Progetto AI per PMI: Costruire, SaaS o Esternalizzare? Calcola i Costi Nascosti Prima
Il primo progetto AI per la tua PMI: costruire, acquistare SaaS o esternalizzare? Analizziamo i costi nascosti di dati, integrazione e manutenzione per una scelta solida, andando oltre il solo prezzo del modello.
Quando un titolare di PMI considera seriamente l’intelligenza artificiale per la prima volta, spesso non è colpito dalla tecnologia, ma confuso dai preventivi: un fornitore di software propone un sistema pronto all’uso con abbonamento annuale (SaaS); un fornitore di servizi di outsourcing presenta un preventivo significativamente più alto; altri suggeriscono di assumere personale per lo sviluppo interno. Ogni approccio ha le sue ragioni, ma le argomentazioni di vendita non ti diranno dove si trovano i veri costi. Il mio giudizio è diretto: la maggior parte delle PMI non ha bisogno di costruire modelli da zero; ciò che determina il successo o il fallimento sono tre categorie di costi facilmente trascurabili: preparazione dei dati, integrazione di sistema e manutenzione a lungo termine.
Questo non significa che il modello non sia importante, ma che la capacità del modello non è più una risorsa scarsa. Un sondaggio pubblicato da Gartner nel 2026 ha rilevato che solo il 22% delle organizzazioni riesce a scalare con successo l’AI in più unità aziendali, e l’85% dei responsabili funzionali prevede di aumentare gli investimenti. Gli investimenti aumentano, ma la scalabilità è rara, il che indica che il problema di solito non risiede nel modello stesso, ma nel lavoro di supporto che lo circonda. Anche un rapporto di ricerca della China Academy of Information and Communications Technology (Rapporto di ricerca sullo sviluppo di alta qualità delle PMI abilitate dall’intelligenza artificiale 2026) ha classificato l’applicazione dell’AI nelle PMI come “fase iniziale di applicazione su larga scala”, con investimenti reali che rimangono cauti.
Distinguiamo tra “costruire un modello” e “costruire un’applicazione”
Molte discussioni confondono questi due concetti. “Costruire un modello” significa addestrare un modello AI di grandi dimensioni da zero; “costruire un’applicazione” significa utilizzare le API di modelli esistenti per creare un’interfaccia personalizzata e connetterla ai propri dati aziendali. Il primo è come costruire una centrale elettrica, il secondo è come acquistare elettricità e collegare i cavi.
Acquistare elettricità non è costoso. Prendendo ad esempio un modello di generazione di testo dalla pagina pubblica dei prezzi di Alibaba Cloud Bailian, il prezzo unitario di input è di 1,65 dollari per milione di Token, e il prezzo unitario di output è di 4,951 dollari per milione di Token. Un Token è l’unità di misura utilizzata dai modelli AI per elaborare il testo; un pezzo di testo viene suddiviso in molti Token e il modello addebita in base al numero di Token. Questo livello di prezzo significa che la semplice chiamata al modello di solito non rappresenta la voce di costo principale in un progetto per PMI.
Pertanto, i titolari di aziende non devono essere spaventati dal concetto di “costruire un modello” né farsi fuorviare dall’idea che “i modelli siano molto costosi”. La vera decisione da prendere è: a quale processo aziendale intendi collegare l’AI, se i dati esistenti sono sufficienti, se i sistemi possono essere interconnessi e chi si occuperà della manutenzione futura. I tre costi seguenti sono la chiave.
Costo Nascosto Uno: Preparazione dei dati, spesso più costosa del software stesso
Immagina un’officina meccanica che vuole utilizzare l’AI per organizzare automaticamente le richieste dei clienti e i preventivi. Durante la dimostrazione, il venditore utilizza alcuni PDF standard che l’AI legge con ottimi risultati. Dopo il lancio, però, si scopre che i preventivi storici sono sparsi tra fogli Excel, chat di WhatsApp e scansioni cartacee; lo stesso cliente a volte è scritto con il nome completo, a volte con un’abbreviazione; lo stesso prodotto ha tre nomi diversi nel sistema. L’AI non è incapace di elaborare, ma di fronte a dati originali inconsistenti, i risultati prodotti sono inaffidabili.
Trasformare questi dati in qualcosa che l’AI possa utilizzare in modo stabile implica la “preparazione dei dati”. La preparazione dei dati include almeno tre cose: unificare i formati, completare i campi mancanti e unificare le regole aziendali. Ad esempio, il nome del cliente, il codice prodotto, la valuta, la data devono essere inseriti in campi fissi, il che in gergo tecnico si chiama “dati strutturati”. Questo lavoro spesso richiede la partecipazione del personale aziendale per il giudizio, non può essere lasciato solo all’IT, e ancor meno solo a un fornitore esterno.
Molti titolari di aziende pensano che una volta acquistata l’AI, questa possa essere utilizzata direttamente, ma in realtà stanno posticipando il costo della preparazione dei dati a metà progetto. Il carico di lavoro che emerge in questa fase è solitamente superiore al costo dell’abbonamento al software e logora maggiormente la pazienza del team. È simile al problema delle basi di conoscenza aziendali inutilizzate: senza un meccanismo di manutenzione a lungo termine, i dati, una volta organizzati, torneranno a essere disordinati. Per i meccanismi correlati, puoi consultare Base di conoscenza aziendale inutilizzata? Controlla questi tre meccanismi.
Costo Nascosto Due: Integrazione di sistema, non basta installare un plugin
L’AI non è una semplice chatbox web. Per generare valore aziendale, spesso deve interfacciarsi con i sistemi esistenti. L’ERP è un sistema di pianificazione delle risorse aziendali che gestisce ordini, acquisti e finanza; il MES è un sistema di esecuzione della produzione che gestisce l’esecuzione della produzione in officina; il CRM è un sistema di gestione delle relazioni con i clienti che gestisce clienti e follow-up delle vendite.
Immagina una piccola fabbrica che si prepara a implementare il controllo qualità AI: dopo che il modello identifica un difetto, deve leggere i parametri in tempo reale dell’attrezzatura, scrivere i risultati nel MES e richiamare diverse regole di giudizio in base al modello del prodotto. Se l’attrezzatura non ha API aperte, o il fornitore del MES non collabora nell’aprire le autorizzazioni, anche se l’accuratezza del modello è elevata, non potrà essere implementato sulla linea di produzione.
I dati pubblici mostrano anche che l’integrazione è il principale ostacolo. Un sondaggio Gartner del 2025 ha rilevato che il 48% dei responsabili delle infrastrutture e delle operazioni ha elencato la difficoltà di integrazione come la sfida principale nell’adozione dell’AI, e il 50% ha menzionato la mancanza di budget. L’integrazione è costosa perché implica la gestione delle autorizzazioni, la sincronizzazione dei dati, la gestione delle eccezioni e i confini di sicurezza, non è una semplice installazione di un plugin.
Questo è coerente con il mio giudizio sulla digitalizzazione delle piccole fabbriche: i costi di integrazione dei sistemi devono essere calcolati in anticipo, non dopo il lancio. Per i calcoli correlati, puoi consultare Digitalizzazione PMI manifatturiere: non correre sul MES, calcola prima questi tre costi.
Costo Nascosto Tre: Manutenzione a lungo termine, funzionare il primo anno non significa funzionare per sempre
Un progetto AI non termina con la consegna. I modelli cambiano versione, i processi aziendali si adattano, i dipendenti cambiano, la conoscenza diventa obsoleta. Un sistema che sembra funzionare bene il primo anno potrebbe bloccarsi negli anni successivi a causa di una modifica dell’interfaccia o di un cambiamento nel formato dei dati.
Nello stesso sondaggio Gartner del 2026, c’è un confronto degno di nota: le aziende ad alte prestazioni monitorano continuamente il ROI dei progetti AI, e l’81% dei loro progetti riporta un ROI positivo; mentre tra le aziende a basse prestazioni, il 29% dei progetti AI non conosce il proprio tasso di ritorno. Questa differenza dimostra che la capacità di gestire in modo continuativo è più importante del fatto che la prima versione sia stata completata con successo.
Le tre strategie hanno forme di manutenzione diverse. Il SaaS comporta rinnovi annuali, aggiornamenti di versione, limiti all’esportazione dei dati; dopo la consegna di un progetto in outsourcing, se nessuno in azienda ne assume la gestione, le modifiche successive possono essere molto problematiche; un’applicazione sviluppata internamente non ha costi di abbonamento, ma dipende da singoli dipendenti, e dopo il loro licenziamento il sistema può diventare una “scatola nera” che nessuno osa toccare.
Quindi, quando si confrontano i preventivi, non guardare solo il primo anno. Includi i costi di manutenzione successiva, di ulteriore sviluppo e il tempo di coordinamento interno, solo così i tre costi nascosti saranno completi.
Come scegliere: il mio giudizio
Il mio giudizio è: la maggior parte delle PMI dovrebbe seguire la regola “acquista per usi generici, personalizza per il core, costruisci solo con capacità dati interne”.
Per scenari generici e non core, acquista prima un SaaS. Ad esempio, l’organizzazione di verbali di riunione, lo screening iniziale del servizio clienti generico, la traduzione e la rifinitura di descrizioni di prodotti. La chiave non è quanto sia potente la sua funzione, ma quanto sia facile importare ed esportare i dati, per non bloccare i dati all’interno del sistema.
Per scenari core e altamente standardizzati, scegli prioritariamente un SaaS integrabile. Includi l’apertura delle API, le autorizzazioni chiare e l’esportabilità dei dati nelle condizioni di acquisto, invece di fidarti di una semplice frase di vendita come “supportiamo tutto”.
Per scenari core e differenziati, che richiedono un legame profondo con i tuoi dati aziendali, considera l’outsourcing personalizzato. In questo caso, non limitarti a richiedere “accuratezza”, ma includi nel contratto indicatori aziendali verificabili. Puoi fare riferimento a Contratti AI in outsourcing: non limitarti all’accuratezza, scrivi queste 4 metriche.
Lo sviluppo di un’applicazione completamente interna dovrebbe essere considerato solo se l’azienda dispone già di responsabili IT e dati interni e se è disposta a investire a lungo termine. Anche in questo caso, non si dovrebbe costruire un modello da zero; l’utilizzo di API di modelli esistenti è già sufficiente.
Di fronte a qualsiasi preventivo, chiedi solo tre cose: la preparazione dei dati è inclusa? L’integrazione di sistema è inclusa? Come vengono addebitati la manutenzione e le modifiche negli anni successivi?
Cosa non ho ancora chiaro
Questo giudizio potrebbe non essere valido in alcune situazioni. Se un’azienda ha una base dati molto standardizzata, API di sistema aperte e un responsabile della digitalizzazione dedicato, i tre costi nascosti si ridurranno notevolmente, e l’acquisto di un SaaS o persino lo sviluppo interno saranno molto più agevoli. Se il budget è molto limitato e l’obiettivo è solo un piccolo compito una tantum, qualsiasi soluzione sistemica potrebbe essere superflua. Se il settore ha requisiti di conformità dei dati estremamente rigorosi, l’implementazione on-premise potrebbe diventare un vincolo, e la scelta tra SaaS e modelli cloud pubblici sarebbe costretta a cambiare.
Ciò che non ho ancora completamente chiaro è se il miglioramento futuro delle capacità dei modelli ridurrà significativamente le barriere alla preparazione dei dati e all’integrazione dei sistemi. Dalle informazioni pubbliche attuali, i progressi dei modelli nell’elaborazione di testo e codice sono rapidi, ma i confini delle autorizzazioni interne all’azienda, le regole aziendali e l’affidabilità dei dati richiedono ancora l’intervento umano per essere definiti. È molto probabile che tra qualche anno questo giudizio dovrà essere rivisto, ma sulla base dei materiali pubblici del 2026, le PMI non dovrebbero puntare i loro investimenti sull’idea che “se il modello diventa un po’ più potente, non sarà più necessario preparare i dati”.
Riferimenti
- Prezzi dei modelli Alibaba Cloud Bailian - Piattaforma di servizi per modelli di grandi dimensioni Bailian - Alibaba Cloud
- Un sondaggio Gartner rileva che solo il 22% delle organizzazioni ha scalato con successo l’AI in più unità aziendali
- Rapporto di ricerca sullo sviluppo di alta qualità delle PMI abilitate dall’intelligenza artificiale (2026): L’applicazione dell’AI nelle PMI è in una fase iniziale di scalabilità, quattro modelli tipici di abilitazione (centri di abilitazione AI domestici, piattaforme verticali di settore, servizi MaaS, servizi open source) promuovono la diffusione su larga scala – Analisi del settore Smart City
- Un sondaggio Gartner rileva che il 54% dei responsabili delle infrastrutture e delle operazioni sta adottando l’AI per ridurre i costi
- AI per PMI
- Costi AI
- SaaS aziendale
- Digitalizzazione PMI
- Outsourcing IT