OpenAI ha pubblicato uno scorecard destinato alle aziende che vogliono misurare il valore concreto dei propri investimenti in intelligenza artificiale. L’autrice è Sarah Friar, CFO di OpenAI, che in un post sul blog ufficiale ha presentato una metrica alternativa al classico costo per token: si chiama “Useful Intelligence per Dollar” e porta l’attenzione sul lavoro completato, non sulla quantità di chiamate API.
Il framework si articola su quattro domande. Prima: l’AI sta svolgendo lavoro che conta davvero? Non quante richieste vengono processate, ma quante vengono risolte — ticket clienti chiusi, contratti revisionati, codice effettivamente rilasciato. Seconda: qual è il costo reale di un’attività portata a termine con successo, compresi il tempo dei dipendenti, le revisioni umane e gli eventuali tentativi ripetuti? Terza: quanto sono affidabili i risultati nel tempo? Quarta: il valore prodotto aumenta con l’uso, o rimane piatto?
Friar è esplicita sul punto del costo: un modello con token economici non equivale automaticamente a risparmio. Se quel modello impiega più tempo o richiede più cicli di verifica rispetto a uno più costoso, il conto finale può essere più alto. Il prezzo del token è solo una parte della formula. L’altra parte, quella che molte aziende ignorano, è il costo totale per ottenere un risultato utilizzabile. Questo cambia il modo in cui si scelgono i modelli e i fornitori.
Il contesto in cui arriva lo scorecard non è casuale. Le aziende stanno aumentando la spesa in AI a ritmi che cominciano a pesare sui bilanci — la spesa globale in AI è attesa a 2.590 miliardi di dollari nel 2026, con una crescita del 47% anno su anno secondo Gartner — ma la pressione per dimostrare ritorni concreti cresce. Il CEO di Palantir, Alex Karp, ha dichiarato pubblicamente che molti dirigenti enterprise sono stanchi dell’incertezza sui ritorni dell’AI. OpenAI risponde con uno strumento che sposta il terreno della conversazione: non quanto costa comprare l’AI, ma quanto vale il lavoro che produce.
Lo scorecard ha anche un’implicazione diretta sulla scelta del livello di modello da adottare. OpenAI stessa ha strutturato la sua offerta su più livelli — il caso più recente è ChatGPT-5.6, disponibile nelle versioni Sol, Terra e Luna con capacità e prezzi differenti. Definire in anticipo cosa significa “fatto” per un’operazione aziendale consente di abbinare il livello di modello alla complessità del compito, evitando di pagare per capacità inutilizzate o, al contrario, di usare modelli inadeguati e raccogliere output da rivedere.
Sul fronte dell’affidabilità, Friar sottolinea che prima di passare dall’AI che redige bozze all’AI che agisce autonomamente, le organizzazioni devono definire con precisione i confini del sistema: quali dati può accedere, quali sistemi può modificare, quando è richiesta una revisione umana. Sicurezza, privacy e controllo non sono requisiti accessori — sono la base che permette di estendere l’uso dell’AI a processi ad alto valore senza perdere il controllo.
Lo scorecard di OpenAI arriva in un momento in cui la concorrenza sui prezzi si fa più intensa, spinta anche dai modelli cinesi a basso costo che premono sui vendor americani. Presentare un metro di misura centrato sul valore prodotto, e non sul prezzo per token, è anche un modo per tenere il terreno su un confronto che altrimenti rischia di ridursi a una guerra al ribasso. Se il mercato adotta questa logica, la valutazione dei fornitori AI cambierà — e non solo a favore di chi costa meno.
