Managed service agenti AI: quando conviene esternalizzare al partner

Chi cerca managed service agenti AI di solito ha già superato la fase dell’entusiasmo. Ha visto una demo funzionare, magari ha portato un prototipo davanti al comitato direzionale, e adesso si trova davanti alla domanda che nessuna demo risolve: chi tiene in piedi questa cosa nei prossimi due anni? Perché un agente AI non è un software che si installa e si dimentica. È un sistema che dipende da modelli che cambiano ogni pochi mesi, da prompt che si degradano quando cambia il processo aziendale, da integrazioni che si rompono quando il CRM viene aggiornato, e da regole di comportamento che vanno riviste ogni volta che il perimetro normativo si muove.

La scelta, ridotta all’osso, è tra due modelli: tenere tutto in casa, team interno, API dei fornitori di modelli, strumenti open source, oppure affidare la gestione continua a un partner. Se quello che ti serve è capire quale modello di ingaggio scegliere, la risposta sta in agente AI chiavi in mano o self-service; qui facciamo un’altra cosa: mettiamo il conto sui 24 mesi e guardiamo cosa succede nei verticali regolamentati, dove la voce di costo che decide non è la fee ma la produzione delle prove. Questo articolo mette i due modelli uno accanto all’altro con una stima di costo totale su 24 mesi, e prova a dire quando conviene l’uno e quando l’altro, in base a dimensione dell’azienda, verticale e maturità del team tecnico.

In questo articolo scoprirai:

• Cosa significa “managed service” quando si parla di agenti AI
• Self-managed: cosa resta in casa se gestisci l’agente da solo
• Cosa fa concretamente un partner in un managed service per agenti AI
• TCO su 24 mesi: self-managed e managed service a confronto
• Quando conviene esternalizzare la gestione dell’agente e quando no
• Perché nei verticali regolamentati il servizio pesa di più
• Cosa non esternalizzare mai, nemmeno con un managed service

Cosa significa “managed service” quando si parla di agenti AI

La prima confusione da sciogliere è terminologica, e non è un dettaglio: sul mercato la stessa parola indica tre cose diverse, con implicazioni di costo e responsabilità molto distanti fra loro.

Livello 1, la piattaforma gestita. È quello che vendono i grandi cloud provider. La documentazione di Microsoft Foundry Agent Service è esplicita nel descrivere cosa la piattaforma toglie dal tavolo: runtime, autoscaling, endpoint stabile, identità dedicata per ogni agente, tracing end-to-end, content filter. Nella loro stessa tabella comparativa, però, la voce “runtime code to maintain” per gli agenti con codice proprio dice “Yes, your agent logic”. La piattaforma gestita ti solleva dall’infrastruttura, non dal lavoro. Chi decide cosa l’agente può fare, chi misura se sta rispondendo bene, chi aggiorna le istruzioni quando il processo cambia: resta tuo.

Livello 2, l’agente ospitato dal vendor del modello. Anche Anthropic distingue le due cose nella documentazione del Claude Agent SDK: l’SDK esegue l’agent loop dentro il tuo processo, mentre i Managed Agents sono un prodotto separato in cui «Anthropic runs the agent and the sandbox». Utile, ma è gestione dell’esecuzione: nessuno dei due ti dice se l’agente sta facendo bene il tuo lavoro, un confine che abbiamo sviluppato parlando di Claude Agent SDK per PMI e di quando serve un partner.

Il livello di managed service che risponde del risultato

Livello 3, il managed service vero e proprio. Qui il perimetro è un altro: un partner si assume l’onboarding, la configurazione dei guardrail, il monitoraggio degli esiti, l’aggiornamento del modello quando ne esce uno migliore, la revisione periodica dei prompt e la responsabilità di dirti quando qualcosa non funziona più. È la differenza fra affittare la sala macchine e avere qualcuno che guida la nave. Se il tema del confine fra prodotto e servizio ti interessa, lo abbiamo affrontato in modo più ampio parlando di perché nell’AI enterprise il servizio conta più del modello.

Self-managed: cosa resta in casa se gestisci l’agente da solo

L’approccio self-managed è legittimo e in alcuni casi è la scelta giusta. Ma va valutato per quello che è davvero, non per la versione ottimistica del business plan. Gli strumenti per costruire un agente sono ottimi e in gran parte gratuiti: framework open source, SDK maturi, server MCP per collegare gli strumenti aziendali. Il costo non è nella costruzione, è in ciò che viene dopo.

Le attività continuative che qualcuno deve svolgere, ogni mese, sono queste: mantenere un set di valutazione con casi reali e rilanciarlo a ogni modifica; tenere un registro versionato di prompt e policy; leggere i log per capire dove l’agente ha sbagliato e perché; aggiornare le integrazioni quando cambiano le API a monte; rivalutare il modello quando ne escono di nuovi; gestire i permessi sugli strumenti che l’agente può usare; presidiare gli incidenti. La guida TCO di SearchUnify quantifica un pezzo solo di questa lista, il tuning dei prompt, in 10-20 ore al mese di test e aggiornamenti, per un singolo agente in produzione.

Non è un lavoro che si può appoggiare “al 10% del tempo” di uno sviluppatore già pieno. È la ragione principale per cui i progetti si fermano dopo il pilota, un fenomeno che abbiamo scomposto in le quattro cause per cui i POC si bloccano.

Quanto costa in Italia il team che gestisce agenti AI internamente

I numeri italiani aiutano a dimensionare. Secondo la rilevazione di Uninform Group su dati Glassdoor e LinkedIn Salary, un AI engineer junior in Italia si colloca fra 32.000 e 50.000 euro di RAL, un mid-level intorno ai 55.000 e un senior con specializzazione su LLM e AI generativa fra 70.000 e 85.000 euro. Il dato medio di mercato riportato da Glassdoor Italia per il ruolo si aggira sui 34.000 euro, ma è una media schiacciata dai profili junior: chi cerca la persona in grado di presidiare un agente in produzione compete sulla fascia alta, e con il costo azienda pieno il conto sale di un ulteriore 35-40%. Aggiungi il rischio di turnover su un profilo che oggi riceve offerte ogni settimana, e il tempo di ricerca: sei-nove mesi non sono un’anomalia.

Cosa fa concretamente un partner in un managed service per agenti AI

Un managed service serio non è un contratto di assistenza con un numero verde. Si riconosce da cosa contiene, e le voci sono quattro.

L’onboarding strutturato. È la fase in cui si decide se il progetto vivrà: mappatura del processo, scelta di dove l’agente interviene e dove no, preparazione della base di conoscenza, definizione dei casi in cui deve fermarsi e passare a un umano. SearchUnify segnala che la preparazione dei dati assorbe il 60-75% dello sforzo totale di un’iniziativa AI, ed è la voce che viene sistematicamente sottostimata nei preventivi fai-da-te. Abbiamo raccontato come si struttura questa fase in onboarding agenti AI in azienda e, in versione settimana per settimana, in cosa fa il partner nei primi 30 giorni.

I guardrail e il perimetro di autonomia. Quali strumenti l’agente può invocare, con quali credenziali, entro quali soglie, con quale escalation. È lavoro di configurazione e di revisione periodica, non un interruttore.

Monitoraggio degli esiti e aggiornamento continuo dell’agente

Il monitoraggio degli esiti, non solo dell’uptime. Un agente può essere disponibile al 99,9% e sbagliare il 20% delle risposte. Servono metriche di qualità, campionamento umano, confronto con la baseline.

L’aggiornamento continuo. Nuovi modelli, nuovi prezzi, nuove capacità: qualcuno deve valutare se conviene migrare, testare la regressione e farlo senza rompere il processo. È il tema che approfondiamo in manutenzione degli agenti AI post-deployment.

È esattamente il modello con cui lavoriamo in MIMIR: un onboarding accompagnato e poi una gestione continua dell’agente, perché la nostra esperienza dice che il valore non si crea alla consegna, si crea nei mesi in cui l’agente resta allineato al processo che deve servire. Se stai valutando fornitori, i criteri per distinguerli sono raccolti in come scegliere il partner AI giusto in Italia e nei 7 criteri per le PMI.

TCO su 24 mesi: self-managed e managed service a confronto

Quello che segue non è un preventivo: è una ricostruzione di ordini di grandezza per un’azienda italiana mid-market con un agente in produzione su un processo singolo (assistenza clienti di primo livello, gestione documentale o pre-vendita), su un orizzonte di 24 mesi. Sul costo del solo accesso ai modelli abbiamo pubblicato un’analisi dedicata su quando le API di Claude convengono rispetto all’abbonamento.

Da dove vengono questi numeri. La riga del personale è calcolata sulle RAL italiane rilevate da Uninform Group, maggiorate del costo azienda pieno (35-40%) e moltiplicate per la frazione di FTE indicata. La riga del tuning e della manutenzione evolutiva combina le 10-20 ore al mese di test e aggiornamenti stimate da SearchUnify con l’accantonamento annuo del 20-30% del costo di build indicato da Symphonize. La fascia alta del build, quella che si raggiunge nei verticali regolamentati, segue le stime di Cleveroad per gli agenti domain-specific.

Due voci, invece, non hanno una fonte pubblica dietro e vanno

Due voci, invece, non hanno una fonte pubblica dietro e vanno lette come stime di ordine di grandezza costruite sulla nostra esperienza di mercato: la fee di gestione continuativa e la spesa per modelli e token. La prima dipende dal contratto e dal perimetro di servizio, la seconda dai volumi effettivi e dal modello scelto. Se il tuo caso si discosta, sono le prime due righe da rifare con i tuoi dati.

Due letture vanno fatte con onestà. La prima: la forbice del self-managed è governata da una sola voce, il personale, e chi ha già in casa un team che presidia sistemi ML paga quel costo una volta per molti progetti, non per uno. La seconda: sopra i tre-quattro agenti in produzione, con un team maturo, il self-managed ammortizza e la convenienza si inverte. Il managed service non è più economico per definizione, è più economico finché l’agente è uno, due o tre, e finché il costo fisso di una competenza interna non ha nulla su cui distribuirsi.

Le voci di TCO che i business case dimenticano sempre

Tre numeri ricorrono nelle analisi internazionali e servono da correttivo. Symphonize indica di accantonare ogni anno il 20-30% del costo di build per la sola manutenzione di un agente costruito in casa; Agxntsix colloca la manutenzione dei modelli fra il 15% e il 30% sopra i costi di sviluppo e riporta che circa l’85% delle organizzazioni sbaglia la stima dei costi di un progetto AI custom di oltre il 10%; l’integrazione con i sistemi esistenti, sempre secondo la stessa analisi, agisce come moltiplicatore 2-3x sul costo di implementazione previsto. I valori assoluti americani sono più alti dei nostri e riflettono un mercato diverso, le proporzioni, quelle sì, si trasferiscono.

Quando conviene esternalizzare la gestione dell’agente e quando no

La dimensione dell’azienda conta meno della maturità del team, ma è il primo filtro utile.

Sotto i 50 dipendenti, il managed service è quasi sempre la scelta razionale: non esiste un business case che giustifichi l’assunzione di un profilo senior AI per presidiare un agente, e il fai-da-te finisce inevitabilmente sulle spalle della persona più competente in azienda, che ha già un altro lavoro. Cosa aspettarsi in questa fascia lo abbiamo dettagliato in consulenza agenti AI per PMI.

Fra 50 e 500 dipendenti si apre lo spazio del modello ibrido, ed è dove si commettono più errori. La forma che funziona: il partner gestisce l’agente e trasferisce competenza, l’azienda mantiene un referente interno che conosce il processo e legge i report. La forma che non funziona: dividere la responsabilità operativa a metà, perché quando qualcosa si rompe nessuno dei due è il proprietario del problema.

Sopra i 500, la domanda cambia di natura: non più “chi lo gestisce” ma “quanti agenti avremo fra due anni”. Con un portafoglio di casi d’uso in crescita, la competenza interna va costruita comunque, e il partner serve sull’onboarding dei primi casi e sui verticali critici.

Il test delle tre domande prima di firmare

Jurgen Appelo, in un’analisi che rifiuta la cornice classica del build vs buy, propone di ragionare per strati anziché in blocco: «rent the compute, keep the receipts». Le tre domande da porsi su ogni componente sono: puoi osservare cosa accade quando fallisce? Puoi migrare la conoscenza accumulata in meno di 30 giorni? Un regolatore o un auditor ti chiederà provenance e controllo? Se la risposta è no, quello strato deve restare tuo, qualunque sia il modello di gestione scelto per tutto il resto.

Farma, legale e finance: perché nei verticali regolamentati il servizio pesa di più

Nei settori regolamentati il calcolo del TCO cambia di forma, perché si aggiunge una voce che nel fai-da-te viene quasi sempre omessa: la produzione e la manutenzione delle prove. Non basta che l’agente funzioni, deve essere dimostrabile che funziona come dichiarato, con tracciabilità delle decisioni e documentazione aggiornata.

AI Act e managed service: le scadenze che spostano il calcolo

Il quadro normativo europeo si è mosso di recente e in modo non lineare. Come ricostruisce Digitalic, dal 2 agosto 2026 sono esigibili gli obblighi di trasparenza dell’articolo 50 dell’AI Act, l’utente deve sapere che sta interagendo con un sistema di AI, i contenuti sintetici vanno marcati, con sanzioni intermedie fino a 15 milioni di euro o il 3% del fatturato globale. Il Digital Omnibus, sempre secondo la stessa ricostruzione, ha invece rinviato gli obblighi per i sistemi ad alto rischio dell’Allegato III al 2 dicembre 2027, e al 2 agosto 2028 quelli integrati in prodotti regolamentati come i dispositivi medici. Il rinvio è tempo guadagnato, non un’esenzione: la stessa analisi ricorda che un iter di conformità completo per un sistema ad alto rischio richiede mediamente 8-14 mesi, con organismi notificati già congestionati. Il quadro completo è nella nostra guida AI Act: cosa prevede e chi deve adeguarsi.

Costo e responsabilità degli agenti AI nei settori regolamentati

Che ricadute ha sulla scelta? Nei verticali farma, legale e finance l’agente tocca dati che non tollerano ambiguità: dossier clinici, atti, posizioni creditizie. Cleveroad colloca gli agenti domain-specific per settori regolamentati nella fascia più alta dei costi di sviluppo, 100.000-200.000 dollari e oltre, proprio per il peso di curation dei dati, connettori proprietari e allineamento normativo. In questi casi il criterio non è il risparmio: è chi si assume la responsabilità operativa di mantenere l’allineamento nel tempo. Un partner che presidia il sistema e produce la documentazione a ogni modifica vale, in termini di rischio evitato, molto più della differenza di fee. E vale la pena diffidare del contrario: Gartner stima che oltre il 40% dei progetti di AI agentica verrà cancellato entro la fine del 2027 per costi in crescita, valore poco chiaro o controlli del rischio inadeguati, e che su migliaia di fornitori che si dichiarano “agentici” solo un centinaio e mezzo circa offra capacità reali.

Cosa non esternalizzare mai, nemmeno con un managed service

Delegare la gestione non significa delegare la proprietà. Ci sono cinque strati che devono restare in mano tua, e un buon partner sarà il primo a scriverlo nel contratto.

La memoria e la conoscenza accumulata. Le procedure, le eccezioni, i casi limite che l’agente ha imparato a gestire nei mesi: è capitale aziendale. Deve essere esportabile in formato leggibile, non intrappolato in una configurazione proprietaria.

I log e l’audit trail. Copia integrale accessibile, senza dover chiedere. È l’unico modo per rispondere a un auditor e per verificare in autonomia le affermazioni del fornitore.

Il set di valutazione. I casi reali su cui si misura se l’agente lavora bene. Se lo possiede solo il partner, non hai modo indipendente di giudicare il servizio che stai pagando.

I prompt e le policy versionati e i permessi sugli strumenti: quali sistemi l’agente può toccare, con quali credenziali, e chi può modificare quell’elenco.

Aggiungi una clausola di uscita con un tempo esplicito. Il vero costo di switching, nota Appelo, non sta negli endpoint API ma negli strati alti, dove prompt e comportamenti si adattano a un fornitore specifico: sei mesi di memoria operativa dentro una piattaforma rendono la portabilità un’illusione. Un partner che accetta di consegnarti tutto in 30 giorni ti sta dicendo che punta a restare per il valore, non per l’attrito. Il ragionamento su cosa tenere su misura e cosa prendere pronto è sviluppato in agenti AI custom vs off-the-shelf.

Il criterio che vale più di tutti i numeri

Il confronto economico serve a inquadrare il problema, ma la decisione si prende su un’altra domanda: chi si alza la mattina con la responsabilità che questo agente funzioni? Se in azienda esiste una persona con quel mandato, il tempo per esercitarlo e la competenza per farlo, il self-managed è praticabile e nel medio periodo conviene. Se quella persona non c’è, o c’è ma ha già tre progetti aperti, nessuna piattaforma gestita colmerà il vuoto, e il progetto finirà nella statistica di Gartner.

In MIMIR abbiamo costruito il servizio esattamente intorno a questa constatazione: un agente AI è un prodotto, ma quello che lo tiene in vita è il servizio che gli sta attorno, l’onboarding fatto sul processo reale e la gestione continua nei mesi successivi. Se stai valutando un agente per la tua azienda e vuoi capire quale dei due modelli regge nel tuo caso specifico, con i tuoi volumi e il tuo verticale, parlane con noi: una conversazione onesta su cosa serve davvero costa meno di un progetto abbandonato al nono mese.

Fonti:

• Microsoft — Foundry Agent Service, panoramica
• Claude Agent SDK — documentazione ufficiale (code.claude.com)
• SearchUnify — AI agent costs in customer service, il breakdown completo
• Uninform Group — stipendi dell’intelligenza artificiale in Italia
• Symphonize — i costi di costruzione degli agenti AI
• Agxntsix — in-house AI build vs embedded AI partner, costo totale
• Cleveroad — costo di sviluppo di un agente AI
• Jurgen Appelo — «rent the compute, keep the receipts»
• Gartner — comunicato ufficiale sulla cancellazione di oltre il 40% dei progetti agentici
• MarTech — la lettura della previsione Gartner sui progetti agentici