I dipendenti senior dovrebbero avere budget AI più elevati?
I dipendenti senior dovrebbero avere budget AI più elevati?
In breve
Le aziende definiscono i budget di token AI in base alla qualifica: da 800 $ al mese per i profili junior fino a 4.000 $ per i senior. Tuttavia, l'uso dei token per dipendente non mostra alcuna correlazione significativa con il fatturato per dipendente, dimostrando come il ruolo dica ben poco sul valore generato dalla spesa in AI. Un'unità di misura decisamente più utile per il tuo budget AI è il tipo di attività: quanto spesso ha successo, quanto costa e quale valore apporta un'attività completata efficacemente. Spesso i profili senior continuano ad assorbire la quota maggiore, ma in questo modo il loro budget è finalmente supportato da dati concreti.
Un'azienda pubblica di cybersicurezza assegna al personale junior un budget AI di 800 $ al mese. I profili senior ricevono tra 1.600 $ e 4.000 $, mentre i data scientist ottengono più di chiunque altro. Un'azienda tech globale nel settore dei viaggi fa partire tutti da 200 $ e alza il limite, a volte fino a decine di migliaia di dollari, a seconda dell'anzianità e del ruolo. Uber ha introdotto un tetto di 1.500 $ al mese per dipendente dopo che il budget annuale per il coding con AI si è esaurito in quattro mesi.
Questi esempi provengono da SemiAnalysis, che la scorsa estate ha intervistato più di 50 aziende sulla spesa per i token. Gli importi variano notevolmente da un'organizzazione all'altra, ma la maggior parte condivide una regola: maggiore è l'anzianità, più alto è il budget AI.
Perché i budget seguono l'organigramma
L'anzianità aziendale è il parametro già esistente. È presente nei sistemi HR, il team finance se ne fida e riflette il modo in cui le aziende stabiliscono retribuzioni e accessi al software. Quando la spesa per l'AI ha iniziato a crescere più rapidamente di quanto previsto, è stato il modo più rapido per fissare un limite.
Poggia inoltre su un presupposto ragionevole. I profili senior solitamente gestiscono le attività con la posta in gioco più alta, come i key account, i documenti per il board o le decisioni architetturali. Se l'AI supporta queste attività, il suo valore dovrebbe essere maggiore.
Alcune aziende scelgono invece di basarsi sul ruolo, motivo per cui i data scientist ricevono spesso la quota più consistente. Una compagnia aerea inclusa nelle interviste di SemiAnalysis lega i budget al fatturato di ciascun progetto. Ognuno di questi approcci rappresenta una stima plausibile di dove l'AI generi valore, formulata prima che qualcuno l'abbia effettivamente misurata.
Cosa indicano i dati di utilizzo
Ad agosto, OpenAI ha pubblicato un working paper, redatto insieme a ricercatori della Columbia e di Wharton, su come 1.764 organizzazioni utilizzano ChatGPT Enterprise. Una volta inserite le variabili di controllo, il fatturato per dipendente non ha mostrato alcun legame significativo con i token di output generati da ciascun collaboratore.
Lo stesso studio ha rilevato che chi è a inizio carriera invia molti più messaggi rispetto ai colleghi più senior. Di conseguenza, gli utenti più assidui si trovano nei livelli inferiori dell'organigramma, mentre i budget più elevati sono assegnati ai livelli superiori. Il volume di utilizzo e il job title descrivono entrambi aspetti reali, ma nessuno dei due indica cosa abbia effettivamente prodotto la spesa.
Dove l'anzianità aiuta e dove no
La ricerca su chi tragga maggior beneficio dall'AI evidenzia due tendenze. Gli studi sui team di customer support hanno riscontrato i miglioramenti più significativi tra gli operatori più recenti e con meno esperienza. Studi più recenti sui coding agent suggeriscono invece che gli ingegneri esperti ottengano risultati migliori sui compiti complessi, perché sanno cosa chiedere e quando scartare la risposta fornita.
Entrambe le evidenze possono coesistere nella stessa azienda. L'anzianità mescola due fattori distinti: il valore strategico di un'attività e la capacità di una persona di usare l'AI per portarla a termine. Un senior manager potrebbe svolgere un lavoro ad alto valore ma utilizzare male l'AI. Un analista junior potrebbe utilizzare l'AI in modo eccellente su attività a cui nessuno ha ancora attribuito un prezzo. Un budget definito in base al job title non è in grado di distinguere questi due casi.
Un esempio pratico
Immagina un team sales di 40 persone che spende 6.300 $ al mese in AI. La maggior parte della spesa si concentra su tre tipi di attività. Le cifre sono a scopo illustrativo.
Tipo di task | Svolto principalmente da | Spesa AI mensile | Task completati con successo | Costo per task completato | Valore per task completato |
|---|---|---|---|---|---|
Proposte per key account | Senior Account Executive | 2.400 $ | 48 su 60 | 50 $ | 180 $ (2 ore a 90 $) |
Recap delle chiamate | Tutti | 3.000 $ | 1.080 su 1.200 | 2,78 $ | 15 $ (15 minuti a 60 $) |
Analisi della pipeline | Junior Analyst | 900 $ | 40 su 80 | 22,50 $ | 165 $ (3 ore a 55 $) |
Un budget basato sull'anzianità tutelerebbe le proposte commerciali, ed è corretto che sia così. Ogni proposta completata con successo restituisce più di tre volte il proprio costo in termini di tempo risparmiato.
Le altre due righe sono quelle in cui si concentrano le vere decisioni. I recap delle chiamate assorbono la quota maggiore di spesa perché tutti li redigono, ogni giorno. Hanno un costo unitario basso per risultato, quindi la domanda è se sia davvero necessario utilizzare il modello più costoso.
L'analisi della pipeline offre al team il rendimento migliore: ogni analisi completata con successo vale più di sette volte il suo costo, e proviene dalle figure più junior del team. Tuttavia, la metà di queste analisi viene abbandonata. Un template condiviso o un training mirato per aumentare la percentuale di successo porterebbe più benefici al team rispetto a un incremento indiscriminato del budget.
Un budget stabilito in base al job title ignorerebbe del tutto queste tre decisioni.
Tre domande per ogni tipologia di task
Il task è andato a buon fine? Una proposta inviata o un report effettivamente utilizzato dal team meritano di essere finanziati. Un task abbandonato dopo quattro tentativi ha generato costi senza produrre nulla.
Quanto costa un task completato con successo? Dividi la spesa AI per tipo di task per il numero di task completati con successo. Questo è il dato da confrontare tra i vari team, anziché la spesa pro capite.
Qual è il valore di un task completato con successo? Parti dal tempo risparmiato, moltiplicato per il costo orario della persona che svolge il task. Se puoi tracciarlo oltre, ad esempio collegandolo a una trattativa vinta o a un ticket risolto, utilizza quel dato.
Il tempo risparmiato rappresenta capacità operativa. Diventa un risparmio economico effettivo solo quando i costi diminuiscono realmente. Questo lo rende un ottimo parametro per confrontare i tipi di task, ma una base debole per promettere al team finance un taglio di budget.
I profili senior risultano spesso in vantaggio su questi parametri, perché le loro attività tendono ad avere un valore più elevato. In questi casi, il loro budget più ampio è supportato da dati oggettivi, e può essere ricalibrato quando i dati cambiano.
Come impostare la configurazione
Assegna a tutti la stessa quota predefinita, sufficientemente ampia da consentire di testare l'AI su nuove attività senza dover chiedere autorizzazioni. Un nuovo caso d'uso dell'AI non può dimostrare il proprio valore finché qualcuno non lo sperimenta.
Aggiungi margine per le tipologie di task che producono costantemente risultati concreti e utilizzati, a prescindere da chi li esegua. Privilegia limiti flessibili (soft limit) che inviano una notifica al manager, piuttosto che blocchi rigidi (hard cap) che interrompono il lavoro a metà di un task.
Rivedi l'allocazione ogni trimestre confrontando costo e valore per task completato con successo, e monitorala per team e tipologia di task. Le classifiche individuali tendono a premiare il volume. Sia Amazon che Meta hanno visto aggirare le proprie leaderboard interne sui token quest'anno, con dipendenti che eseguivano agenti AI su attività futili pur di scalare la classifica.
Una risposta migliore per il finance
Prima o poi, un CFO chiederà perché un team spende il triplo in AI rispetto a un altro. Fare riferimento all'anzianità aziendale è una risposta rapida, ma il finance non ha modo di verificarla. Costo e valore per task completato con successo richiedono più tempo per essere spiegati, ma consentono al finance di verificare ogni elemento: a quali attività sono stati destinati i fondi, quanti task hanno prodotto output concretamente utilizzati e quale sia stato il loro valore.
Dati oggettivi per ogni decisione sul budget AI
Nebuly fornisce ai leader AI i dati necessari per rispondere a queste tre domande. Analizza le conversazioni dei dipendenti con i loro strumenti AI, le suddivide nei task che le persone stavano cercando di completare e identifica quali conversazioni si sono concluse con successo. Il calcolo del ROI considera solo il tempo risparmiato sulle attività riuscite, moltiplicato per il costo orario configurato. La spesa AI viene mostrata a fronte di questo valore, suddivisa per task, modello, team o anzianità, permettendoti di verificare se i collaboratori con più esperienza ottengano effettivamente un rendimento superiore dal loro budget. L'ottimizzazione dei modelli (Model savings) evidenzia poi i casi in cui un modello più economico svolgerebbe lo stesso lavoro, come per i recap delle chiamate sopra menzionati. Nebuly non impone né gestisce direttamente i budget: fornisce a chi li definisce i dati oggettivi per farlo al meglio.
Vuoi vedere come funziona nella pratica? Prenota una demo con noi.
Resta aggiornato su ciò che stiamo imparando, costruendo e osservando mentre i team enterprise distribuiscono e misurano gli agenti AI in produzione.
