Modelli economici AI: dal SaaS alla condivisione dei risultati
Per anni il software ci ha insegnato a pagare per utilizzare uno strumento. Oggi l’intelligenza artificiale sta mettendo in discussione questa abitudine, non perché gli abbonamenti siano destinati a scomparire, ma perché il valore del software sta cambiando: da ciò che permette di fare a ciò che riesce concretamente a realizzare. Questa é una differenza tutt’altro che marginale, infatti se un software aiuta una persona a lavorare, il suo valore può essere associato alle funzionalità disponibili, mentre se un agente AI gestisce autonomamente una parte del processo commerciale, qualifica potenziali clienti e contribuisce a generare vendite, la domanda diventa un’altra: quanto valore economico ha prodotto?
La risposta a questa domanda potrebbe ridisegnare i modelli commerciali dell’industria tecnologica.
Dal SaaS alla tecnologia in abbonamento
Il modello SaaS, Software as a Service, ha trasformato il mercato del software; invece di acquistare una licenza da installare e aggiornare, il cliente accede a un servizio online pagando un canone ricorrente. Il fornitore gestisce infrastruttura, manutenzione, aggiornamenti e continuità del servizio. È un modello efficace perché rende i ricavi prevedibili per chi vende e la spesa relativamente pianificabile per chi acquista, mentre nelle soluzioni tradizionali, il prezzo è spesso legato al numero di utenti, alle funzionalità o al livello di servizio.
Con l’AI, però, questa logica incontra un limite. Due clienti che pagano lo stesso abbonamento possono generare volumi di lavoro molto diversi. Un assistente utilizzato occasionalmente non comporta gli stessi costi di un sistema che elabora migliaia di richieste o esegue processi complessi in autonomia. Il canone resta utile, ma non sempre descrive correttamente il consumo e, soprattutto, il valore prodotto.
Token e crediti: pagare per ciò che si utilizza
La seconda evoluzione è rappresentata dai modelli a consumo. Nelle API dei modelli generativi, il prezzo può dipendere dai token elaborati, distinguendo tra input, output e, secondo il servizio, altre categorie di elaborazione. I token sono unità di testo o di altri contenuti utilizzate dal modello per elaborare le richieste e produrre risposte.
I crediti funzionano diversamente. Sono unità prepagate o assegnate al cliente, che vengono consumate quando utilizza determinate funzionalità. Un’operazione può costare un numero definito di crediti, anche se il costo effettivo sottostante dipende dalla tecnologia e dalle regole del fornitore.
La distinzione è importante: il token è un’unità tecnica di elaborazione, mentre il credito è un’unità commerciale stabilita da chi vende il servizio. Un credito non equivale necessariamente a un token, né ha un valore universale.
Il modello a consumo avvicina il prezzo all’utilizzo reale, ma introduce una nuova difficoltà: il cliente paga quanto lavoro viene eseguito, non necessariamente quanto quel lavoro sia utile. Un agente può consumare migliaia di token senza concludere una vendita, risolvere un problema o produrre un risultato significativo.
Se il prezzo dipendesse dai risultati ?
È qui che si apre una terza possibilità: l’outcome-based pricing (OBP), cioè un modello economico legato ai risultati. In questa logica, il fornitore non vende soltanto accesso, capacità computazionale o automazione, ma può essere remunerato in funzione di un risultato misurabile, concordato con il cliente.
Immaginiamo un sistema AI integrato nel processo commerciale di una PMI, solo che invece di pagare esclusivamente una licenza o un numero di crediti, l’azienda potrebbe riconoscere al fornitore una componente variabile sulle vendite aggiuntive effettivamente generate, sui contratti conclusi o su altri indicatori verificabili.
Il principio è semplice: una parte della remunerazione dipende dal valore realizzato, non soltanto dalla tecnologia impiegata.
La direzione è già presente nel dibattito del settore. Gartner ha evidenziato l’evoluzione dei modelli di prezzo per gli agenti AI verso metriche di risultato, volume e maggiore prevedibilità. Anche AWS descrive l’outcome-based pricing come un approccio che collega il pagamento a risultati aziendali misurabili. Non significa che la remunerazione a performance sia già diventata lo standard, ma che i fornitori sono chiamati a ripensare il modo in cui dimostrano e monetizzano il valore.
Il problema non è promettere risultati, ma dimostrarli
Una percentuale sulle performance è interessante solo se esiste un metodo credibile per attribuire il risultato alla tecnologia. Se le vendite aumentano, quanto dipende dall’AI? Quanto dalla stagionalità, dalle campagne pubblicitarie, dal lavoro dei commerciali o da un cambiamento del mercato? Senza una baseline iniziale, indicatori condivisi e dati verificabili, il modello rischia di trasformarsi in una discussione permanente tra cliente e fornitore.
Servono quindi criteri definiti prima dell’avvio: quale risultato viene misurato, in quale periodo, con quali dati, al netto di quali costi e secondo quali regole di attribuzione. Occorre anche chiarire cosa accade quando il risultato non viene raggiunto e come vengono gestiti qualità, errori e intervento umano. Per questo, almeno in molti casi, la soluzione più realistica potrebbe essere ibrida: una componente fissa che copra infrastruttura, servizio e presidio operativo, più una componente variabile collegata a risultati dimostrabili.
Con le PMI, il cambiamento può essere rilevante, infatti riduce la distanza tra investimento tecnologico e obiettivo aziendale, ma richiede maggiore disciplina nella misurazione dei processi. Per i fornitori, significa assumersi una responsabilità diversa: non limitarsi a consegnare un prodotto funzionante, ma partecipare alla creazione di valore. Il passaggio dal SaaS ai token, dai crediti alle performance non è una semplice evoluzione dei listini, è un cambiamento nel rapporto tra tecnologia, rischio e remunerazione.
La domanda che un’impresa dovrebbe fare al prossimo fornitore di AI, quindi, non è soltanto quanto costa la soluzione. È un’altra:
quale risultato concreto possiamo ottenere insieme, e come dimostriamo che è stato davvero generato dall’intelligenza artificiale?
Quando avremo risposte credibili, l’AI smetterà di essere soltanto una voce di costo tecnologico e diventerà una componente misurabile del modello economico dell’impresa.
