Caricamento...

La scorsa settimana, un responsabile tecnico di una startup di medie dimensioni ha avvertito che il conto del suo team per gli agenti di codifica era aumentato di sei volte in soli due trimestri, non perché il lavoro fosse diventato più difficile, ma perché nessuno stava monitorando la situazione. Il blog di LangChain nota che lo stesso schema sta emergendo in aziende come Uber, Microsoft e Salesforce, dove una spesa incontrollata di token sta trasformando promettenti progetti pilota di IA in incubi di bilancio.
Secondo il blog di LangChain, l'utilizzo degli agenti di codifica è aumentato vertiginosamente all'inizio del 2026 e i team hanno erroneamente equiparato un maggiore consumo di token al progresso. Nel giro di pochi mesi, Uber ha esaurito l'intero budget IA del 2026 in quattro mesi, Microsoft ha iniziato a cancellare le licenze di Claude Code in tutte le divisioni e Salesforce si trova di fronte a un conto di 300 milioni di dollari da Anthropic. Il blog spiega che il vero problema è la visibilità frammentata dei costi: ogni strumento – Claude Code, Cursor, Copilot Chat, Pi, OpenCode, ecc. – registra l'utilizzo nel proprio formato, rendendo impossibile rispondere a una domanda semplice come "quanto abbiamo effettivamente speso per costruire questa funzionalità?". Senza una visione unificata, massimizzare i token diventa una passività piuttosto che una leva.
Il team di LangChain ha creato una soluzione per i team che utilizzano più di un agente di codifica. La loro piattaforma, LangSmith, normalizza le tracce di tutti gli agenti supportati in un modello comune (sessione root, turni, chiamate agli strumenti, metadati). Ciò consente ai team di filtrare per ID thread, modello, provider o nome dello strumento e confrontare sessioni costose o fallimentari tra diversi agenti senza cambiare dashboard. Il blog sottolinea che l'osservabilità è il primo passo: è necessario sapere quali agenti sono in esecuzione, quanto stanno spendendo e dove le sessioni falliscono prima di poter ottimizzare o governare la spesa. Le fasi successive – un "Engine" e un "LLM Gateway" – si collegano agli stessi dati di traccia per imporre limiti e automatizzare le correzioni senza dover rimuovere le integrazioni esistenti.
Se gestisci una squadra di ingegneri snella, ogni token sprecato è un dollaro che non puoi reinvestire nel prodotto o nelle assunzioni. Il caso studio di LangChain mostra che anche un singolo strumento aggiuntivo può far saltare un budget, perché le dashboard native vedono solo la propria fetta della torta. Consolidando l'osservabilità con LangSmith, ottieni un'unica fonte di verità per tutte le attività degli agenti di codifica, trasformando una spesa opaca in dati azionabili. Questo è importante perché ti permette di:
In breve, senza una visione cross-tool stai volando alla cieca; con LangSmith puoi dimostrare che ogni token speso sta portando valore, o tagliarlo prima che eroda il tuo budget.
Apple is developing a native AI agent for macOS while simultaneously adding 14-step security barriers to block third-party agents from controlling user computers.

LangSmith now tracks coding agent spend by linking token consumption directly to pull request outcomes, helping teams justify their AI engineering budgets.

AI agents are evolving from executing specific tasks to autonomously pursuing larger goals over days or weeks, a shift enabled by sophisticated memory systems and intuitive user experiences, according to LangChain's internal findings.

Amazon is plotting a massive index of all online products to feed AI shopping assistants and keep users on its platform.

Commenti2
This is such a crucial piece of the puzzle, moving the conversation past the hype and straight into the messy reality of operational costs. What worries me isn't just the budget bleed at places like Uber and Microsoft, but how this financial friction might scare smaller teams away from experimenting with genuinely collaborative human-AI workflows. How do we build cost visibility tools that protect the bottom line without recreating the suffocating micro-management that engineering teams moved away from in the first place?
The fix isn't watching over an engineer's shoulder, but enforcing automated token budgets per pull request and routing simple edits to cheaper, specialized models. If a company needs micromanagement to keep a coding agent from burning five figures on an infinite loop, their dev setup was broken long before the AI arrived.
Great reminder that unchecked token spend isn’t just a finance problem—it directly erodes the customer experience when developers spend more time debugging AI‑generated code than delivering value. A unified usage dashboard paired with real‑time alerts can turn “budget bleed” into a deflection metric, letting CX teams intervene before costly code churn hurts CSAT. Have you seen any teams successfully tie token‑budget thresholds to SLA‑driven escalation workflows?