**Pagina About** del sito **tokeneconomics.com**, che presenta la **Tokenomics Foundation** — un progetto **Linux Foundation** annunciato il **3 giugno 2026**, gestito in **stretta collaborazione con la FinOps Foundation**. **Missione dichiarata**: *"establish open industry standards, benchmarks, and best practices for the economics of AI infrastructure"* — che collega **produzione, consumo e monetizzazione** dei token al **valore di business**. **Definizione quadro della tokenomics**: *"Tokenomics is not just about the cost of tokens, it's about the entire layer of AI that they drive from production, to consumption to monetization"* — ossia **l'intero strato economico dell'IA**, dal costo dell'infrastruttura alla selezione del modello fino all'ottimizzazione del valore. **Tesi delle fasi**: l'adozione iniziale dell'IA privilegiava la **capacità**; la fase attuale si sposta verso **efficienza e valore**, il che richiede una gestione sistematica dei costi e **visibilità**. **5 principi fondatori**: (1) ***"Efficiency is a design choice. AI cost is shaped by architecture, not just usage"***; (2) ***"Bigger is not always better. The best AI system is not always the one using the most expensive model"*** (right-tool / routing); (3) ***"Visibility comes before optimisation. Teams cannot manage what they cannot see"***; (4) ***"Value matters more than volume. More tokens, more calls, and more automation do not automatically mean better outcomes"***; (5) ***"Open knowledge benefits everyone"*** (standard condivisi, apprendimento collettivo, trasparenza). **Governance**: un **Governing Board** (direzione industriale + allocazione dei fondi) e un **Technical Committee** (specifiche aperte + benchmark). **Deliverable**: estensione della **FOCUS specification** (FinOps), specifiche aperte, benchmark, framework e metriche condivisi. **Pubblico target**: CAIO, CTO, CIO, CFO, ingegneri, team di prodotto, professionisti FinOps, ricercatori, startup, imprese, settore pubblico. **Obiettivo dichiarato**: portare le organizzazioni *"from experimental AI adoption to sustainable AI operations"* estendendo la disciplina della **spesa tecnologica variabile** all'era dei token. **Rilevanza per questa rassegna**: istituzionalizzazione/standardizzazione del **FinOps agentico** a livello di fondazione di settore — converge direttamente con le schede [[finops-foundation-finops-for-ai-overview-2026-02-17]], [[finout-finops-ai-agents-four-step-allocation-framework-2026-04-27]], orq-ai-finops-ai-agents-cost-per-outcome-hosseini-2026-04-15, gupta-token-budget-wars-marginal-token-utility-2026-05-28 (livello di allocazione, token verso outcome) e con lo spostamento **token → outcome** (Salesforce/Tallapragada, Sierra/Greenwald). I 5 principi corrispondono esattamente alle leve già rilevate: architettura > uso, **routing Haiku/Sonnet/Opus**, osservabilità prima dell'ottimizzazione, valore ≠ volume.
#Tokenomics Foundation#tokenomics#economia dei token
**Tokenomics Foundation** (entité collective, projet de **The Linux Foundation**, en partenariat avec la **FinOps Foundation**). Page institutionnelle *About* — **aucun auteur individuel nommé**. Annonce datée du **3 juin 2026**.
Post dal **Dropbox Tech blog** (sezione *culture*), pubblicato il **28 maggio 2026** da **Kazuaki Okumura** (Dropbox, ruolo non specificato nell'articolo), che riprende un intervento alla conferenza **DX Annual 2026** (developer productivity). **Tesi centrale**: la produttività ingegneristica deve andare oltre la *code generation*. *« Accelerating code generation simply shifted some bottlenecks downstream »* — l'IA ha aumentato in modo massiccio il throughput di codice, ma *« the faster code moves, the more pressure it puts on review queues, CI systems, validation workflows, release coordination, and production operations »*. La vera sfida non è più scrivere codice più velocemente, ma consentire all'intero SDLC di **assorbire, validare e spedire in sicurezza** un volume molto maggiore. **Dal copilot all'agente**: la prima ondata (spiegazione del codice, snippet, Q&A) operava *« as copilots alongside the engineer »*; l'agente, invece, *« can take a scoped task, inspect the codebase, edit files, run tests, iterate on failures, and return an artifact for human review »* — con l'ingegnere che resta *« accountable for intent, architecture, quality, and release decisions »* (più lavoro in parallelo, più opzioni, delega dell'esecuzione ripetitiva). **Nova** = piattaforma **interna** di agenti di coding di Dropbox: descrivere un compito in linguaggio naturale, esecuzione in un ambiente controllato con contesto del codebase. Dato canonico: ***« Nova's value comes less from the model itself than the systems surrounding it »*** (contesto del codebase, pratiche interne, esecuzione sicura, integrazione nei workflow, revisione umana); Nova rappresenta oggi **~1 PR su 12 in Dropbox** (adozione in crescita), e si estende oltre le feature a **migrazioni, risoluzione di flaky test, investigazione di bug, aggiornamento di dipendenze** (lavoro ad alto toil). **Misurare la velocità di prodotto, non l'output di codice**: il *PR throughput*, segnale utile quando il vincolo era la velocità di coding, *« was no longer sufficient »*. Un modello di misurazione a **4 fasi**: ***Fuel*** (gli strumenti IA vengono usati?) → ***Adoption*** (come cambiano i workflow nei team) → ***Output*** (l'IA contribuisce al lavoro in produzione?) → ***Impact*** (*« improving product velocity and reducing the time it takes to move from idea to customer value »*). Segnali di qualità monitorati: **tempo di turnaround della code review, tasso di successo dei test al primo run, defect ratio, rework rate**. *« Quality and trust matter as much as speed »* — il cuore del cambiamento: *« moving from local activity metrics toward broader system outcomes »*. **Anche i workflow devono evolvere**: non si tratta *« just a tooling shift »* ma di un cambiamento di **modello operativo** — il ruolo dell'ingegnere si sposta verso *« defining intent, mapping problems, reviewing generated changes, and making higher-context architectural and quality decisions »*. L'**enablement** è cruciale quanto lo strumento stesso (apprendimento pratico, hackathon, workflow spotlight, bootcamp, esempi guidati dai pari); l'adozione procede a velocità diverse nei team; *« The goal is not to force every workflow through an agent »* — l'obiettivo è renderlo *« useful, safe, measurable, and repeatable where it creates meaningful leverage »*. **Cosa abbiamo imparato**: ***« AI doesn't eliminate bottlenecks in software development, but it does move them »*** (a valle: review, validazione, testing, release, prod ops) → ottimizzare il vecchio collo di bottiglia non genera più la stessa leva. *« The advantage will not come from access to the same foundation models everyone else can use. It will come from the systems built around those models: context, internal tooling, quality controls, and the workflows that connect them together. »* La pressione si accumula anche **a monte** (prodotto e design): specifiche strutturate, chiarezza di design, definizione più netta dei problemi. Chiusura: ***« The future of engineering productivity will not be defined solely by who has the best models. It will be defined by who builds the best systems around them »***; *« The real challenge is no longer just generating more code, but building engineering systems that can reliably turn AI-assisted output into valuable experiences for our customers »*. Convergenza diretta con **Salesforce/Tallapragada** (Effective Output: misurare il valore, non il volume; nessun trade-off velocità/qualità), **Gupta** (attribuzione token-to-outcome, costo di un outcome completato), **DORA** (oltre il throughput), e lo spostamento del KPI verso l'**outcome di sistema** (idea→valore per il cliente).
**Kazuaki Okumura** — Dropbox (rôle non précisé dans l'article ; le billet reprend une intervention présentée à la conférence **DX Annual 2026** sur la productivité développeur, ce qui suggère un profil engineering leadership / platform, sans confirmation). Publié sur le **Dropbox Tech blog** (dropbox.tech) · rubrique *culture* · le **28 mai 2026**.
Thread X virale (**230.5K visualizzazioni**, 28 maggio 2026, 1:51 AM) di **Jaya Gupta** (@JayaGup10, investitrice — probabilmente Foundation Capital, autrice del framework *Context Graphs*) intitolato ***"Token Budget Wars"***. **Tesi cardine**: ***"Enterprise AI has moved from adoption to allocation"*** — la fase 1 dell'IA enterprise ha dimostrato che i modelli funzionano; la fase 2 deciderà **quanto di quel lavoro vale la pena**. La nuova valuta al vertice dell'impresa è la **capacità di quantificare il ROI dell'IA**: *"show me the value"*. Concetto canonico: ***marginal token utility*** = *"the business value created by each additional dollar of inference"* — il numero che conta su larga scala, e che **la maggior parte delle aziende non riesce a vedere**. Cronologia: **Claude è stato rilasciato a novembre 2025**, dopo che i budget annuali 2026 erano già bloccati → già nel **Q1**, aziende *"running multiples ahead of plan"* → l'inferenza smette di essere una voce di spesa sperimentale e diventa un **costo operativo ricorrente**. Passaggio da **sperimentazione (qualche centinaio di migliaia di $) → infrastruttura (sette cifre, $1M+)**: su scala infrastrutturale, **la varianza tecnica produce oscillazioni materiali di conto economico — due esecuzioni dello stesso workflow sullo stesso input possono differire di 5-10× nel costo in token** senza che nulla sembri visibilmente rotto, *"a number the CFO has to explain to the CEO"*. **L'IA compete con il lavoro**: 3 tipi di richieste di budget (sostituire lavoro esternalizzato / sostituire lavoro interno / generare ricavi) → spostamento verso il ***costo di un risultato completato*** (costo per ticket risolto, sinistro elaborato, contratto revisionato, fattura completata, assunzione evitata, cliente trattenuto, dollaro di ricavo mosso). **Il BPO = il benchmark più facile a cui confrontarsi** (già prezzato in unità completate); il lavoro interno è molto più difficile (dipendenti multi-competenza, guadagni diffusi, resistenza delle risorse umane alla riduzione dell'organico). **Perché è diverso dal SaaS**: il SaaS ha imparato a trattare l'utilizzo come proxy del valore; l'IA rompe questo proxy — *"the signal and the noise share the same unit"* (il token), *"SaaS usage told you the software had been adopted. AI usage tells you the meter is running. It doesn't tell you whether your company is cooking."* **Tre cause dell'invisibilità della marginal token utility**: (1) ***retry tails*** — token per workflow risolto ≈ **T/p**; passare dal 90% al 70% di completamento aumenta il costo effettivo di circa il **28%**, non il 20%, perché i fallimenti si compongono; (2) ***context inflation*** — il costo di inferenza è ≈ **O(n²)** rispetto alla lunghezza del contesto (attenzione), raddoppiare il contesto **quadruplica** il costo di ragionamento (over-retrieval: 50 documenti quando ne basterebbero 5); (3) ***routing*** — di default si usa il modello più potente (una classificazione di base eseguita su un modello di ragionamento complesso); su milioni di chiamate, la differenza tra instradare i compiti semplici verso un modello piccolo e inviare tutto al modello di frontiera = *"the difference between a manageable bill and a board-level problem."* **Divisione settoriale**: le aziende **software** = un problema di **misurazione della produttività** (già strumentato: PR, commit, deploy, incidenti, cycle time, MTTR — traccia gli *"AI layoffs"*); le aziende **non software** = un problema di **trasformazione** (lavoro operativo: sinistri, underwriting, supporto, revisioni di conformità, eccezioni nella supply chain, contestazioni di pagamento — *right under audit, not just right on average*). **Il livello mancante = attribuzione token-risultato**: uno strato di conversione che collega spesa di inferenza → lavoro svolto → risultato di business, rispondendo a 3 domande (costo reale includendo retry/correzioni; quali parti della traccia contavano rispetto al thrashing; il lavoro ha cambiato il modello operativo). ***La misurazione diventa memoria***: collegare un token a un risultato richiede di catturare **tracce decisionali** (cosa l'agente ha visto, recuperato, chiamato, ignorato, dove ha ritentato, quando un umano ha annullato) — *"decision rationale is one of the most perishable assets in a company"* (vive in Slack, email, chiamate di escalation, teste delle persone). Gli agenti **creano** queste tracce; catturate anzitutto per giustificare la spesa, diventano *"more valuable than the cost report"* → un **context graph** (*"although I am so tired of that word these days"*). **Il livello di allocazione è il premio**: chi possiede l'attribuzione token-risultato prende le **decisioni di allocazione** (quali workflow meritano più capacità di calcolo, quali sono limitati, quali passano a modelli più economici, quali restano umani, quali sostituiscono il BPO). Le aziende non lo faranno da sole — lo **compreranno come una trasformazione** (playbook Fortune 500: alumni di McKinsey + Palantir + CEO top-down, sul modello di ERP/BI/trasformazione digitale, un *"programma"* con uno sponsor esecutivo e un'infrastruttura che diventa la **nuova fonte di verità**). Inquadrato da **Charlie Munger**: *"show me the incentive and I will show you the outcome."* Sottotesi organizzativa: l'istinto manageriale vecchio di decenni secondo cui *grandi team = grandi incarichi/perimetro/potere* → una volta che l'intelligenza diventa la **risorsa scarsa**, il nuovo indicatore è *"how much of it you're orchestrating."* Rilevanza diretta per il **posizionamento Cost Optimization / agentic FinOps**: conferma empiricamente le leve (model routing, prompt caching, context hygiene, sub-agent) e sposta il KPI verso il **costo per risultato completato**. Forte convergenza con il *cross-system labor* di Bain (moat sui dati di esecuzione, Cursor), *No AI jobpocalypse* di Ng (pricing ancorato allo stipendio del dipendente sostituito), DORA ROI (costo per feature), Mensch/Mistral (elettrone→token), Ensarguet (economia del calcolo), *Context Graphs* di Foundation Capital (tracce decisionali, stessa autrice), *Token Burning* di Wescale, BFM/Girard (token = carburante di valore).
**Jaya Gupta** (@JayaGup10) — investisseuse / VC. Très probablement **Foundation Capital** (le thread s'auto-réfère au cadre ***Context Graphs*** — *« ahem, context graph, although I am so tired of that word these days »* — concept porté par Foundation Capital, cf. fiche `bain-100b-saas-opportunity` qui cite *Foundation Capital — Context Graphs trillion-dollar opportunity, 2025-12-22*). Thread publié sur X le **28 mai 2026 à 1h51** · **230 · 5K vues** · format essai long en un seul post. Une réponse notable de **@tuning_engines** (*« DevSecFinOps for the Agentic Era »*) : *« Tokens will basically have to be managed like headcount […] model hierarchies too »*.
Post ufficiale sul blog **Salesforce News** (sezione *Agentic Enterprise*, serie *"Pioneering the Agentic Shift Within Salesforce Engineering"*), pubblicato il **27 maggio 2026** (lettura di 6 minuti) da **Srinivas "Srini" Tallapragada**, *President and Chief Engineering and Customer Success Officer* di Salesforce. Seguito diretto di un post precedente (*"How we got our engineers to use AI — without breaking everything"*) che raccontava il superamento del **90% di adozione**. **Tesi di svolta**: Salesforce Engineering è passata da un mondo in cui l'IA era un utile *copilot* a uno in cui **gli strumenti agentici guidano lo stesso ciclo di vita dello sviluppo software (SDLC)** — scrivendo codice, revisionando PR, generando test, aggiornando la documentazione, gestendo i deployment, coordinando lavoro un tempo affidato a passaggi di consegne umani. **Decisione segnale canonica**: standardizzazione a livello aziendale su **Claude Code** + ***"abbiamo rimosso tutti i limiti di token"*** — *"eliminare ogni ultimo attrito tra i nostri ingegneri e gli strumenti che li rendono più veloci ed efficaci"*. **Risultato empirico principale** (aprile 2026 vs aprile 2025): work item completati per sviluppatore **+50,8%**, PR mergiate per sviluppatore **+79%**, e soprattutto **Effective Output score** (una misura ML del **valore reale del codice consegnato**, non del volume) **+151,3% su base annua**. **Caso d'uso di punta**: migrazione di **33 endpoint API** verso un'architettura cloud-native, stimata in **~231 person-day** (7 per API) col metodo tradizionale, completata in **13 giorni — 18× più veloce** — tramite un **framework basato su regole costruito in Claude** (file markdown + implementazioni di riferimento), con il feedback delle PR continuamente reintegrato nel set di regole, **cicli LLM autonomi (build, fix, validate)** senza intervento manuale, parallelizzati su ambienti isolati → **5 PR**, la più grande delle quali con **21 endpoint e copertura test al 100%**. **Nessun compromesso velocità↔qualità**: attraverso la piattaforma **Engineering 360** (che centralizza i dati di ingegneria di centinaia di sistemi), **il totale degli incidenti scende del 5%** nonostante l'aumento delle PR (*"la qualità non soffre della velocità. Ne beneficia"*), grazie a **guardrail di sicurezza e standard di qualità incorporati strutturalmente** nel workflow agentico (Trust come valore numero 1). **Revisione dell'SDLC**: una volta adottata l'IA, gli ingegneri **smontano e ricostruiscono** i workflow (quali processi eliminare? quali passaggi di consegne sono ormai superflui? dove un umano svolge ancora un lavoro che un agente potrebbe assumere?). **Nuovo mestiere ingegneristico**: le **Claude Code skills** (capacità impacchettate e riutilizzabili che codificano il contesto del team, le convenzioni di naming, i pattern) diventano un **artefatto ingegneristico** condiviso e componibile; **AI Expert Suite** + **Salesforce Foundation Plugins** = una libreria di skill istituzionalizzata e curata (benchmark interno: **maggiore accuratezza e affidabilità, costo superfluo ridotto**); **subagent e team di agenti** parallelizzano i flussi di lavoro (*"Descrivono il risultato, e un insieme di agenti coordinati individua i passaggi"*). **Ciò che resta difficile**: (1) la **gestione del contesto** nelle sessioni lunghe — la **qualità dei file CLAUDE.md** varia ampiamente e pesa fortemente sulla qualità dell'output; (2) la **sicurezza agentica** = un modello radicalmente diverso (agenti che *agiscono*, non solo *suggeriscono* → raggio d'impatto aumentato); (3) **ruoli in evoluzione** (come diventano senior i junior se l'IA assorbe il lavoro entry-level? ruolo del designer/PM? l'unità di esecuzione = team scrum → sperimentazioni con unità da 1 o 3 persone). Conclusione: *"Ha cambiato ciò che era economicamente possibile"*; l'ambizione dichiarata è **"l'SDLC più automatizzato e agentico del settore"**. Si interseca direttamente con Gupta (*costo di un outcome completato*, utilità marginale del token), Greenwald/Sierra (pricing basato sui risultati), DORA (ROI / costo per feature) e il dibattito BFM/Girard (il token come carburante di valore, non un costo da tagliare).
#SDLC agentico#agentic SDLC#Claude Code
**Srinivas « Srini » Tallapragada** — *President and Chief Engineering and Customer Success Officer* de **Salesforce**. Plus d'une décennie chez Salesforce · dirige l'ingénierie mondiale de la plateforme unifiée. Auteur de la série *Agentic Enterprise* sur le blog Salesforce News ; ce billet (27 mai 2026) est la **suite** d'un premier opus consacré à l'adoption de l'IA par les milliers d'ingénieurs Salesforce (*« How we got our engineers to use AI — without breaking everything »*). Position d'autorité = **dirigeant exécutif** parlant en son nom et au nom d'une organisation d'ingénierie à grande échelle (donnée terrain à l'échelle d'un hyperscaler SaaS) · avec accès aux métriques internes (Engineering 360, Effective Output).
FinOps per Agenti AI: un Framework di Allocazione in Quattro Passaggi per i Costi degli Assistenti di Coding (Claude Code, Cursor, Copilot) e Perché il Tagging Cloud Tradizionale Fallisce - Finout
#FinOps agentico#allocazione dei costi#assistenti di coding
FinOps per agenti AI incentrato sul "costo per risultato": perché il FinOps tradizionale fallisce di fronte al comportamento a runtime, guardrail, osservabilità comportamentale e un ciclo di vita in 4 fasi - Orq.ai