Il primo preventivo per un chatbot aziendale arriva quasi sempre come una cifra secca. È il modo peggiore di leggere questo tipo di progetto, perché il prezzo dipende quasi interamente da cose che al momento del preventivo nessuno ha ancora guardato: quanti documenti esistono davvero, in che stato sono, chi in azienda ha il tempo di risponderne. Un chatbot aziendale personalizzato non è un software che si compra, è un percorso che si attraversa in due. Questa guida mette in fila costi, fasi e responsabilità reciproche, con i benchmark di mercato disponibili a luglio 2026.
In questo articolo scoprirai:
- Chatbot template o chatbot aziendale personalizzato: la differenza che sposta il prezzo
- Quanto costa un chatbot personalizzato: i benchmark di mercato
- I costi ricorrenti che il listino non mette in prima pagina
- Le fasi dell’onboarding di un chatbot aziendale personalizzato
- Perché l’ingestion è il vero collo di bottiglia
Chatbot template o chatbot aziendale personalizzato: la differenza che sposta il prezzo
Un chatbot template è un prodotto configurato: si carica un elenco di FAQ, si scelgono i colori, si pubblica. Funziona, entro un perimetro preciso, domande ripetitive, risposte già scritte, nessuna verità che debba essere cercata altrove. Il mercato lo riflette nei prezzi: soluzioni SaaS pronte partono da 30, 400 € al mese con go-live in 3, 7 giorni, secondo i listini pubblicati da SystemForge.
Un chatbot personalizzato risolve un problema diverso: rispondere su ciò che è vero in quella azienda. Listini con condizioni particolari, procedure interne, tempi di consegna reali, stato di un ordine. Questo richiede che il modello vada a leggere le fonti aziendali al momento della risposta, l’architettura che chiamiamo RAG (Retrieval-Augmented Generation), e non che le abbia “imparate” una volta per tutte.
Perché il confronto template vs personalizzato non è una scelta di budget
La domanda utile non è “quanto sono disposto a spendere”, ma “la risposta corretta esiste già scritta da qualche parte?”. Se sì, un template basta. Se la risposta va composta leggendo un sistema gestionale, allora nessun template ci arriverà, a qualunque prezzo. Abbiamo trattato il confronto in modo più esteso in agenti AI custom vs off-the-shelf, in quale chatbot scegliere per la tua azienda e in chatbot o chatbot AI: quali sono le differenze.
Quanto costa un chatbot personalizzato: i benchmark di mercato
Le cifre che seguono sono benchmark rilevati su vendor terzi, non tariffe Mimír, e vanno lette come ordini di grandezza. Sono anche listini commerciali, non ricerca indipendente: servono a orientarsi, non a preventivare.
Sul mercato italiano, Luca Sammarco pubblica un setup di 500, 1.500 € per un bot FAQ, 2.000, 5.000 € per un assistente di customer service integrato al CRM e 3.000, 8.000 € per un chatbot HR interno, con l’integrazione WhatsApp Business API a +800, 1.500 €. SystemForge colloca un chatbot generativo con knowledge base a 3.000, 10.000 € di sviluppo (4, 8 settimane) e un chatbot integrato all’ERP a 7.000, 22.000 € (8, 16 settimane). SOS AI indica progetti a partire da 3.500 € per uno starter monolingua, fino a oltre 50.000 € per implementazioni enterprise multi-agente.
Cosa muove davvero il prezzo di un chatbot aziendale
Tre variabili spiegano quasi tutto lo scarto tra 3.500 € e 22.000 €: il numero di sistemi da integrare, il numero di lingue e lo stato della documentazione di partenza. La terza è quella che i preventivi non riescono a stimare in anticipo, ed è anche la sola su cui il cliente ha controllo diretto. Per un quadro trasversale sui costi, vedi anche quanto costa implementare un agente AI in azienda nel 2026 e la guida ai costi 2026.
I costi ricorrenti che il listino non mette in prima pagina
La distinzione che quasi nessun competitor rende esplicita è quella tra setup una tantum e costo di esercizio. Sono due voci di bilancio diverse, con proprietari diversi in azienda, e confonderle è il modo più comune di sottostimare un progetto.
SystemForge scompone il costo operativo mensile su una baseline di 500 conversazioni: 30, 150 € di API della piattaforma di chat, 25, 120 € di consumo del modello, 20, 80 € di infrastruttura, fino a 150 € di orchestrazione, per un totale di 75, 500 € al mese. A 5.000 conversazioni mensili la stessa struttura sale a circa 500, 1.800 €. Sammarco indica canoni da 30, 80 € per un bot FAQ fino a 200, 500 € per un assistente HR, più 0,005, 0,08 € per messaggio su WhatsApp.
Manutenzione: la voce che si scopre al secondo anno
Ai costi di piattaforma si aggiungono quelli di esercizio tecnico: i benchmark di mercato collocano l’hosting in una fascia di 200, 1.000 $ al mese, le API dei modelli a 50, 300 $ e il database vettoriale a 50, 500 $, con una manutenzione annua stimabile nel 15, 20% del costo di build. Non è una tassa: è il lavoro di tenere la base di conoscenza allineata a un’azienda che cambia listini, procedure e persone. Un chatbot che nessuno aggiorna smette di essere utile in pochi mesi.
Le fasi dell’onboarding di un chatbot aziendale personalizzato
Un progetto ben condotto ha quattro momenti riconoscibili. CloudTech li articola in cinque fasi su una timeline tipica di 12 settimane, e la struttura regge bene anche su progetti più piccoli.
Discovery (settimane 1, 2). Si decide cosa il chatbot deve saper fare e, soprattutto, cosa non deve fare. È la fase in cui si scrive la lista delle domande reali, prese dalle mail e dai ticket veri, non immaginate a tavolino.
Ingestion (settimane 2, 6). Raccolta, pulizia e strutturazione delle fonti: documenti, listini, procedure, storici di assistenza. È la fase più lunga e la più sottovalutata.
Tuning (settimane 6, 10). Il bot risponde, un referente interno legge le risposte e dice quali sono sbagliate e perché. Qui si costruisce il tono e si definiscono i confini: cosa risponde da sé, cosa passa a una persona.
Go-live e osservazione (settimane 10, 12 in avanti). Pubblicazione su un canale, monitoraggio delle conversazioni, correzioni. Il lancio non è la fine del progetto: è il momento in cui inizia ad arrivare l’unico dato che conta davvero, cioè cosa chiedono le persone.
Sulle durate complessive, CloudTech misura 8, 12 settimane per una PMI con integrazioni lineari e 16, 20+ settimane per scenari con più sistemi o dati regolamentati; Alice Labs indica 6, 10 settimane per portare in produzione un’automazione focalizzata come un chatbot, lavorando con un partner specializzato.
Perché l’ingestion è il vero collo di bottiglia
Alice Labs, citando dati Gartner del 2024, riporta che la preparazione e l’integrazione dei dati assorbe il 40, 60% del tempo totale di progetto. Ertas AI alza l’asticella al 60, 80% dell’effort e aggiunge l’osservazione più utile per chi deve pianificare: chi salta le fasi di pulizia e scopre i problemi di qualità dei dati in fase di valutazione paga un ritardo complessivo 2, 4 volte superiore a chi affronta la pulizia al momento giusto.
Non è un problema esotico: CloudTech rileva che oltre il 60% dei responsabili customer service ha un arretrato di documentazione da sistemare prima di poter addestrare qualsiasi cosa. Alice Labs quantifica il vantaggio opposto: le organizzazioni con un’infrastruttura dati matura chiudono i progetti AI 2,4 volte più velocemente di quelle con dati frammentati.
Cosa deve mettere in campo l’azienda, fase per fase
Questa è la parte che i listini non scrivono. Un chatbot personalizzato richiede lavoro interno, e prevederlo è la differenza tra un progetto che chiude in tre mesi e uno che si trascina.
In discovery serve una persona che conosca il processo, non solo il reparto IT: chi risponde ogni giorno a quelle domande. Bastano poche ore, ma devono essere le ore giuste. In ingestion serve l’accesso alle fonti e qualcuno che dica quale versione di un documento è quella valida, è la richiesta che manda in stallo più progetti, perché spesso la risposta è “dipende”. In tuning serve un referente che dedichi due o tre ore a settimana a leggere le risposte del bot e correggerle: senza questo passaggio, il chatbot resta plausibile ma non affidabile. Al go-live serve una decisione su chi presidia le conversazioni escalate a un umano.
Il referente interno è un requisito, non un nice-to-have
Un solo nome, con tempo effettivamente allocato. Non un comitato. Nei progetti in cui la responsabilità interna è diffusa tra cinque persone, nessuna delle cinque legge le risposte, e il tuning si ferma. È lo stesso meccanismo che descriviamo in se l’AI generativa non genera ROI, il problema non è la tecnologia.
Perché tanti progetti muoiono dopo la proof of concept
I numeri di settore, tutti previsioni e non misurazioni, vanno in una direzione sola. Nel luglio 2024 Gartner ha previsto che almeno il 30% dei progetti di AI generativa sarebbe stato abbandonato dopo la proof of concept entro la fine del 2025, per quattro cause: scarsa qualità dei dati, controlli di rischio inadeguati, costi in crescita, valore di business poco chiaro (APMdigest).
Sulla stessa linea, un sondaggio Gartner su 248 responsabili di data management indica che il 63% delle organizzazioni non ha pratiche di gestione dei dati adeguate all’AI o non sa dire se le abbia, con la previsione che entro il 2026 il 60% dei progetti AI non supportati da dati pronti venga abbandonato (Freevacy). A giugno 2025 Gartner ha aggiunto la previsione che oltre il 40% dei progetti di AI agentica venga cancellato entro fine 2027, segnalando anche il fenomeno dell'”agent washing”: secondo la stima, solo circa 130 dei migliaia di vendor che si dichiarano agentici costruiscono davvero agenti (Forbes).
Il filo che unisce queste previsioni è che quasi nessuna causa è tecnologica. Sono cause organizzative: dati non pronti, valore non definito, nessuno che presidi il progetto dopo il lancio.
Affiancamento consulenziale: perché Mimír non è self-service
Da qui la scelta di impostazione. Mimír AI Agent non è un prodotto che si attiva con una carta di credito: l’implementazione include affiancamento nelle quattro fasi, perché la parte che fa fallire i progetti è esattamente quella che il self-service lascia al cliente.
Cosa include l’affiancamento su un chatbot aziendale personalizzato
Chi vende solo la piattaforma consegna uno strumento; il lavoro di decidere cosa deve sapere, con quali fonti e con quali confini resta interamente dentro l’azienda, spesso senza che nessuno l’abbia messo a budget. Il confronto tra i due modelli è in agente AI chiavi in mano o self-service, in ChatGPT Work vs agenti AI custom per la PMI e in ChatGPT vs Mimír AI Agent.
Incentivi 2026 per un chatbot aziendale personalizzato
Un’ultima nota sugli incentivi, perché circola ancora l’informazione sbagliata: il credito d’imposta Transizione 5.0 non è più attivo. Le domande sono chiuse e le risorse risultavano esaurite dal 6 novembre 2025 (MIMIT); dal 1° gennaio 2026 la misura è sostituita dall’iperammortamento, che agisce come maggiorazione della deduzione fiscale, +180% per investimenti fino a 2,5 milioni, e distribuisce il beneficio lungo la vita fiscale del bene invece di generare liquidità immediata (Ayming). Chi costruisce il business case su un 45% di copertura sta usando numeri scaduti.
Il consiglio operativo resta lo stesso: partire da un caso d’uso solo, sceglierlo dove la documentazione è già in ordine, e allargare dopo. Se vuoi approfondire il lato tecnico della personalizzazione, vedi come personalizzare le chat con ChatGPT e altri LLM, la guida completa a ChatGPT, gli agenti AI per il customer care e come aumentare il ROI con un chatbot WhatsApp.
Fonti:
- Gartner — Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept by End of 2025
- Gartner — Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
- Gartner — Lack of AI-Ready Data Puts AI Projects at Risk
- APMdigest — Gartner: 30% of GenAI Projects Will Be Abandoned After Proof of Concept by End of 2025
- HPCwire/BigDATAwire — Gartner Predicts 30% of Generative AI Projects Will Be Abandoned After Proof of Concept
- Freevacy — Gartner reveals 60% of AI projects with data issues will fail
- Forbes — Why 40% Of Agentic AI Projects May Be Canceled By 2027
- CloudTech — AI Customer Service Chatbot Implementation: Complete Timeline & Guide
- Alice Labs — AI Implementation Timeline: How Long Does It Actually Take?
- Ertas AI — How Long Does Enterprise AI Data Preparation Actually Take?
- Luca Sammarco — Chatbot Aziendale: Guida Completa per PMI Italiane nel 2026
- SOS AI — Quanto Costa un Chatbot AI? Prezzi 2026
- Chat4you — Quanto costa sviluppare un chatbot
Domande frequenti
Serve avere la documentazione interna già ordinata prima di partire?
Non serve che sia perfetta, ma lo stato della documentazione è la variabile che più incide su tempi e costi. La preparazione dei dati assorbe tra il 40% e l'80% del tempo di progetto secondo i benchmark di settore. Il consiglio operativo è scegliere come primo caso d'uso l'area dove le fonti sono già in ordine, e allargare dopo.
Chi resta proprietario dei dati e della base di conoscenza?
I dati aziendali e i documenti caricati restano dell'azienda: il chatbot li legge al momento della risposta tramite architettura RAG, non li assorbe in modo permanente dentro il modello. Questo è un punto da mettere per iscritto nel contratto prima di iniziare l'ingestion, insieme a dove i dati sono ospitati.
Un chatbot personalizzato si può portare via se si cambia fornitore?
Le fonti originali sì, perché sono documenti e sistemi aziendali che rimangono al loro posto. Quello che è specifico della piattaforma è il lavoro di strutturazione, gli indici vettoriali e le regole di comportamento definite in fase di tuning. Conviene chiarire in anticipo cosa è esportabile e in che formato.
Quanto lavoro interno richiede il progetto al team aziendale?
In discovery bastano poche ore di chi risponde ogni giorno a quelle domande. In ingestion serve l'accesso alle fonti e qualcuno che dica quale versione di un documento è quella valida. In tuning serve un referente che dedichi due o tre ore a settimana a leggere e correggere le risposte: è la fase in cui il lavoro interno è indispensabile.
Si può partire da un solo caso d'uso e allargare dopo?
È l'approccio consigliato. Un perimetro singolo permette di arrivare al go-live in 6-12 settimane e di raccogliere l'unico dato che conta, cioè cosa chiedono davvero le persone. Allargare dopo costa meno, perché il lavoro di strutturazione delle fonti e le regole di comportamento sono già impostati.
