L'83% delle aziende si aspetta un ritorno sui propri investimenti in AI entro 12 mesi. Solo il 15% riesce a calcolare il ROI dell'AI senza incontrare ostacoli significativi. È quanto emerge dalla nostra ricerca, un sondaggio condotto da Sapio Research su 500 responsabili finance. Il divario non è una questione di pazienza né di maturità. È un problema di misurazione, e nasce da un calcolo che la maggior parte dei team finance non ha ancora messo in discussione.
Cosa significa oggi misurare il ROI dell'AI
Misurare il ROI dell'AI significa collegare la spesa in AI agli outcome che produce — impatto sui ricavi, retention, aumenti di produttività, risparmi sui costi — ed esprimere questa relazione come un ritorno su cui il finance possa agire. Nella pratica, si articola in alcune componenti fondamentali.
Tracciamento dei costi. Stabilire quanto è stato effettivamente speso: token consumati, compute utilizzato, l'infrastruttura dietro un determinato modello o funzionalità. Capire come un LLM elabora davvero una richiesta è un buon punto di partenza per individuare dove quel costo ha origine.
Attribuzione del valore. Collegare quella spesa a un risultato di business: un rinnovo, un aumento di produttività, una funzionalità che genera upsell, un ticket di supporto evitato.
Calcolo del periodo di payback. Tradurre il rapporto costo-valore in un orizzonte temporale riconoscibile per il finance: quando questo investimento raggiunge il break-even e quando inizia a generare ritorno.
Monitoraggio continuo dei margini. Il ROI non è un calcolo una tantum. Man mano che l'utilizzo cresce, il costo per outcome può variare — a volte in modo favorevole, a volte meno — e un programma deve monitorare questa deriva in modo continuativo, invece di affidarsi a una fotografia trimestrale.
Per investimenti in AI con un perimetro pulito e circoscritto — un modello dedicato al servizio di una singola funzionalità, uno strumento con licenza chiara e costo mensile fisso — il calcolo è di solito lineare. Eduardo Mota di DoiT ha illustrato un framework pratico in 5 step per la valutazione del ROI proprio per questi casi. Il problema, però, nasce altrove.
Perché la formula classica del ROI si inceppa sul lato dei costi
Il ROI dovrebbe essere un rapporto semplice: valore generato diviso costo sostenuto. Molti team danno per scontato che la parte difficile dell'equazione sia il valore — dimostrare cioè che una funzionalità AI abbia realmente mosso una metrica di business. Nella pratica, la metà più difficile è quasi sempre quella dei costi.
L'outcome, in genere, si riesce a identificare. Un rinnovo è avvenuto. Un ticket di supporto è stato evitato. Una funzionalità è stata rilasciata e l'adozione è cresciuta. Ciò che è molto più difficile da mettere a fuoco è quanto sia costato davvero produrre quell'outcome, perché la spesa in AI raramente si presenta come un numero pulito e attribuibile.
È lo stesso problema di attribuzione che manda in crisi il FinOps applicato all'AI, ma spostato da una questione di gestione dei costi a una questione finanziaria. Un'API di un modello managed serve decine di team da una sola voce di fatturazione. Un cluster GPU condiviso esegue inferenza per più prodotti contemporaneamente. Un gateway LLM aggrega il traffico e cancella l'identità del chiamante prima che raggiunga il provider. Un workload agentico genera sub-agenti che innescano costi infrastrutturali reali, senza alcun collegamento chiaro con la funzionalità che li ha originati.
Misurare il ROI è un problema di attribuzione travestito da questione finanziaria. Se non si riesce ad attribuire il costo, non si può calcolare il rapporto: lo si può solo stimare, e le stime accumulano errore proprio nella direzione che fa apparire gli investimenti in AI peggiori — o migliori — di quanto siano realmente.
Dove il vecchio playbook del ROI regge, e dove no
La fatturazione a livello di account mostra la spesa totale, non il costo per feature
Una fattura del provider indica quanto l'organizzazione ha speso per un modello nell'ultimo mese. Non dice quanto è costata la funzionalità che ha guidato i rinnovi rispetto a quella sperimentale non ancora rilasciata. Senza questa distinzione, ogni calcolo di ROI ripiega su una media a livello di organizzazione, che dice ben poco sul reale rendimento di un investimento specifico.
L'infrastruttura condivisa rende il denominatore inaffidabile
Quando un cluster GPU o un account di modello serve più prodotti, il denominatore del rapporto ROI si basa su un'assunzione di allocazione, non su un dato misurato. Basta cambiare l'assunzione perché cambi anche il ROI, pur senza che nulla si sia mosso sul lato dell'outcome di business.
I workloads agentici in rapida evoluzione rendono obsoleto oggi il modello di ieri
Una funzionalità agentica può cambiare da un giorno all'altro il proprio profilo di costo — generando più sub-agenti, invocando modelli più costosi, eseguendo catene più lunghe — senza che nessuno aggiorni il modello di ROI costruito al momento del rilascio. Quando il finance si accorge che le unit economics sono cambiate, potrebbero essere passati mesi di decisioni prese su numeri ormai vecchi.
Un esempio concreto: la sorpresa da 44.000 dollari
Un team di prodotto rilascia una nuova funzionalità AI legata a una release importante. La funzionalità performa bene. L'adozione è forte. Poi il finance chiude il mese e trova un aumento di 44.000 dollari sulla voce di spesa collegata a quella funzionalità, ben oltre quanto era stato modellato al lancio.
Nessuno ha sbagliato le previsioni di proposito. Il modello che aveva stimato il costo AI della funzionalità partiva da un consumo di token per utente rilevato nei test iniziali. In produzione, i pattern di utilizzo sono risultati diversi: sessioni più lunghe, prompt più complessi, un sottoinsieme di power user con un consumo sproporzionato. Nulla di tutto ciò era visibile finché non è arrivata la fattura, perché niente nello stack attribuiva i costi al livello di dettaglio necessario per intercettare il problema in tempo.
È questo lo scenario che rende la misurazione del ROI dell'AI una questione da consiglio di amministrazione, e non una semplice attività di gestione finanziaria. La funzionalità potrebbe essere comunque un buon investimento. Nessuno può dirlo con certezza, perché nessuno riesce a vedere il lato costi con la chiarezza necessaria a chiudere il conto.
Misurazione del ROI prima e dopo l'attribuzione a livello di token
| Stima a livello di account | Attribuzione a livello di kernel | |
|---|---|---|
| Visibilità sui costi | Spesa totale per provider o account | Costo per token, per feature, per cliente |
| Tempo per rilevare un problema | Fine del ciclo di fatturazione, spesso un mese o più | Quasi in tempo reale, mentre il consumo avviene |
| Affidabilità del dato | Fondata su assunzioni di allocazione | Fondata su consumo runtime misurato |
| Chi può agire | Il finance, ex post | Finance ed engineering, mentre accade |
L'attribuzione a livello di token come base del ROI
Non si può calcolare un rapporto che non si riesce a misurare. L'attribuzione a livello di token non rende soltanto più precisi i calcoli di ROI: li rende possibili in partenza per quei workloads in cui la fatturazione a livello di account sarebbe sempre stata una stima.
Attribute™ by DoiT installa un sensore eBPF all'interno del sistema operativo che osserva il consumo reale — ogni token, ogni richiesta al modello, ogni ciclo GPU — nel momento in cui avviene, e riporta ciascuna unità al processo, al container e alla richiesta che l'hanno generata. Nessun tag. Nessun SDK. Nessuna modifica al codice. Lo stesso approccio a livello di kernel che risolve l'allocazione dei costi per il FinOps applicato all'AI è ciò che rende la misurazione del ROI affidabile invece che stimata: costo per feature, costo per cliente e costo per outcome, attribuiti automaticamente e non ricostruiti dopo l'arrivo della fattura.
È lo stesso principio architetturale alla base del nostro approccio FinOps for AI, applicato alla questione finanziaria anziché a quella di gestione dei costi. Tokenomics senza tag, SDK o modifiche al codice.
Perché tutto questo conta ora
Quei due numeri raccontano il divario da due angolazioni: aspettativa e capacità. Un terzo, tratto dallo stesso sondaggio Sapio Research, ne descrive la conseguenza: il 79% delle aziende ha già subito sforamenti di budget legati all'AI.
DoiT ha gestito oltre 8 miliardi di dollari di cloud spend per 4.500 clienti in 27 Paesi, e abbiamo visto ripetersi lo stesso schema in ogni categoria di costo emersa nel cloud: le organizzazioni che si dotano fin da subito di una misurazione accurata prendono decisioni di investimento migliori in tutte le fasi successive. Con l'AI non è diverso, se non per il fatto che il costo dell'attesa si accumula molto più in fretta.
Stiamo collaborando con la Tokenomics Foundation, insieme a JR Storment e alla FinOps Foundation, per contribuire a definire cosa significhi, per l'intero settore, una misurazione affidabile dei costi AI.
FAQ
Cos'è il ROI dell'AI?
Il ROI dell'AI è il ritorno generato da un investimento in AI rispetto al suo costo, espresso come rapporto o come periodo di payback. Richiede due numeri affidabili: il valore prodotto e il costo sostenuto. La maggior parte dei problemi di misurazione del ROI dell'AI nasce da dati di costo inaffidabili, più che da dati di valore poco chiari.
Come si calcola il ROI dell'AI?
L'approccio classico divide il valore generato da un investimento in AI — ricavi, risparmi, aumenti di produttività — per il costo di gestione. Il calcolo è semplice quando entrambi i numeri sono affidabili. Nella maggior parte delle organizzazioni, il lato del valore è identificabile. Quello dei costi spesso no, in particolare per i workloads AI che girano su infrastruttura condivisa o attraverso gateway LLM.
Perché è così difficile misurare il ROI dell'AI?
La spesa in AI passa spesso attraverso cluster GPU condivisi, gateway LLM e workflow agentici che non conservano un collegamento pulito tra il costo e la feature, il cliente o il team che lo hanno generato. Tag e SDK — gli strumenti tradizionalmente usati per attribuire i costi cloud — non sopravvivono a queste architetture, e lasciano il lato costi dell'equazione del ROI basato su stime anziché su misurazioni.
Qual è la differenza tra gestione dei costi AI e misurazione del ROI dell'AI?
La gestione dei costi AI si concentra sul tracciare e controllare ciò che viene speso. La misurazione del ROI dell'AI fa un passo in più: collega quella spesa all'outcome di business prodotto ed esprime la relazione come un ritorno. Misurare il ROI richiede una gestione dei costi affidabile come base; senza un'attribuzione accurata dei costi, i calcoli di ROI si riducono a stime.
Quanto tempo serve per vedere il ROI di un investimento in AI?
Dipende dal caso d'uso, ma secondo la ricerca di settore la maggior parte delle aziende si aspetta un ritorno entro 12 mesi. Se questa tempistica venga rispettata o meno resta spesso poco chiaro finché non si mette in atto l'attribuzione dei costi, perché molte organizzazioni non riescono a calcolare il ROI con sicurezza finché non vedono i costi a livello di feature o di cliente.
Chi è responsabile della misurazione del ROI dell'AI all'interno di un'organizzazione?
Di solito la responsabilità è condivisa tra il finance, che presidia il calcolo del ritorno e il business case dell'investimento, e engineering o prodotto, che conoscono il workload dietro il costo. Nessuna delle due parti, da sola, ha piena visibilità. Il finance ha bisogno del contesto dell'engineering su come viene generata la spesa; l'engineering ha bisogno del finance per definire cosa conta come ritorno.
Si può misurare il ROI dell'AI senza taggare ogni workload AI?
Sì. La misurazione a livello di kernel osserva il consumo direttamente dal sistema operativo, quindi l'attribuzione dei costi non dipende dal fatto che un workload sia stato taggato correttamente — o che potesse essere taggato affatto. È un aspetto decisivo proprio per i workloads che il tagging non avrebbe mai raggiunto: cluster GPU condivisi, traffico instradato via gateway e catene agentiche.
Vuole vedere il vero costo-to-serve della sua AI?
Quindici minuti per l'installazione. Nessuna strumentazione richiesta. Token economics entro fine giornata.