Il 56% delle aziende osservate da Ramp ha pagato almeno un prodotto AI ad agosto, ma la crescita mensile si è fermata a 0,4 punti percentuali. Nelle ultime 24 ore, Google Cloud e Accenture hanno annunciato mille tecnici dedicati alle implementazioni Gemini, mentre una startup di sicurezza ha raccolto 30 milioni di dollari per controllare i permessi degli agenti. Il collo di bottiglia non è più comprare il modello: è farlo lavorare con un costo, un responsabile e un perimetro verificabili.
Per una PMI questa distinzione conta. Aggiungere un abbonamento costa pochi minuti; integrare l’AI in WordPress, nel CRM o nel supporto clienti richiede dati puliti, controlli sugli accessi e una metrica che dica se il processo è migliorato.
La spesa AI cresce, ma molto più lentamente
Il Ramp AI Index citato da TechCrunch misura transazioni di circa 70.000 aziende. Ad agosto il 56% del campione ha sostenuto una spesa AI, appena 0,4 punti in più rispetto a luglio. Nel gruppo che spende di più, l’1% superiore, la spesa per dipendente è scesa di quasi il 10% a 7.205 dollari.
Il dato non dimostra che l’adozione si sia fermata: agosto può essere stagionale e il campione Ramp è più tecnologico della media. Mostra però che una licenza attiva non equivale a valore prodotto. Anche il calo del prezzo medio dei token, da 1,15 dollari per milione a marzo a 0,68 dollari ad agosto secondo la stessa analisi, rende la spesa una metrica ancora meno utile se presa da sola.
Nel mio cruscotto separerei quindi tre numeri: costo per workflow completato, percentuale di output accettati senza correzioni e minuti umani risparmiati. Il totale della fattura serve alla contabilità; questi tre valori dicono se l’automazione merita di restare.
Google e Accenture investono nelle persone sul campo
L’accordo annunciato l’8 settembre da Google Cloud e Accenture prevede un gruppo dedicato a Gemini Enterprise e una forza di mille forward deployed engineer. Sono tecnici che lavorano vicino al cliente per portare un sistema dal prototipo al processo reale.
Il comunicato riporta anche un caso YouTube: durante i picchi di NFL Sunday Ticket, un agente avrebbe ridotto del 37% il tempo medio di gestione e aumentato dell’11% il sentiment dei clienti. Sono numeri forniti dai partner, non un benchmark indipendente, ma indicano il livello corretto di misurazione: tempo e risultato del servizio, non quantità di prompt.
Una PMI non ha bisogno di mille specialisti. Ne ha bisogno di uno chiaramente responsabile per ogni automazione. Se nessuno possiede mapping dei dati, fallback e verifica degli errori, il progetto resta una demo anche quando usa il modello migliore.
Gli agenti ereditano permessi pensati per le persone
Il terzo segnale arriva dalla sicurezza. Cymphony è uscita dal riserbo con 30 milioni di dollari per mappare dipendenti, agenti AI, sistemi raggiungibili e dati accessibili. La società sostiene di aver trovato, presso un cliente quotato, circa 85.000 file esposti agli strumenti AI. È un caso dichiarato dal fornitore e va letto come tale, ma il problema tecnico è concreto: un agente può usare le autorizzazioni dell’account che lo esegue e attraversare più applicazioni in pochi secondi.
Qui il controllo utile non è un altro prompt di sistema. Servono identità separate, privilegi minimi, log leggibili e revoca immediata. È la stessa logica descritta nella guida sui permessi degli agenti AI e nel confronto sulla retention dei dati API: prima si decide chi può vedere cosa, poi si automatizza.
La take operativa: finanziare il processo, non il modello
Queste tre notizie raccontano una sola correzione di rotta. Il software AI diventa più economico, mentre aumentano il lavoro di integrazione e il costo del controllo. Ridurre la fattura dei token senza misurare gli errori può solo spostare la spesa verso revisione manuale, incidenti e consulenza.
Questa settimana sceglierei un solo workflow AI e compilerei una scheda di cinque righe: risultato atteso, costo per esecuzione, proprietario, dati accessibili e condizione di stop. Se manca uno dei cinque campi, non scalerei. L’AI aziendale passa in produzione quando il processo è osservabile e revocabile, non quando il modello impressiona durante la demo.