Da ChatGPT Business ad agente AI custom: guida alla migrazione

Il momento in cui un’azienda capisce che ChatGPT Business non basta più raramente coincide con un guasto. Nessuno spegne nulla: semplicemente, le persone smettono di usarlo per le cose che contano. L’assistente resta ottimo per scrivere email e riassumere documenti, ma i processi che generano fatturato, preventivi, ticket, qualifica lead, riconciliazioni, continuano a girare a mano. È a quel punto che si comincia a valutare se migrare da ChatGPT Business a un agente AI custom abbia senso, e soprattutto come farlo senza fermare il team che nel frattempo ci lavora ogni giorno. Qui non affrontiamo la domanda “quale strumento scegliere”, ma quella successiva e più concreta: come si esce da un workspace già in uso senza perdere il lavoro accumulato. Questa guida ricostruisce i segnali di uscita, i numeri di costo reali, cosa si riesce davvero a portare via da un workspace OpenAI e una roadmap operativa in 90 giorni.

In questo articolo scoprirai:

• I cinque segnali che ChatGPT Business non basta più
• Quanto costa davvero: confronto onesto tra licenze e agente su misura
• Cosa si porta via e cosa resta indietro quando si lascia il workspace
• Roadmap in 90 giorni per migrare a un agente AI custom
• Dati sensibili, AI Act e governance: la parte che non si improvvisa
• Onboarding parallelo: perché serve un servizio, non solo un prodotto

I cinque segnali che ChatGPT Business non basta più

Il primo segnale è l’integrazione. I connettori nativi di ChatGPT coprono la produttività, Gmail, Google Drive, Outlook, SharePoint, Dropbox, Box, Teams, ma mancano connettori nativi per Salesforce, Jira, Confluence e ServiceNow, cioè esattamente i sistemi dove vive il lavoro operativo di un’azienda strutturata. Colmare quel vuoto richiede sviluppo su misura, e secondo l’analisi di GoSearch sui costi nascosti del piano Enterprise le integrazioni custom si collocano in una forbice tra 10.000 e 50.000 dollari. Il perimetro funzionale del prodotto è descritto nella guida completa a ChatGPT, mentre lo stato delle connessioni ai gestionali è mappato in ChatGPT e le integrazioni per i software aziendali.

Il secondo è la natura degli automatismi. Come documenta la mappatura dei connettori ChatGPT aggiornata al 2026, i task pianificati restano basati sul tempo e mai sugli eventi, con una frequenza minima di circa un’ora e un tetto di 15 task concorrenti sui workspace Enterprise. Un agente che deve reagire a un webhook, un ordine che entra, un ticket che cambia stato, non può vivere dentro quel modello.

Dati sensibili e workflow multi-step: dove si rompe il modello

Il terzo segnale riguarda i dati. Sempre secondo la stessa fonte, in modalità company knowledge le app operano in sola lettura: l’assistente cerca e cita, ma non scrive nei sistemi. Il quarto è ancora più insidioso: attivare l’Enterprise Key Management, cioè la gestione autonoma delle chiavi di cifratura che molti uffici legali richiedono, disattiva i connettori sincronizzati. Sicurezza e capacità diventano un aut-aut.

Il quinto è il workflow multi-step con stato. Un agente che deve leggere un ordine, verificare la giacenza, aprire un ticket e notificare un commerciale ha bisogno di memoria di esecuzione, retry e log per ogni passaggio, è esattamente la soglia oltre la quale si parla di agenti e non più di assistenti, come ricostruito in cosa sono gli agenti AI. La guida ingegneristica di Anthropic sugli agenti efficaci è esplicita nel raccomandare la soluzione più semplice possibile, ma altrettanto chiara nel definire quando serve un agente vero: quando il numero di passi non è prevedibile in anticipo e non si può cablare un percorso fisso. Se riconosci due di questi cinque segnali su un processo ad alto volume, la valutazione va aperta. Abbiamo trattato la scelta a monte in agenti AI custom vs off-the-shelf e nel confronto tra ChatGPT Work e un agente AI custom.

Quanto costa davvero: confronto onesto tra licenze e agente su misura

OpenAI non pubblica listini per il tier alto, quindi ogni cifra circolante è una stima di mercato, non un listino ufficiale. Le ricostruzioni convergono: l’analisi dei contratti Enterprise 2026 colloca il prezzo attorno ai 60 dollari per utente al mese, con un minimo pratico di circa 150 postazioni e impegno annuale, cioè un pavimento intorno ai 108.000 dollari l’anno. Per dare un ordine di grandezza a un lettore che ragiona in euro: si parla di circa 55 euro per utente al mese e circa 100.000 euro l’anno ai cambi correnti, cifre indicative, derivate da stime di mercato e non da un listino pubblicato. Il piano Business si muove su un ordine di grandezza diverso, circa 20-25 dollari per utente al mese, con minimo di due postazioni, ed è lì che sta la maggior parte delle PMI italiane.

Il costo per postazione è il punto di partenza, non il tetto. L’accesso via API è fatturato separatamente rispetto alle licenze, il consumo di strumenti come Codex è a consumo oltre la soglia inclusa, e alle integrazioni su misura si aggiungono i costi di manutenzione. Su un deployment realistico da 200 postazioni la stessa fonte indica una spesa annua tra 160.000 e 230.000 dollari tutto compreso.

La domanda giusta non è “quanto costa” ma “cosa cresce con cosa”

La licenza scala con le teste; un agente custom scala con i processi. Un’azienda di 300 persone in cui l’AI serve davvero a venti operatori paga trecento postazioni per farne lavorare venti. Un agente su misura, al contrario, ha un costo di costruzione iniziale più visibile e poi un costo marginale che segue i volumi elaborati, non l’organigramma.

Il criterio operativo è semplice: quando la fee annuale delle licenze supera il costo marginale dell’agente sui processi che contano davvero, la migrazione ha già senso economico. È la stessa soglia identificata nella guida operativa alla migrazione da piattaforma AI ad agente custom, che aggiunge due condizioni non economiche: quando la piattaforma non espone via API i dati e gli audit trail necessari alla conformità, e quando il fornitore cambia roadmap o prezzi su processi ormai strategici. Il ragionamento sul ritorno lo abbiamo sviluppato in se l’AI generativa non genera ROI, il problema non è la tecnologia, mentre le voci di spesa di un progetto su misura sono dettagliate nella guida a costi e onboarding di un chatbot aziendale personalizzato.

Cosa si porta via e cosa resta indietro quando si lascia il workspace

Qui sta la parte che quasi nessuno verifica prima di firmare, e che poi costa settimane. Il lock-in reale non è contrattuale: è la quantità di lavoro accumulato che non esce in formato riutilizzabile.

Sono sei gli artefatti da testare in esportazione prima di decidere qualsiasi cosa: prompt e istruzioni, definizioni dei workflow, mappature delle integrazioni, dati storici delle transazioni, log decisionali e regole di escalation verso gli operatori umani. La formula da tenere a mente è che ogni elemento che non esce pulito è il vero lock-in, perché diventa ricostruzione manuale a carico del progetto nuovo.

Nella pratica, prompt e istruzioni dei GPT si recuperano quasi sempre: sono testo, e chi li ha scritti li ha in genere già versionati altrove. I file caricati nelle knowledge base si riscaricano. Ciò che tipicamente non segue sono le configurazioni delle azioni, gli scope OAuth concessi ai connettori e, soprattutto, la cronologia delle conversazioni operative, che è il dataset più prezioso per capire cosa gli utenti chiedono davvero.

L’importazione funziona meglio in entrata che in uscita

Vale la pena notare l’asimmetria. La documentazione OpenAI sull’importazione da altri agenti descrive un percorso ricco in ingresso, file di istruzioni, skill, plugin, configurazioni di server MCP, progetti, cronologia recente, e specifica che l’importazione non altera la configurazione dell’agente di origine. In uscita, invece, non esiste un percorso simmetrico verso sistemi esterni: l’export resta a livello di dati e conversazioni, non di logica applicativa. Chi migra deve mettere a budget la ricostruzione della logica, non solo il travaso dei contenuti.

La buona notizia è che il Model Context Protocol riduce il problema per il futuro. La documentazione ufficiale di MCP lo descrive come una porta USB-C per le applicazioni AI: un modo standard di collegare modelli a dati, strumenti e workflow. Se le integrazioni sono esposte come server MCP, restano riutilizzabili qualunque sia il modello a valle. Abbiamo spiegato l’architettura nella guida al Model Context Protocol, e il funzionamento del recupero documentale nella guida al RAG.

Roadmap in 90 giorni per migrare a un agente AI custom

La migrazione non è un interruttore. Il metodo che regge alla prova dei fatti è quello a doppio binario: l’agente nuovo nasce accanto al sistema esistente e lo sostituisce solo dopo aver dimostrato di fare meglio, misurato su numeri concordati prima. Quella che segue è uno schema di riferimento, la scansione temporale va tarata sul volume e sulla criticità del processo scelto, non applicata alla lettera.

Giorni 1-30: baseline e un solo processo

Si sceglie un unico processo ad alto volume e si misura com’è oggi: tempo per pratica, volume mensile, costo pieno, tasso di errore, punti di escalation. Senza questa baseline non esiste un criterio oggettivo di cutover e la discussione finisce nelle opinioni. In parallelo si testa l’esportabilità dei sei artefatti e si mappano i sistemi da collegare. Un solo processo, non tre: la dispersione è la prima causa di progetti che si arenano.

Giorni 31-60: shadow mode

L’agente custom riceve gli stessi trigger del sistema in produzione ed elabora tutto, ma non compie azioni verso l’esterno: scrive i suoi output in un log che gli operatori confrontano con quello che avrebbero fatto loro. È la fase in cui emergono i casi limite veri, il cliente che scrive in dialetto, l’allegato illeggibile, l’ordine con due codici articolo. Il team continua a lavorare esattamente come prima: nessuna interruzione, nessun rischio.

Giorni 61-90: cutover graduale e hypercare

Quando l’agente supera stabilmente la baseline su una fascia di casi, quella fascia passa in produzione. Un flusso per volta, con la piattaforma precedente attiva come rete di sicurezza e rollback disponibile. Segue una finestra di circa 30 giorni di hypercare, con monitoraggio ravvicinato e correzioni rapide. Le licenze si riducono solo alla fine, quando i numeri lo giustificano, non prima, per non trasformare un risparmio anticipato in un blocco operativo.

Dati sensibili, AI Act e governance: la parte che non si improvvisa

Molte migrazioni non partono dai costi ma dal legale. Il calendario europeo è preciso: secondo la timeline ufficiale di applicazione dell’AI Act, dal 2 febbraio 2025 si applicano i divieti e gli obblighi di alfabetizzazione AI, dal 2 agosto 2025 le regole su modelli general purpose, governance e sanzioni, e dal 2 agosto 2026 si applica la maggior parte del regolamento, con l’articolo 6(1) sui sistemi ad alto rischio rinviato al 2 agosto 2027.

Tradotto in pratica: chi usa AI su processi che toccano persone, selezione, credito, valutazioni, deve poter dimostrare cosa ha deciso il sistema, su quali dati e con quale supervisione umana. Un assistente generalista produce log utili all’amministratore, ma non necessariamente un audit trail esportabile e interrogabile a livello di singola decisione di processo.

C’è poi il tema dell’isolamento dei dati. I piani business di OpenAI dichiarano di non addestrare i modelli sui dati aziendali per impostazione predefinita, e le certificazioni ci sono. Ma il perimetro resta quello del fornitore: dove risiedono i dati, quali sub-processori intervengono, quanto sono granulari i permessi rispetto ai ruoli aziendali. Un agente custom permette di decidere questi parametri invece di accettarli, e di applicare i permessi esistenti dei sistemi di origine invece di ricrearli in un secondo luogo. Il tema dell’isolamento e della personalizzazione è approfondito in come personalizzare le chat aziendali con ChatGPT e altri LLM.

Onboarding parallelo: perché serve un servizio, non solo un prodotto

Il dato che dovrebbe orientare ogni decisione arriva da Gartner: oltre il 40% dei progetti di AI agentica sarà cancellato entro fine 2027, per costi in escalation, valore di business non definito e controlli di rischio inadeguati. La capacità del modello non compare tra le cause. La stessa analisi stima che solo un centinaio abbondante di fornitori nel mondo costruisca davvero sistemi che meritino il nome di agente: il resto è rietichettatura di chatbot e automazioni.

È qui che si vede la differenza tra comprare un prodotto e ingaggiare un partner. Le tre cause di fallimento indicate da Gartner sono tutte organizzative, e nessuna licenza le risolve. Servono un perimetro stretto, una metrica concordata prima, e qualcuno che stia accanto agli operatori nelle settimane in cui l’agente sbaglia ancora, perché all’inizio sbaglia sempre.

In Mimír l’onboarding funziona in parallelo per questo motivo: il team continua a lavorare con gli strumenti che già usa mentre l’agente viene addestrato sui documenti, sui processi e sul linguaggio dell’azienda, e il passaggio avviene per flussi, non in blocco. Non vendiamo un accesso e poi auguriamo buona fortuna: seguiamo la messa a terra, la misurazione e le correzioni. Il perimetro della piattaforma è descritto in Mimír AI Agent e il confronto diretto in ChatGPT vs Mimír AI Agent.

Quando invece conviene restare dove sei

Non tutte le aziende devono migrare, e dirlo fa parte del mestiere. Quando l’uso dell’AI è assistivo e trasversale, scrittura, sintesi, ricerca interna, e nessun processo critico dipende da azioni automatiche verso i gestionali, la licenza resta la scelta economicamente più sana: si paga uno strumento maturo senza assumersi il costo di costruirne uno. Il criterio di valutazione per le realtà più piccole è approfondito in ChatGPT Work vs agenti AI custom per la PMI.

Se stai valutando questo passaggio e vuoi capire se il tuo caso giustifica un agente su misura o se ti conviene restare sulle licenze ancora un anno, parlarne con chi ha già fatto migrazioni simili accorcia molto il percorso. Puoi scriverci da mimir.bot per una consulenza: partiamo sempre dai tuoi processi e dai tuoi numeri, non da una demo.

Fonti:

• GoSearch — costi nascosti e tier di prezzo di ChatGPT Enterprise
• Carly — mappatura dei connettori ChatGPT aggiornata al 2026
• Anthropic — guida ingegneristica alla costruzione di agenti efficaci
• AI Agents Square — analisi dei contratti ChatGPT Enterprise 2026
• Soraia — build vs buy: migrare da piattaforma AI ad agente custom
• OpenAI — documentazione sull’importazione da altri agenti
• Model Context Protocol — documentazione ufficiale
• AI Act — timeline ufficiale di applicazione del regolamento
• Gartner — oltre il 40% dei progetti di AI agentica sarà cancellato entro fine 2027