Il 6 agosto 2026 Rippling ha pubblicato che cosa stava facendo la sua bolletta IA, cosa che pochissime aziende fanno.
La spesa in token cresceva dell’80% da un mese all’altro. Un modello di costo metteva l’azienda sulla traiettoria di spendere in token il 40% del budget per il personale della R&S, e di avvicinarsi al 90% l’anno seguente.
Sono i numeri che tutti citano. I due risultati che stanno sotto meritano di più il vostro tempo.
Prima di tutto, cosa questi numeri non sono
Sono previsioni, non fatture. Rippling scrive di essere stata «sulla traiettoria di spendere in token il 40% del nostro budget per il personale della R&S» e più avanti parla di «una previsione di spesa del 40%». Diverse testate lo hanno reso come una bolletta IA che raggiunge il 40% del budget R&S. Non è andata così. Una proiezione che innesca una reazione è un’altra cosa rispetto a una spesa registrata, e la differenza conta se intendete citarla.
Anche il 90% dell’anno seguente è una proiezione, e non compare quasi in nessuna ripresa giornalistica, pur essendo il più impressionante dei due.
La cifra spesso ripetuta di 600 miliardi di token nel post di Rippling non c’è affatto. Nemmeno un importo complessivo in dollari. L’unico numero assoluto indicato è quello di un ingegnere a 50.000 dollari al mese.
Primo risultato: la spesa era molto concentrata
«Circa il 10-15% dei nostri dipendenti generava all’incirca il 60% della spesa IA totale.»
È questa la frase da portare nella propria organizzazione. Trasforma un problema di prezzo in un problema di distribuzione, e i due chiedono soluzioni del tutto diverse.
Se il costo è distribuito uniformemente in un team, la leva è il prezzo per token e siete nelle mani dei fornitori. Se un decimo delle persone produce sei decimi della bolletta, la leva è interna e potete tirarla questa settimana. Non si può sapere in quale dei due casi si è senza guardare, e Rippling annota che guardare era proprio la parte difficile: l’ufficio finanziario raccoglieva i dati a mano da diverse dashboard dei fornitori, e gli ingegneri li riversavano manualmente in un data lake.
Secondo risultato: nessuno aveva scelto l’impostazione costosa
È la parte che si generalizza più lontano, ed è facile scorrerla senza vederla.
«Le impostazioni predefinite costose erano la norma. I modelli più recenti erano impostati in modalità veloce. Non perché avessimo preso quella decisione internamente, ma perché nessuno se n’era mai occupato per stabilire delle buone pratiche.»
La configurazione costosa non era una decisione presa da qualcuno. Era una decisione che nessuno aveva preso. È un guasto di altro tipo, e nessuna disciplina di budget lo intercetta, perché non esiste un momento in cui qualcuno approva l’opzione cara.
Si collega direttamente a un tema di cui abbiamo scritto questa settimana. L’agente di coding di Meta offre due identificatori di modello a prezzi molto diversi, uno dei quali rimanda i vostri prompt al fornitore, e la documentazione non dice nulla su quale dei due l’installer scriva nella vostra configurazione. Stessa forma, altro fornitore: l’impostazione che decide la bolletta, o i dati, è quella che nessuno ha scelto consapevolmente.
Che cosa hanno fatto, e quanto è costato
Rippling ha nominato 20 «capitani IA» in tutta l’azienda, responsabili di abilitazione, buone pratiche e governance, e ha costruito una console per seguire la spesa per persona e per modello.
Il risultato, nelle loro parole: «Per la R&S siamo passati da una previsione di spesa in token pari al 40% del budget del personale al 10-15%. Sono decine di milioni di dollari all’anno.»
Una riga merita di essere citata per quello che non afferma: «i vincoli hanno reso gli ingegneri più intelligenti, non meno capaci». È il giudizio che Rippling dà del proprio programma, ed è il tipo di affermazione che un’azienda fa sempre sui propri tagli di spesa. Leggetela come una posizione, non come un risultato misurato.
La loro nota precedente sulla produttività è più cauta e più interessante: «Il segnale di produttività era reale, ma non lineare.»
Cosa portarsi via
Scoprite se la vostra spesa è concentrata prima di negoziare un prezzo. I due problemi su una fattura sono identici e non hanno altro in comune.
Guardate su cosa sono impostati i vostri valori predefiniti, e quando qualcuno li ha scelti l’ultima volta. Modello più recente, modalità più veloce e contesto più ampio sono le impostazioni con cui la maggior parte degli strumenti arriva, e quelle che più difficilmente sono state decise.
Trattate una previsione come una previsione, anche questa. Rippling ha agito su una proiezione, ed era la mossa giusta. Citare quella proiezione come un costo storico non lo è.
Fonti
- Rippling, “From unchecked AI spend to complete control: How Rippling built AI Spend Console”, pubblicato il 6 agosto 2026, di Whitney Zack e Catalina Zhao: https://www.rippling.com/blog/introducing-ai-spend-console (consultato il 28 agosto 2026). Origine della crescita dell’80% da un mese all’altro, di entrambe le cifre previsionali, della concentrazione della spesa sul 10-15% dei dipendenti, dei 50.000 dollari mensili per un singolo ingegnere, del passaggio citato sulle impostazioni predefinite costose, del programma dei capitani IA e del risultato e dei giudizi sulla produttività citati. Tutte le citazioni sono state verificate sulla fonte stessa e non su un riassunto. Il post non contiene alcun importo complessivo in dollari né alcun conteggio di token; la cifra spesso citata di 600 miliardi di token non vi compare, verifica fatta sul testo recuperato con «token» come termine di controllo (14 occorrenze, quindi il recupero era integro).
- La fonte esiste solo in inglese: le citazioni di questo articolo sono traduzione propria dall’originale, non citazioni letterali in italiano.
