Agente AI in-house o con un partner? I conti veri
Il Project NANDA del MIT ha studiato 300 deployment AI pubblici, intervistato 350 dipendenti e sentito 150 dirigenti — e ha rilevato che solo il 5% circa dei pilot AI aziendali produce risultati di business misurabili. La stessa ricerca ha rilevato che l’AI acquisita all’esterno riesce circa il doppio delle volte rispetto ai build interni. Non significa che non dobbiate mai costruire in-house. Significa che il primo agente — quello che deve dimostrare che l’AI funziona per la vostra azienda — di solito è il progetto sbagliato su cui imparare.
Cosa dice la ricerca sui tassi di successo
I risultati del MIT, riportati da Fortune nel 2025, tracciano una linea netta: le soluzioni AI acquistate da fornitori specializzati arrivano in produzione con successo circa il 67% delle volte, mentre i build puramente interni riescono circa tre volte meno spesso. Il motore del fallimento non era la qualità dei modelli, ma quello che i ricercatori chiamano un learning gap — team che sottovalutano valutazione, integrazione e design dei workflow, cioè esattamente il lavoro poco scintillante che separa una demo da un sistema di produzione. Un partner che ha attraversato quel divario più volte porta le lezioni nel vostro progetto dal primo giorno.
Il costo reale di un team AI interno
In Germania un ingegnere di machine learning guadagna una mediana di 57.800 € lordi l’anno, e i profili con esperienza si attestano in media intorno a 74.800 € (StepStone, 2026) — prima di contributi a carico del datore, costi di recruiting, attrezzatura e spesa cloud. Un team di agenti minimo e credibile — due ingegneri senior più una parte di un product owner — vi porta a diverse centinaia di migliaia di euro l’anno di costo impegnato, e quel contatore parte mesi prima della prima riga di codice, perché gli ingegneri AI senior sono tra le assunzioni più difficili in Europa. Niente di tutto questo è sprecato se l’AI diventa la vostra competenza core. Tutto è a rischio se il primo progetto si arena come il 95%.
Il costo nascosto: il tempo fino al primo valore
La voce stipendi sottostima il divario reale. Un team interno va prima assunto, poi deve rodarsi, poi imparare l’ingegneria specifica degli agenti — suite di eval, guardrail sull’uso dei tool, design human-in-the-loop, controllo dei costi di inferenza — e ognuna di quelle lezioni la pagate voi, sul vostro libro paga, sul vostro primo progetto. Un partner specializzato ammortizza quelle lezioni su molti build. La differenza pratica non è la qualità del codice; è se il vostro primo agente arriva in produzione in un trimestre o è ancora un prototipo promettente un anno dopo.
Quando costruire in-house è la scelta giusta
L’in-house vince quando l’AI è strategicamente centrale, non strumentale: l’agente è il vostro prodotto, avete una roadmap di molti agenti, impiegate già ingegneri senior che vogliono possedere la competenza, o la vostra governance richiede davvero tutto dentro le vostre mura (anche se la consegna on-premise di un partner di solito risolve pure quello). In quei casi il costo più alto della curva di apprendimento è un investimento in una competenza duratura — e vale la spesa.
La terza opzione: costruire con un partner, possedere tutto
Build contro buy è un falso binario. Il modello che cattura il tasso di successo del partner senza dipendenza permanente è il build con trasferimento: un partner porta l’agente in produzione, e voi possedete ogni artefatto — il repository, l’infrastruttura e gli account, la suite di eval, la documentazione, i runbook. I vostri ingegneri affiancano il build, l’assistenza continua dopo il lancio e, se più avanti internalizzate, ereditate un sistema documentato e testato invece di partire da zero. Ottenete il percorso del 67% senza legarvi a un fornitore da cui non potete uscire.
Una regola di decisione che regge
Se è il vostro primo agente di produzione e deve dimostrare valore quest’anno: partner. Se è il vostro quinto agente e avete un team assunto e rodato: in-house. Nel mezzo: build con un partner e i vostri ingegneri coinvolti, poi presa in carico dell’operatività dopo l’handover. E se uno strumento già pronto copre davvero il caso d’uso, comprate lo strumento — i numeri del MIT dicono proprio questo, e un partner che ve lo dice alla prima call è un partner da tenere.
I nostri sviluppatori possono mantenere un agente su misura dopo l’handover?
Sì — se la consegna include la suite di eval, la documentazione e i runbook, che è esattamente ciò che dovete pretendere da qualsiasi fornitore. Un team web interno capace può operare un agente ben documentato; ciò che non dovrebbe mai dover fare è decodificarne uno privo di documentazione. È questo il test di un buon build.
Un’agenzia non costa più che fare da soli?
Confrontate i costi pieni, non la fattura: un anno di stipendi del team, più mesi di assunzioni, più il rischio documentato che il primo build interno si areni — contro un prezzo di progetto fisso con una data di consegna contrattuale. Per un primo agente, il prezzo fisso è di solito la cifra più bassa e sempre la più prevedibile.
E se invece comprassimo semplicemente uno strumento AI già pronto?
Se uno strumento copre il vostro caso d’uso, compratelo — la ricerca dice esattamente questo. Gli agenti su misura ripagano il loro costo quando il lavoro passa per i vostri sistemi, i vostri dati e le vostre regole, là dove gli strumenti generici si fermano. Ai potenziali clienti diciamo alla prima call da quale lato di quella linea si trovano.