Databricks ha annunciato AI Spend Controls in Unity AI Gateway, un insieme di controlli di spesa per i carichi di lavoro AI integrato direttamente nella piattaforma. La data di annuncio è il 19 maggio 2026, anticipata al Data + AI Summit di San Francisco di metà giugno dove la funzione è stata presentata al pubblico enterprise. Il meccanismo consente di fissare soglie di budget per singolo utente, per team, per workspace e per intera organizzazione, con alert automatici configurabili via email quando la spesa si avvicina o supera il limite.
La ragione è più concreta di quanto il comunicato lasci intendere. Gli agenti AI consumano token in modo non lineare: una singola sessione di un agente di sviluppo che si inceppa in un ciclo di retry può bruciare il budget mensile di un team nel giro di un weekend. Un ingegnere Uber ha bruciato tra 500 e 2.000 dollari al mese solo di strumenti AI per il codice, e la compagnia nel complesso ha esaurito il proprio budget annuale da 3,4 miliardi in quattro mesi. Il caso è diventato il riferimento che ha trasformato i tetti di spesa da idea teorica a funzione richiesta dai clienti enterprise.
Gli agenti AI non si fermano quando il budget finisce. Prima lo devono sapere.
Il “consumo massivo di token”, o “tokenmaxxing” nella terminologia anglofona ora entrata nel gergo del settore, è il comportamento per cui sistemi agentici o sviluppatori tendono a usare i modelli più costosi per qualsiasi compito, indipendentemente dalla complessità. Il co-fondatore Patrick Wendell ha dichiarato ad Axios di aver visto aziende passare da zero spesa AI a decine di milioni di dollari al mese per incidente, non per scelta. L’obiettivo dichiarato di Databricks è spostare il mercato dal consumo massivo di token al “value maxing”, il consumo proporzionato al valore prodotto.
Il token è la nuova voce di capex, e nessuno l’aveva messa a budget
I modelli di prezzo a consumo dell’AI non si comportano come qualsiasi altra voce di costo IT: non hanno il ritmo prevedibile di una licenza SaaS, non si spengono come un’istanza cloud inutilizzata, non hanno un tetto implicito come la larghezza di banda. Ogni token prodotto da ogni agente in ogni flusso di lavoro genera una riga di costo in tempo reale, e la somma è quasi impossibile da prevedere con i sistemi di monitoraggio tradizionali.
La FinOps Foundation segnala nel suo State of FinOps 2026, basato su 1.192 organizzazioni che gestiscono 83 miliardi di dollari annui di spesa tecnologica, che il 98% dei responsabili FinOps indica la gestione dei costi AI come prima priorità, rispetto al 63% del 2025 e al 31% del 2024. La crescita è verticale e riflette un cambio di fase: le organizzazioni non stanno più sperimentando l’AI, la stanno portando in produzione su scala, e la bolletta è arrivata.
Il 98% dei responsabili FinOps mette i costi AI al primo posto. Un anno fa erano il 63%.
Il confronto con il cloud è pertinente ma parziale. Quando il cloud computing è diventato mainstream, le imprese hanno imparato a governarne i costi con strumenti come tag di risorsa, dashboard di consumo, chargeback interno per team. Il FinOps applicato all’AI affronta una sfida aggiuntiva: i costi sono non deterministici, perché un singolo prompt a un agente può consumare 20.000 o due milioni di token a seconda di come il sistema è progettato. Gartner stima che entro il 2027 le grandi organizzazioni sottostimeranno i costi di infrastruttura AI del 30%. La FinOps Foundation e la Linux Foundation hanno risposto annunciando la Tokenomics Foundation, un consorzio che include Oracle, Google, Microsoft, Salesforce, SAP, JPMorganChase e altri, con l’obiettivo di costruire specifiche aperte per la misurazione e la fatturazione dei costi AI a livello di token.
Databricks posiziona Unity AI Gateway come risposta a questo problema nella propria piattaforma. Il sistema traccia ogni richiesta alle tabelle di sistema di Unity Catalog con costi in dollari, non solo conteggio di token, distribuiti per identità (utente o service principal), workspace, modello e provider. La distinzione tra Claude Opus e Sonnet, tra Anthropic e OpenAI, tra produzione e sandbox: tutto finisce in un cruscotto di analisi dei costi personalizzabile. L’integrazione con il sistema di budget esistente di Databricks permette di configurare soglie globali e soglie per singolo utente, con notifiche email automatiche.
Il caso concreto che Databricks porta come motivazione è esattamente il tipo di scenario che i team di ingegneria conoscono: un agente di coding avviato un venerdì sera che si inceppa e accumula chiamate inutili per 48 ore prima che qualcuno se ne accorga il lunedì mattina. Con i controlli di spesa attivi, l’organizzazione riceve l’alert prima che il danno sia fatto, o blocca le richieste in automatico quando la soglia viene superata.
Un agente bloccato in un loop può bruciare il budget mensile in un weekend.
La mossa di Databricks non è isolata. AWS ha presentato in anteprima a FinOps X 2026 il proprio agente FinOps, integrato nella Console di Cost Management, capace di rilevare anomalie di spesa su Bedrock e SageMaker e inviare alert direttamente su Slack o Jira. È il primo cloud provider ad aver integrato un agente FinOps nativo nel proprio pannello di fatturazione. La governance del costo AI sta diventando infrastruttura di piattaforma.
Tom’s Hardware ha seguito l’emergere del FinOps per l’AI come competenza critica, e ha documentato come i costi dei token stessero diventando una sorpresa sgradevole per molte organizzazioni. Il quadro era già chiaro nel 2025: il consumo di token sarebbe diventato una voce di bilancio che richiedeva visibilità, attribuzione e controllo.
La governance della spesa AI è un problema di bilancio, prima ancora che di piattaforma
Le imprese che stanno adottando gli agenti AI su scala si trovano in una situazione paradossale: più usano l’AI, più i costi diventano imprevedibili, e più i costi diventano imprevedibili, più la pressione di rallentare l’adozione cresce. I controlli di spesa servono a spezzare questo circolo: rendono la spesa prevedibile e attribuibile, e questo consente di continuare a investire senza il rischio di sorprese sul conto.
Il riaddebito interno per team o per caso d’uso, che nell’inglese tecnico viene chiamato “chargeback”, è la funzione che le grandi organizzazioni chiedono da mesi. Sapere che il team vendite ha speso 12.000 dollari in token di AI nel mese e il team legale 800 è il dato che permette di allocare budget, negoziare contratti con i provider, decidere quali agenti portare in produzione e quali sperimentazioni bloccare.
Sapere chi spende cosa, e quanto, è il prerequisito per scalare l’AI in modo sostenibile.
Databricks ha una posizione di mercato rilevante in questa partita: i suoi ricavi annualizzati superano i 6,9 miliardi di dollari con crescita superiore all’80%, e lo stesso co-fondatore Wendell riconosce che quella crescita è spiegata in parte dal consumo massivo di token dei propri clienti. Introdurre controlli di spesa può ridurre i ricavi da token nel breve periodo, ma consolida la fiducia enterprise nel lungo. È una scommessa che le grandi piattaforme di dati possono permettersi: i clienti che rimangono perché si fidano della governance valgono più di quelli che escono perché la bolletta non era prevedibile.
La governance del costo AI è ancora un cantiere aperto. La Tokenomics Foundation è appena nata. Il FinOps per l’AI è in cima alle priorità ma le pratiche consolidate scarseggiano. Quello che Databricks sta introducendo nella propria piattaforma, AWS sta sperimentando nella propria console, e altri fornitori seguiranno, è la stessa traiettoria già percorsa dal cloud computing dieci anni fa. L’unica differenza è che allora il ritmo era più lento, e il costo di un’istanza EC2 dimenticata accesa raramente bruciava il budget mensile di un team di ingegneria in quarantotto ore.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Davide Greco
Source link
