Un progetto di automazione AI si presenta spesso con una struttura di costo lineare: sviluppo, integrazione, go-live. Il ROI viene stimato dividendo il risparmio atteso per il costo del progetto. Il problema è che questa struttura di costo non corrisponde a come funzionano realmente i sistemi AI in produzione. I costi principali non sono nel deploy: sono nella manutenzione, negli aggiornamenti, nella gestione del drift e nella governance continuativa. Gartner lo identifica come uno dei motivi principali per cui il 72% delle organizzazioni sta andando in pareggio o in perdita sui propri investimenti AI.
Il drift del modello: il costo che nessuno ha budgetato
Il model drift è il degrado graduale della qualità delle risposte di un sistema AI man mano che il contesto in cui opera cambia e il modello non viene aggiornato di conseguenza. Un agente AI addestrato su dati di dodici mesi fa opera in un mondo diverso: nuovi prodotti, nuove policy, nuovi pattern di richiesta. Senza aggiornamento continuo, la qualità delle risposte scende, i tassi di errore aumentano e i clienti o i dipendenti che usano il sistema iniziano a non fidarsi dei risultati.
Il drift non è un evento singolo: è un processo continuo che richiede monitoraggio continuo. Gartner raccomanda ai responsabili del customer service di monitorare metriche di affidabilità come tassi di errore, drift e riproducibilità con dashboard che rendano visibili questi segnali prima che il degrado impatti sull'esperienza cliente. Questo richiede infrastruttura di monitoraggio, processi di valutazione periodica e persone dedicate: tutti costi che raramente compaiono nei business case iniziali.
L'aggiornamento dei modelli foundation: il nuovo ciclo di obsolescenza
I modelli AI foundation che stanno alla base dei sistemi BPA evolvono rapidamente. Quando un provider rilascia una versione più capace del modello sottostante, le organizzazioni si trovano davanti a una scelta: restare sulla versione attuale, con performance in declino relativo rispetto ai sistemi dei competitor che si aggiornano, o aggiornare, con i costi di re-testing, riqualificazione e potenziale regressione comportamentale che un cambio di modello comporta.
Gartner prevede che entro il 2028 oltre la metà dei modelli GenAI usati dalle imprese sarà domain-specific. Il passaggio verso modelli specializzati aggiunge un ulteriore layer di complessità: oltre all'aggiornamento dei modelli foundation, le organizzazioni dovranno gestire il fine-tuning e l'allineamento dei modelli di dominio ai propri processi specifici. Questo è un ciclo di lavoro tecnico ricorrente, non un'attività una tantum.
Il costo della governance continuativa
Gartner identifica la governance delle piattaforme AI come uno dei sei trend I&O più rilevanti del 2026. Le AI governance platform aiutano i CIO a far rispettare le policy di utilizzo, monitorare l'attività AI e applicare guardrail coerenti su tutti i sistemi AI. Entro il 2028, Gartner prevede che oltre il 50% delle imprese userà piattaforme di sicurezza AI per proteggere i propri investimenti AI.
La governance non è un costo iniziale: è un costo ricorrente che cresce con il numero di agenti e sistemi AI in produzione. Ogni agente ha credenziali da gestire, permessi da rivedere, comportamenti da monitorare e log da analizzare. In un sistema multi-agente con decine o centinaia di agenti attivi, la governance manuale non scala. Richiede strumenti, processi e persone dedicate la cui stima di costo raramente compare nei business case dei singoli progetti.
Il costo dell'integrazione con sistemi che cambiano
Un sistema AI in produzione è integrato con altri sistemi aziendali: ERP, CRM, sistemi documentali, database di policy. Questi sistemi cambiano nel tempo: aggiornamenti di versione, migrazione cloud, cambiamenti di API, aggiornamenti delle strutture dati. Ogni cambiamento ai sistemi a valle o a monte del sistema AI può richiedere un aggiornamento delle integrazioni, dei prompt, delle policy di accesso ai dati o del comportamento degli agenti.
Gartner ha identificato la complessità tecnica dell'integrazione degli agenti nei sistemi legacy come uno dei motivi principali per cui oltre il 40% dei progetti agentic AI sarà cancellato entro il 2027. In molti casi la complessità diventa disruptiva e richiede modifiche costose ai sistemi esistenti. La stima iniziale di un progetto che non include un modello di costo per la gestione dell'evoluzione delle integrazioni nel tempo sottostima sistematicamente il costo totale di proprietà.
Come costruire un TCO realistico per un sistema AI
Gartner indica che la struttura di costo corretta per un sistema AI deve includere cinque componenti ricorrenti oltre ai costi di sviluppo iniziale. Il monitoraggio e il rilevamento del drift: infrastruttura di osservabilità, tempo di analisi e processo di intervento. La manutenzione dei modelli: aggiornamento dei modelli foundation, fine-tuning dei modelli domain-specific, re-testing dopo ogni aggiornamento. La gestione della governance: tool di governance, log review, verifica dei permessi, audit di conformità. La manutenzione delle integrazioni: aggiornamento dei connettori con i sistemi downstream quando questi evolvono. E il miglioramento continuativo: analisi dei casi di fallimento, aggiornamento dei prompt e delle policy, espansione delle capacità.
Le organizzazioni che costruiscono il TCO senza questi componenti si trovano a scoprirli come costi straordinari nel momento in cui i sistemi sono già in produzione e la pressione operativa è massima. Chi li include nel business case iniziale può confrontarli con il valore atteso e prendere decisioni informate su quali sistemi vale la pena costruire, quali acquistare come servizio e quali rinviare a un momento di maggiore maturità organizzativa.
