Superamento di 1,8 milioni di dollari per Claude di Amazon: perché i costi degli agenti AI possono sfuggire al controllo

Introduzione

Gli agenti AI possono fallire in modi che il software tradizionale raramente manifesta: continuano a riprovare.

Un dipendente umano che incontra un flusso di lavoro difettoso alla fine si stanca, chiede aiuto, finisce il turno, o rimanda tutto alla mattina successiva.

Un agente autonomo, invece, può continuare a chiamare il modello, leggere il proprio output, riprovare gli strumenti, riscrivere i piani e avviare un altro ciclo, per ore o addirittura giorni.

Quando il compito è difficile, questa persistenza è utile.

Quando il compito stesso è problematico, questa persistenza è costosa.

Secondo un rapporto del Financial Times del luglio 2026, che cita dipendenti Amazon e persone a conoscenza di progetti interni, un progetto Amazon che utilizzava Claude Sonnet per arricchire le informazioni sugli autori sul sito web di Amazon ha accumulato costi AI per circa 1,8 milioni di dollari.

Secondo quanto riportato, la fattura è stata:

860% oltre il budget di progetto

Stando alle notizie, questa spesa eccessiva non è stata rilevata per un periodo di:

cinque mesi

E nonostante l'enorme costo, il progetto non è stato apparentemente distribuito con successo.

Questa combinazione rende l'episodio più significativo di una semplice fattura insolitamente elevata.

Rivela un nuovo problema del software aziendale:

Piccoli errori logici
×
Riprova autonome
×
Fatturazione a consumo
×
Scarsa osservabilità
=
Gravi perdite finanziarie

Questo problema non è esclusivo di Claude, di Amazon o di un singolo fornitore di AI.

I sistemi agente convertono la potenza di calcolo in spese operative variabili. Quando possono operare in modo indipendente, il costo diventa parte del comportamento dell'applicazione, non più una semplice sottoscrizione software.

Un difetto non produce più semplicemente risultati errati.

Può produrre risultati errati milioni di volte continuando a spendere denaro.

La cronologia dell'evento Amazon-Claude da 1,8 milioni di dollari

Il compito descritto nel rapporto del Financial Times sembra ordinario.

Amazon voleva migliorare le informazioni sugli autori sul proprio sito.

Secondo quanto riportato, è stato utilizzato un flusso di lavoro basato su Claude Sonnet per aiutare ad abbinare o generare le informazioni sugli autori desiderate.

Successivamente, il progetto ha consumato risorse AI molto oltre le aspettative.

I dipendenti Amazon avrebbero descritto il costo finale come circa:

1,8 milioni di dollari

Questo equivale a un:

sforamento del budget dell'860%

Il dettaglio più sorprendente potrebbe essere il ritardo nel rilevamento.

Il problema dei costi sarebbe rimasto attivo o non rilevato per circa cinque mesi.

Ciò indica che il fallimento non è solo del modello AI.

È anche un problema di monitoraggio e governance.

Se un carico di lavoro aziendale può spendere una cifra a sette cifre senza un allarme esplicito, allora quel sistema non dispone di uno o più controlli che di solito circondano altre infrastrutture fatturate.

Questi controlli potrebbero includere:

• Budget a livello di progetto.
• Limiti di spesa rigidi.
• Allarmi giornalieri per anomalie.
• Quote per agente.
• Numero massimo di tentativi.
• Durata massima dell'attività.
• Attribuzione per utente.
• Dashboard del costo per successo.
• Regole di spegnimento automatico.

Il Financial Times ha riferito che Amazon ha anche riscontrato altri casi di costi AI insolitamente elevati e che gli ingegneri stanno sviluppando barriere di protezione automatizzate.

Amazon ha dichiarato al giornale che questi casi sono lezioni isolate apprese, non rappresentative del suo più ampio lavoro sull'AI.

Questa distinzione merita di essere mantenuta.

L'evento da 1,8 milioni di dollari è stato un fallimento di un progetto interno.

Non dimostra che l'intero programma AI di Amazon sia un fallimento economico.

La stima di "600 miliardi di token" deve essere contestualizzata

L'articolo cinese originale faceva un calcolo sensazionalistico.

Affermava che, al prezzo di 3 dollari per milione di token di input, 1,8 milioni di dollari avrebbero potuto acquistare al massimo:

600 miliardi di token di input

L'aritmetica è semplice:

1,8 milioni di dollari
÷
3 dollari per milione di token
=
600.000 milioni di token
=
600 miliardi di token

Ma questa non è una misura del consumo effettivo di token del progetto Amazon.

È solo un calcolo illustrativo del limite massimo basato su diverse ipotesi irrealistiche:

1. Ogni dollaro è stato speso per token di input.
2. La versione di Claude Sonnet utilizzata aveva esattamente il prezzo di 3 dollari per milione di token di input.
3. Nessun costo per i token di output.
4. Nessun costo di scrittura o lettura della cache.
5. Nessuna differenza di prezzo specifica della piattaforma AWS.
6. Nessun altro costo di inferenza o infrastruttura.

Anche i prezzi attuali di Anthropic variano in base alla generazione di Sonnet.

Ad agosto 2026, la tabella prezzi di Anthropic è la seguente:

Modello	Input standard	Output standard
Claude Sonnet 5	2 $/milione di token	10 $/milione di token
Claude Sonnet 4.6	3 $/milione di token	15 $/milione di token
Claude Sonnet 4.5	3 $/milione di token	15 $/milione di token

Il rapporto del Financial Times conferma l'uso di Claude Sonnet, ma le notizie pubbliche non forniscono sufficienti dettagli di fatturazione per ricostruire l'esatta versione del modello, il rapporto input/output, il comportamento della cache o il numero reale di token.

Pertanto, la conclusione sostenibile è:

Secondo il rapporto, il progetto è costato circa 1,8 milioni di dollari; il suo consumo esatto di token non è noto al pubblico.

Questo è importante perché quando un importo in dollari viene automaticamente convertito in token usando un singolo prezzo unitario, l'analisi dei costi AI aziendale diventa fuorviante.

Perché i costi degli agenti sono più difficili da prevedere rispetto ai costi del software tradizionale

Il software tradizionale ha generalmente fattori di costo relativamente prevedibili.

I team possono stimare:

• Numero di server.
• Dimensioni del database.
• Larghezza di banda.
• Archiviazione.
• Licenze utente.
• Richieste al secondo.

Gli agenti basati su grandi modelli linguistici aggiungono un ulteriore livello di complessità.

Una richiesta utente può attivare:

1 chiamata al modello

Oppure può attivare:

200 chiamate al modello
+ chiamate a strumenti
+ tentativi
+ riproduzione del contesto
+ ricerche web
+ esecuzione di codice

L'utente può vedere solo una risposta finale.

Il contatore dei costi vede l'intera traiettoria del processo.

Il contesto viene inviato ripetutamente

Gli agenti tendono a reinviare gran parte del loro contesto di lavoro a ogni passo del ragionamento.

Pertanto, un lungo codebase, un grande documento, lo storico degli strumenti o una conversazione possono essere fatturati ripetutamente.

L'output diventa nuovo input

Il testo precedentemente generato dall'agente diventa spesso contesto per la successiva chiamata al modello.

Il sistema in pratica spende prima denaro per generare informazioni, poi spende denaro per rileggerle.

I tentativi moltiplicano i costi

Una chiamata a strumento fallita può innescare:

1. Interpretazione dell'errore.
2. Nuovo ragionamento.
3. Chiamata modificata.
4. Un altro risultato.
5. Un altro giro del modello.

Un ciclo di tentativi che a livello di codice sembra innocuo può produrre un consumo enorme di token.

Il costo è

casuale

La ricerca sulla codifica degli agenti ha scoperto che l'uso di token per lo stesso compito può variare drasticamente tra diverse esecuzioni.

Uno studio del 2026 su diversi modelli all'avanguardia su SWE-bench Verified ha riportato differenze fino a circa 30 volte tra esecuzioni dello stesso compito.

Più token non sempre producono risultati migliori.

Ciò rende "stimare la fattura in base alla difficoltà del compito" un metodo di budget inaffidabile.

Il sogno di automazione di Amazon va oltre un singolo progetto fallito

L'articolo originale passa poi dall'episodio da 1,8 milioni di dollari a una visione più ampia.

Amazon non si sta tirando indietro dall'AI.

Sta aumentando gli investimenti.

L'amministratore delegato Andy Jassy ha ripetutamente affermato che l'AI generativa e gli agenti rimodelleranno i prodotti per i clienti e il lavoro interno di Amazon.

Nel giugno 2025, Jassy ha detto ai dipendenti che Amazon ha già più di:

1.000 servizi e applicazioni di AI generativa

già costruiti o in fase di realizzazione.

Ha anche previsto:

miliardi di agenti AI

in aziende e settori di ogni tipo.

Jassy ha affermato che gli agenti possono svolgere:

• Ricerca web.
• Ricerca approfondita.
• Codifica.
• Rilevamento di anomalie.
• Traduzione.
• Analisi dei dati.
• Automazione dei flussi di lavoro.

Ha inoltre affermato che un'adozione più ampia dell'AI cambierà la struttura dei dipendenti Amazon, riducendo potenzialmente nel lungo termine il numero complessivo di dipendenti aziendali man mano che l'efficienza aumenta.

Pertanto, questo episodio da 1,8 milioni di dollari legato a Claude si è verificato all'interno di un'azienda che spinge deliberatamente verso più automazione, non meno.

Spese in conto capitale di Amazon per il 2026: circa 220 miliardi di dollari

La portata degli investimenti infrastrutturali di Amazon è enorme.

Nel ciclo di utili del secondo trimestre 2026, Jassy ha rivisto al rialzo le spese in conto capitale previste per il 2026 a circa:

220 miliardi di dollari

rispetto al piano precedente di circa 200 miliardi di dollari.

La maggior parte di questa spesa è correlata a:

• Capacità dei data center AWS.
• Infrastruttura AI.
• Chip personalizzati.
• Server.
• Rete.
• Energia elettrica.
• Robotica e altre infrastrutture a lungo termine.

La lettera agli azionisti di Amazon del 2025 ha già chiarito che l'azienda non ha fatto una stima di 200 miliardi di dollari "a intuito".

Jassy ha affermato che AWS ha un ampio portafoglio di impegni dei clienti sufficiente a giustificare gran parte della costruzione infrastrutturale.

Questo crea un contrasto netto:

Amazon investe centinaia di miliardi di dollari
per espandere la capacità AI

mentre allo stesso tempo impara
come impedire a un singolo carico di lavoro AI
di sprecare milioni di dollari.

Questi due problemi non sono in contraddizione.

La capacità infrastrutturale e l'efficienza dei carichi di lavoro sono due cose diverse.

AWS sta raccogliendo ritorni concreti dal boom dell'AI

L'articolo originale sottolinea correttamente che la spesa di Amazon in AI e cloud non genera solo costi.

I risultati ufficiali di Amazon per il secondo trimestre 2026 mostrano una forte crescita di AWS.

Nel trimestre terminato il 30 giugno 2026:

Indicatore	Secondo trimestre 2026
Vendite nette totali di Amazon	200,6 miliardi di dollari
Vendite nette AWS	42,2 miliardi di dollari
Crescita vendite AWS su base annua	37%
Utile operativo totale di Amazon	27,5 miliardi di dollari
Utile operativo AWS	16,6 miliardi di dollari

Pertanto, AWS contribuisce a circa:

il 60% dell'utile operativo di Amazon

e rappresenta circa:

il 21% delle vendite nette totali

in quel trimestre.

Amazon ha inoltre dichiarato che il suo business AI e il business dei chip hanno entrambi superato un tasso di ricavi annualizzati superiore a 25 miliardi di dollari.

L'azienda ha quindi forti motivazioni economiche per continuare a spingere l'adozione dell'AI, migliorando al contempo la disciplina sui costi.

La forza lavoro di Amazon sta cambiando allo stesso tempo

La spesa per l'AI è solo un aspetto dei piani di automazione di Amazon.

L'azienda sta anche riducendo i ruoli corporate.

Nell'ottobre 2025, un report di Reuters affermava che Amazon prevedeva di eliminare fino a 30.000 posti di lavoro corporate.

Jassy ha inoltre detto ai dipendenti che l'adozione più ampia dell'AI generativa potrebbe significare meno posti di lavoro in alcune categorie e più in altre.

È importante notare che non tutti i licenziamenti di Amazon possono essere ridotti a "l'AI ha sostituito i dipendenti".

I tagli di forza lavoro nelle grandi aziende possono coinvolgere:

• Ristrutturazioni.
• Eccesso di assunzioni durante la pandemia.
• Pressioni sui costi.
• Riduzione dei livelli dirigenziali.
• Chiusura di attività.
• Automazione.
• Miglioramenti di efficienza guidati dall'AI.

Quello che è chiaro è che Amazon stessa prevede che l'AI cambierà le sue future esigenze di personale.

L'automazione dei magazzini porta la stessa logica nel mondo fisico

La fonte passa poi dall'automazione degli uffici a quella dei magazzini e della logistica.

I report basati su documenti interni di Amazon descrivono un'ambiziosa strategia robotica.

Secondo quanto riportato, l'obiettivo è automatizzare gran parte delle operazioni di magazzino nei prossimi anni, il che potrebbe consentire ad Amazon di evitare di assumere centinaia di migliaia di dipendenti aggiuntivi al crescere del volume delle spedizioni.

Una stima ampiamente riportata suggerisce che l'automazione potrebbe permettere ad Amazon di evitare:

circa 160.000 assunzioni aggiuntive di dipendenti USA entro il 2027

e oltre:

600.000 assunzioni aggiuntive entro circa il 2033

rispetto a un percorso di crescita meno automatizzato.

Queste cifre si basano su previsioni interne riportate, non su impegni pubblici di Amazon di licenziare 600.000 dipendenti esistenti.

Questa distinzione è importante.

"Evitare assunzioni future" ed "eliminare posti di lavoro esistenti" sono economicamente correlati, ma non identici.

Amazon sottolinea pubblicamente che la robotica può anche creare ruoli diversi in aree come:

• Manutenzione.
• Affidabilità.
• Ingegneria robotica.
• Supervisione dei processi.
• Operazioni tecniche.

L'impatto a lungo termine sulla forza lavoro rimane oggetto di dibattito.

L'economista Daron Acemoglu è uno dei critici più prominenti e ha avvertito che l'automazione aggressiva da parte dei grandi datori di lavoro potrebbe trasformare le aziende da creatori di occupazione su larga scala a soggetti che eliminano o evitano un numero significativo di posti di lavoro.

L'era del "più token = più AI" sta finendo

La seconda sezione principale della fonte si sposta da Amazon al più ampio comportamento della Silicon Valley: il tokenmaxxing (massimizzazione del consumo di token).

Per un certo periodo, le aziende hanno spinto l'adozione dell'AI in modo così aggressivo che l'utilizzo stesso è diventato un simbolo di status.

I manager volevano che i dipendenti:

• Usassero di più l'AI.
• Eseguissero più agenti.
• Automatizzassero più lavoro.
• Sperimentassero con coraggio.
• Creassero team più piccoli incentrati sull'AI.

In alcune organizzazioni, questo incoraggiamento si è trasformato in classifiche.

E una volta che la metrica diventa visibile, i dipendenti imparano a ottimizzare quella metrica.

Questo è un classico caso della legge di Goodhart:

Quando una misura diventa un obiettivo, cessa di essere una buona misura.

L'azienda vuole un utilizzo produttivo dell'AI.

Misura l'uso dei token perché è facile da conteggiare.

I dipendenti aumentano l'uso dei token.

I numeri salgono.

Ma la produzione efficace non aumenta necessariamente.

Amazon chiude KiroRank

Amazon aveva una classifica interna informale chiamata KiroRank.

Tracciava o classificava i dipendenti in base alle loro attività con Kiro (lo strumento di sviluppo AI di Amazon).

Secondo Business Insider e il Financial Times, alcuni dipendenti iniziarono a eseguire attività AI non necessarie per aumentare i propri punteggi.

Amazon alla fine ha chiuso la classifica.

Il vicepresidente senior Dave Treadwell ha detto ai dipendenti di non usare l'AI per il semplice gusto di usarla.

Amazon è passata a metriche più incentrate sulla produzione effettiva, incluso un indicatore chiamato deployment normalizzati (normalized deployments).

La lezione è semplice:

Consumo di token
≠
Produttività

Uno sviluppatore che usa 100 milioni di token senza consegnare nulla non è automaticamente più produttivo di uno che ne usa 5 milioni per risolvere un problema.

La classifica Claudeonomics di Meta ha creato gli stessi incentivi

Secondo quanto riportato, anche Meta ha condotto esperimenti simili.

Una classifica interna creata dai dipendenti, chiamata Claudeonomics, aggregava l'uso dell'AI di oltre 85.000 dipendenti e mostrava i primi 250 utenti.

Nei report sono comparsi titoli come:

• Leggenda dei token (Token Legend).
• Mago della cache (Cache Wizard).

Sessione Immortale.

Secondo quanto riportato da The Information, i dipendenti Meta hanno consumato decine di trilioni di token in un periodo mobile di 30 giorni.

Successivi rapporti hanno fissato il totale su base mensile a circa:

73,7 trilioni di token

Meta ha poi introdotto controlli d'uso più severi e ha istituito un AI Gateway centralizzato per la visibilità dei costi e la gestione del budget.

Questi dati si basano sulla copertura di rapporti interni, non sui bilanci pubblici di Meta.

L'articolo originale ha anche convertito i 73,7 trilioni di token in una fattura ipotetica di 221 milioni di dollari al mese.

Questa cifra non deve essere considerata l'importo effettivo fatturato a Meta.

In sostanza, è:

73,7 trilioni di token
×
3 dollari per milione di token
≈
221 milioni di dollari

Ciò presuppone che ogni token venga fatturato al prezzo di listino di un token di input.

L'utilizzo reale può coinvolgere modelli diversi, tariffe aziendali negoziate, combinazioni input/output, cache, modelli interni e accordi di piattaforma.

Il dato utile è la scala di utilizzo dei token riportata, non la conversione di fatturazione semplificata.

Uber ha esaurito in quattro mesi il budget annuale per l'AI di codifica

Anche Uber ha affrontato problemi di budget simili.

Un rapporto di giugno 2026 afferma che l'azienda ha esaurito il budget annuale per i suoi strumenti di codifica basati su agenti già nel primo trimestre.

Quattro mesi su dodici.

Successivamente, Uber ha introdotto un tetto predefinito:

1.500 dollari per dipendente
al mese
per strumento di codifica intelligente

Il tetto si applica separatamente ai seguenti strumenti:

• Claude Code.
• Cursor.

I dipendenti possono monitorare il proprio utilizzo tramite un dashboard interno e possono essere approvate eccezioni se la spesa aggiuntiva è giustificata.

Questo approccio è più simile al tradizionale FinOps cloud.

La domanda è passata da:

Quanta AI usano i dipendenti?

a:

Quanto costa questo flusso di lavoro,
e il risultato ne vale la pena?

I dirigenti Uber hanno sempre sostenuto che l'AI possa portare a significativi guadagni di efficienza.

Il cambiamento non è da "usare l'AI" a "non usare l'AI".

Ma da consumo illimitato a consumo gestito.

Anche OpenAI afferma che i costi sono diventati un "problema enorme"

I fornitori di modelli affrontano internamente le stesse problematiche economiche.

Durante un evento aziendale di giugno 2026, Sam Altman ha dichiarato che l'utente interno con il maggiore consumo di token di OpenAI utilizza circa:

100 miliardi di token al mese

Ha paragonato questa cifra a circa sei anni e mezzo fa, quando 100.000 token al mese sembravano già insolitamente alti.

Business Insider ha anche citato un articolo del New York Times secondo cui un dipendente OpenAI ha utilizzato circa:

21 miliardi di token in una settimana

Altman ha affermato che il costo è passato dall'essere un problema quasi mai menzionato dai clienti all'inizio del 2026 a diventare un:

"problema enorme"

L'ironia è evidente.

I laboratori di AI vogliono che i modelli diventino più economici, così i clienti possono usare più AI.

Man mano che i modelli diventano più economici e gli agenti più autonomi, la crescita dell'utilizzo totale può superare il calo del prezzo unitario.

Questa è una manifestazione dell'effetto Jevons:

Costo unitario inferiore
→ Maggiore utilizzo
→ La spesa totale può essere più alta

La maggior parte delle aziende non ha ancora una visione completa della propria bolletta AI

La governance dei costi è difficile perché l'uso dell'AI è distribuito ovunque.

Le aziende possono pagare per l'AI attraverso:

• API dirette.
• AWS Bedrock.
• Azure.
• Google Cloud.
• Abbonamenti SaaS.
• Agenti di codifica.
• Copilot integrati.
• Carte di spesa dipartimentali.
• Inferenza interna.
• Strumenti di workflow di terze parti.

Un rapporto del CFO del Wall Street Journal cita un sondaggio che ha rilevato che solo:

Il 26% delle aziende

ha una visione completa dei propri costi AI.

Ciò significa che molte aziende stanno cercando di ottimizzare la spesa AI prima ancora di poter attribuire in modo affidabile i costi AI.

I team finanziari possono conoscere la fattura totale del fornitore, ma non:

• Quale team l'ha generata.
• Quale applicazione l'ha generata.
• Quale workflow cliente l'ha generata.
• Quale ciclo di agenti ha causato l'impennata.
• Quanto costo ha prodotto risultati positivi.
• Quanto è spreco per tentativi.

La governance dei costi AI richiede più di una bolletta mensile

Un sistema utile di costi AI aziendali dovrebbe rispondere a domande su più livelli.

Livello 1: Chi spende?

Monitorare per:

• Dipendente.
• Team.
• Prodotto.
• Repository di codice.
• Agente.
• Ambiente.

Livello 2: Cosa consuma i costi?

Distinguere tra:

• Token di input.
• Token di output.
• Scritture in cache.
• Letture da cache.
• Chiamate a strumenti.
• Ricerche.
• Esecuzione di codice.
• Tentativi.

Livello 3: Cosa produce la spesa?

Collegare i costi a:

• Deployment.
• Ticket risolti.
• Pull request unite.
• Report.
• Consegne completate.
• Richieste clienti completate.
• Eventi di ricavo.
• Ore risparmiate.

Livello 4: Il comportamento degli agenti è normale?

Monitorare:

• Chiamate identiche ripetute.
• Loop di tentativi.
• Crescita improvvisa del contesto.
• Impennate di token.
• Sessioni inattive prolungate.
• Guasti degli strumenti.
• Attività senza progressi.

L'obiettivo non è solo ridurre i token.

Ma rilevare i token a basso valore.

Un budget migliore per gli agenti ha più livelli di protezione

Un tetto mensile in dollari è utile, ma incompleto.

Gli agenti di livello produttivo dovrebbero in genere avere più limiti impostati contemporaneamente.

Esempio:

Per attività:
  Tempo massimo di esecuzione: 30 minuti
  Numero massimo di chiamate al modello: 80
  Tentativi massimi per strumento: 3
  Costo massimo: $5

Per utente:
  Budget giornaliero: $50

Per team:
  Budget mensile: $25.000

Globale:
  Allerta anomalia quando la spesa oraria supera +100%
  Interruttore di emergenza

I valori specifici dipendono dal caso d'uso.

L'architettura è la parte fondamentale.

Un sistema fuori controllo dovrebbe colpire più barriere indipendenti prima di causare una sorpresa a sette cifre.

Perché i limiti rigidi sono essenziali per gli agenti autonomi

Il software tradizionale di solito attende nuove richieste prima di continuare a lavorare.

Un agente può creare autonomamente la sua prossima azione.

Questo cambia il modello di rischio.

Supponiamo che un agente riceva un'istruzione come:

Trova il record autore corretto e aggiorna il database.

Scopre che esiste una corrispondenza ambigua.

Cerca di nuovo.

Poi fa confrontare i candidati al modello.

Poi riprova un'API.

Poi genera nuove query di ricerca.

Poi espande il contesto.

Poi fa un loop.

Se i criteri di successo sono definiti male, il sistema può rimanere "occupato" a lungo senza diventare più corretto.

Gli agenti hanno bisogno di un concetto:

Fermati

sia per ragioni tecniche che finanziarie.

Più automazione non significa più efficienza

Il testo originale conclude citando un famoso fallimento di automazione dell'era pre-AI: Knight Capital.

L'analogia è utile perché il problema di Knight non aveva nulla a che fare con gli LLM.

Era un fallimento di software automatizzato, controllo del deployment e limitazione delle perdite.

Il 1° agosto 2012, Knight Capital ha distribuito un nuovo software di trading per il programma di liquidità al dettaglio della Borsa di New York.

Secondo la SEC, un errore di deployment ha lasciato attivo il vecchio codice su un server.

Quando il nuovo sistema è andato online, quella funzionalità dormiente ha iniziato a inviare ordini non intenzionali al mercato.

Il sistema ha operato per circa:

45 minuti

La SEC ha poi affermato che Knight ha accumulato un portafoglio titoli non intenzionale di miliardi di dollari, con perdite superiori a:

460 milioni di dollari

L'articolo cinese originale usava la cifra comune di 440 milioni di dollari. I successivi documenti di enforcement della SEC usano oltre 460 milioni di dollari, quindi questa traduzione adotta la cifra dell'ente regolatore per garantire l'accuratezza.

La lezione di Knight Capital è la mancanza di reti di sicurezza

La critica della SEC non era semplicemente che il software avesse un bug.

Il software ha sempre bug.

Fallimenti più gravi includevano:

• Processi di deployment deboli.
• Test insufficienti.
• Controlli assenti.
• Monitoraggio scarso.
• Mancanza di un meccanismo efficace di spegnimento automatico.

Il sistema di Knight esegue alla velocità della macchina.

Quella velocità è

in circostanze normali un vantaggio.

Durante un guasto, la stessa velocità amplifica il danno.

Il modello di base è quasi identico al rischio di costo degli agenti:

L'automazione funziona correttamente
→ La velocità è valore

L'automazione va in errore
→ La velocità amplifica le perdite

Gli agenti AI aggiungono una nuova funzione di perdita

Il sistema di Knight spendeva denaro direttamente tramite le operazioni.

La maggior parte degli agenti aziendali non ha accesso a un broker.

Ma hanno un contatore.

Ogni chiamata al modello può generare un costo.

Ogni strumento può avere impatti a valle.

Alcuni agenti possono anche essere autorizzati a eseguire:

• Acquisto di risorse cloud.
• Avvio di attività.
• Invio di e-mail.
• Modifica del codice.
• Distribuzione dell'infrastruttura.
• Acquisto di servizi.
• Migrazione dei dati.

Man mano che i sistemi AI acquisiscono più permessi, i loro modi di errore iniziano a somigliare sempre meno a errori di chatbot e sempre più a guasti del controllo dell'automazione.

Ecco perché la governance dell'AI deve sempre più attingere a concetti familiari nei sistemi finanziari e nell'infrastruttura cloud:

• Budget.
• Interruttori automatici.
• Limiti di velocità.
• Soglie di approvazione.
• Registri di controllo.
• Rollback.
• Interruttori di arresto di emergenza.

L'automazione amplifica successo e fallimento allo stesso modo

L'articolo originale si chiude con il principio corretto.

L'automazione promette:

• Velocità di esecuzione superiore.
• Costi unitari inferiori.
• Riduzione degli errori umani ripetitivi.
• Maggiore scala.
• Operatività 24/7.

Questi vantaggi sono reali.

Ma il sistema non amplifica selettivamente solo i comportamenti corretti.

Amplifica ugualmente:

• Ipotesi errate.
• Cicli interrotti.
• Permessi non corretti.
• Strumenti configurati male.
• Incentivi sbagliati.
• Limiti mancanti.

L'automazione più pericolosa non è necessariamente quella che crolla immediatamente.

È quella che sembra ancora produttiva mentre fallisce rapidamente, ripetutamente e in modo invisibile.

Secondo quanto riportato, il progetto Claude da 1,8 milioni di dollari di Amazon non è un motivo per smettere di usare gli agenti.

È un motivo per smettere di trattare i consumi degli agenti come un esperimento senza misurazione.

Checklist pratica per il controllo dei costi degli agenti AI

Prima della distribuzione

1. Definire chiaramente i risultati aziendali.
2. Impostare il costo massimo accettabile per ogni attività completata con successo.
3. Stimare l'uso normale di token e strumenti.
4. Stabilire limiti rigorosi per ogni attività.
5. Definire i limiti di ripetizione.
6. Impostare i timeout.
7. Richiedere l'approvazione umana per le operazioni ad alto impatto.

Durante l'esecuzione

1. Attribuire la spesa a progetti e responsabili designati.
2. Tracciare separatamente input, output, cache e costi degli strumenti.
3. Generare avvisi per crescite anomale orarie o giornaliere.
4. Rilevare chiamate ripetute e cicli bloccati.
5. Registrare sia i risultati riusciti che quelli falliti.
6. Mostrare i costi correnti agli operatori degli agenti.

Dopo l'esecuzione

1. Calcolare il costo per ogni risultato riuscito.
2. Esaminare i percorsi di esecuzione eccezionalmente costosi.
3. Confrontare i livelli dei modelli.
4. Utilizzare la cache quando appropriato.
5. Rimuovere il contesto non necessario.
6. Instradare le attività semplici verso modelli più economici.
7. Aggiornare i limiti man mano che i comportamenti cambiano.

L'obiettivo non è ridurre al minimo la bolletta a tutti i costi.

È rendere la bolletta spiegabile.

Domande frequenti

Amazon ha davvero speso 1,8 milioni di dollari sul progetto Claude?

Il Financial Times ha riportato che un progetto Amazon che utilizzava Claude Sonnet ha accumulato circa 1,8 milioni di dollari di costi, superando il budget di circa l'860%, e il problema è stato scoperto solo dopo circa cinque mesi. La cifra proviene da rapporti interni dei dipendenti, non da un rapporto pubblico sugli incidenti di Amazon.

Il progetto Amazon ha davvero utilizzato 600 miliardi di token?

Questa cifra è solo un esempio aritmetico approssimativo, basato su 1,8 milioni di dollari divisi per il prezzo di 3 dollari per milione di token di input. La quantità effettiva di token, la versione del modello, il rapporto input/output, l'uso della cache e altre spese del progetto non sono stati divulgati pubblicamente.

Qual è il prezzo attuale di Claude Sonnet?

Anthropic attualmente elenca Claude Sonnet 5 a 2 dollari per milione di token di input standard e 10 dollari per milione di token di output. Sonnet 4.6 e 4.5 sono elencati rispettivamente a 3 e 15 dollari, prezzi che non includono eventuali differenze di cache, elaborazione batch o piattaforma cloud applicabili.

Perché gli agenti AI possono diventare così costosi?

Gli agenti possono effettuare più chiamate al modello per una singola richiesta utente, riprodurre contesti di grandi dimensioni, richiamare strumenti e ritentare automaticamente le operazioni fallite. Se il flusso di lavoro entra in un ciclo o manca di una condizione di arresto, la spesa può continuare ad aumentare anche quando l'attività non produce più progressi validi.

Cos'è Amazon KiroRank?

KiroRank è, secondo quanto riportato, una classifica interna informale legata all'uso dello strumento AI Kiro di Amazon da parte dei dipendenti. Secondo quanto riportato, Amazon lo ha chiuso dopo che i dipendenti hanno iniziato a ottimizzare esclusivamente quella metrica, e i dirigenti hanno detto ai dipendenti di non usare l'AI solo per aumentare l'utilizzo.

Come dovrebbero le aziende limitare la spesa degli agenti AI?

I controlli efficaci includono: budget in dollari per attività, limiti sul numero di chiamate al modello, limiti di ripetizione, timeout, quote per utente e per team, avvisi per anomalie, attribuzione dell'uso e interruttori di arresto di emergenza. La metrica migliore è solitamente il costo per risultato aziendale riuscito, non il volume grezzo di token.

Che relazione c'è tra Knight Capital e gli agenti AI?

Knight Capital ha perso oltre 460 milioni di dollari in circa 45 minuti dopo che una distribuzione di trading automatizzato è fallita per mancanza di meccanismi di sicurezza adeguati. L'episodio illustra lo stesso principio generale: l'automazione aumenta la velocità del lavoro efficace, ma anche la velocità e la scala dei fallimenti.

Abbassare il prezzo dei token può risolvere i problemi di costo dell'AI aziendale?

Abbassare i prezzi da solo non è sufficiente. Un prezzo unitario più basso può incoraggiare un utilizzo più elevato, specialmente quando gli agenti operano in modo autonomo. Le aziende hanno comunque bisogno di visibilità, budget, instradamento, cache e misurazione basata sui risultati.

Strumenti correlati

• Prezzi di Anthropic Claude: prezzi ufficiali per i modelli Claude, cache dei prompt, elaborazione batch e sessioni degli agenti.
• Amazon Bedrock: piattaforma gestita di AWS per l'uso di Claude e altri modelli di base con controlli a livello aziendale.
• AWS Budgets: strumento AWS per definire budget e attivare avvisi quando la spesa o l'utilizzo superano le soglie.
• AWS Cost Explorer: per analizzare e attribuire la spesa AWS nel tempo.
• AWS Cost Anomaly Detection: monitoraggio automatico per identificare modelli di spesa AWS anomali.
• Kiro: l'ambiente di sviluppo AI di Amazon menzionato nei rapporti sulla classifica interna di utilizzo KiroRank.

Link correlati

• Financial Times: Amazon rileva casi AI

che portano a spese fuori controllo](https://www.ft.com/content/77baac40-d803-4084-94f3-a133653072cf): il rapporto principale sul progetto Claude da 1,8 milioni di dollari di Amazon e su altri superamenti dei costi interni.

• Risultati del secondo trimestre 2026 di Amazon: conferma ufficiale dei ricavi AWS di 42,2 miliardi di dollari e dell'utile operativo di 16,6 miliardi di dollari nel secondo trimestre, con un utile operativo totale di Amazon di 27,5 miliardi di dollari.
• [Andy Jassy su AI generativa e agenti](https://www.aboutamazon.

com/news/company-news/amazon-ceo-andy-jassy-on-generative-ai): Memo ufficiale di Amazon che descrive oltre 1.000 servizi di intelligenza artificiale generativa e le aspettative di Jassy riguardo a miliardi di agenti intelligenti in futuro.

• Prezzi di Anthropic Claude: Informazioni dettagliate sui prezzi attuali di Sonnet e sulla fatturazione basata sui token.
• SEC: Guasto di trading Knight Capital: Spiegazione dell'ente regolatore sull'incidente di trading automatico del 2012 e sulla perdita di oltre 460 milioni di dollari di Knight.
• Business Insider: Amazon chiude KiroRank: Report sulla classifica di utilizzo AI di Amazon e sull'abbandono del tokenmaxxing.
• Wall Street Journal: La metrica che i CFO faticano a tracciare: l'utilizzo dell'AI: Report sulla visibilità dei costi AI aziendali e sulla percentuale del 26% di visibilità completa.

Riepilogo

Secondo quanto riportato, un progetto Amazon che utilizzava Claude Sonnet ha accumulato una fattura di 1,8 milioni di dollari, superando il budget di circa l'860%, e ha impiegato cinque mesi per essere scoperto, senza infine essere mai messo in produzione. Questo episodio dimostra che, quando un agente intelligente può consumare ripetutamente risorse AI a consumo senza condizioni di arresto rigide, un semplice errore software può diventare straordinariamente costoso.

Amazon non sta abbandonando il campo dell'AI. AWS cresce rapidamente, l'azienda prevede spese in conto capitale di circa 220 miliardi di dollari per il 2026, e Andy Jassy descrive un futuro con miliardi di agenti intelligenti. Pertanto, la risposta ai costi fuori controllo sarà probabilmente un rafforzamento della governance dei costi, piuttosto che una riduzione dell'automazione.

La stessa trasformazione è visibile in tutta la Silicon Valley. Amazon ha chiuso KiroRank, Meta è passata dal tokenmaxxing a budget prestabiliti, Uber ha imposto un tetto mensile di 1.500 dollari per dipendente per ogni strumento di codifica, e Sam Altman ha dichiarato che anche all'interno di OpenAI i costi dell'AI sono diventati una preoccupazione significativa.

Il fallimento di Knight Capital offre una lezione senza tempo: l'automazione non amplifica solo l'efficienza. Quando i controlli sono deboli, amplifica gli errori alla stessa velocità.

La metrica AI aziendale corretta non è "quanti token abbiamo usato?" ma "quali risultati misurabili hanno prodotto questi token, e quando smettono di generare valore, cosa fa fermare il sistema?"