OpenAI e l’intelligenza utile per dollaro: come misurare il vero ROI dell’intelligenza artificiale

C’è una domanda che le aziende si pongono con sempre più insistenza mentre aumentano la spesa in intelligenza artificiale: come si ottiene più valore da ogni dollaro investito? OpenAI ha provato a rispondere il 17 luglio 2026 con un intervento firmato dalla sua responsabile finanziaria, Sarah Friar, che propone una metrica pensata per l’era degli agenti, l’intelligenza utile per dollaro. L’idea di fondo è semplice ma potenzialmente dirompente, perché sposta l’attenzione da quanto costa un modello a quanto lavoro utile quel modello riesce davvero a portare a termine.

Non si tratta dell’annuncio di un nuovo modello, ma di qualcosa che per chi lavora con l’IA può contare di più, cioè un modo condiviso per capire se quei soldi stanno rendendo. In un momento in cui molte imprese faticano a dimostrare il ritorno dei propri progetti di intelligenza artificiale, avere un metro di giudizio chiaro fa la differenza tra continuare a investire con cognizione e tagliare per prudenza.

Dal numero di licenze al lavoro effettivamente svolto

Per anni il successo di un software si è misurato con l’adozione, cioè postazioni acquistate, utenti attivi, licenze rinnovate. Con l’intelligenza artificiale, sostiene OpenAI, questi numeri raccontano solo una parte della storia. La misura più potente non è quante persone accedono a uno strumento, ma quanto lavoro viene effettivamente completato. La domanda economica di fondo diventa quindi una sola: il valore del lavoro che l’IA porta a termine cresce più in fretta del costo necessario per produrlo?

Perché il costo per token può ingannare

Rispondere a quella domanda richiede di guardare oltre l’indicatore più immediato, cioè il costo per token. Un modello economico ha token più a buon mercato, ma per arrivare a un risultato valido può servire qualche tentativo in più, più tempo e più revisione umana. Un modello più capace ha token più cari, però può chiudere lo stesso compito al primo colpo. Quello che conta davvero, spiega il documento, è il costo complessivo di un risultato riuscito, messo a confronto con il valore che quel risultato genera. È una distinzione sottile che ribalta molte scelte di acquisto, perché il prezzo più basso per token non produce quasi mai il costo più basso per esito utile.

A sostegno della tesi OpenAI porta i numeri del suo modello di punta. Secondo i dati diffusi dall’azienda, nell’indice Artificial Analysis Coding Agent Index la versione GPT-5.6 Sol con il massimo sforzo di ragionamento ha stabilito un nuovo primato usando il 54% di token di output in meno rispetto a un altro modello di frontiera. Sul benchmark DeepSWE v1.1, dedicato ai compiti di ingegneria a lungo orizzonte, la stessa configurazione raggiunge il 72,7%, sopra il 69,9% di Claude Fable 5, con un costo stimato per interrogazione più basso di circa il 36%. Sono dati di parte, va detto, ma servono a illustrare il ragionamento, cioè più lavoro utile a parità di spesa. Se vuoi capire come è organizzata la famiglia da cui provengono queste cifre, trovi il quadro completo nella nostra guida ai modelli Sol, Terra e Luna di GPT-5.6.

Le quattro domande dell’intelligenza utile per dollaro

Il cuore del documento è una griglia di quattro domande, pensata per trasformare un concetto astratto in qualcosa di misurabile all’interno di un’azienda. Puoi leggerle come una piccola scheda di valutazione da applicare a un singolo processo di lavoro.

• Quanto lavoro utile viene effettivamente svolto?
• Quanto costa ciascun task portato a termine con successo?
• Con quale affidabilità l’IA arriva al risultato giusto?
• Ogni dollaro produce più valore man mano che l’uso cresce?

La prima domanda invita a partire dal lavoro in sé, non dai token. Quante richieste dei clienti sono state risolte, quante modifiche al codice sono state consegnate, quanti contratti sono stati revisionati, quanto tempo è stato restituito alle persone. Il consiglio pratico è di cominciare da un solo flusso di lavoro, definire con precisione che cosa significa portarlo a termine e misurare quel risultato nel sistema in cui il lavoro accade davvero. Per un team di assistenza il traguardo può essere una richiesta risolta, per chi sviluppa una modifica che supera i test, per un ufficio legale un contratto controllato con accuratezza e nei tempi.

La seconda domanda riguarda il costo reale di quel risultato. A livello di modello dipende dal prezzo, dalla quantità di calcolo impiegata e dalla probabilità di arrivare alla risposta corretta. Per un’azienda, però, il costo pieno comprende anche il tempo delle persone, la revisione umana, i tentativi ripetuti e le correzioni. Il calcolo suggerito è diretto: somma il costo complessivo del lavoro, conta i task che hanno raggiunto la qualità richiesta e dividi il primo per il secondo. È qui che un modello di frontiera, pur costando di più a token, può risultare più conveniente quando azzecca la risposta al primo tentativo, riducendo attese, revisioni e nuovi tentativi.

Affidabilità, confini e la logica dei modelli a livelli

La terza domanda mette al centro l’affidabilità, che ha un valore economico diretto: quando i risultati sono accurati, coerenti e ben documentati, le persone perdono meno tempo a rivedere e a rifare. OpenAI suggerisce di classificare ogni esito in tre categorie, cioè pronto all’uso, da correggere oppure da inoltrare a una persona, così da capire se l’IA sta davvero riducendo il carico di lavoro complessivo. L’affidabilità, però, richiede confini chiari, perché prima di lasciare che un sistema passi dalla scrittura all’azione un’organizzazione deve stabilire a quali dati può accedere, quali strumenti può usare e quando serve l’approvazione di una persona. Non a caso il tema si intreccia con la robustezza dei modelli, un fronte su cui la stessa OpenAI sta lavorando con strumenti come GPT-Red, il red-teamer automatico che rende GPT-5.6 più resistente agli attacchi.

Da qui discende anche il senso di una famiglia di modelli suddivisa in livelli. Avere più versioni permette di ottimizzare l’equazione caso per caso: puoi scegliere il modello più veloce ed economico per un flusso ad alto volume, quello intermedio quando serve maggiore profondità e quello di punta quando un ragionamento più forte porta al risultato con meno tentativi. La logica non è prendere sempre il più potente, e nemmeno sempre il più economico, ma lasciare che sia l’economia dell’intero compito a indicare la scelta giusta.

Perché ogni dollaro dovrebbe rendere di più con la scala

La quarta domanda guarda al tempo. Un’azienda può seguire lo stesso flusso di lavoro nell’arco di settimane e mesi, misurando quanti task superano l’asticella della qualità e quanto costa in media portarne a termine uno. Se il lavoro completato cresce più in fretta del costo totale, mentre la qualità tiene o migliora, allora ogni dollaro sta producendo più valore. Al centro di questa equazione c’è il calcolo, che secondo OpenAI plasma qualità, velocità, affidabilità e costo dei prodotti. Modelli migliori, inferenza più efficiente, hardware dedicato e instradamento più intelligente delle richieste migliorano il rendimento del calcolo, e i guadagni si accumulano, perché infrastrutture migliori accelerano la ricerca, la ricerca produce modelli più capaci, i modelli migliorano i prodotti e i prodotti spingono adozione e ricavi che finanziano la generazione successiva.

Cosa cambia concretamente per chi lavora

Al di là della cornice pensata per i direttori finanziari, il messaggio è utile a chiunque usi l’IA per lavorare, dai liberi professionisti alle piccole squadre. Il primo cambiamento riguarda il modo di scegliere gli strumenti, perché invece di inseguire il modello dal prezzo più basso conviene ragionare sul costo per risultato utile, includendo il tempo che dedichi a correggere e rifare. Il secondo riguarda il metodo, dato che la ricetta suggerita, partire da un solo processo e misurare l’esito, è applicabile anche a chi non ha un reparto dati alle spalle.

Questo approccio ha senso soprattutto adesso, nell’epoca in cui i sistemi non si limitano più a suggerire testo ma iniziano a compiere azioni per conto nostro. Se vuoi inquadrare meglio questo passaggio, ti torna utile capire che cosa sono gli agenti AI e come funzionano. E se il tuo campo è la comunicazione, la stessa logica di misurazione si applica quando porti questi strumenti nei flussi quotidiani, come spieghiamo nella guida su come usare l’intelligenza artificiale nel marketing. In entrambi i casi la domanda resta la stessa: quanto lavoro utile ottieni per ogni dollaro speso?

Un metro di giudizio, con qualche cautela

Vale la pena ricordare che il documento arriva da un fornitore, e la metrica proposta mette in buona luce proprio i modelli che OpenAI vende. L’intelligenza utile per dollaro resta comunque un modo ragionevole per riportare il dibattito sull’IA dal terreno delle promesse a quello dei risultati concreti, ed è probabile che altri attori del settore adottino misure simili. Il consiglio operativo che puoi trarne è concreto: scegli un processo del tuo lavoro, definisci con chiarezza che cosa significa portarlo a termine bene, misura quanto ti costa e quanto rende, e ripeti la misura nel tempo. È così che l’intelligenza artificiale smette di essere una voce di spesa difficile da giustificare e diventa una leva di cui puoi dimostrare il valore. Continua a seguirci per capire quali strumenti reggono davvero questa prova.