Il listino di Jev, il primo modello di TypeSafe AI, sta in una riga: 0,042 dollari per milione di token in input, output gratuito. È il paradosso di Jevons applicato all’AI nella sua forma più concreta: l’azienda definisce quel prezzo «troppo economico per essere contabilizzato», e il nome scelto per il modello lo dichiara apertamente. Jev viene da William Stanley Jevons, l’economista che nell’Ottocento osservò una cosa spiacevole sul carbone. Per chi deve costruire un budget AI per il 2027, la domanda non è se quel prezzo sia vero. È cosa succede alla voce di spesa quando un prezzo del genere diventa normale.
In questo articolo scoprirai:
- Il paradosso di Jevons applicato all'AI: cos'è, e perché un modello si chiama Jev
- Jev di TypeSafe e il prezzo dell'inferenza AI: 0,042 dollari per milione di token
- Il paradosso dell'efficienza nei budget AI: il risparmio unitario che torna come volume
- Consumo energetico: perché l'efficienza per decisione non dice nulla sul totale
- Ci sarà l'IA tra 10 anni, ma il budget non sarà quello di oggi
- Quando l'intelligenza artificiale diventa pericolosa per un budget aziendale
Il paradosso di Jevons applicato all’AI: cos’è, e perché un modello si chiama Jev
Nel 1865 Jevons nota che le macchine a vapore di Watt, bruciando meno carbone per ogni giro di ruota, non avevano ridotto il consumo nazionale di carbone: lo avevano moltiplicato. Il meccanismo è banale una volta detto: se il costo per unità di lavoro crolla, si trovano usi per quel lavoro che prima non avevano senso economico. Il paradosso di Jevons applicato all’AI è esattamente questo trasferito all’inferenza, e TypeSafe lo mette per iscritto nel post di lancio: «ci aspettiamo che l’intelligenza artificiale segua un percorso simile al carbone, dopo che l’efficienza delle macchine a vapore portò a un aumento della domanda».
Non è una lettura eccentrica. Satya Nadella l’aveva usata nel gennaio 2025, dopo l’arrivo di DeepSeek, passaggio ricostruito anche da NPR Planet Money, con una frase diventata il riferimento del settore, come riporta Outlook Business: «Il paradosso di Jevons colpisce di nuovo! Man mano che l’AI diventa più efficiente e accessibile, vedremo il suo uso schizzare, trasformandola in una commodity di cui non riusciamo a saziarci». La differenza è che oggi non è più una previsione: i numeri di due anni di mercato permettono di verificarla.
Jev di TypeSafe e il prezzo dell’inferenza AI: 0,042 dollari per milione di token
Jev non è un LLM che scrive testo. Restituisce decisioni tipizzate, una probabilità sì/no, una scelta da una lista definita, un punteggio su una scala, con la misura della confidenza associata. Da qui il prezzo asimmetrico: l’output non viene fatturato perché non è testo generato, è un valore. La categoria a cui appartiene, i cosiddetti System One model, l’abbiamo già raccontata in un pezzo dedicato; per mettere questo listino accanto a quelli a cui un’azienda è abituata restano utili i costi delle API di Claude. Qui contano solo tre numeri.
Il primo è la latenza end-to-end dichiarata da TypeSafe: 70-500 millisecondi contro i 3-329 secondi attribuiti agli LLM attuali. Il secondo è il moltiplicatore di velocità dichiarato, 40x-200x «per gli stessi livelli di intelligenza di frontiera» sulle query di tipo System One. Il terzo è che tutto questo è ancora in early access con lista d’attesa, non in disponibilità generale.
Il caveat va letto, perché è l’azienda stessa a metterlo: l’azienda scrive che questi risultati sono «nella fascia alta dei guadagni ottenibili nel mondo reale», e ammette che i workflow di test «sono stati realizzati da persone del nostro team sulle capability del modello, quindi un certo bias può esistere». Nessuna verifica indipendente, al momento. Vale anche ricordare che dietro c’è una società appena uscita dallo stealth: 40 milioni di dollari di round seed guidato da DCVC, con una valutazione post-money che SiliconAngle riporta intorno ai 200 milioni. È un fornitore da tenere d’occhio, non da mettere in produzione domani mattina.
Il paradosso dell’efficienza nei budget AI: il risparmio unitario che torna come volume
Prendiamo per buono il prezzo e guardiamo cosa è già successo quando i prezzi sono crollati prima. L’AI Index di Stanford misura che «il costo di inferenza per un sistema che opera al livello di GPT-3.5 è sceso di oltre 280 volte tra novembre 2022 e ottobre 2024». Due ordini di grandezza in ventitré mesi: lo stesso salto che il listino di Jev promette oggi sulle decisioni strutturate.
La spesa enterprise in AI sale mentre il prezzo dell’inferenza scende
Ora la domanda che conta per un CFO: quel meno 280x si è visto sui bilanci come risparmio? No. Nello stesso periodo la spesa enterprise in AI generativa è passata da 11,5 miliardi di dollari nel 2024 a 37 miliardi nel 2025, un fattore 3,2 in un anno solo, di cui 12,5 miliardi soltanto per le API dei foundation model. Menlo Ventures nomina il fenomeno con le stesse parole di TypeSafe: la spesa netta continua a salire nonostante il calo dei costi di inferenza, trainata da un aumento di ordini di grandezza nei volumi.
Il paradosso dell’efficienza visto dal budget: più processi, non meno spesa
Il risparmio unitario non arriva a bilancio come risparmio: torna come volume. Non perché qualcuno abbia sprecato, ma perché a 0,042 dollari per milione di token diventano sensate categorie di lavoro che a due ordini di grandezza in più non lo erano: classificare ogni ticket invece di un campione, validare ogni riga invece di un controllo a campione, chiedere al modello mille volte al giorno invece di dieci. Chi ha già affrontato il tema dal lato del ritorno lo riconoscerà: se l’AI generativa non genera ROI il problema non è la tecnologia, ed è la stessa lezione vista dal lato del costo.
Consumo energetico: perché l’efficienza per decisione non dice nulla sul totale
La versione fisica del paradosso è la più discussa e la meno risolta. Se il costo per decisione crolla e il numero di decisioni esplode, il consumo energetico aggregato non segue l’efficienza del singolo modello: segue il volume. TypeSafe non pubblica alcun dato di consumo energetico per Jev, e questo è un limite dichiarato di qualsiasi ragionamento si voglia fare qui: sappiamo quanto costa una decisione in dollari, non in watt. Un modello che risponde in 70 millisecondi consuma verosimilmente meno di uno che ci mette trenta secondi, ma moltiplicare per mille le chiamate annulla il vantaggio unitario con la stessa aritmetica che vale per il carbone di Jevons.
È il punto su cui il settore si divide: la posizione di Sam Altman sul consumo energetico dell’AI va nella direzione opposta, ma nessuna delle due tesi si regge senza misure sui volumi effettivi, non sui modelli presi uno alla volta.
Perché l’IA consuma tanta acqua e cosa c’entra il costo per decisione
L’acqua entra nel raffreddamento dei data center, non nel modello: è una funzione delle ore-macchina, non dei token. Il collegamento con il prezzo è indiretto ma reale, più decisioni al secondo significano più macchine accese, e onestamente non esistono dati pubblici per stimarlo su un modello in early access. Chi promette una cifra qui la sta costruendo.
Ci sarà l’IA tra 10 anni, ma il budget non sarà quello di oggi
La previsione facile è che tra dieci anni l’inferenza costerà quanto l’elettricità: poco, e non la conterà più nessuno. La previsione difficile è cosa ci sarà nella riga di bilancio al posto suo. Se il pattern degli ultimi tre anni tiene, la voce che cresce non è il prezzo unitario ma il numero di processi aziendali che passano dal modello, e quella non si comprime con una rinegoziazione di listino.
Questo cambia il modo di scrivere un business case. Un calcolo del tipo «oggi spendo X con l’LLM, con Jev spendo X/100» è già sbagliato nel momento in cui lo scrivi, perché assume volume costante, l’unica cosa che la storia recente dice che non resterà costante. Il calcolo utile è l’opposto: a questo prezzo, quali processi che oggi non tocco diventano economicamente sensati, e quanto valgono. Sul piano operativo il tema è sempre quello dell’ottimizzazione dei modelli in produzione, e chi ragiona per ordini di grandezza lo riconosce anche nei tagli di prezzo di OpenAI, che cambiano meno di quanto sembri.
Quando l’intelligenza artificiale diventa pericolosa per un budget aziendale
Il rischio, in questa cornice, non è l’AI che sfugge di mano: è il budget che sfugge di mano mentre tutti i numeri unitari migliorano. Tre domande, prima di firmare qualsiasi contratto su un modello «troppo economico da contabilizzare».
La prima: il fornitore espone un tetto di spesa o solo un prezzo per token. Con l’output gratuito e l’input a quattro centesimi per milione, la leva che genera il conto è il numero di chiamate, e va governata a monte. La seconda: chi ha misurato i benchmark. Nel caso di Jev li ha misurati il team del fornitore su workflow costruiti internamente, e l’azienda lo scrive, è trasparenza, non è verifica. La terza: quali processi esistono già e quali nascerebbero solo grazie al prezzo nuovo, perché i secondi sono quelli che faranno crescere la spesa totale. Chi sta impostando questo calcolo su un progetto reale trova i numeri di riferimento in quanto costa implementare un agente AI in azienda nel 2026 e nei criteri di quando conviene un agente AI. Jevons, nel 1865, non stava dicendo che l’efficienza è un male. Stava dicendo che chi la usa per prevedere i consumi futuri sbaglia il segno.
Fonti:
- typesafe.ai, Introducing System One Models & Jev
- hai.stanford.edu, AI Index Report 2025
- menlovc.com, 2025: The State of Generative AI in the Enterprise
- siliconangle.com, TypeSafe AI exits stealth with $40M to build AI for use by software
- outlookbusiness.com, Why Satya Nadella Thinks Jevons Paradox Will Shape AI Industry
- npr.org, DeepSeek, l’economia dell’AI e il paradosso di Jevons (Planet Money)
Domande frequenti
Perché l'IA consuma tanta acqua?
L'acqua serve al raffreddamento dei data center, non al modello in sé: il consumo è funzione delle ore-macchina, non del numero di token elaborati. Un prezzo per decisione più basso incide solo indirettamente, perché più chiamate al secondo significano più macchine accese. Per Jev non esistono dati pubblici di consumo idrico o energetico: qualsiasi cifra circoli è una stima costruita.
L'intelligenza artificiale supererà quella umana nel 2027?
Il crollo del prezzo dell'inferenza non dice nulla sulle capacità dei modelli: misura quanto costa eseguire una decisione, non quanto bene viene presa. Un modello come Jev restituisce decisioni tipizzate su domande già definite, non capacità generali. Confondere il costo unitario con un indicatore di progresso verso l'intelligenza generale è un errore di categoria.
L'intelligenza artificiale può essere pericolosa per un'azienda?
Sul piano economico il rischio concreto non è il modello che sfugge di controllo, ma il budget che cresce mentre tutti i costi unitari calano. Con l'output gratuito e l'input a quattro centesimi per milione di token, la leva che genera il conto finale è il numero di chiamate. Serve un tetto di spesa contrattuale, non solo un prezzo per token.
