La maggior parte dei confronti tra piattaforme parte dai costi di licenza. È il punto di partenza sbagliato — le licenze sono spesso la voce più piccola in un budget triennale.
La vera differenza tra piattaforme di agenti AI open source e proprietarie emerge in tre punti che le pagine prezzi dei vendor non menzionano mai: chi controlla l’infrastruttura attraverso cui transitano i dati dei tuoi clienti, chi governa il percorso di aggiornamento quando la piattaforma cambia direzione, e quanta capacità ingegneristica interna serve per operare ciascuna opzione. Per le aziende svizzere e UE, una quarta dimensione amplifica tutte e tre: le norme sulla residenza dei dati che rendono alcune piattaforme proprietarie operativamente problematiche indipendentemente dalle loro funzionalità.
Questo articolo modella il quadro completo. L’obiettivo è un framework decisionale che tu possa applicare alla tua situazione specifica — non una raccomandazione che finge che tutte le aziende abbiano lo stesso profilo di rischio.
Cosa significano davvero “open source” e “proprietario” per le piattaforme agentiche
Le etichette sono meno chiare di quanto sembri. Framework come LangGraph e CrewAI pubblicano il loro codice principale sotto licenze MIT permissive. Puoi leggere i sorgenti, ospitarli autonomamente e modificarli senza pagare nessuno. È apertura genuina. n8n percorre una strada diversa: utilizza una licenza “fair-code” Sustainable Use che limita la redistribuzione commerciale e l’embedding senza un accordo enterprise a pagamento — è source-available piuttosto che open source nel senso OSI.
Le piattaforme proprietarie — Microsoft Copilot Studio, Salesforce Agentforce, ServiceNow AI Agents e diversi strumenti della categoria startup — offrono infrastruttura gestita, connettori preconfigurati e un SLA in cambio di un abbonamento. Il runtime dell’agente gira nel loro cloud; tu configuri anziché costruire.
Una terza categoria complica il quadro: i provider di modelli open-weight (Mistral, la famiglia Llama di Meta) abbinati a un layer di hosting gestito. Ottieni i pesi del modello con una licenza source-available o personalizzata — i modelli Mistral usano Apache 2.0 (genuinamente permissiva), mentre la famiglia Llama di Meta usa una licenza community personalizzata che l’Open Source Initiative non riconosce come open source e che include restrizioni per gli utenti UE — ma stai comunque girando sulla compute di qualcun altro a meno che non ti auto-ospiti. Ai fini di questo confronto, trattiamo come “proprietario” qualsiasi configurazione in cui il runtime e la pipeline dati risiedono nel cloud del vendor secondo i suoi termini di servizio.
Il modello TCO a 3 anni: dove i numeri divergono davvero
Un’azienda di medie dimensioni che implementa il suo primo agente serio — diciamo un team operations di 50 persone, con tre workflow automatizzati che gestiscono complessivamente 2.000 task al mese — si trova di fronte a una struttura di costi che approssimativamente si presenta così:
Percorso con piattaforma proprietaria
I costi del Primo Anno sono bassi e prevedibili. Variano significativamente per piattaforma e pattern di utilizzo — Microsoft Copilot Studio può partire sotto CHF 200/mese per un utilizzo leggero dei crediti (che si aggiunge alle licenze M365 di base obbligatorie), mentre Salesforce Agentforce a tariffe per utente può superare CHF 3.000/mese anche per un team piccolo. Un range SMB indicativo tra le principali piattaforme è CHF 300–2.000/mese per un utilizzo agente moderato, escluse le licenze di base; verifica le tariffe attuali sulle pagine prezzi dei vendor prima di fare budget, poiché cambiano frequentemente. I tempi di implementazione si misurano in settimane, non in mesi. La piattaforma gestisce hosting, scaling, monitoraggio e gestione delle versioni dei modelli; il totale del Primo Anno incluso il setup si colloca tipicamente tra CHF 20.000–50.000 a seconda della complessità dell’integrazione.
Al Terzo Anno il quadro cambia. Le fee basate sull’utilizzo si moltiplicano man mano che espandi i workflow. Le piattaforme proprietarie tendono inoltre a ridefinire i prezzi al rinnovo quando hanno sufficiente lock-in. Aspetto più rilevante: se la piattaforma cambia il suo modello di esecuzione agente, depreca un’API o viene acquisita, i tuoi workflow potrebbero richiedere una costosa riscrittura su un codice che non puoi forkare.
Percorso con framework open source
I costi del Primo Anno sono concentrati all’inizio sull’ingegneria. Una timeline realistica per mettere in produzione un workflow agentico su LangGraph o CrewAI — incluso setup dell’infrastruttura, strumenti di osservabilità, integrazione delle API LLM e test interni — è 2–4 mesi di tempo sviluppatore per un team senza esperienza precedente sul framework. Alle attuali tariffe svizzere per contractor di CHF 100–200/ora (benchmark di mercato, metà 2026), ciò rappresenta CHF 40.000–120.000 prima che il primo workflow vada in produzione.
Al Terzo Anno il calcolo si ribalta. I costi infrastrutturali su uno stack self-hosted sono in gran parte fissi. Non ci sono fee per seat o per esecuzione oltre ai costi delle API LLM e della compute. Aspetto fondamentale: possiedi il codice — migrazione verso un provider LLM diverso, aggiunta di una nuova integrazione di strumenti, o modifiche architetturali possono essere fatte senza una conversazione con il vendor.
Il punto di crossover per una PMI tipica si trova tra 18 e 30 mesi — dopo i quali il percorso open source tende a essere meno costoso su base puramente finanziaria, assumendo che tu abbia la capacità ingegneristica per operarlo.
Residenza dei dati: perché cambia il calcolo per gli acquirenti svizzeri e UE
È qui che il confronto passa da finanziario a esistenziale per molte aziende svizzere.
La nLPD (la revisione svizzera della Legge sulla protezione dei dati) e il GDPR impongono entrambi obblighi su dove vengono elaborati i dati personali e chi può accedervi. Molte piattaforme agentiche proprietarie elaborano dati — incluse trascrizioni di conversazioni, contenuti di documenti e output di workflow — su infrastrutture che potrebbero transitare attraverso server basati negli USA, soggetti ai termini dei cloud provider americani e potenzialmente alle disposizioni di accesso ai dati del governo statunitense.
Il rischio pratico: se il tuo agente gestisce dati di dipendenti, comunicazioni con clienti, dati finanziari o informazioni sanitarie, potresti trovarti in una posizione difficile nel dimostrare un’adeguata protezione dei dati se questi transitano su una piattaforma proprietaria gestita negli USA. Alcune piattaforme offrono deployment in regione UE; un numero più ristretto offre garanzie genuine di elaborazione solo UE. Ancora meno possono soddisfare i requisiti specifici svizzeri previsti dalla nLPD.
I framework open source, distribuiti su infrastrutture svizzere o UE (un provider cloud domestico, un server on-premises, o una regione UE Tier-1 con termini DPA appropriati), ti offrono la storia più solida verso revisori e verso il tuo stesso responsabile della protezione dei dati. Quella semplicità ha un valore reale — non solo nell’overhead di compliance evitato, ma nel fatto che puoi effettivamente dimostrare i flussi di dati invece di affidarti all’attestazione di un vendor.
Vedi anche: AI Agents e GDPR: Automatizzare in Modo Difendibile e Governance degli Agenti AI: Un Playbook Pratico per le PMI.
Lock-in oltre il contratto: tre rischi che gli acquirenti proprietari sottovalutano
Il concetto di lock-in nelle piattaforme di agenti AI va più in profondità di quanto la maggior parte degli acquirenti anticipi al momento della firma.
Lock-in nella logica dei workflow. La maggior parte delle piattaforme proprietarie usa un formato di workflow visuale o dichiarativo che non è portabile. Se costruisci 40 automazioni sulla Piattaforma A e vuoi passare alla Piattaforma B — o a uno stack custom — stai ricominciando da zero. Il costo sommerso di quella logica è reale.
Binding al modello. Molte piattaforme proprietarie limitano i modelli che puoi utilizzare. Salesforce Agentforce ora offre un’opzione bring-your-own-LLM con supporto per Bedrock, Azure OpenAI e Google Vertex AI, e Microsoft Copilot Studio supporta connessioni Azure OpenAI personalizzate — ma entrambi ti vincolano comunque a liste di provider pre-approvati e addebitano fee di piattaforma indipendentemente dal modello utilizzato. Gli strumenti proprietari nella categoria startup impongono tipicamente restrizioni più rigide. I framework open source sono generalmente model-agnostic.
Opacità dell’osservabilità. Quando un agente si comporta in modo inaspettato su una piattaforma proprietaria, la tua superficie di debug è limitata a ciò che il vendor espone nei suoi log e strumenti di trace. Su uno stack open source, strumenti esattamente ciò di cui hai bisogno — e sei proprietario di quei dati di telemetria.
Competenze interne: il prerequisito da valutare onestamente
Open source non significa “gratuito in termini di costo umano.” I framework che ti danno il massimo controllo — il modello a grafo stateful di LangGraph, per esempio — hanno curve di apprendimento significative. Operare uno stack di agenti in produzione richiede competenze in:
- Python o TypeScript (dipende dal framework)
- Integrazione API LLM e prompt engineering
- Container orchestration (Docker come minimo, Kubernetes se la scala lo richiede)
- Strumenti di osservabilità (logging, tracing, alerting)
- Security hardening per l’accesso degli agenti agli strumenti
Se il tuo team non ha nessuna di queste competenze, la stima di costo del Primo Anno descritta sopra sottostima significativamente la realtà. Il gap va colmato assumendo, appaltando, o affidandosi a un partner specializzato — ma esiste e va quantificato.
Le piattaforme proprietarie abbassano sostanzialmente questa soglia. Una persona operativa tecnicamente competente — non un ingegnere software — può costruire e mantenere automazioni significative su una piattaforma gestita ben progettata. È un vantaggio genuino, non marketing.
Chi dovrebbe scegliere cosa
L’open source è la scelta più solida quando:
- I requisiti di residenza dei dati sono stringenti e hai bisogno di una storia di flussi dati auditabile
- Prevedi che il footprint agente cresca significativamente in 2–3 anni (il vantaggio TCO si accumula)
- Hai o puoi assumere capacità ingegneristica per operare lo stack
- Hai bisogno di flessibilità sui modelli o di integrazioni di strumenti personalizzate oltre ciò che le piattaforme gestite espongono
- Stai costruendo un prodotto o servizio basato su agenti (la proprietà IP è rilevante)
Il proprietario è la scelta più solida quando:
- La velocità nella prima automazione funzionante conta più della flessibilità a lungo termine
- Il tuo caso d’uso si adatta perfettamente alla libreria di connettori preconfigurati della piattaforma
- Non hai la larghezza di banda ingegneristica per operare e mantenere l’infrastruttura
- I workflow che stai automatizzando non coinvolgono dati personali sensibili — o la piattaforma scelta offre garanzie credibili di elaborazione solo UE/CH
Esistono percorsi ibridi. Alcune organizzazioni usano piattaforme proprietarie per automazioni a bassa sensibilità e bassa complessità — scheduling interno, instradamento di documenti non-PII — mantenendo uno stack open source self-hosted per tutto ciò che tocca dati regolamentati. Aggiunge complessità operativa ma distribuisce il rischio in modo sensato.
Per un inquadramento più ampio della dimensione build-versus-buy, vedi Build vs Buy: un Framework Decisionale per gli Agenti AI.
Dove un partner cambia le carte in tavola
Il vantaggio TCO dell’open source è reale, ma dipende dal fatto che l’investimento ingegneristico del Primo Anno venga fatto correttamente. Una cattiva decisione architetturale all’inizio — il framework sbagliato per il tuo caso d’uso, un setup di osservabilità inadeguato, un modello dati che non tiene conto della scala futura — azzera rapidamente il vantaggio.
Lavorare con uno specialista che ha già costruito e operato stack di agenti open source in produzione significa che non stai pagando per la curva di apprendimento di qualcuno. Stai pagando per un pattern che funziona già, applicato ai tuoi workflow e al tuo ambiente dati specifici.
È esattamente il lavoro che facciamo in Orange ITS. La nostra practice di sviluppo agenti AI è framework-agnostic: scegliamo lo strumento giusto in base alla maturità tecnica del cliente, al contesto normativo e alla traiettoria di crescita — il che a volte significa raccomandare una piattaforma gestita, e a volte costruire su open source. Non abbiamo incentivi vendor a spingere nessuna delle due strade.
Pronto a mappare questo sulla tua situazione?
Il framework sopra restringe lo spazio decisionale, ma la risposta giusta dipende ancora dai tuoi workflow specifici, dalla classificazione dei tuoi dati, dal profilo tecnico del tuo team e dai tuoi piani di crescita.
Una chiamata di 30 minuti con il nostro team è sufficiente per capire quale percorso si adatta — e per stimare il costo reale a 3 anni per il tuo scenario anziché un modello generico. Contatta Orange ITS per prenotare quella conversazione.