Il costo annuale dei token AI sta iniziando a rivaleggiare con il costo del personale ingegneristico in alcune aziende, e la leadership non sa se festeggiare o farsi prendere dal panico. Negli ultimi anni, le imprese hanno iniettato massicci capitali nei modelli linguistici di grandi dimensioni, aspettandosi che un'inferenza più economica si traducesse automaticamente in una riduzione del personale e in cicli di rilascio più rapidi. Invece, molte organizzazioni ingegneristiche si ritrovano a pagare due volte: una volta per il talento che speravano di potenziare e una seconda per la capacità di calcolo che avrebbe dovuto sostituirlo. La domanda non è più se l'IA sappia scrivere codice. È se il codice che scrive giustifichi la fortuna che viene bruciata per produrlo.
Il benchmark dello stipendio dimezzato
Jensen Huang ha esposto i calcoli in modo brutale alla chiusura del GTC 2026, parlando nell'All-In Podcast. Il CEO di Nvidia ha proposto di misurare l'efficienza di un ingegnere confrontando direttamente il suo stipendio con il consumo di token AI. La sua soglia è drastica. Prendiamo un ingegnere del software che guadagna 500.000 dollari all'anno. Se quell'ingegnere utilizza meno di 250.000 dollari di token all'anno, ovvero circa la metà del suo stipendio, Huang lo considera un segnale di allarme. La leadership dovrebbe essere "profondamente allarmata", secondo le sue parole, non perché l'azienda stia spendendo troppo per le persone, ma perché è probabile che le stia sottoutilizzando.
La logica ribalta la tradizionale mentalità di controllo dei costi. Per anni, i team finanziari hanno trattato il compute come una spesa variabile da minimizzare. Huang sostiene l'opposto. Un ingegnere costoso che tocca appena un modello è un ingegnere costoso che opera senza un moltiplicatore di forza. L'aspettativa è che il talento ad alto costo debba agire come un imbuto, spingendo enormi volumi di lavoro attraverso i sistemi di IA, revisionando l'output e orchestrando i risultati. Una bassa spesa in token non è segno di parsimonia. È il segnale che l'essere umano sta ancora svolgendo il lavoro meccanico che un modello avrebbe potuto gestire.
Cosa significa concretamente quella spesa
Per capire perché questo benchmark sia importante, consideriamo cosa rappresentano effettivamente 250.000 dollari in token. Alle tariffe attuali dei modelli all'avanguardia, non si tratta di pochi suggerimenti di completamento automatico. Si tratta di milioni di token elaborati ogni giorno lavorativo attraverso una vasta gamma di attività. Suggerisce un ingegnere che non si limita ad accettare i completamenti dell'editor, ma che sta conducendo estesi ragionamenti architettonici, refactoring massivi tramite agenti intelligenti, pipeline di test automatizzati, generazione di dati sintetici ed esplorazione iterativa del design.
Un ingegnere senior che lavora in questo modo potrebbe concatenare diverse chiamate al modello per una singola funzionalità: generare lo scaffolding, analizzare le dipendenze per eventuali breaking changes, simulare il comportamento in casi limite (edge case) e produrre documentazione in parallelo. Il throughput è massiccio perché l'essere umano non sta più digitando ogni singola riga. Sta guidando. Per Huang, lo stipendio si giustifica solo quando l'essere umano opera a quella scala, moltiplicando la propria produttività attraverso un'interazione incessante con il modello.
Dove si perdono i ritorni
Nonostante questa visione, il settore si trova di fronte a un divario crescente tra la spesa per l'infrastruttura e i risultati ottenuti. Le aziende si sono affrettate verso strategie basate su un uso intensivo di token, sottoscrivendo contratti enterprise con i fornitori di IA e adattando le proprie pipeline di sviluppo attorno agli strumenti generativi. La spesa in conto capitale è stata sbalorditiva. I ritorni in termini di produttività, per molti, sono stati deludenti.
Gli sviluppatori sono effettivamente più veloci nelle attività noiose. Il codice boilerplate, gli scheletri di unit test e le ripetitive operazioni CRUD volano via quando un modello genera la prima bozza. Ma l'ingegneria del software non è mai stata davvero una questione di velocità di digitazione. Il lavoro difficile e costoso risiede nel mantenere sistemi complessi, ragionare sulle modalità di guasto distribuite, garantire la sicurezza attraverso dipendenze stratificate e gestire il debito tecnico che ogni scorciatoia accumula. Questi