Agenti AI e budget: il paradosso del 2026

Gli ingegneri di Kilo Code passano solo l’1% del tempo a scrivere codice manualmente. Il resto? Lo fanno gli agenti AI. È una trasformazione radicale che sta cambiando il modo in cui i team di sviluppo lavorano, ma porta con sé una domanda inquietante: questa automazione rappresenta davvero progresso, o stiamo semplicemente bruciando budget IT in modo più veloce?

Nel 2026, gli agenti AI per la programmazione non sono più un esperimento. Sono in produzione in aziende reali, integrati nei workflow enterprise, e stanno generando fatture salatissime. Le tre realtà che affrontano questa sfida quotidianamente — Replit, Kilo Code e Symbotic — raccontano una storia affascinante: come trasformare strumenti incredibilmente potenti (ma costosi) in un vantaggio competitivo senza farsi sommergere dai token bill.

Cosa sanno fare (e cosa no) gli agenti AI nel coding

Ecco il primo grande insegnamento: gli agenti AI sono fenomenali per una cosa, terribili per un’altra. Secondo Jared Go, distinguished engineer per AI e cloud presso Symbotic, la soluzione non è affidare tutto agli agenti, ma essere intelligenti su cosa affidare loro.

Il greenfield — cioè costruire nuove codebase da zero — è il terreno dove gli agenti AI dominano. È facile, veloce, prevedibile. Il brownfield, invece, ovvero modificare e mantenere codice esistente, è dove tutto si complica. Go racconta che il segreto è impostare criteri chiari prima di far partire l’agente: sicurezza, eleganza, codice pulito e conciso. “Se comunichi bene questi parametri, l’AI fa il grosso del lavoro, e la revisione umana diventa meno critica”, spiega Go.

A Replit, l’approccio è ancora più sofisticato. Amol Jain, head of product engineering, ha implementato un sistema dove ogni pull request riceve un risk score da parte di un agente. Le PR a basso rischio vengono auto-merge, le altre vanno a revisione umana. “L’idea è human on the loop, non human in the loop”, dice Jain. In pratica: gli umani controllano meno, ma mantengono il controllo quando conta davvero.

Un aneddoto che rende bene l’idea: un engineer di Replit non riusciva a riprodurre e risolvere un bug particolarmente ostico nel sistema. Lo ha inoltrato a un AI manager agent, che ha orchestrato una flotta di agenti specializzati. Risultato? Dopo sei ore, un PR pronto con la soluzione di un problema che aveva resistito agli umani. Potenza pura, ma richiede architetture complesse — agenti che girano in VM isolate con controllo degli accessi e token proxy per la sicurezza.

Il caos dei modelli multipli e il fantasma del lock-in

Nel 2026, affidarsi a un unico fornitore di modelli AI è diventato un rischio calcolato. I team che non vogliono rimanere intrappolati stanno spingendo verso ambienti multi-model, e i fornitori di infrastrutture stanno ascoltando.

Kilo Code supporta oltre 500 modelli diversi nel suo gateway. Il principio è semplice ma rivoluzionario: il tuo software per l’ingegneria agentiva deve essere disaccoppiato dal modello che usi per farla. Emilie Schario, co-fondatrice di Kilo Code, descrive uno scenario concreto: le aziende usano modelli frontier (i più potenti, i più costosi) per la fase di architettura di un progetto, poi passano a modelli open-weight più economici per il resto della implementazione.

Questo non è solo una questione di risparmio. Ci sono vincoli reali: alcuni provider richiedono ambienti isolati, altri hanno restrizioni geografiche, molti hanno policy diverse su retention dei dati. “Devi considerare cosa è importante per te, quali limitazioni hai stabilito, quali policy sulla conservazione dei dati, quali chiavi hai portato, quali compromessi hai fatto — tutto questo entra nella decisione di routing”, spiega Schario.

Anche Replit ha capito che ha una responsabilità qui. “Noi abbiamo una migliore visibilità dello spettro costo-capacità rispetto ai nostri clienti. Essenzialmente prendiamo decisioni per loro: quale modello usare, quando, e in che misura, per minimizzare i costi e massimizzare le capacità”, dice Jain. È una mossa intelligente, ma pone anche una domanda etica non banale: chi decide veramente?

Il budget che brucia: come fermare l’emorragia di token

Parliamo del vero problema che tiene sveglie le notti dei CTO nel 2026: i costi esplodono. Uno sviluppatore con la mano pesante può facilmente bruciare migliaia di euro in token in una settimana. Alcune aziende hanno iniziato a implementare “tokenmaxxing” — letteralmente mettere un tetto massimo al consumo di token — per evitare sorprese in fattura.

Le preoccupazioni arrivano da due fronti. Dall’interno dei team: c’è sempre l’ingegnere che usa troppi token senza ripensarci. “Ricevo fatture da 600 euro per il lavoro di un giorno, e la reazione istintiva è ‘Wow, è un sacco’. Ma bisogna guardare la quantità di lavoro completato”, racconta Schario. Dall’esterno, dai clienti arriva una domanda inquietante: “Ho accidentalmente speso il mio intero budget AI annuale… che faccio adesso?”.

La risposta di Kilo Code è metodica. Primo: usa modelli costosi per la pianificazione, poi passa a modelli open-weight per l’implementazione. Secondo: potenzia il tuo team con skills, linee guida chiare e Model Context Protocol (MCP). “Investire nella formazione del team su come usare al meglio i modelli che hanno a disposizione farà una differenza enorme”, dice Schario. Non è una soluzione magica, ma è pratica.

La domanda sottesa a tutto questo è più profonda: stiamo usando questi strumenti perché sono davvero migliori, o perché sono affascinanti e vogliamo vederli in azione? Nel 2026, la differenza tra productivity gain reale e illusione tech è sottile, e la fattura non mente mai.

Secondo me, il vero discrimine sarà tra le aziende che impareranno a governare la complessità degli agenti AI — governance, multi-model, costi — e quelle che lasceranno che la tecnologia le governi. Chi avrà la disciplina di dire “no” agli esperimenti costosi avrà vinto la partita.

Quanti team nel tuo settore stanno ancora tracciando davvero come spendono i token, e quanti stanno semplicemente accettando le fatture?

Domande frequenti

Fonte: VentureBeat