Costo agente AI fai da te: perché costruirlo in casa costa di più

Chi ha appena finito di leggere una guida ai prezzi degli agenti aziendali arriva quasi sempre alla stessa domanda: «e se me lo costruissi in casa?». È una domanda legittima, perché il listino di un modello linguistico è pubblico, si legge in trenta secondi e sembra ridicolmente basso. Il problema è che il costo agente AI fai da te non sta lì. Sta in sei voci diverse, di cui una sola compare in un listino, e le altre cinque arrivano dopo, quando il progetto è già partito e fermarlo costa più che finirlo.

Questo pezzo non serve a dire «non fatelo». Serve a mettere in fila le voci con numeri verificabili, a mostrare dove sta il punto di pareggio rispetto a un canone gestito, e a spiegare perché la parte più cara di un agente in produzione non è il software: è qualcuno che risponde quando smette di funzionare. Se cerchi il quadro generale dei prezzi di mercato, parti dalla guida ai costi di un agente aziendale; qui scomponiamo il caso specifico del fai da te. La differenza rispetto all’approfondimento sul TCO di un agente AI è il perimetro: quello misura il costo totale di un agente acquistato, questo confronta la strada interna con il canone e ne calcola il punto di pareggio.

In questo articolo scoprirai:

• Quanto costa un agente AI fai da te: le sei voci che nessuno mette a preventivo
• Costruire un agente AI gratis: cosa costa davvero il «gratis»
• Programmare agenti AI in casa: il costo delle persone, non del modello
• Quali sono i costi di un servizio di intelligenza artificiale in esercizio
• Manutenzione e aggiornamenti modello: il costo che torna ogni 12-18 mesi
• Costo agente AI fai da te contro canone gestito: dove sta il break-even
• Cosa posso fare con un agente AI quando dietro c’è un servizio e non solo un prodotto

Quanto costa un agente AI fai da te: le sei voci che nessuno mette a preventivo

Un agente in produzione consuma soldi su sei fronti contemporaneamente: token, infrastruttura, sviluppo, incident response, manutenzione e aggiornamenti modello. Il preventivo tipico del fai da te ne contiene una (i token), stima male la terza (lo sviluppo) e ignora le altre quattro. Non è malafede: è che le ultime quattro non esistono finché l’agente non è vivo, e a quel punto non sono più negoziabili.

È esattamente il motivo per cui Gartner prevede che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027, e le tre cause che indica sono, nell’ordine, costi in aumento, valore di business poco chiaro e controlli di rischio inadeguati. L’analista Anushree Verma parla esplicitamente del «costo e della complessità reali di portare gli agenti in scala», come riporta RCR Wireless: non del costo di costruirne uno. Nella stessa analisi, su migliaia di fornitori che si dichiarano «agentici», Gartner ne stima circa 130 con funzionalità genuine, segno che anche il mercato sottovaluta la distanza fra un prototipo e un sistema che regge.

Differenza tra un chatbot e un agente AI: perché il conto cambia di un ordine di grandezza

Un chatbot riceve una domanda e restituisce una risposta: una chiamata, un turno, costo prevedibile. Un agente riceve un obiettivo, decide da solo quali strumenti usare, li chiama in sequenza, valuta i risultati e riprova. Anthropic misura la differenza in modo netto: gli agenti usano circa 4 volte i token di una chat, e un sistema multi-agente ne usa circa 15 volte. Cambia anche la natura del rischio: un agente «mantiene stato attraverso molte chiamate a strumenti», e quindi gli errori si compongono invece di restare confinati in una risposta sbagliata. Se il concetto è ancora sfumato, la base è nella guida su cosa sono gli agenti AI.

Costruire un agente AI gratis: cosa costa davvero il «gratis»

La risposta onesta alla domanda «come costruire un agente AI gratis» è: il prototipo sì, quasi. I framework open source non si pagano, le chiavi API si attivano in cinque minuti e i primi crediti sono omaggio. Anche a regime, i token restano sorprendentemente economici. Il listino Claude quota Haiku 4.5 a 1 dollaro per milione di token in input e 5 in output, Sonnet 5 a 2/10 e Opus 5 a 5/25; la documentazione porta un esempio lavorato che vale più di qualunque stima: processare 10.000 ticket di assistenza costa circa 37 dollari, con una media di 3.700 token a conversazione. Il listino OpenAI è nello stesso ordine di grandezza, con GPT-5 a 1,25 dollari in input e 10 in output per milione di token e le varianti mini e nano molto sotto.

Le voci che sfuggono sono gli strumenti, non il modello: la ricerca web costa 10 dollari ogni 1.000 chiamate su entrambe le piattaforme, il file search di OpenAI aggiunge 2,50 dollari ogni 1.000 chiamate più 0,10 dollari per GB al giorno, e una sessione di code interpreter si paga a scaglioni di memoria per finestre di venti minuti. Moltiplica per il fattore 4x dell’architettura agentica e per il numero di tentativi che un agente fa prima di arrivare in fondo, e il conto mensile dei token di una PMI resta comunque nell’ordine delle poche centinaia di euro. È la voce più visibile del preventivo e quasi sempre la meno rilevante: se stai scegliendo il fornitore di inferenza sulla base del prezzo per milione di token, stai ottimizzando il 5% della spesa.

Quanto costa ChatGPT in euro rispetto all’API a consumo

La domanda «quanto costa ChatGPT in euro» confonde due cose diverse. L’abbonamento individuale è un prezzo fisso per persona e serve a far lavorare meglio una persona; l’API a consumo serve a far funzionare un sistema, e si paga a token, senza soglia. Un agente aziendale vive sull’API, quindi il confronto giusto non è «abbonamento contro abbonamento» ma «consumo variabile contro canone». Il ragionamento completo, numeri alla mano, sta nell’analisi su quando conviene l’API.

Programmare agenti AI in casa: il costo delle persone, non del modello

Qui si sposta il baricentro. In Italia nel 2026 un senior developer si colloca fra 50.000 e 70.000 euro di RAL a livello nazionale, e un profilo AI/ML engineer fra 55.000 e 80.000, con Milano e Roma sopra. Ma la RAL non è il costo: contributi INPS a carico azienda per il 30-35%, TFR al 6,9%, recruiting fra il 15% e il 25% della RAL, onboarding e formazione fra 8.000 e 15.000 euro. Il totale del primo anno, secondo l’analisi Yeeply sui costi di assunzione in Italia nel 2026, sta fra 90.000 e oltre 120.000 euro. C’è anche un costo di calendario: il tempo medio di assunzione di uno sviluppatore senior ha superato i 5 mesi, e il 35% degli annunci tech resta aperto oltre sei mesi.

A questo va applicato un secondo moltiplicatore, che è quello che quasi nessuno mette nel foglio di calcolo: la probabilità di riuscita. Lo studio MIT NANDA «The GenAI Divide», 300 iniziative censite, 52 interviste strutturate, 153 risposte di senior leader, riporta che solo il 5% degli strumenti AI aziendali custom arriva in produzione, a fronte di 30-40 miliardi di dollari spesi. E sul confronto diretto fra le due strade, la conclusione è che gli strumenti costruiti da fornitori esterni riescono il doppio delle volte rispetto a quelli interni. Tradotto in soldi: se il tuo progetto interno ha metà delle probabilità di arrivare in fondo, il costo atteso per ogni successo è il doppio del preventivo che hai firmato. Sul perché quei progetti si fermano, al di là dei numeri, c’è l’analisi su AI generativa e ROI.

Creare un agente AI con il team che hai già: il costo del tempo sottratto

L’alternativa all’assunzione è «lo fa il nostro sviluppatore nei ritagli». È l’opzione più costosa travestita da più economica, perché il costo non compare in nessuna riga di bilancio: compare come rilasci che slittano. Un agente non è un progetto che finisce, è un sistema che va presidiato, e chi lo presidia smette di fare il resto. Il conto per esteso, voce per voce, sta nell’approfondimento sul TCO di un agente AI.

Quali sono i costi di un servizio di intelligenza artificiale in esercizio

Un agente in produzione richiede un piano di osservabilità, perché senza tracce non sai perché ha risposto così. LangSmith, uno degli strumenti standard, parte da un piano gratuito con 5.000 tracce al mese e passa a 39 dollari per postazione al mese con 10.000 tracce incluse, poi consumo. Il dettaglio che pesa davvero è un altro: la ritenzione base delle tracce è di 14 giorni, e portarla a 400 giorni costa extra. Se ti serve dimostrare fra otto mesi perché l’agente ha detto una certa cosa a un cliente, quei 14 giorni sono il tuo intero archivio probatorio.

E serve eccome, perché l’affidabilità non è quella del marketing. Il benchmark TheAgentCompany della Carnegie Mellon, che simula il lavoro d’ufficio di una piccola software house, ha misurato che il modello migliore completa autonomamente il 30,3% dei compiti. Su un flusso reale significa che la supervisione umana non è una fase di rodaggio: è parte del costo operativo permanente, come spiegato nell’analisi sulla supervisione di un agente autonomo.

Incident response su un agente AI: chi risponde alle due di notte

Il debugging di un agente non somiglia al debugging di un software normale. Anthropic lo dice senza giri di parole: gli agenti sono «non deterministici anche con prompt identici», e mostrano comportamenti emergenti che nascono senza essere stati programmati. Non puoi riprodurre il bug rieseguendo la stessa richiesta.

Il costo di sbagliare, intanto, è a carico tuo. Nel caso Moffatt contro Air Canada il tribunale della British Columbia ha riconosciuto la responsabilità per negligent misrepresentation della compagnia, definendo «notevole» la tesi secondo cui il chatbot sarebbe un soggetto autonomo: l’azienda risponde di tutto ciò che compare sul proprio sito, pagina statica o agente conversazionale che sia. Nel fai da te non c’è un fornitore da cui rivalersi contrattualmente, e non c’è nessuno di turno alle due di notte se non l’ultima persona che ha toccato il codice.

Manutenzione e aggiornamenti modello: il costo che torna ogni 12-18 mesi

Questa è la voce che rende un agente fai da te un impegno ricorrente e non un investimento una tantum. La policy di ciclo di vita di Microsoft Foundry è esplicita: i modelli GA hanno una data di ritiro fissata a 18 mesi dal lancio, con un ciclo ridotto a 12 mesi per i modelli di Anthropic, DeepSeek, Fireworks e Mistral. Al ritiro ogni chiamata di inferenza restituisce un secco 410 Gone, il preavviso minimo è di 60 giorni, i deployment provisioned non vengono aggiornati automaticamente e le proroghe, testualmente, non si concedono.

Migrare un agente AI fai da te su un modello nuovo

Migrare non è cambiare una stringa nella configurazione. Significa rivalidare i prompt su dati rappresentativi, riverificare qualità, latenza e costo insieme, controllare compatibilità API e disponibilità regionale. Un dettaglio del listino Claude lo rende concreto: i modelli dalla 4.7 in poi usano un tokenizer nuovo che produce «circa il 30% di token in più per lo stesso testo». Stesso prompt, stesso lavoro, conto diverso, e un budget da rifare.

AI Act e conformità: l’altra voce fissa del fai da te

Sopra tutto questo c’è la conformità. Dal 2 agosto 2026 è applicabile il resto dell’AI Act: per i sistemi immessi sul mercato da quella data gli obblighi di trasparenza dell’articolo 50(2) sui contenuti sintetici scattano subito, mentre i sistemi già sul mercato prima del 2 agosto 2026 hanno tempo fino al 2 dicembre 2026 per adeguarsi. Documentazione, logging, sorveglianza umana e alfabetizzazione AI sono adempimenti del deployer: nel fai da te li scrivi, li mantieni e li difendi tu. Il quadro completo delle scadenze è nella guida su cosa prevede l’AI Act.

Costo agente AI fai da te contro canone gestito: dove sta il break-even

Mettiamo in fila un caso realistico, un agente di assistenza per una PMI. I token, anche con architettura agentica e traffico serio, stanno nell’ordine di 1.000-3.000 euro l’anno. Osservabilità e infrastruttura, con due o tre postazioni e ritenzione estesa, altri 2.000-4.000. Le persone sono la voce dominante: anche solo mezza persona dedicata, fra sviluppo, presidio e migrazioni, vale 45.000-60.000 euro l’anno di costo aziendale. Il modello pesa meno del 5% del totale; le persone oltre l’85%. Il perimetro completo delle voci di spesa sta nella guida su quanto costa implementare un agente AI.

Il break-even si calcola così, ed è un calcolo che puoi rifare con i tuoi numeri invece di fidarti dei miei: prendi il costo interno annuo completo, dividilo per dodici, e confrontalo con il canone che hai sul tavolo. Se il tuo conto interno è 70.000 euro, qualunque canone sotto i 5.800 euro al mese è già più economico prima ancora di considerare il rischio. Poi aggiungi il rischio: con una probabilità di riuscita dimezzata rispetto alla strada del fornitore, il costo atteso per successo del fai da te raddoppia, e la soglia di indifferenza si sposta ancora. Gli ordini di grandezza reali del mercato stanno nell’analisi su agente AI per PMI e in quella sul canone di managed service.

Qual è il miglior agente AI per un’azienda: quello che qualcuno mantiene

La domanda «qual è il miglior agente AI» ha una risposta poco romantica: non è il più capace sul benchmark, è quello che fra dodici mesi funziona ancora. Un agente costruito su un modello brillante e lasciato senza presidio diventa, a data di ritiro, un errore 410 in produzione. Il criterio di scelta è la continuità, non il picco di prestazione, e la valutazione completa sta nel confronto fra agente chiavi in mano e self-service e in quello su quando conviene esternalizzare.

Cosa posso fare con un agente AI quando dietro c’è un servizio e non solo un prodotto

Le cose che un agente AI può fare, smistare e rispondere a ticket, interrogare documentazione interna, preparare preventivi, sorvegliare scadenze, fare da primo livello su un gestionale, non dipendono granché da quale modello c’è sotto. Dipendono da quanto bene conosce il tuo contesto. Ed è precisamente il punto in cui lo studio MIT NANDA individua il fallimento dei progetti interni: non l’infrastruttura, non il talento, ma un «learning gap», sistemi che «non trattengono il feedback, non si adattano al contesto e non migliorano nel tempo».

Onboarding, SLA e audit: il costo agente AI fai da te che non sta a listino

Colmare quel divario è lavoro di servizio, non di prodotto, e non compare in nessuna voce di listino LLM. È l’onboarding: sedersi con chi fa quel lavoro oggi, capire i casi limite, portare procedure e documenti dentro l’agente, decidere dove si ferma e passa a un umano. È l’SLA: un tempo di risposta scritto quando alle due di notte qualcosa smette di funzionare. Ed è l’audit: tracce conservate abbastanza a lungo da poter spiegare, fra otto mesi, perché l’agente ha detto quella cosa a quel cliente. Su mimir.bot l’agente arriva con l’affiancamento incluso, perché un agente consegnato e lasciato solo è la definizione operativa del 95% che non arriva mai in produzione. Come funziona in pratica è descritto in cosa non include la licenza e in quanto costa l’affiancamento.

Se stai valutando di portare un agente in azienda e il conto del fai da te ti è appena diventato meno ovvio, la cosa utile da fare non è scegliere un modello: è misurare il tuo caso. Tinke accompagna le aziende in questo percorso, dalla definizione del processo giusto fino all’agente in esercizio, con l’onboarding e il presidio dentro il servizio. Una consulenza iniziale serve esattamente a capire se il tuo caso sta sopra o sotto quel break-even, anche quando la risposta è che conviene aspettare. Il metodo di valutazione, passo per passo, è descritto nella guida su agenti AI su misura.

Fonti:

• Gartner, Over 40% of Agentic AI Projects Will Be Canceled by End of 2027
• RCR Wireless, Gartner e il costo reale di portare gli agenti in scala
• MIT NANDA, The GenAI Divide: State of AI in Business 2025 (PDF)
• Virtualization Review, solo il 5% degli strumenti AI custom arriva in produzione
• Legal.io, i tool dei fornitori esterni riescono il doppio di quelli interni
• Anthropic Engineering, How we built our multi-agent research system
• Anthropic, Claude API pricing (platform.claude.com)
• OpenAI, API pricing (developers.openai.com)
• LangChain, prezzi e ritenzione tracce di LangSmith
• The Register, il benchmark TheAgentCompany della Carnegie Mellon
• Pinsent Masons, il caso Moffatt contro Air Canada e la responsabilità sui chatbot
• Microsoft Learn, policy di ritiro dei modelli in Azure AI Foundry
• AI Act, timeline di implementazione e scadenze
• Yeeply, assumere sviluppatori in Italia nel 2026: costi e tempi