In sintesi
- La Tokenomics nasce nel mondo delle criptovalute, dove descrive il design economico di un token: offerta, distribuzione, incentivi, governance. Nell'AI enterprise e nelle cloud operations assume un significato diverso.
- In ambito cloud ops, FinOps e gestione dei costi AI, la Tokenomics è la disciplina che misura, attribuisce e gestisce il consumo di token AI con un livello di granularità capace di collegare la spesa ai risultati di business.
- Non a livello di account. Non a livello di team. Per singolo cliente, per singola funzionalità, per singolo agent. In modo continuo.
- I token sono l'unità atomica del consumo AI. Ogni risposta generata da un modello, ogni documento elaborato, ogni azione di un agent li consuma, e quei token hanno un costo.
- La maggior parte delle aziende non sa dire con certezza quali funzionalità abbiano consumato quei token, quali clienti li abbiano generati, o se quella spesa abbia prodotto qualcosa che valga davvero la bolletta. La Tokenomics è il framework per rispondere a queste domande.
Perché esiste questo termine
I token sono l'unità atomica del consumo AI. Ogni volta che un modello genera una risposta, elabora un documento, ragiona lungo una catena di pensiero o instrada una richiesta tramite un LLM gateway, consuma token, e i token hanno un costo. Oggi, nella maggior parte delle aziende, nessuno sa dire con certezza quali funzionalità di prodotto li abbiano consumati, quali clienti li abbiano generati, o se quella spesa abbia prodotto qualcosa che valga la bolletta.
È proprio questo divario a giustificare l'esistenza della categoria Tokenomics. Come ha scritto JR Storment, la token economics è la disciplina attraverso cui il consumo AI viene misurato, attribuito e collegato ai risultati di business. La Linux Foundation l'ha formalizzata annunciando la Tokenomics Foundation in partnership con la FinOps Foundation. Non perché la gestione dei costi AI avesse bisogno di un nuovo nome, ma perché i framework esistenti non erano stati pensati per questa sfida inedita.
Con la maggior parte delle piattaforme AI che sta abbandonando la fatturazione a tariffa fissa, il token diventa una nuova unità di fatturazione. L'infrastruttura cloud si fattura a ora di calcolo, a gigabyte, a chiamata API. I token si pagano a inferenza: il lavoro cognitivo che un modello svolge per produrre un output. Questa differenza nel modo in cui funziona la fatturazione richiede un modello di attribuzione diverso.
Gartner prevede una spesa mondiale in AI pari a 2,59 trilioni di dollari nel 2026, con un aumento del 47 percento su base annua. Una crescita che aumenta la pressione su ogni team chiamato a capire dove finiscano davvero quei soldi.
Cosa rende diversa la spesa AI
La gestione tradizionale dei costi cloud presuppone di gestire un'infrastruttura taggabile. Un'istanza di calcolo ha un proprietario. Un bucket di storage ha un nome. Un namespace Kubernetes corrisponde a un team. L'approccio basato sulla strumentazione (taggare le risorse, incapsulare le chiamate API negli SDK, imporre convenzioni di naming) funziona ragionevolmente bene finché l'infrastruttura resta statica e la proprietà è chiara.
L'infrastruttura AI manda in frantumi ognuno di questi presupposti.
Un singolo account API di un modello gestito serve decine di team in contemporanea. Un cluster GPU condiviso esegue modelli per più prodotti in parallelo. Un LLM gateway aggrega richieste provenienti da agent, pipeline automatizzate e utenti umani in un unico flusso in uscita, e nel momento in cui la richiesta esce l'identità del chiamante è ormai persa. Un workload agentico può generare sub-agent nel corso della notte che innescano costi infrastrutturali a cascata (carico su database, memoria, calcolo, rete) senza alcun legame con la voce di costo AI da cui hanno avuto origine.
Nessun tag sopravvive al passaggio attraverso un proxy LLM. Nessun SDK avvolge una GPU condivisa. Il divario di attribuzione nella spesa AI non è un problema di processo che si risolve strumentando meglio. Riflette una realtà architetturale di come funziona l'infrastruttura AI.
È questa realtà a fare della Tokenomics una disciplina distinta, e non una versione rinominata del FinOps cloud. I metodi che funzionano per calcolo e storage qui non si trasferiscono. Il livello di misurazione deve essere diverso.
Cosa misura davvero la Tokenomics
L'attribuzione a livello di token traccia il consumo lungo quattro dimensioni che contano per le decisioni aziendali.
Tipo di token. Ogni tipo di token ha un costo a sé. Input token, output token, cached token e reasoning token hanno prezzi diversi presso ogni provider principale. Un framework di Tokenomics traccia ciascun tipo separatamente e incrocia questa suddivisione con il workload che lo ha generato. Un agent che esegue lookup ripetuti su un contesto in cache ha un costo molto diverso da un agent che genera nuove catene di ragionamento da zero. Una distinzione che pesa quando si vuole capire da dove arrivi la bolletta.
Provider. Le aziende che gestiscono l'AI su larga scala usano raramente un solo provider. Anthropic, OpenAI, Google Vertex AI e AWS Bedrock spesso coesistono nello stesso ambiente di produzione, con modelli diversi per casi d'uso diversi. La Tokenomics normalizza il consumo di tutti in un unico livello di attribuzione, così i team smettono di riconciliare quattro esportazioni di fatturazione separate in un foglio di calcolo.
Origine del workload. Quale cliente ha innescato la richiesta? Quale funzionalità di prodotto? Quale agent? Quale pipeline? Sono le domande al centro della Tokenomics, e gli strumenti esistenti faticano sistematicamente a rispondervi. Nella maggior parte delle architetture l'origine del workload si perde a livello di proxy, ed è per questo che la misurazione deve avvenire prima di quel confine, non dopo.
Contesto di business. Il solo conteggio dei token non basta a rispondere alla domanda. La Tokenomics collega il consumo al risultato: questa funzionalità ha consumato X token per sessione e determina Y percento della probabilità di rinnovo. Questa pipeline sperimentale ha consumato Z token e non è ancora andata in produzione. È il contesto che cambia le decisioni.
Cosa richiede la Tokenomics
Una vera Tokenomics richiede di misurare al livello in cui il consumo avviene davvero: prima di ogni astrazione, prima di ogni proxy, prima che qualunque confine di proprietà svanisca. Significa operare a livello di kernel, non a livello applicativo.
Gli strumenti che si affidano all'inferenza dai metadati o a una logica di allocazione definita nel codice incontrano un tetto strutturale. Non riescono a vedere dentro una GPU condivisa. Non possono seguire un token attraverso un LLM gateway fino al workload che l'ha originato. Il tetto non è lo strumento. È il metodo. Qualsiasi approccio che dipenda dai metadati per ricostruire l'attribuzione andrà a sbattere contro lo stesso muro, perché quei metadati non esistono al livello in cui il consumo si verifica davvero.
Fatta bene, la Tokenomics produce:
- Attribuzione per entità: quale cliente, funzionalità, agent o pipeline ha consumato quali token, su ogni modello e ogni provider
- Granularità per tipo di token: cached token, reasoning token, input token e output token tracciati e suddivisi automaticamente
- Unificazione dei provider: tutti i principali provider normalizzati in un unico livello di attribuzione
- Output continuo: non un report mensile, non uno sprint di tagging. Token economics disponibile in tempo reale, senza strumentazione
Cosa consente di fare
L'attribuzione a livello di token rende possibili tre cose che prima non lo erano.
I team di engineering gestiscono chargeback difendibili. Quando emerge una contestazione sulla fatturazione GPU, la risposta non è una stima su foglio di calcolo. È una contabilità precisa di quale workload ha consumato cosa, verificabile al livello in cui il consumo è avvenuto. Bollette contestate e riconciliazioni manuali tra team lead smettono di essere la routine.
I team Finance calcolano il ROI dell'AI per singola funzionalità. Non più "abbiamo speso X in AI questo trimestre", ma "questa specifica funzionalità ha consumato 31.000 token per sessione e determina l'80 percento della probabilità di rinnovo, mentre questa funzionalità sperimentale ne ha consumati 16.000 e non è ancora andata in produzione". Sono dati che sostengono le decisioni di investimento, invece di alimentare tagli di budget reattivi.
I team di prodotto prendono decisioni build-versus-buy con dati di costo reali alla base. L'economia di una funzionalità non dovrebbe emergere come sorpresa dopo il rilascio in produzione. L'attribuzione a livello di token rende visibile il costo reale di ogni funzionalità già in fase di sviluppo, prima che si trasformi in un problema di budget.
Anche i team Finance ottengono un vantaggio in termini di qualità del dato a livello infrastrutturale. Le aziende instradano sempre più i dati di spesa sui token in data lake e warehouse centralizzati per reportistica e forecasting. Dati di spesa a livello di account producono risposte a livello di account. L'attribuzione a livello di kernel (per cliente, per agent, per funzionalità) produce il segnale granulare che davvero cambia il modo in cui il Finance modella gli investimenti AI da qui in avanti.
Lo stato attuale della Tokenomics in azienda
La maggior parte delle aziende non ha ancora raggiunto questo livello di visibilità. Un'indagine di DoiT e Sapio Research su 500 leader Finance ha rilevato che il 79 percento ha registrato sforamenti di costo sull'AI negli ultimi 12 mesi, e solo il 15 percento riesce a calcolare il ROI dell'AI senza colli di bottiglia significativi. L'ottantatré percento si aspetta ritorni quantificabili entro 12 mesi. La pressione accelera più in fretta degli strumenti.
La categoria si sta formando rapidamente. La Tokenomics Foundation gode del supporto istituzionale della Linux Foundation. JR Storment e la FinOps Foundation lavorano per definire standard aperti per la token economics dell'AI. Standard che dicono cosa significhi fare le cose bene. Ma non rispondono alla domanda operativa più difficile: come si misura a livello di token in un ambiente di produzione, su un'infrastruttura condivisa, senza strumentazione?
È il problema che la Tokenomics, come disciplina, esiste per risolvere. Le aziende che oggi costruiscono le giuste fondamenta di misurazione, prima che arrivi la prossima bolletta a sorpresa, prenderanno ogni successiva decisione di investimento AI con dati migliori alle spalle.
Tokenomics e attribuzione dei costi AI
Tokenomics e attribuzione dei costi AI affrontano questioni collegate ma distinte. L'attribuzione dei costi AI ricostruisce la spesa risalendo al workload, al team o al cliente che l'ha generata. La Tokenomics si chiede cosa quella spesa abbia prodotto e se il risultato ne abbia giustificato il costo. L'attribuzione posa le fondamenta. La Tokenomics ci costruisce sopra.
Per approfondire come la tecnologia dei sensori eBPF renda possibile l'attribuzione a livello di kernel, si veda Cos'è un sensore eBPF?
Attribute™ di DoiT offre un'attribuzione automatica dei costi AI tramite un sensore eBPF che si installa in circa 15 minuti. Nessun tag, nessun SDK, nessuna modifica al codice. Prenoti una demo.