— Approfondimenti

AI ibrida nel 2026: la via italiana per le PMI

Il dibattito “AI aziendale: cloud o on-premise?” nel 2026 è ancora troppo polarizzato. Da un lato chi dice “ChatGPT risolve tutto”, dall’altro chi dice “senza 70B on-premise non sei nulla”. La realtà delle PMI italiane è un’altra, e si chiama ibrido. In questo articolo proviamo a mettere in fila i fattori che contano davvero quando devi scegliere un’architettura AI aziendale, con numeri concreti e un framework decisionale che si può applicare senza consulenti.

Perché il dibattito cloud vs on-premise è mal posto

La ragione per cui la discussione si impantana è che i due estremi parlano di cose diverse. Chi dice “cloud” sta pensando a una singola persona che usa ChatGPT per riassumere un documento pubblico. Chi dice “on-premise” sta pensando a un settore bancario che non può far uscire un numero di conto. Entrambe le posizioni sono sensate nel loro contesto, ma la maggior parte delle PMI italiane non vive in nessuno dei due estremi.

La PMI tipica italiana di 30-70 dipendenti ha un mix di query: il 25-40% riguarda dati sensibili (contratti, clienti, documenti interni, codice proprietario), il resto è materiale che potrebbe tranquillamente passare da un frontier LLM senza problemi di compliance. Spingere tutto on-premise significa pagare hardware enterprise per il 60% delle query che non ne hanno bisogno. Spingere tutto in cloud significa esporre il 30% di dati che non dovrebbero uscire. Entrambe le scelte lasciano soldi o compliance sul tavolo.

È lo stesso framing che qualche anno fa applicavamo agli ERP e che abbiamo riportato in un framework decisionale in 7 punti: la domanda giusta non è “dove sta il sistema” ma “dove sta cosa”. Applicata all’AI, la risposta pragmatica è: dati sensibili dentro, resto fuori, router che decide per ogni singola query.

I sette fattori che contano davvero

Prima di scegliere l’architettura serve mappare sette fattori. Non tutti pesano uguale per ogni azienda, ma quasi mai uno solo di loro domina a tal punto da rendere banale la decisione.

1. Percentuale di query su dati sensibili

Dato da misurare, non da stimare a sensazione. Si fa con un paio di settimane di log reali di un pilota (anche piccolo, anche solo su un team). La mappa che ne esce è spesso sorprendente: aziende che pensano “l’80% è sensibile” scoprono che il valore vero è il 30-40%; aziende che pensano “quasi tutto è generico” scoprono che la quota sensibile è il 50%. Senza questo dato, qualsiasi scelta di architettura è a occhio.

2. Volume di query al mese

Il volume determina quando la bolletta API cloud diventa dolorosa. Fino a qualche migliaio di query al mese il 100% cloud è gestibile. Sopra le 10-15 mila query al mese il TCO 3 anni del cloud puro supera quello dell’ibrido, a parità di utenti. Sopra le 30 mila query al mese il cloud puro diventa il più caro dei tre approcci. Il volume reale va misurato dopo il primo trimestre di adozione: quasi sempre cresce più velocemente del previsto.

3. Settore e vincoli normativi

GDPR vale per tutti, AI Act vale per tutti a partire da fine 2026. Ma settori come sanità, finanza, pubblica amministrazione, infrastrutture critiche hanno vincoli aggiuntivi che spingono fortemente verso policy di routing conservative. In questi casi l’ibrido resta possibile, ma con bias verso il locale: forse 70-80% delle query restano dentro, il frontier LLM si usa solo su casi d’uso rigorosamente marginali.

4. Qualità necessaria delle risposte

I frontier LLM del 2026 (Claude 5, GPT-5, Gemini 2.5) sono oggettivamente superiori su ragionamento multi-step complesso, scrittura creativa di livello editoriale, analisi profonda di documenti lunghi. Un LLM locale 7-13B copre bene l’80% dei casi aziendali ma non è imbattibile. Se il tuo uso principale è customer support con risposte brevi e documentate, locale basta. Se è analisi strategica di contratti complessi, può avere senso spingere di più sul frontier anche sui dati sensibili (con tutte le cautele del caso: anonimizzazione, segmentazione).

5. Budget hardware disponibile

Un setup ibrido parte da hardware consumer: una workstation con GPU RTX di fascia alta costa qualche migliaia di euro, basta per LLM 7-13B. Un setup on-premise serio parte da GPU enterprise H100/A100 e sale rapidamente oltre i 40-50 mila euro solo di hardware. Se il budget hardware è limitato, l’ibrido è l’unica strada compatibile con una vera indipendenza dal cloud sulla parte sensibile.

6. Competenze interne di gestione

L’on-premise puro con LLM da 70B richiede competenze operative non banali: gestione cluster GPU, ottimizzazione inference, monitoraggio modelli, quantization. L’ibrido con modelli 7-13B su hardware consumer è gestibile con competenze IT ordinarie, soprattutto se chi lo ha costruito ha predisposto una dashboard di governance decente. Chiedersi “chi lo manterrà in casa, se noi non ci siamo?” è una domanda che pesa molto sulla scelta.

7. Esposizione al rischio di lock-in

I frontier LLM cambiano prezzi, condizioni, SLA e, periodicamente, vengono ritirati. Se tutta la tua AI dipende da un singolo provider cloud, un cambio di condizioni può costringerti a rifare l’intera architettura in fretta. L’ibrido disaccoppia il tuo processo dal provider frontier: il router è progettato per cambiare backend in ore, non in mesi. Il valore della parte locale è nel fatto che continua a funzionare anche se domani il mercato dei frontier LLM si riorganizza.

Un caso tipo: azienda manifatturiera, 60 dipendenti

Mettiamo questi sette fattori su un caso concreto. Azienda manifatturiera italiana di media dimensione, 60 dipendenti tra produzione, ufficio commerciale, amministrazione, IT. Vuole introdurre AI in tre aree: assistenza documentale interna (knowledge base aziendale), generazione prime bozze di offerte commerciali, analisi di capitolati di gara ricevuti dai clienti.

La mappatura dei sette fattori dà questo quadro: percentuale sensibili circa 50% (capitolati dei clienti + knowledge base interna), volume stimato 4-6 mila query al mese nei primi sei mesi, settore non regolamentato ma con contratti vincolanti sulla riservatezza, qualità necessaria medio-alta solo sull’analisi capitolati, budget hardware limitato (vogliono restare sotto i 10k di investimento iniziale), competenze IT interne nella media (un IT manager + un junior), bassa tolleranza al lock-in cloud.

Risultato della valutazione: l’ibrido è di gran lunga la scelta migliore. 100% cloud fallisce sul fattore 3 (riservatezza capitolati). 100% on-premise fallisce sul fattore 5 (budget) e sul fattore 6 (competenze). L’ibrido con una workstation da 6-8k euro per LLM locale su knowledge base interna + routing verso Claude/GPT per la stesura offerte commerciali quadra su tutti e sette i fattori.

TCO 3 anni stimato per questo caso: nella forchetta 22-32 mila euro inclusi hardware, setup, API cloud, manutenzione. Confronto: il 100% cloud starebbe nella stessa forchetta ma senza compliance; il 100% on-premise salirebbe a 60-80 mila, senza aggiungere valore sui due terzi delle query.

Quattro errori che vediamo con regolarità

Nei progetti ibridi che abbiamo analizzato, gli errori ricorrenti sono quasi sempre gli stessi quattro. Vale la pena nominarli perché sono tutti evitabili con poca attenzione in fase di design.

Errore 1: router troppo semplicistico

Un router che decide solo in base a keyword (“se contiene la parola ‘contratto’ allora locale”) è fragile e produce molti falsi positivi/negativi. Il router efficace usa un classifier semantico addestrato sui tuoi casi, più regole esplicite per i pattern inequivocabili. La qualità del router è spesso il fattore che determina se il progetto ibrido è una vittoria o una delusione.

Errore 2: nessuna strategia di audit

L’ibrido ha senso perché puoi dimostrare dove ogni singola query è andata. Se il log di audit non è centralizzato, non è interrogabile, non è pronto per revisione, perdi uno dei vantaggi principali rispetto al 100% cloud. L’audit non è un add-on: fa parte dell’architettura dal giorno uno.

Errore 3: hardware sottodimensionato

Risparmiare sulla GPU per restare a 4 GB di VRAM obbliga a quantizzare i modelli a livelli aggressivi e peggiora la qualità. L’economia non torna: una GPU da 24 GB che fa girare un 13B decentemente in FP16 costa poco più di una GPU da 16 GB che fa girare lo stesso modello quantizzato a 4-bit con output visibilmente peggiore. Il compromesso giusto è “la GPU consumer più grande che il budget permette”, non “la più piccola che faccia girare qualcosa”.

Errore 4: nessun piano di aggiornamento modelli

Il panorama LLM cambia ogni 6-12 mesi. Il modello locale che oggi è all’altezza, tra un anno potrebbe essere superato da versioni più piccole e più brave. Chi pianifica un refresh dei modelli ogni 12 mesi mantiene l’ibrido competitivo nel tempo; chi non lo fa si ritrova con un setup obsoleto in 2-3 anni e torna a valutare il cloud puro per disperazione.

Un framework decisionale in 5 passaggi

Mettendo insieme i sette fattori e gli errori, si arriva a un framework decisionale operativo. Non serve essere un data scientist per applicarlo.

Passo 1 — Pilota di 2-4 settimane su un singolo use case. Scegli il caso d’uso con il maggior valore atteso e il minor rischio (tipicamente un’assistenza documentale interna). Fallo girare con un setup minimo e logga tutto. L’obiettivo è raccogliere dati reali su volume, mix sensibili/generici, tempo di risposta accettabile.

Passo 2 — Mappatura sui sette fattori. Fatto il pilota, hai i numeri veri per fattore 1, 2, 4. I fattori 3, 5, 6, 7 sono invece vincoli strategici da discutere al tavolo con direzione e legale. L’output è una tabella con riga per fattore e peso relativo.

Passo 3 — Scelta dell’architettura di riferimento. Con la tabella in mano, l’architettura esce quasi da sola. Nella grande maggioranza dei casi italiani che abbiamo visto, è l’ibrido. Nei settori regolamentati o con vincoli strategici forti, è l’ibrido con bias forte verso il locale. Solo in pochi casi (startup senza dati sensibili, o viceversa casi estremi di regolamentazione) ha senso spingere su un estremo.

Passo 4 — Progetto pilota su hardware definitivo. Una volta scelta l’architettura, 6-10 settimane per portare in produzione il primo use case completo. Hardware comprato, router configurato, audit log attivo, dashboard pronta. Al go-live c’è già qualcosa di operativo, non un “lab”.

Passo 5 — Estensione progressiva. Ogni 2-4 settimane si aggiunge un use case al setup esistente. Niente mega-progetti da 12 mesi che poi non si realizzano. Ogni use case paga il proprio ROI e giustifica il successivo.

Perché l’Italia è terreno fertile per l’ibrido

Il mercato italiano ha tre caratteristiche che lo rendono particolarmente adatto all’approccio ibrido. Prima: la struttura delle imprese è fatta in gran parte di PMI con 20-200 dipendenti, che sono esattamente la fascia in cui l’on-premise puro non ha senso economico. Seconda: la sensibilità al tema della sovranità del dato è alta, cresciuta ulteriormente dopo Schrems II e con l’ingresso in vigore dell’AI Act. Terza: le competenze IT interne sono generalmente medie, quindi l’architettura ibrida (che è più semplice da gestire dell’on-premise puro) ha un match migliore con le risorse disponibili.

È lo stesso pattern che abbiamo visto con il cloud ibrido negli ERP. Chi oggi prova a spingere “AI 100% cloud” o “AI 100% on-premise” in un’azienda italiana media di solito vende qualcosa che non va bene per il contesto. L’ibrido non è un compromesso al ribasso: è la configurazione che aggredisce il problema vero, con i vincoli veri.

Cosa fare da domani mattina

Se stai valutando come introdurre AI nella tua azienda, tre cose concrete che puoi fare questa settimana, senza chiedere budget a nessuno.

Mappa tre use case prioritari. Non venti. Tre. Per ognuno annota: volume stimato, percentuale di dati sensibili coinvolta, criticità (quanto ti costa se sbaglia). È la base di qualsiasi scelta futura.

Leggi il framework TCO 3-way sulla pagina dedicata all’AI ibrida aziendale e prova il calcolatore interattivo con numeri realistici del tuo caso. Dura meno di cinque minuti e ti dà un primo ordine di grandezza su dove potresti finire tra tre anni.

Parla con un senior tecnico (il nostro o quello di qualcun altro) prima di comprare qualsiasi hardware o firmare qualsiasi contratto cloud. 30 minuti di conversazione prima di muovere i soldi valgono almeno dieci volte 30 minuti dopo. La discovery gratuita serve esattamente a questo: non vendiamo nulla, mappiamo il tuo caso e ti diamo una lettura realistica.

Il 2026 è l’anno in cui l’AI aziendale smette di essere un esperimento e diventa infrastruttura. Chi arriva con un’architettura pensata su misura della propria realtà si risparmia uno o due anni di sperimentazioni a vuoto. L’ibrido, per la maggior parte delle PMI italiane, è quella architettura.

Continua

Hai trovato utile questo articolo?

Se vuoi un confronto sul tuo caso specifico, raccontacelo. La prima call di 30 minuti è gratuita, senza vendite forzate.

Parla con un consulente ← Torna al blog