulteriori prove della portata del problema. Il CTO Praveen Neppalli Naga ha confermato a The Information che Uber aveva già esaurito l'intero budget per l'IA per il 2026 entro aprile, a soli quattro mesi dall'inizio dell'anno. Ciò è stato causato dalla rapida espansione di Claude Code, che ha raggiunto circa 5.000 ingegneri, una dinamica che ha completamente travolto i modelli finanziari interni dell'azienda. Uber aveva già speso 3,4 miliardi di dollari in ricerca e sviluppo nel 2025, con un aumento del 9% rispetto all'anno precedente. La catastrofe di bilancio non è stata quindi un problema di risorse, bensì un problema di governance.

Il direttore operativo di Uber, Andrew Macdonald, ha dichiarato pubblicamente ciò che molti leader aziendali discutono internamente ma raramente esprimono in modo così diretto: un elevato consumo di token non ha una correlazione dimostrabile con risultati positivi per i clienti. Anche Uber aveva utilizzato classifiche interne per promuovere l'adozione dell'IA, con lo stesso risultato perverso di Amazon.

Un settore sotto pressione per i costi: altri casi eclatanti

Il caso di Claude, da 500 milioni di dollari, è il caso individuale più eclatante, ma non è certo l'unico. Solo nel maggio del 2026 si è verificata una serie di catastrofi finanziarie sensazionali che, nel loro insieme, delineano un quadro strutturale.

Lo sviluppatore Peter Steinberger, creatore del popolare strumento per agenti di intelligenza artificiale OpenClaw, ha pubblicato uno screenshot della sua dashboard API di OpenAI: 1.305.088,81 dollari di consumo di token in 30 giorni, distribuiti su 603 miliardi di token tramite 7,6 milioni di richieste API, generate da circa 100 istanze di Codex gestite da un team di tre persone. Steinberger ora lavora direttamente per OpenAI e non ha pagato personalmente questa somma: OpenAI ha coperto i costi nell'ambito di un accordo di finanziamento. Ciononostante, questo caso esemplifica la portata dei costi che possono raggiungere gli ambienti di sviluppo basati su agenti.

Nell'aprile del 2026, un consulente australiano di intelligenza artificiale di nome Jesse Davies si è visto presentare una fattura di Google Cloud di 25.672,86 dollari australiani (circa 18.391 dollari statunitensi), nonostante il suo account avesse un budget di soli 10 dollari australiani. L'attacco è stato effettuato utilizzando una chiave API pubblicamente disponibile, memorizzata come variabile in chiaro in un ambiente container. Nove funzionalità di sicurezza di Google Cloud avrebbero potuto prevenire questo incidente, ma erano tutte disattivate per impostazione predefinita. A peggiorare le cose, Google aveva automaticamente aggiornato l'account a un livello superiore con un limite di spesa compreso tra 20.000 e 100.000 dollari statunitensi, senza alcuna notifica, una volta superata la soglia dei 1.000 dollari.

Microsoft ha iniziato a ridurre le licenze interne di Claude Code dopo che i costi mensili per ingegnere sono saliti tra i 500 e i 2.000 dollari. L'azienda sta migrando i suoi ingegneri a GitHub Copilot CLI, un'alternativa più conveniente.

Sam Altman, CEO di OpenAI, ha ammesso pubblicamente di sentirsi dire regolarmente dai dirigenti aziendali: "Le nostre spese continuano ad aumentare, le persone si sentono produttive, ma dove sono i ricavi, dove sono i reali aumenti di produttività?"

Piattaforma di intelligenza artificiale gestita - Immagine: Xpert.Digital

Qui scoprirai come la tua azienda può implementare soluzioni di intelligenza artificiale personalizzate in modo rapido, sicuro e senza elevate barriere all'ingresso.

Una piattaforma di intelligenza artificiale gestita è la soluzione completa e senza pensieri per l'intelligenza artificiale. Invece di dover gestire tecnologie complesse, infrastrutture costose e lunghi processi di sviluppo, riceverai una soluzione pronta all'uso, su misura per le tue esigenze, da un partner specializzato, spesso entro pochi giorni.

I principali vantaggi in sintesi:

⚡ Implementazione rapida: dall'idea all'applicazione pronta all'uso in pochi giorni, non mesi. Forniamo soluzioni pratiche che creano un valore aggiunto immediato.

🔒 Massima sicurezza dei dati: i tuoi dati sensibili restano con te. Garantiamo un'elaborazione sicura e conforme alle normative, senza condividere i dati con terze parti.

💸 Nessun rischio finanziario: paghi solo per i risultati. Gli elevati investimenti iniziali in hardware, software o personale vengono completamente eliminati.

🎯 Concentrati sul tuo core business: concentrati su ciò che sai fare meglio. Ci occupiamo dell'intera implementazione tecnica, del funzionamento e della manutenzione della tua soluzione di intelligenza artificiale.

📈 A prova di futuro e scalabile: la tua IA cresce con te. Garantiamo ottimizzazione e scalabilità continue e adattiamo i modelli in modo flessibile alle nuove esigenze.

Maggiori informazioni qui:

• Piattaforma di intelligenza artificiale gestita

Che cosa significa IA gestita e perché avrebbe potuto prevenire questo danno

In ambito aziendale, il termine "IA gestita" si riferisce a un approccio strutturato, basato su piattaforme, per il controllo, il monitoraggio e la governance di tutte le attività di IA all'interno di un'organizzazione. A differenza dell'accesso diretto e incontrollato alle API, l'IA gestita interpone un livello di controllo amministrativo tra i dipendenti e i modelli linguistici sottostanti.

In un sistema di intelligenza artificiale gestito e pienamente implementato, lo scenario da 500 milioni di dollari non si sarebbe mai potuto verificare, per diverse ragioni tecniche e organizzative.

Innanzitutto, i limiti di spesa a livello di progetto, team o utente consentono la limitazione automatica o la completa interruzione del traffico API una volta raggiunti i limiti di budget predefiniti. Google Cloud ha riconosciuto questa esigenza e ha annunciato l'introduzione dei "limiti di spesa" per Gemini, Cloud Run e altri servizi durante la sua conferenza Next nell'aprile 2026: limiti che non solo avvisano gli utenti, ma mettono anche in pausa attivamente il traffico.

In secondo luogo, il monitoraggio granulare in tempo reale a livello di utente, team e flusso di lavoro fornisce segnali di anomalia tempestivi prima che i costi possano aumentare. Akshat Bubna, CTO di Modal, stima che circa il 50% del consumo interno di token nelle aziende sia completamente inutile: il problema attuale risiede nell'incapacità di distinguere la metà inutile dalla metà produttiva. I sistemi di intelligenza artificiale gestiti forniscono proprio questa differenziazione attraverso un'attribuzione dettagliata dell'utilizzo.

In terzo luogo, la gestione degli accessi basata sui ruoli consente di differenziare i gruppi di utenti: le attività di routine vengono instradate verso modelli meno costosi (come Claude Haiku), mentre i flussi di lavoro computazionalmente intensivi vengono eseguiti su modelli più potenti, ma anche più costosi. Anthropic stessa raccomanda esplicitamente l'allocazione delle attività in base al modello come strategia di costo nella sua documentazione ufficiale sui prezzi: Haiku per le attività semplici, Sonnet per la maggior parte dei carichi di lavoro di produzione e Opus solo per le attività di ragionamento più complesse.

In quarto luogo, i meccanismi di caching dei prompt proteggono dai cicli di consumo ridondanti dei token: i blocchi di contesto ricorrenti, come i prompt di sistema o le policy aziendali, non devono essere ricaricati a ogni richiesta. Per i flussi di lavoro di Agentic che caricano lo stesso contesto centinaia di volte al giorno, questo può ridurre i costi dei token dal 60 all'80%.

In quinto luogo, l'elaborazione batch offre enormi risparmi sui costi per le attività non critiche in termini di tempo: l'API Batch di Anthropic offre sconti fino al 50% rispetto alle richieste sincrone. In un sistema di IA gestito, tali ottimizzazioni vengono applicate automaticamente, eliminando la necessità per i singoli sviluppatori di prendere decisioni manuali.

Il divario nella governance strutturale: perché le aziende non sono preparate

La domanda che sorge spontanea non è di natura tecnica, bensì organizzativa: perché aziende con migliaia di dipendenti, budget IT multimiliardari e sofisticate strutture di governance del cloud non sono riuscite a implementare i meccanismi più semplici di controllo dei costi per l'intelligenza artificiale?

La risposta risiede in un ritardo temporale strutturale. Concetti di governance del cloud come FinOps – l'approccio disciplinato e interfunzionale alla gestione della spesa cloud – si sono evoluti nel corso di molti anni, quando i costi di elaborazione erano prevedibili e scalabili linearmente. I modelli di prezzo dei token AI si comportano in modo fondamentalmente diverso: sono non lineari, non deterministici e i flussi di lavoro basati su agenti generano costi che non sono né prevedibili né intuitivi.

Il report State of FinOps 2026 conferma che la spesa per l'IA si è evoluta da budget sperimentali a infrastrutture di base e che quasi tutti i team FinOps ora condividono la responsabilità dei carichi di lavoro di IA. Allo stesso tempo, mancano metriche consolidate per il ritorno sull'investimento: secondo un sondaggio condotto durante il FinOps Foundation Summit, il problema principale per i leader aziendali non è l'entità dei costi dell'IA, ma l'incapacità di dimostrarne il valore.

La struttura tariffaria di Anthropic ha ulteriormente complicato la situazione. Nell'aprile del 2026, Anthropic ha riformato radicalmente il suo modello aziendale: invece di tariffe di abbonamento fisse basate sul numero di postazioni, ora sono previsti prezzi nominali inferiori per postazione (ad esempio, 20 dollari al mese per gli utenti tecnici di Claude Code), combinati con impegni di consumo obbligatori e anticipati. I precedenti sconti API del 10-15% per gli acquirenti all'ingrosso sono stati eliminati. Questa struttura trasferisce interamente il rischio di consumo all'azienda: le aziende pagano per le quantità concordate indipendentemente dal consumo effettivo, mentre il consumo incontrollato che supera l'impegno viene fatturato a prezzo pieno.

Gartner prevede che oltre il 40% di tutti i progetti di intelligenza artificiale agentiva verrà interrotto entro la fine del 2027, principalmente a causa di strutture di governance inadeguate.

La governance dell'IA come imperativo strategico aziendale

Le conseguenze di questi casi sono chiare: la governance dell'IA non è più un'attività di ripiego per il reparto IT, ma una responsabilità strategica aziendale. Le aziende che implementano strutture di IA gestite ottengono numerosi vantaggi cruciali rispetto alle implementazioni non regolamentate.

La trasparenza dei costi e il controllo della spesa sono alla base di tutto. Le organizzazioni leader si affidano già a rigidi limiti di spesa, alla gestione degli accessi basata sui ruoli, a dashboard di monitoraggio in tempo reale e a politiche che impongono modelli più efficienti in termini di costi per le attività di routine. Databricks raccomanda esplicitamente, nelle sue linee guida di governance, l'adozione di misure di sicurezza in fase di progettazione e di esecuzione: limiti predefiniti per i token, restrizioni sulla lunghezza del contesto, regole di caching e sistemi di rilevamento delle anomalie che intervengono prima che i flussi di lavoro degenerino in modo incontrollato.

La misurazione basata sul valore sta sostituendo le metriche basate sui token. Il passaggio di Amazon da KiroRank alle "implementazioni normalizzate" – che misurano le implementazioni di codice significative anziché le semplici quantità di token – indica la strada da seguire: non il consumo, ma il risultato prodotto è la metrica rilevante. Questo cambiamento nelle metriche non è una nota a piè di pagina tecnica, ma una rivalutazione fondamentale di cosa significhi la produttività dell'IA.

Gli strumenti specializzati, anziché i sistemi generici, consentono una significativa riduzione dei costi senza compromettere la qualità. Per attività definite e ripetitive, le soluzioni specializzate e ottimizzate per il compito specifico sono spesso da 10 a 100 volte più economiche di un modello universale. Il FinOps Foundation Summit ha formulato questo concetto come principio chiave: innanzitutto, stabilire se l'attività richiede effettivamente l'intelligenza artificiale; poi, determinare quale modello è il più conveniente; e solo successivamente ottimizzare.

Le architetture gateway per l'IA centralizzano il controllo. Piattaforme come Bifrost (Maxim AI) fungono da gateway centralizzati che instradano, monitorano e applicano i controlli delle policy su tutto il traffico di IA di un'organizzazione. Tali architetture consentono alle organizzazioni di gestire limiti di spesa, instradamento dei modelli, filtri per la privacy e requisiti di conformità in un'unica posizione centrale, e di registrare completamente tutte le attività di IA a fini di audit.

L'economia dell'era dei token: nuove regole per la finanza aziendale

Il caso da 500 milioni di dollari segna un punto di svolta nel modo in cui la finanza aziendale e le infrastrutture di intelligenza artificiale devono essere considerate congiuntamente. I modelli di prezzo basati su token non si comportano come le tradizionali licenze software: non esiste una quota annuale fissa, un ambito di applicazione chiaramente definito e un limite di consumo intrinseco.

Questa differenza fondamentale sconvolge i tradizionali processi di budgeting aziendale. I direttori finanziari, abituati a modellare i costi del software come spese fisse, si trovano di fronte a un modello di costi variabili che può crescere esponenzialmente. Si prevede che la spesa globale per l'IA raggiungerà i 2.520 miliardi di dollari entro il 2026, con un aumento del 44% rispetto all'anno precedente. Questa portata rende le implementazioni aziendali incontrollate un rischio sistemico.

Michael Burry, noto per i suoi segnali premonitori di crisi di mercato, ha descritto il token maxing come un "consumo eccessivo guidato da quote, classifiche e management" e una "fase folle, affrettata e temporanea". Prevede che questa fase sia insostenibile. Che la sua previsione si riveli corretta o meno, la pressione strutturale per un adeguamento è già in atto.

Il paradigma dell'accesso incontrollato e democratizzato all'IA come acceleratore di innovazione sta subendo una correzione a causa degli enormi sforamenti di budget. Ciò che rimane è un modello più maturo: ampio accesso, ma con confini definiti, obiettivi misurabili e meccanismi di controllo istituzionale – in breve, IA gestita nel suo senso più completo.

Cosa devono fare ora le aziende

I casi descritti consentono di trarre conclusioni operative immediate per le aziende che utilizzano l'IA su scala aziendale.

La priorità assoluta è l'immediata implementazione di limiti di spesa rigorosi a livello di utente, team e progetto. Anthropic, Google Cloud e OpenAI offrono meccanismi di controllo aziendali che devono essere configurati. Il problema principale, nella quasi totalità dei casi noti, non è stata la loro assenza dal portfolio prodotti, bensì la mancata configurazione.

Parallelamente, prima di implementare o scalare i flussi di lavoro di Agentic, è necessario misurare un valore di riferimento del consumo effettivo di token per un periodo di 30 giorni. Senza questo valore di riferimento, non esiste un punto di riferimento per individuare eventuali anomalie. I sistemi di rilevamento delle anomalie, che attivano automaticamente gli avvisi al raggiungimento del 25%, 50% e 75% del budget mensile, forniscono un secondo livello di sicurezza.

La definizione delle metriche per la produttività dell'IA deve evolversi, passando da metriche basate sulla quantità di token a metriche basate sui risultati. Amazon ha presentato un modello valido con "implementazioni standardizzate". Gli investimenti in IA non riconducibili a risultati aziendali misurabili dovrebbero essere rivalutati.

L'implementazione dell'IA agentiva richiede una governance esplicita e graduale: gruppi pilota, casi d'uso chiaramente definiti, limiti di costo per flusso di lavoro e revisioni periodiche prima di un'implementazione su larga scala. La scalabilità dell'IA agentiva è un punto di forza, ma rappresenta anche un rischio in termini di costi se viene rilasciata senza adeguate misure di sicurezza.

Conclusione: 500 milioni di dollari per una lezione che era disponibile gratuitamente

Il caso da 500 milioni di dollari è spettacolare per la sua portata, ma la sua causa è banale: nessuno aveva azionato l'interruttore. L'infrastruttura tecnica per il controllo dei costi era presente, ma mancava la configurazione. Ciò che mancava era una strategia di intelligenza artificiale gestita, ovvero un quadro istituzionale che combinasse l'accesso all'IA con la sua governance.

Il messaggio ai leader aziendali è chiaro: un accesso generoso agli strumenti di intelligenza artificiale senza un quadro di governance non è segno di fiducia nei dipendenti, bensì di negligenza finanziaria. I casi di Uber, Amazon, Microsoft e della società anonima con l'investimento di mezzo miliardo di dollari non descrivono, nel loro insieme, i problemi iniziali di una nuova tecnologia. Descrivono piuttosto il fallimento sistemico nell'integrare le nuove tecnologie con i principi consolidati di governance aziendale.

L'intelligenza artificiale gestita è la risposta a questa lacuna. Non come limitazione all'innovazione, ma come condizione per la sua sostenibilità.

Konrad Wolfenstein

Sarei felice di fungere da tuo consulente personale.

all'indirizzo wolfenstein∂xpert.digital contattarmi

Chiamami al numero +49 7348 4088 965 .

LinkedIn