Più token, meno spesa: perché il conteggio dei token classifica i costi degli agenti AI al contrario

In sintesi: il conteggio dei token e il costo degli agenti AI possono puntare in direzioni opposte. In una sandbox AWS live, il 2026-08-15, i tre agenti con più token erano i tre più economici da eseguire, e i tre agenti con meno token erano i tre più costosi: un'inversione completa. Il motivo è il compute, non i token: ogni agente gira come servizio Fargate long-running dedicato, e Fargate rappresentava dal 57 all'80% del costo giornaliero per i tre workloads con ripartizione completa delle risorse, e appena il 26% per un quarto workload più leggero. AWS Cost Explorer non può mostrare il costo per agente: raggruppa tutti gli agenti in un'unica riga a livello di servizio. È la ripartizione delle risorse per workload a far emergere la classifica nascosta dietro la fattura.

Chi classifica i costi degli agenti AI in base al consumo di token rischia di ordinarli esattamente al contrario.

Il 2026-08-15 UTC, una giornata con dati ormai consolidati nel nostro account doit-apj-attribute-sandbox in us-east-1, i tre agenti con più token di un'applicazione erano anche i suoi tre più economici, e i tre agenti con meno token erano i suoi tre più costosi. Il divario di token tra quei due gruppi è di due volte e mezzo, e va nella direzione opposta rispetto ai dollari. L'arrotondamento in visualizzazione non basta nemmeno lontanamente a spiegarlo.

Ogni cifra in dollari e ogni conteggio di token riportati qui sotto sono letti direttamente da cinque screenshot di quell'account sandbox: un report live di AWS Cost Explorer e quattro viste live di DoiT Attribute. Nessuno è modellato su un listino prezzi. Le percentuali e le tariffe per milione sono frutto dei nostri calcoli sulle cifre visualizzate, segnalati come tali dove compaiono, e alla colonna di Cost Explorer si applica la sua stessa nota sui "costi stimati". Una sesta immagine, più avanti nel post, è un diagramma illustrativo dell'architettura, non uno screenshot di una dashboard.

Cosa significa per il monitoraggio dei costi degli agenti AI

Il conteggio dei token non è un proxy del costo totale degli agenti AI

È un proxy dei costi della sola voce modello, e nei tre workloads che abbiamo analizzato in dettaglio la voce modello valeva tra il 20% e il 43% del costo giornaliero del workload. Qualsiasi vista dei costi per agente costruita esclusivamente sugli oggetti usage classificherà male la flotta ogni volta che i footprint di compute differiscono, cioè ogni volta che gli agenti differiscono per ruolo di orchestrazione, come un orchestratore centrale rispetto a workloads specialistici più circoscritti.

Per classificare gli agenti AI in base al costo è servita una vista del compute per workload

La contabilità dei token lato client non vede affatto Fargate. La fattura vede Fargate e lo raggruppa in un'unica riga. La suddivisione per workload mostrata sopra è il contributo specifico di Attribute in questo caso, ed è ciò che ha ribaltato la risposta.

Nessuna delle due cose rende questa una classifica di efficienza. Questi workloads svolgono compiti diversi con volumi di richieste diversi; ciò che viene misurato qui è il costo giornaliero per workload, non il costo per richiesta, per obiettivo completato o per unità di qualità. Più economico al giorno non equivale a più economico per unità di lavoro.

FAQ

Un maggiore utilizzo di token significa un costo più alto per un agente AI? Non necessariamente. In questa analisi, i tre agenti con più token erano i tre più economici da eseguire, e i tre agenti con meno token erano i tre più costosi. Il volume di token traccia solo la voce del modello, non il costo totale di esecuzione dell'agente.

Perché AWS Cost Explorer non può mostrare il costo per singolo agente AI? Cost Explorer raggruppa per servizio e per account, non per agente. Tutti gli agenti di un'applicazione condividono le stesse voci Fargate e Bedrock, quindi nella fattura non esiste una dimensione che consenta di suddividere il costo per singolo agente.

Cosa determina il costo di un agente AI, se non i token? Il compute. Nei tre workloads con ripartizione completa delle risorse, la voce di compute Fargate valeva dal 57 all'80% del costo giornaliero contro il 20–43% della voce modello; la quota Fargate di un quarto workload più leggero scendeva fino al 26%. Il costo varia in base al ruolo di orchestrazione, non in base a quanti token consuma un workload.

Come si misura il costo per agente AI su un'infrastruttura condivisa? Suddividendo ogni workload nelle sue risorse sottostanti, come compute, chiamate al modello e qualsiasi altra risorsa fatturata come una coda, invece di affidarsi al conteggio dei token o a una riga di fatturazione aggregata. Attribute lo fa a livello di workload usando dati di runtime anziché tag.

La stima dei costi basata sui token è affidabile per i sistemi di AI agentica? Non da sola. I token sono un proxy solo per la voce del modello. Una vista basata solo sui token può classificare male i workloads quando i loro costi di compute differiscono, come è successo per i sei workloads misurati qui.

Per misurare correttamente i costi degli agenti AI serve una vista del compute per workload, non un conteggio di token.