Microsoft ferma il «tokenmaxxing»: cosa insegna sul controllo costi AI in azienda

Il 4 agosto 2026 404 Media ha pubblicato una email interna che in poche righe ha reso esplicito un problema di cui in azienda si parlava sottovoce: Microsoft ha detto ai propri ingegneri di smettere di “tokenmaxxare” e ha imposto tetti di spesa sull’uso degli strumenti AI. Non un fornitore che razionava i clienti: la stessa Microsoft che vende AI al mondo che scopre di non riuscire a governare quanto la consuma al proprio interno. È il segnale più chiaro arrivato finora sul fatto che il controllo costi AI in azienda non è un dettaglio amministrativo, ma la variabile che decide se un progetto AI resta in produzione o viene spento alla prima fattura.

In questo articolo scoprirai:

• Che cosa significa “tokenmaxxing” e perché Microsoft l’ha fermato
• Il controllo costi AI in azienda non è un problema solo dei giganti
• Perché la bolletta cresce mentre i token costano sempre meno
• Come impostare il controllo dei costi AI in azienda: budget, alert, prompt
• Dimensionare la spesa prima di andare live: il ruolo dell’onboarding

Che cosa significa “tokenmaxxing” e perché Microsoft l’ha fermato

Con tokenmaxxing si indica un comportamento preciso: usare il più possibile i modelli di AI generativa, più query, più agenti in parallelo, più modelli testati sullo stesso problema, trattando il volume di token consumati come prova di produttività. È una metrica seducente perché è facile da misurare e perché somiglia all’impegno. Il problema è che il volume di token non è correlato al valore prodotto: un agente che rilegge per la decima volta un repository intero consuma moltissimo e non necessariamente conclude nulla.

La frase che ha fatto il giro del settore arriva da Jay Parikh, executive vice president di Microsoft: «Tokenmaxxing is not what we are optimizing for. I want all of us focused on maximizing outcomes that move the needle for our customers and our business». The Register riporta che alle divisioni sono stati comunicati obiettivi di consumo e possibili restrizioni, con l’invito a essere consapevoli di «come consumiamo token» mentre si accelera sull’uso di GitHub Copilot.

Le misure concrete dietro il memo sul tokenmaxxing

Le contromisure sono tre e sono tutte operative, non retoriche. Primo: budget di token assegnati per divisione, con una dashboard interna dove ogni dipendente può verificare il proprio consumo. Secondo: il passaggio a un modello di default più economico, GPT-5.6, per l’uso interno. Terzo, come ricostruisce The Next Web, la cancellazione della maggior parte delle licenze Claude Code nel gruppo Experiences and Devices a maggio 2026, con reindirizzamento su GitHub Copilot CLI.

Secondo TechRadar, le linee guida interne segnalano che molti ingegneri spendevano da centinaia a migliaia di dollari al mese in token. La posizione ufficiale dell’azienda prova a smorzare la lettura punitiva: «non stiamo ottimizzando per meno token, stiamo ottimizzando per più impatto per token». Un dipendente citato dalle stesse fonti l’ha letta diversamente: l’ammissione definitiva che nemmeno Microsoft può permettersi i propri prodotti AI senza limiti.

Il controllo costi AI in azienda non è un problema solo dei giganti

La tentazione, leggendo la notizia, è archiviarla come questione da hyperscaler. I numeri dicono il contrario, e sono numeri che una PMI dovrebbe leggere con attenzione perché l’ordine di grandezza cambia ma il meccanismo è identico. Uber ha esaurito ad aprile l’intero budget AI previsto per il 2026; Royal Bank of Canada ha visto il consumo crescere del 500% in sei mesi; Workato ha registrato un aumento di spesa di sette volte in un solo giorno. Lo riporta Strategic Management Partners, che aggiunge il dato più scomodo: il 42% dei dirigenti ha solo visibilità parziale sulla spesa AI e circa un terzo fa fatica a capire le tariffe basate sui token.

Microsoft, del resto, non è sola: la stretta la accomuna ad Amazon, Adobe, Atlassian, Citi, AT&T, Meta, Uber e Walmart. Chi vive questa fase come una frenata all’innovazione sbaglia inquadratura. È il passaggio dalla fase sperimentale alla disciplina di acquisto, dove ogni token ha un prezzo e qualcuno deve rispondere di quel prezzo.

Il costo AI senza owner: dove si nasconde la spesa

Il vero rischio in una realtà mid-market non è il picco spettacolare, è l’assenza di un responsabile. La spesa AI arriva in fattura senza owner: nasce da un esperimento di un team, cresce quando l’esperimento viene esteso, e nessuno ha mai deciso quanto poteva costare. A questo si somma lo shadow AI, sempre secondo la stessa ricerca, il 45% dei dipendenti e il 44% dei dirigenti usa l’AI senza dichiararlo, che rende la spesa invisibile fino al momento in cui è già strutturale. Se il conto non è attribuibile a un processo, non è nemmeno valutabile: è esattamente la dinamica per cui, come abbiamo già argomentato, se l’AI generativa non genera ROI il problema non è la tecnologia.

Perché la bolletta cresce mentre i token costano sempre meno

Qui c’è il paradosso che manda fuori strada i budget. Secondo AI Business i prezzi per token sono crollati di circa il 98% dalla fine del 2022, e le bollette AI aziendali nello stesso periodo sono triplicate, una dinamica che Agenda Digitale descrive come il costo nascosto che sta cambiando i bilanci aziendali. Il motivo è il cambio di paradigma d’uso: l’autocomplete di tre anni fa consumava una frazione di quello che consuma un agente che pianifica, legge file, chiama tool e itera. Abbassare il prezzo unitario di una risorsa il cui consumo cresce di due ordini di grandezza non riduce la spesa, la accelera. Lo stesso ragionamento vale per gli annunci di taglio prezzi dei fornitori: ne avevamo già scritto a proposito del costo di integrazione dell’AI in azienda e del taglio dell’80% di OpenAI, lì il tema era il prezzo che paghi al fornitore, qui quanto ne consumi internamente e come lo governi.

I tre driver tecnici che gonfiano il consumo di token

Il primo è il contesto. Le finestre di contesto enormi, la context window da un milione di token diventata standard, sono una comodità che si paga: riempirla a ogni chiamata significa pagare la stessa documentazione decine di volte. Una pipeline RAG che recupera solo i passaggi pertinenti costa una frazione dello stesso task risolto “buttando tutto nel prompt”.

Il secondo è l’asimmetria input/output: quello che il modello genera è tipicamente più caro di quello che legge, quindi un prompt che chiede sintesi lunghe è strutturalmente più costoso di uno che chiede una risposta secca. Il terzo sono le integrazioni: i tool esposti via MCP server allargano il contesto a ogni chiamata, e un’orchestrazione ingenua moltiplica i round-trip. Sono tre voci che si sommano in silenzio: è lì che va cercato il costo, prima di tagliare l’uso.

Come impostare il controllo dei costi AI in azienda: budget, alert, prompt

La buona notizia è che le pratiche esistono e non richiedono un reparto FinOps dedicato. Secondo Sphere Inc. un deployment senza controlli sfonda tipicamente il budget di 3-5 volte entro il secondo mese, mentre instradare il 60% delle query da modelli grandi a modelli piccoli riduce i costi del 70-80% senza perdita di qualità sui task di routine. È il singolo intervento con il rapporto sforzo/beneficio migliore.

Budget per agente e alert sul consumo anomalo

Il budget va assegnato per agente e per team, non genericamente “all’AI”: un budget senza un processo associato non è controllabile. Sopra vanno soglie di allarme al 50%, 80% e 100%, recapitate dove le persone lavorano davvero (Slack, Teams, email), più un rate limit per utente che impedisca a uno script impazzito di bruciare il mese in una notte. La granularità serve: Airia osserva che il 5-10% degli sviluppatori genera una quota sproporzionata della spesa totale, e che la spesa media per utente è una metrica inutile perché nasconde esattamente la coda che vi sta costando i soldi.

Revisione dei prompt costosi e dei permessi degli agenti

Ogni prompt in produzione è una voce di costo ricorrente. Vale la pena censire i dieci prompt più eseguiti e chiedersi, per ciascuno: quanto contesto sta viaggiando inutilmente, quanto output serve davvero, quale modello è il minimo sufficiente. È lavoro di prompt engineering con un ritorno misurabile in fattura. Attenzione a non confondere il tetto di spesa con la sicurezza: un limite di budget non protegge da un agente manipolato, e i rischi di prompt injection restano un capitolo a sé, con l’aggravante che un attacco riuscito è anche un evento di consumo anomalo.

Dimensionare la spesa prima di andare live: il ruolo dell’onboarding

La lezione dell’episodio Microsoft è che quasi nessuno ha sbagliato la tecnologia: hanno sbagliato il momento in cui si sono posti la domanda sui costi. Il tetto di spesa arriva sempre dopo la fattura, e a quel punto è una ritirata, non una strategia. Dimensionare il consumo prima del go-live è un esercizio fattibile: si stimano volumi realistici per caso d’uso, si misura il costo per singola esecuzione su un campione, si scelgono i modelli per fascia di compito e si scrive il budget su quei numeri. Senza questo passaggio, il calcolo del ROI di un progetto AI resta un’opinione.

È il motivo per cui, in MIMIR, trattiamo l’onboarding come parte del servizio e non come una formalità di attivazione: un agente AI si consegna con il suo budget, i suoi alert e il suo owner, non solo con le sue funzionalità. Lo stesso vale per il dopo: la manutenzione post-deployment e la formazione del team sono i due presidi che evitano che il consumo derivi silenziosamente nei mesi.

Se avete un’esigenza aziendale su AI o agenti e volete capire quanto vi costerà davvero prima di metterla in produzione, potete parlarne con noi: offriamo un servizio, non soltanto un prodotto.

Fonti:

• 404 Media — L’email interna di Microsoft sul tokenmaxxing
• The Register — Microsoft chiede agli ingegneri di frenare il consumo di token
• TechRadar — Le linee guida interne sull’uso dell’AI
• The Next Web — I limiti di spesa AI e le licenze cancellate
• AI Business — Le imprese iniziano a prendere sul serio il costo per token
• Agenda Digitale — Token AI: il costo nascosto che cambia i bilanci aziendali
• Sphere Inc. — Enterprise AI cost control e token budget
• Airia — Gestire i costi dei token prima che diventino la voce IT principale