Agenti AI custom vs SaaS generalisti: quando scegliere una soluzione su misura

Un’azienda che oggi valuta l’adozione di un assistente intelligente si trova davanti a un bivio che sembra tecnico ma è quasi sempre organizzativo. Da una parte i SaaS generalisti, Microsoft 365 Copilot, ChatGPT Work, Gemini per Workspace, pronti in pochi giorni, con licenza per utente e nessuna infrastruttura da gestire. Dall’altra un agente costruito sui processi, sui dati e sui vincoli specifici dell’impresa. La domanda agente AI custom vs SaaS non si risolve con una tabella di feature: si risolve capendo dove sono i tuoi dati, quanto vale il tuo processo e chi risponde quando l’agente sbaglia.

Il contesto italiano rende la scelta ancora più delicata. Il mercato dell’intelligenza artificiale in Italia ha raggiunto 1,8 miliardi di euro con una crescita del 50%, ma secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano solo il 20% delle grandi imprese ha un’AI davvero pervasiva, e l’agentic AI pesa appena il 4% del mercato. Tradotto: quasi tutti hanno comprato licenze, pochissimi hanno costruito qualcosa che lavori davvero al posto loro.

Rispetto a un confronto build-vs-buy generico, qui trovi quattro cose specifiche: le soglie di pareggio del TCO con i numeri, le scadenze dell’AI Act che scattano il 2 agosto 2026, i limiti enterprise ancora aperti di MCP e i dati dell’Osservatorio sullo stato reale delle imprese italiane.

In questo articolo scoprirai:

• Agente AI custom vs SaaS: cosa cambia davvero sotto il cofano
• Dati proprietari: il criterio che decide più di ogni altro
• Compliance: dal 2 agosto 2026 la trasparenza non è più opzionale
• Integrazioni verticali: dove i SaaS generalisti si fermano
• TCO: quando conviene un agente AI custom rispetto al SaaS

Agente AI custom vs SaaS: cosa cambia davvero sotto il cofano

La differenza non sta nel modello linguistico. Un agente custom e un SaaS generalista possono usare esattamente lo stesso GPT o lo stesso Claude. La differenza sta nel contesto, nei permessi e nel perimetro d’azione.

Un SaaS generalista è progettato per essere utile a chiunque: conosce i tuoi documenti nella misura in cui vivono dentro la suite del vendor, risponde in chat, e le sue automazioni si fermano dove finisce l’ecosistema. Un agente custom parte dal problema opposto: non deve essere utile a chiunque, deve essere utile a te. Ha accesso al gestionale, al CRM, al ticketing, ai listini, alle procedure interne, e soprattutto ha un mandato ristretto e verificabile. La distinzione di fondo, uno strumento che esegue funzioni su richiesta contro un sistema che persegue un obiettivo attraverso più passaggi, è sintetizzata bene anche nel confronto di Bitsens tra agenti AI e strumenti SaaS.

Il perimetro d’azione come criterio di scelta

Qui si annida l’equivoco più costoso. Molte aziende comprano un SaaS aspettandosi un agente e ricevono un assistente conversazionale: uno strumento che aiuta la singola persona a scrivere meglio, non un sistema che chiude un ciclo di lavoro. Se hai bisogno di produttività individuale diffusa, il SaaS è la risposta giusta e più economica. Se hai bisogno che qualcosa accada, un preventivo generato, un ticket qualificato e instradato, un ordine verificato contro le scorte, allora stai parlando di un’altra categoria di prodotto. Abbiamo approfondito questa distinzione nella guida su cosa sono gli agenti AI e perché sono indispensabili per le aziende, e il confronto diretto tra un assistente generalista e un agente configurato sui processi è in ChatGPT vs Mimír AI Agent.

Vale la pena notare che il 22% delle imprese mantiene build custom interne proprio per i workflow più sensibili ai dati, mentre Copilot domina l’adozione di piattaforma con il 28%, secondo la rassegna di Digital Applied sui data point enterprise 2026. Non è un aut-aut: le due cose convivono in aziende diverse per ragioni diverse.

Copilot, ChatGPT Work e Gemini per Workspace sui quattro criteri

I tre generalisti si somigliano più di quanto ammettano, ma sui criteri che contano in questo articolo le differenze emergono. Dove stanno i dati: ciascuno àncora l’agente al proprio perimetro documentale, Microsoft 365 per Copilot, Drive e Gmail per Gemini, gli spazi di lavoro caricati per ChatGPT Work; ciò che vive fuori da quella suite resta invisibile o va importato a mano. Compliance: tutti e tre dichiarano nessun addestramento sui dati aziendali e certificazioni di sicurezza standard, con opzioni di residenza europea più mature nelle due suite che nel piano business di OpenAI; gli obblighi di trasparenza dell’AI Act verso i tuoi clienti restano comunque tuoi in tutti e tre i casi. Integrazioni: arrivano fino all’ecosistema nativo più connettori generici, e nessuno dei tre scrive nel tuo gestionale con la tua semantica. Prezzo: si collocano tutti nella fascia dei 17-30 euro per utente al mese con impegno annuale. Il confronto punto per punto con l’alternativa custom è in ChatGPT Work vs agente AI custom.

Dati proprietari: il criterio che decide più di ogni altro

La prima domanda da porsi non è “quanto costa” ma “dove finiscono i miei dati e in che forma”. Un SaaS generalista maturo oggi offre garanzie serie: Microsoft dichiara per Microsoft 365 Copilot che i dati restano cifrati, isolati e non utilizzati per l’addestramento, con supporto a GDPR, ISO/IEC 27018, EU Data Boundary e Advanced Data Residency. Non è marketing vuoto: per la maggior parte delle PMI è una garanzia sufficiente.

Il problema emerge quando i dati che contano non stanno nella suite. Il know-how di un’azienda manifatturiera vive nei disegni tecnici, nelle distinte base, nello storico delle non conformità. Quello di uno studio professionale vive in archivi documentali stratificati. Un SaaS generalista può indicizzare ciò che gli dai, ma non può ristrutturare il modo in cui quei dati sono organizzati, e la qualità di un agente dipende più dalla qualità del recupero che dal modello. È il motivo per cui la scelta dell’architettura di retrieval conta: se il tema ti è nuovo, la nostra guida su come funziona il RAG spiega perché il contesto batte quasi sempre la potenza bruta.

Sovranità del dato e residenza: quando il custom diventa obbligato

Il confronto tecnico proposto da Macha sui deployment self-hosted contro SaaS è netto: con un’infrastruttura controllata i dati possono restare interamente nella tua VPC o on-premise e sei tu a decidere le politiche di retention, mentre nel SaaS il flusso passa comunque dai sistemi del fornitore e la tutela dipende da certificazioni e clausole contrattuali. Il prezzo di questa autonomia è concreto: da mezzo a un ingegnere infrastrutturale a tempo pieno, tra i 69.000 e i 92.000 euro l’anno (75.000-100.000 dollari nella stima originale), se la gestisci da solo. È esattamente il punto in cui un partner cambia l’equazione, perché quel costo diventa un servizio condiviso invece di un’assunzione.

Compliance: dal 2 agosto 2026 la trasparenza non è più opzionale

Il quadro normativo si è mosso e molte valutazioni vendor fatte l’anno scorso sono già da aggiornare. Dal 2 agosto 2026 sono pienamente applicabili gli obblighi di trasparenza dell’articolo 50 dell’AI Act: dichiarare all’utente che sta interagendo con un sistema di AI, etichettare i contenuti sintetici, informare su riconoscimento delle emozioni e categorizzazione biometrica. Come ricostruisce Digitalic nella cronologia post-Digital Omnibus, gli obblighi sui sistemi ad alto rischio sono invece slittati al 2 dicembre 2027 per i sistemi autonomi dell’Allegato III e al 2 agosto 2028 per quelli integrati in prodotti regolamentati.

Le sanzioni non sono simboliche: fino a 15 milioni di euro o il 3% del fatturato globale per le violazioni in materia di trasparenza e alto rischio, fino a 35 milioni o il 7% per le pratiche vietate. Il rinvio non è una pausa, è tempo di preparazione: una lettura degli adempimenti concreti per imprese e professionisti è quella di Altalex su che cosa cambia davvero dal 2 agosto 2026.

Chi risponde della conformità: tu, non il vendor

Ed è qui che il confronto tra agente AI custom vs SaaS smette di essere astratto. Il fornitore SaaS è conforme come fornitore; l’obbligo di trasparenza verso i tuoi clienti, la classificazione del tuo caso d’uso e la tenuta della documentazione restano tuoi. Con un agente custom quegli obblighi si progettano dentro il sistema: log delle azioni, disclaimer nei punti di contatto, human-in-the-loop dove serve. Con un SaaS li devi costruire attorno, spesso a mano. Il dato è impietoso su questo: secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, solo il 9% delle grandi imprese italiane ha una governance AI strutturata. Se serve un inquadramento più ampio del tema, vedi il nostro approfondimento su perché la consulenza in intelligenza artificiale serve davvero.

Integrazioni verticali: dove i SaaS generalisti si fermano

Il Model Context Protocol ha cambiato le regole dell’integrazione, riducendo il problema N×M a N+M: un server costruito una volta diventa accessibile a Claude, ChatGPT e Gemini insieme, come spiega bene l’analisi di WorkOS su MCP nel 2026. L’ecosistema ha superato i mille server disponibili e il protocollo è ormai standard de facto secondo CData. Se vuoi capirne il funzionamento, abbiamo una guida completa agli MCP Server.

Ma la maturità del protocollo non coincide con la maturità enterprise. Mancano ancora audit trail standardizzati, flussi SSO integrati e autorizzazione per sessione: nella pratica i client secret statici restano diffusi in produzione, e le imprese devono costruirsi da sole osservabilità, isolamento multi-tenant e governo dei costi. CData aggiunge il rischio di tool poisoning e la necessità di controlli granulari che rispecchino i permessi già esistenti nei sistemi interni.

Perché il connettore generico non basta al processo verticale

Un connettore SaaS legge e scrive nel sistema di destinazione, ma non conosce la tua semantica: non sa che un ordine con causale “conto lavoro” non deve mai generare fattura, non sa che il cliente con codice cliente sospeso va escluso dalle offerte automatiche. Quelle regole non sono configurazione, sono conoscenza aziendale. Nessun agente le indovina: qualcuno deve scriverle. È la ragione per cui il confronto build vs buy raramente si gioca sul software e quasi sempre sul lavoro di modellazione che sta a monte, come argomentiamo in build vs buy e il lavoro di modellazione che decide la scelta.

TCO: quando conviene un agente AI custom rispetto al SaaS

Sul costo totale di possesso i numeri esistono e sono meno favorevoli al SaaS di quanto suggerisca il listino. L’analisi TCO di Tensoria stima che un SaaS costi realmente da 1,3 a 1,8 volte il prezzo di listino una volta contati setup dell’integrazione, formazione, manutenzione della configurazione e sforamenti di consumo.

Il punto di pareggio, su un orizzonte di tre anni, cade intorno ai 25-30 utenti attivi su un singolo caso d’uso, oppure a tre casi d’uso simultanei indipendentemente dal numero di utenti. Nello scenario da 10 utenti e un solo caso d’uso il SaaS vince nettamente (15.000 contro 47.300 euro); nello scenario da 100 utenti e tre casi d’uso il rapporto si ribalta (140.000 contro 72.000 euro).

I numeri di listino da cui partire

Sul lato SaaS il riferimento è pubblico, ma va riportato alla stessa valuta del resto del calcolo: Microsoft 365 Copilot Business parte da circa 17 euro per utente al mese (18 dollari come add-on in promozione, da 21), mentre Business Premium con Copilot si attesta intorno ai 29 euro (32 dollari). Sono listini Microsoft in dollari statunitensi con fatturazione annuale, qui convertiti in via indicativa: il prezzo effettivo dipende da cambio e condizioni contrattuali. Moltiplica per la tua popolazione aziendale e confronta con un progetto una tantum più un canone operativo: è un esercizio che chiunque può fare in un foglio di calcolo in mezz’ora, purché tenga tutte le voci nella stessa valuta. Per una stima più granulare del lato custom, abbiamo raccolto le voci di costo in quanto costa implementare un agente AI in azienda nel 2026.

Attenzione però al tempo: il SaaS è operativo in due-quattro settimane, il custom richiede settimane o mesi. Il TCO favorisce il SaaS per problemi generici a basso volume e il custom quando salgono volume, personalizzazione e complessità di integrazione. Il tempo perso, però, è un costo che nessuna tabella mostra.

Il rischio vero non è la tecnologia: è il progetto

Se ci fosse un solo dato da tenere a mente, sarebbe questo. Gartner prevede che oltre il 40% dei progetti di agentic AI verrà cancellato entro il 2027 per costi fuori controllo, ROI poco chiaro e fallimenti di governance, come riporta l’analisi di Beri sui dati Gartner e IDC. Gli agenti girano ventiquattr’ore su ventiquattro e generano costi di API e compute continui; senza metriche diventano esperimenti costosi senza responsabile.

Il rovescio della medaglia è altrettanto istruttivo. Dai data point enterprise 2026 raccolti da Digital Applied emerge che, tra chi arriva in produzione, l’88% registra un aumento di ricavi e l’87% una riduzione di costi; il payback mediano rilevato dalla stessa fonte è di 5,1 mesi, con punte di 3,4 mesi sugli agenti commerciali e code lunghe fino a 11,2 mesi su legale e compliance. Ma il 22% dei deployment mostra ROI negativo a dodici mesi, un dato che l’analisi di Beri riconduce non al modello, ma allo scoping sbagliato.

Osservabilità e valutazione: il blocco numero uno

Il barrier ranking dei data point enterprise 2026 di Digital Applied è chiaro: valutazione e osservabilità sono il primo ostacolo per il 64% dei decisori, seguiti da attriti di governance (57%) e affidabilità del modello (51%). Sempre secondo la stessa rilevazione, solo il 38% degli agenti in produzione esegue valutazioni automatiche a ogni modifica di prompt, e questo è l’indicatore che meglio predice la sopravvivenza nel tempo. Detto altrimenti: il fattore discriminante non è quale tecnologia compri, ma se hai un processo per accorgerti quando smette di funzionare. Il tema si intreccia con quello che abbiamo già analizzato in se l’AI generativa non genera ROI, il problema non è la tecnologia.

Quando il servizio vale più del prodotto

Arriviamo al punto che il confronto tra prodotti non riesce a catturare. In Italia il 76% delle PMI non ha investito e non prevede di investire in AI, e solo il 7% ha avviato programmi strutturati di formazione, secondo la lettura dei dati dell’Osservatorio proposta da W.Training. Non è un problema di licenze: è un problema di competenze, di processi e di cultura del dato.

Per un’azienda di quaranta persone senza un team IT dedicato, la differenza tra un progetto che funziona e uno abbandonato dopo tre mesi non è la scelta del modello. È se qualcuno ha mappato il processo prima di automatizzarlo, ha definito criteri di successo misurabili, ha formato le persone che useranno l’agente e ha impostato il monitoraggio. Nessun prodotto, custom o SaaS, porta con sé queste cose: è la tesi che sviluppiamo in perché il servizio conta più del modello, e i parametri per riconoscere chi te le porta davvero sono in 7 criteri per scegliere il partner.

Configurazione e onboarding come parte dell’offerta

È esattamente su questo che è costruita la proposta di Mimír AI Agent: non solo un agente da attivare, ma un percorso di configurazione e onboarding assistito, dalla mappatura dei processi alla messa in produzione con criteri di verifica condivisi. Il prodotto è la parte visibile; il lavoro che lo rende utile sta prima e dopo. Le fasi concrete le abbiamo descritte in onboarding agenti AI in azienda.

Matrice di decisione: SaaS, custom o ibrido

Riassumendo i criteri in una regola operativa, ecco come orientarsi.

Scegli il SaaS generalista se: la popolazione utenti è sotto la ventina, i casi d’uso sono di produttività individuale (scrittura, sintesi, ricerca documentale), i dati rilevanti vivono già nella suite del vendor, il time-to-market conta più della precisione e non hai risorse tecniche interne. In questo scenario la scelta tra Copilot, ChatGPT Work e Gemini per Workspace si decide quasi sempre sulla suite che usi già, non sulle capacità del modello.

Scegli l’agente custom se: hai tre o più processi candidati, i dati sensibili non possono uscire dal tuo perimetro, servono integrazioni con gestionali verticali o legacy, il volume di transazioni è alto e il processo è un vantaggio competitivo che non vuoi appiattire su uno standard di mercato. In questo scenario la variabile critica diventa chi costruisce e chi mantiene: con competenze di sviluppo interne il confronto è tra framework, come spieghiamo in Claude Agent SDK per PMI; senza, il tema è la scelta del fornitore, e il mercato italiano lo abbiamo mappato in partner AI in Italia.

L’opzione ibrida è quasi sempre la più realistica

Nella pratica, la configurazione che vediamo funzionare più spesso è mista: SaaS generalista per la produttività diffusa, agente custom sui due o tre processi che generano margine. Non c’è nulla di incoerente, sono strumenti che rispondono a domande diverse. Chi parte da un SaaS e scopre di aver bisogno di più troverà utile il percorso descritto in da ChatGPT Business ad agente AI custom.

Conclusione: la domanda giusta non è quale comprare

Il confronto tra agente AI custom vs SaaS generalisti si risolve raramente con una vittoria netta. I dati dicono che sotto una certa soglia di utenti e complessità il SaaS è imbattibile, e che oltre quella soglia il custom recupera in fretta; dicono anche che la maggioranza dei progetti che falliscono non falliscono per la tecnologia scelta, ma per assenza di scoping, governance e misurazione. La domanda utile, quindi, non è “quale strumento compro” ma “chi si assume la responsabilità che questo funzioni tra sei mesi”.

Se stai valutando un agente AI per la tua azienda e vuoi capire dove cade il tuo caso, SaaS, custom o una combinazione dei due, puoi confrontarti con il team di MIMIR. Partiamo sempre dai processi e dai dati reali, non dal prodotto: se la risposta giusta per te è una licenza SaaS, te lo diciamo.

Fonti:

• Osservatorio Artificial Intelligence del Politecnico di Milano
• Digital Applied sui data point enterprise 2026
• Bitsens — AI agent vs SaaS tools
• Microsoft 365 Copilot
• Macha sui deployment self-hosted contro SaaS
• Altalex — AI Act: che cosa cambia davvero dal 2 agosto 2026
• l’analisi di WorkOS su MCP nel 2026
• CData
• Tensoria
• l’analisi di Beri sui dati Gartner e IDC