AI nelle vendite: AI aperta vs. chiusa nelle PMI

KI & Automatisierung · 16. September 2026 · Anthony Filipiak

L'AI nelle vendite diventa una questione di investimento. Scoprite come l'AI aperta e chiusa sta cambiando costi, controllo e pipeline nelle PMI.

L'8 settembre 2026, Mistral AI ha annunciato un round di finanziamento di oltre 3 miliardi di euro, guidato da Samsung Electronics, EQT e PSG Equity, con una valutazione di oltre 21 miliardi di euro. Quasi contemporaneamente, sono circolate notizie di nuove trattative di OpenAI con valutazioni tra 1,2 e 1,5 trilioni di dollari. Questo non è più un teatro della Silicon Valley che un amministratore delegato a Bielefeld, Ulm o San Gallo può ignorare. L'AI nelle vendite, nella progettazione, nel servizio e nella pianificazione della produzione sta passando da una decisione software a una decisione di mercato dei capitali. Chi nel 2026 farà ancora finta che la scelta tra AI open source e AI closed source sia una questione tecnica di dettaglio per l'IT, sottovaluta il punto.

La mia previsione è scomoda: nei prossimi 24-36 mesi, le PMI europee non falliranno per mancanza di idee sull'AI, ma per decisioni architetturali sbagliate. Non per i prompt. Non per un altro workshop Copilot con diapositive colorate. Ma per contratti, costi dei token, fuga di dati, debiti di integrazione e la questione se il proprio valore aggiunto si baserà in futuro su piattaforme il cui modello di prezzo verrà modificato a Seattle, San Francisco o Mountain View.

Nelle conversazioni con amministratori delegati e direttori vendite, vedo una rottura. Un anno fa la domanda era spesso: 'Cosa possiamo fare con ChatGPT?' Oggi è più probabile che sia: 'Come possiamo evitare che l'AI ci divori il margine tra tre anni?' Sembra difensivo. Ma non lo è. È il momento in cui l'AI matura.

AI nelle vendite: perché l'AI aperta vs. chiusa conta ora

La parte sorprendente per prima: l'AI open source non è più lo scaffale degli hobbisti della comunità di sviluppatori. Mistral, Hugging Face, Temporal e altre infrastrutture aperte o open-friendly stanno attirando capitali che prima erano riservati solo ai fornitori di modelli chiusi. Mistral ha raccolto circa 600 milioni di euro nel giugno 2024 con una valutazione di 5,8 miliardi di euro, nel settembre 2025 è seguito un round di 1,7 miliardi di euro guidato da ASML con una valutazione di 11,7 miliardi di euro, e nel settembre 2026 poi 3 miliardi di euro con una valutazione di oltre 21 miliardi di euro.

Questo è il vero cambiamento del mercato. Non che OpenAI riceva molti soldi. Era chiaro. Il cambiamento è che i modelli aperti e l'infrastruttura aperta diventano essi stessi politica statale, industriale e dei semiconduttori. ASML non investe in Mistral per romanticismo. Nemmeno Samsung. E tantomeno Nvidia. Queste aziende si assicurano influenza sullo strato su cui in futuro si baseranno ingegneria, vendite, servizio, qualità e acquisti.

Per le PMI questo significa: la domanda 'Aperta o chiusa?' non è accademica. Decide se un costruttore di macchine del Baden-Württemberg riversa la sua logica di offerta, i suoi documenti tecnici, i suoi dati sui pezzi di ricambio e i suoi segnali di vendita in un modello API chiuso in modo permanente. O se controlla una parte dello strato AI. Forse non tutto. Beh, quasi mai tutto. Ma abbastanza da non dover aspettare il prossimo aumento di prezzo ogni mese.

La sorprendente previsione per il 2027-2029

Credo che: nel 2027 la prima ondata di delusione per l'AI nelle PMI non arriverà a causa di modelli scadenti. I modelli saranno abbastanza buoni. La delusione arriverà perché molte aziende hanno acquistato l'AI come SaaS, anche se avrebbero dovuto pianificarla come infrastruttura.

Un CSO di un fornitore di automazione di Norimberga mi ha detto nel marzo 2026: 'Abbiamo testato dodici strumenti AI e alla fine non abbiamo preso una sola decisione sui dati.' La frase mi è rimasta impressa. Dodici strumenti. Zero architettura. Questo sa di fiera, di account demo, di show di vendita. E spiega perché molti team hanno progetti pilota, ma nessuna miglioria affidabile della pipeline, nessun flusso di dati stabile, nessun piano per il TCO su cinque anni.

Status quo: la spesa per l'AI aumenta, il controllo è in ritardo

Secondo Menlo Ventures, la spesa aziendale per l'AI generativa è aumentata da 1,7 miliardi di dollari nel 2023 a 11,5 miliardi di dollari nel 2024 e 37 miliardi di dollari nel 2025. Questa non è una crescita lineare, è uno shock di bilancio. Allo stesso tempo, secondo Eurostat, nel 2025 solo il 20% delle aziende dell'UE con almeno dieci dipendenti utilizzava l'AI, rispetto al 13,5% nel 2024. L'Europa quindi non sta ancora spendendo in modo diffuso, ma dove si spende, si va veloci.

Gli Stati Uniti sono in testa. Bloomberg ha riportato, citando dati EY, che le startup statunitensi nel 2025 hanno raccolto circa 97 miliardi di dollari per l'AI generativa, mentre le startup europee solo circa 5,9 miliardi di dollari. Questo è un fattore di circa 16. Chi ne deduce che l'Europa dovrebbe semplicemente acquistare dai fornitori statunitensi, si rende la vita troppo facile. Non è del tutto vero. Per il lavoro d'ufficio generico può andare bene. Per i processi industriali chiave, diventa più pericoloso.

Prendiamo un tipico produttore DACH: 800 dipendenti, SAP nell'ERP, Siemens Teamcenter nel PLM, un MES cresciuto negli anni, dati di vendita in HubSpot o Salesforce, rapporti di servizio in PDF, elenchi di pezzi di ricambio nel file system e alcuni mostri Excel che nessuno vuole toccare (perché c'è sempre quel collega che sa quale colonna è quella giusta). È proprio lì che l'AI deve creare valore. Non nella finestra di chat. Nel processo.

E qui diventa costoso. Un rapporto sulla catena del valore dell'AI prevede che il mercato globale per l'utilizzo a pagamento dei token crescerà da 136 miliardi di dollari nel 2025 a 1,35 trilioni di dollari nel 2030. Parallelamente, la potenza di calcolo globale dell'AI dovrebbe aumentare da 13 gigawatt nel 2025 a 98 gigawatt nel 2030. Consumo di energia dei data center? Secondo i dati ricercati, da circa 485 TWh nel 2025 a circa 950 TWh nel 2030. Questo è l'odore di una sala server calda, solo su scala globale.

Per gli amministratori delegati questo significa: i costi dell'AI non scompaiono nella riga IT. Migrano nei costi di vendita, costi di servizio, costi di ingegneria e contratti cloud. Con i modelli chiusi si paga per utilizzo, per sessione, per chiamata API, per generazione di modello. Con i modelli aperti si paga integrazione, funzionamento, sicurezza, hosting e persone. Entrambi costano. La domanda è quale profilo di costo si adatta al vostro modello di business.

Tendenza 1: L'AI open source diventa infrastruttura industriale

La prima tendenza è la più importante per l'Europa: l'AI open source e i modelli open-weight non sono più visti come un'alternativa per i risparmiatori, ma come un'infrastruttura strategica. Mistral ne è il simbolo. Il Series B da 600 milioni di euro nel giugno 2024 era già grande. Il round guidato da ASML nel settembre 2025 era politico. Il round da 3 miliardi di euro nel settembre 2026 ha chiarito definitivamente: l'Europa non vuole essere solo un cliente di OpenAI, Anthropic e Google DeepMind.

ASML ha investito, secondo le informazioni ricercate, circa 1,3 miliardi di dollari e ha acquisito circa l'11% di Mistral. Chi conosce ASML sa: questa azienda non compra folklore. ASML è il collo di bottiglia della produzione globale di chip. Se un tale gruppo investe in una casa di modelli AI europea, si tratta di controllo industriale, valore aggiunto dei semiconduttori, sovranità dei dati e accesso alle competenze sui modelli. Politico ha quindi descritto Mistral, in sostanza, come uno strumento geopolitico della Francia. Detto in modo schietto: l'AI open source in Europa è diventata una politica di localizzazione.

Hugging Face si inserisce nello stesso quadro. Le informazioni ricercate menzionano un'acquisizione da parte di Nvidia nel 2026 per circa 12,93 miliardi di dollari. Che si legga questa cifra con sobrietà o con un sopracciglio alzato: la direzione è chiara. Un ecosistema che per lungo tempo è stato considerato una piattaforma per sviluppatori, diventa strategico per i fornitori di GPU. Perché? Perché i modelli diventano più intercambiabili, ma la distribuzione, l'accesso degli sviluppatori, l'hosting dei modelli, la valutazione e i workflow generano potere.

Sento spesso dire dai produttori di medie dimensioni: 'L'open source è troppo rischioso per noi.' Onestamente? In molti casi lo considero un vecchio riflesso. Il rischio non sta nel modello aperto. Il rischio sta in un modello aperto mal gestito, senza monitoraggio, senza autorizzazioni, senza una chiara classificazione dei dati. Questa è una differenza. Una chiamata API chiusa non verificata con distinte base riservate non è automaticamente più sicura solo perché la fattura proviene da un hyperscaler.

Andrea, Head of Sales di un Hidden Champion a Bielefeld, mi ha detto tre settimane fa: 'Il nostro IT blocca l'open source, ma nessuno sa spiegarmi perché la nostra conoscenza delle offerte può andare in un'API statunitense.' Questa è esattamente la dissonanza cognitiva che vedo ovunque. Ci si fida del logo, non dell'architettura. È comodo. E costoso.

I modelli aperti stanno passando da artefatti per hobbisti a beni nazionali e industriali. I round di finanziamento intorno a Mistral dimostrano che l'Europa vuole uno strato AI con cui poter negoziare, non solo sottoscrivere.

— Julien Simon, Chief Evangelist presso Hugging Face, Parigi

Perché questa tendenza colpisce le vendite

Nelle vendite, l'AI open source sembra inizialmente lontana. Non lo è. Se le vostre vendite analizzano ogni mese 2000 clienti target, ricercano 800 centri di acquisto tecnici, leggono bandi di gara, scansionano siti web, riconoscono trigger e preparano messaggi personalizzati, allora stiamo parlando di costi di inferenza continui. Non di qualche licenza ChatGPT. Allora l'economia dei token diventa economia delle vendite.

Un esempio pratico: un fornitore di macchinari dell'Ostwestfalen voleva prioritizzare i clienti internazionali in base a siti di produzione, tipi di macchine installate, segnali di espansione e necessità di servizio. Con una configurazione puramente Closed-API, il calcolo nel pilota sembrava buono. 400 account. Gestibile. Quando abbiamo estrapolato il modello a 48.000 profili aziendali, 17 lingue e aggiornamenti mensili, la discussione è cambiata. Improvvisamente non si trattava più della qualità del modello, ma di costi variabili e ripetibilità.

È qui che i modelli aperti diventano interessanti. Non perché siano sempre migliori. Non lo sono. Ma perché per compiti ricorrenti, specifici del dominio e con una chiara struttura dei dati, sono spesso abbastanza buoni e offrono maggiore controllo sui costi e sulla distribuzione. Le vendite non hanno bisogno di un modello Frontier con il massimo ragionamento per ogni estrazione di firmografia. A volte è sufficiente un modello ben ottimizzato che riconosca in modo affidabile sedi di produzione, linee di prodotto, certificazioni e segnali di investimento.

AI nelle vendite: tabella di adozione e sviluppo del mercato

Tendenza 2: L'AI chiusa rimane forte, ma la logica dei costi è brutale

La seconda tendenza: l'AI closed source rimane dominante per le capacità generali, ma è ad alta intensità di capitale fino al punto di rottura. OpenAI avrebbe generato tra 13 e 25 miliardi di dollari di fatturato nel 2025, registrando contemporaneamente perdite nette tra 38 e 44 miliardi di dollari, secondo i dati ricercati. Per la metà del 2026 si stimano ricavi annualizzati tra 24 e 40 miliardi di dollari. Questo è forte. E tuttavia sono in gioco enormi somme di finanziamento.

Il round di finanziamento di OpenAI menzionato nel marzo 2026, di circa 122 miliardi di dollari con una valutazione post-money di circa 840-852 miliardi di dollari, si legge come un regime di mercato dei capitali a sé stante. Amazon con 50 miliardi di dollari, Nvidia con 30 miliardi di dollari, SoftBank con oltre 30 miliardi di dollari. Rapporti successivi nel settembre 2026 parlano di valutazioni tra 1,2 e 1,5 trilioni di dollari. Un'analisi di AI-Finance ha persino menzionato una possibile fattura di calcolo di 300 miliardi di dollari nei prossimi anni.

Anthropic gioca lo stesso gioco, solo con una tonalità diversa. I dati ricercati menzionano un IPO pianificato con circa 100 miliardi di dollari di capitale raccolto con una valutazione di 2 trilioni di dollari, Nvidia come possibile investitore di riferimento con fino a 10 miliardi di dollari e un impegno ad acquistare 30 miliardi di dollari di capacità Microsoft Azure su GPU Nvidia. Questo non è solo AI. Questo è un triangolo di laboratorio di modelli, contratto cloud e catena di fornitura di GPU.

Non voglio sminuire i modelli chiusi. Chi lo fa, vende ideologia. OpenAI, Anthropic e Gemini sono eccellenti per molti compiti: ragionamento complesso, analisi multimodale, codifica, lavoro di conoscenza generale, assistenza nei processi d'ufficio. Se un direttore vendite di Festo o Phoenix Contact imposta un sistema di conoscenza interno, un modello chiuso può fornire rapidamente valore. La velocità è importante. La velocità ottiene l'approvazione interna.

Ma l'AI chiusa ha un difetto che raramente compare nelle presentazioni pilota: il pilota è economico, la scalabilità è il prodotto. 50 utenti, qualche workflow, uno sconto aziendale amichevole. Poi arrivano riepiloghi CRM automatici, assistenti per le offerte, generazione di e-mail, note di riunione, scoring di siti web, analisi di documenti, sistemi RAG, traduzioni, classificazione dei servizi. Ogni processo tira token. Ogni mese diventa un conto di consumo. E a un certo punto il CFO si chiede perché le vendite abbiano improvvisamente una curva cloud che assomiglia a una mazza da hockey.

Il lock-in non è solo tecnico

Molti parlano di lock-in in riferimento alle API. Questo è troppo limitato. Il vero lock-in si crea nei formati di dati, nelle catene di prompt, nei set di valutazione, nelle abitudini degli utenti, nei processi di amministrazione, nei sistemi di autorizzazione e nella formazione interna. Se il vostro reparto vendite ha costruito la sua logica ICP, i suoi punteggi account, i suoi playbook e i suoi template di outreach su un modello chiuso per 18 mesi, non cambierete semplicemente fornitore il venerdì a mezzogiorno.

Un amministratore delegato di Augusta, Thomas, dirige un produttore di componenti con circa 420 dipendenti. Mi ha detto nell'aprile 2026: 'Abbiamo imparato con l'ERP cloud che un cambiamento non fallisce per il prezzo, ma per l'operatività.' Esatto. L'AI sarà simile. Solo più veloce. E con meno standard.

Per questo motivo, non sono d'accordo con il consiglio che le PMI dovrebbero semplicemente scegliere il miglior fornitore chiuso e ottimizzare in seguito. 'In seguito' è una parola pericolosa. In seguito i dati sono sparsi, gli utenti sono formati, i workflow sono cablati e l'ufficio acquisti ha firmato un contratto triennale. Allora non negozierete più alla pari. Allora negozierete come clienti dipendenti.

Tendenza 3: L'ibrido diventa obbligatorio, ma non come compromesso

La terza tendenza è la risposta pragmatica: le architetture ibride si stanno affermando. Non per desiderio di armonia. Ma perché né l'aperto né il chiuso da soli sono abbastanza puliti. Chiuso per il lavoro di conoscenza generico, il ragionamento complesso e i prototipi veloci. Aperto per carichi di lavoro ricorrenti, dati sensibili, classificazione specifica del settore, funzionamento on-prem o in cloud sovrano. Questo non è un compromesso. Questo è gestione del rischio.

Vedo un modello nei produttori DACH: i processi vicini all'ufficio vanno prima su piattaforme chiuse. Microsoft Copilot, Azure OpenAI, ChatGPT Enterprise, Gemini nello stack Google. I processi vicini alla produzione, strategici per le vendite o ad alto contenuto di IP vengono trattati con maggiore cautela. Documenti CAD-correlati, calcoli di offerte, prezzi speciali per i clienti, reclami tecnici, rapporti di servizio, parametri delle macchine. Lì nessuno vuole che i dati viaggino senza che qualcuno in azienda possa spiegare il percorso.

Questo suona come governance IT, ma è business. Se un costruttore di macchine vuole difendere il suo margine sui pezzi di ricambio con un agente AI che raggruppa i casi di servizio, prevede il fabbisogno di pezzi di ricambio e avvisa le vendite sui segnali di abbandono, allora non è un chatbot. È controllo del fatturato. Se un fornitore automobilistico come Brose o Schaeffler collega dati dei fornitori, messaggi di qualità e cronologie degli account, allora si tratta di potere negoziale. Non di una bella interfaccia.

Il mercato dell'AI agentica aziendale dovrebbe crescere da 2,6 miliardi di dollari nel 2024 a 24,5 miliardi di dollari nel 2030, con un CAGR di circa il 46%, secondo Grand View Research. MarketsandMarkets vede il mercato più ampio degli agenti AI crescere da 5,26 miliardi di dollari nel 2024 a 52,62 miliardi di dollari nel 2028. Se la cifra esatta alla fine sia corretta? Onestamente? Non lo so. Ma la direzione è chiara: l'AI sta passando dai sistemi di risposta ai sistemi di azione.

E i sistemi di azione richiedono controllo. Un agente AI che formula solo testi è carino. Un agente AI che prioritizza gli account, prepara le offerte, avvia sequenze di follow-up, scala i casi di servizio o contatta i fornitori, interviene nei processi. Allora un test dello strumento non è sufficiente. Allora sono necessari diritti, log, approvazioni, fallback, limiti di costo, routing del modello e un team che capisca quando utilizzare un modello chiuso e quando un modello aperto.

Cosa vediamo concretamente in Amplifa

Cosa vediamo concretamente in Amplifa: negli ultimi 12 mesi, nelle implementazioni con aziende industriali, meccaniche e di servizi tecnici nella regione DACH, abbiamo osservato che i progetti AI nelle vendite quasi mai falliscono per la generazione di testo. Falliscono per la prima fase dei dati. In 31 dei 44 setup Go-to-Market analizzati, i criteri ICP erano presenti in almeno quattro sistemi separati: CRM, ERP, Excel, dati del sito web e spesso anche nelle menti di due venditori senior. In 19 casi, i team non sono riusciti a spiegare prima dell'inizio del progetto perché un account con punteggio 82 dovesse essere migliore di uno con punteggio 54. Questo non è un problema di AI. Questo è un problema di gestione delle vendite con sintomi di AI.

Ancora più concretamente: nei produttori con prodotti che richiedono spiegazioni, vediamo regolarmente che i modelli aperti sono sufficienti per il lavoro preparatorio strutturato, mentre i modelli chiusi sono più forti per la personalizzazione complessa. Un modello che funziona: un modello open-weight estrae caratteristiche aziendali, note di produzione, certificazioni, mercati di esportazione e segnali di assunzione da fonti pubbliche. Un modello closed-frontier scrive poi un'ipotesi precisa per l'Account Executive. Poi un essere umano la revisiona. Non romantico. Efficace.

In un progetto con un fornitore tecnico della Germania meridionale, il tempo di ricerca manuale per account target è sceso da 22 minuti a meno di 6 minuti, misurato su 1.200 account nel periodo gennaio-marzo 2026. Allo stesso tempo, la percentuale di account con almeno un trigger affidabile è aumentata dal 34 al 71 percento. Nessun nuovo venditore. Nessun poster motivazionale. Solo una migliore acquisizione dei dati, routing dei modelli e un ICP che non si basava sull'istinto.

Questa è la parte che mi infastidisce in molte riunioni del consiglio: si parla di AI come se il fornitore del modello fosse la strategia. Sbagliato. La strategia risiede nella domanda su quale decisione di vendita viene automatizzata, supportata o consapevolmente non automatizzata. Chi può prioritizzare un account? Chi può attivare un messaggio? Quali dati possono entrare nel modello? Quanto costa un appuntamento qualificato se la ricerca, l'outreach e il follow-up sono parzialmente automatizzati?

Amplifa ICP Playbook Un playbook pratico per definire chiaramente i clienti target, i segnali di acquisto e la prioritizzazione degli account nelle vendite B2B, prima che l'AI venga scalata.

AI aperta vs. chiusa: la logica di business per i produttori

Per le aziende manifatturiere nel DACH, ci sono quattro criteri fondamentali: curva dei costi, controllo dei dati, capacità di integrazione e potere negoziale. Tutto il resto è accessorio. So che sembra brusco. Ma quando si parla con amministratori delegati che devono difendere i margini nel settore dei componenti, spiegare i prezzi dell'energia, stabilizzare le catene di approvvigionamento e allo stesso tempo costruire nuovi servizi digitali, si perde rapidamente la pazienza con le slide sull'AI che promettono solo efficienza.

L'AI chiusa eccelle all'inizio. Si acquista l'accesso, si ottengono modelli potenti, si utilizzano le strutture cloud e di sicurezza esistenti e si possono costruire applicazioni produttive in settimane. Questo ha senso per molte PMI, perché i team AI interni sono piccoli. Un direttore vendite di un fornitore Kärcher nella regione di Stoccarda non creerà prima un proprio team MLOps solo per migliorare i testi delle offerte. Comprensibile.

L'AI aperta eccelle nel controllo e nella ripetizione. Se un processo viene eseguito migliaia di volte al giorno, con una struttura dati stabile e informazioni sensibili, allora vale la pena ospitarlo in proprio o in un cloud sovrano. Non sempre. Ma più spesso di quanto molti consulenti ammettano. Soprattutto per il lead scoring, la classificazione dei documenti, la tassonomia tecnica, l'analisi dei bandi di gara, il matching dei pezzi di ricambio e la ricerca interna di conoscenza in documenti riservati.

Nel 2026 non consiglierei a nessuna PMI di puntare completamente sull'open source se non ha competenze di integrazione. Sarebbe negligente. Ma non consiglierei nemmeno a nessuno di incollare tutti i processi AI strategici su una piattaforma chiusa. Questo è comodo, finché non arriva il conto o il responsabile della protezione dei dati nel comitato direttivo diventa improvvisamente molto silenzioso.

Costi: Capex contro Opex è troppo semplice

Molti lo presentano in modo sbagliato: open source uguale Capex, closed source uguale Opex. Non è così semplice. Un modello aperto può essere Opex anche tramite hosting gestito. Un modello chiuso può sembrare più prevedibile tramite contratti aziendali. La vera domanda è: quanto l'utilizzo scala con il vostro successo aziendale?

Se il vostro sistema AI analizza ogni nuovo lead, ogni modifica del sito web, ogni bando di gara, ogni protocollo di servizio e ogni nota CRM, i costi aumentano con l'attività. Questo non è un male. Solo che deve rientrare nell'economia unitaria. Un processo di vendita che con l'AI trova il triplo degli account rilevanti, ma genera il 18 percento in più di costi di strumenti e token per chiusura, deve essere valutato diversamente da un classico abbonamento SaaS.

Per un produttore di medie dimensioni con un budget AI annuale di 1-3 milioni di euro, ritengo realistico che una strategia solo chiusa impegni circa il 50-70 percento di questo budget in costi di utilizzo entro il 2028, se le vendite, il servizio e l'ingegneria automatizzano ampiamente. Questo intervallo non è una verità analitica. È un'ipotesi di pianificazione basata su conversazioni e proiezioni. Ma costringe alla giusta discussione.

Sovranità dei dati: le PMI sottovalutano i propri asset

Molti produttori parlano di dati come se ne avessero troppo pochi. Di solito non è vero. Hanno troppo pochi dati utilizzabili. Questo è diverso. Nei rapporti di servizio c'è conoscenza del prodotto. Nelle offerte perse c'è sensibilità al prezzo. Nei reclami c'è informazione sulla concorrenza. Negli ordini di pezzi di ricambio c'è la base installata. Nei vecchi rapporti di visita c'è la logica del centro di acquisto. L'odore dell'archivio cartaceo non è digitale, ma il valore è reale.

Chi rende questi dati utilizzabili nell'AI, costruisce un asset. Chi li disperde in sistemi esterni senza controllo, si rende dipendente. Il GDPR è solo la superficie legale. Per molti costruttori di macchine, la protezione dei segreti commerciali è più importante: condizioni speciali, costruzioni specifiche del cliente, problemi di consegna, difetti di qualità, parametri di processo. Questi non sono dati che si spingono alla leggera in una scatola nera.

La strategia dell'UE di aumentare la quota europea della capacità di calcolo globale dell'AI dal 5 al 15 percento entro il 2030, con 100 miliardi di euro di investimenti pubblici e 1,5 trilioni di euro di investimenti privati, mostra la direzione. L'Europa vuole più controllo su calcolo, modelli e spazi dati. Le PMI non dovrebbero leggerlo come un documento di Bruxelles. Dovrebbero leggerlo come una strategia di acquisto.

FAQ: Le PMI dovrebbero preferire l'AI open source?

No, non in generale. Chi ha poca maturità dei dati, nessun partner di integrazione e nessun caso d'uso chiaro, spesso si trova meglio con piattaforme chiuse per iniziare. Ma ogni produttore di medie dimensioni dovrebbe costruire almeno un'opzione di modello aperto come architettura di riferimento. Non per principio. Come ancoraggio del prezzo, via di fuga e strato di controllo.

FAQ: Dove l'AI chiusa è superiore nelle vendite?

L'AI chiusa è forte quando i compiti sono ampi, non strutturati e linguisticamente impegnativi. Ipotesi sugli account, briefing per i dirigenti, varianti complesse di e-mail, preparazione di colloqui per comitati di acquisto internazionali. Un buon modello chiuso può fornire qui una qualità per la quale modelli aperti più piccoli richiederebbero più ottimizzazione. Io stesso utilizzo tali modelli. Ma non ciecamente per ogni processo.

FAQ: Dove l'AI aperta è migliore nelle vendite?

L'AI aperta è spesso migliore per compiti ripetibili, specifici del dominio e sensibili: classificazione dei clienti target, estrazione di caratteristiche tecniche, scoring dei segnali aziendali, ricerca interna di conoscenza, analisi degli archivi di offerte. Lì non conta la risposta più brillante, ma la ripetibilità stabile, i bassi costi marginali e il controllo sui flussi di dati.

Cosa significa questo per amministratori delegati e investitori

Per gli amministratori delegati delle PMI, la prima conseguenza è semplice: l'AI deve rientrare nella pianificazione strategica e di bilancio, non nella cartella dell'innovazione. Se la spesa aziendale per la GenAI aumenta da 11,5 a 37 miliardi di dollari in un anno, allora fornitori, integratori e piattaforme venderanno in modo più aggressivo. Il vostro ufficio acquisti vedrà offerte che sembrano produttività e sanno di vincolo cloud di tre anni.

Per gli investitori, la domanda è ancora più acuta. Se investite in un produttore o lo valutate, in futuro dovrete sapere se le capacità AI dell'azienda sono asset propri o solo prompt noleggiati. Un'azienda che ha costruito la sua logica ICP, i suoi dati account, le sue classificazioni tecniche e la sua automazione dei processi in modo agnostico rispetto al modello, è più robusta. Un'azienda i cui workflow AI dipendono completamente da uno strumento chiuso, porta un rischio di piattaforma.

In una due diligence dal 2027 in poi, chiederei molto concretamente: quali modelli vengono utilizzati per quali processi? Quali dati lasciano l'UE? Esiste un'opzione di uscita per i workflow critici? Quanto costano i costi AI per offerta, per caso di servizio, per appuntamento qualificato? Quali dati di valutazione appartengono all'azienda? Chi può gestire il sistema se il fornitore cambia i prezzi?

Sembra duro. E deve esserlo. Chi vende l'AI come moltiplicatore, deve accettare che anche gli errori vengono moltiplicati. Un ICP scadente non migliora con l'AI. Viene implementato più velocemente. Una scarsa disciplina CRM non viene curata con l'AI. Viene solo riassunta in modo più carino. Un processo di vendita senza chiare responsabilità non diventa autonomo con gli agenti. Diventa caotico.

Preparare l'AI nelle vendite: 7 passi per il 2026

1. Separate i casi d'uso in base al rischio dei dati. Testi d'ufficio, ricerca pubblica di account e lavoro di conoscenza interno non appartengono allo stesso calderone di calcoli di offerte, documenti CAD-correlati o rapporti di servizio con segreti del cliente.
2. Calcolate il TCO su tre anni. Non solo i costi di licenza. Includete token, utenti, chiamate API, hosting, integrazione, monitoraggio, sicurezza, formazione e cambio di fornitore. Un pilota senza calcolo di scalabilità è materiale di vendita.
3. Costruite un routing dei modelli. Definite quali compiti può svolgere un modello chiuso Frontier e quali un modello aperto. Lo stack migliore non utilizza sempre il modello migliore, ma quello più adatto.
4. Definite il vostro ICP leggibile dalla macchina. Settori, dimensioni aziendali, impianti, certificazioni, segnali di espansione, trigger, criteri di esclusione. Se il vostro Ideal Customer Profile esiste solo in PowerPoint, l'AI non può scalarlo correttamente.
5. Create set di dati di valutazione da casi reali. 100 account vinti, 100 account persi, 100 lead scadenti, casi di servizio reali, documenti di offerta reali. Senza valutazione, discutete la qualità del modello a sensazione.
6. Negoziate le clausole sui dati e sui prezzi in anticipo. Con i fornitori chiusi: residenza dei dati, nessun addestramento sui dati del cliente, possibilità di esportazione, stabilità dei prezzi. Con i partner aperti: SLA, hardening della sicurezza, modello operativo, IP congiunta.
7. Create una responsabilità nel business. Non solo IT. Vendite, servizio, ingegneria e controllo devono comprendere i costi e le decisioni dell'AI. Altrimenti l'IT costruisce una piattaforma che nessuno gestisce economicamente.

Questi passaggi sembrano aridi. Bene. I passaggi aridi prevengono le lacrime nel comitato direttivo. Ho visto troppi progetti AI in cui dopo sei mesi nessuno sapeva se il sistema generava fatturato o solo attività. Soprattutto nelle vendite, l'attività è l'indicatore più pericoloso. Più e-mail non sono un progresso. Più conversazioni appropriate sì.

Prodotto Amplifa Amplifa aiuta i team B2B a identificare i clienti target basandosi sui dati, a prioritizzare i segnali e a costruire processi di vendita basati sull'AI in modo controllato.

Come può apparire uno stack AI ibrido nelle PMI

Uno stack ibrido utilizzabile non inizia dal modello. Inizia dalla mappa dei processi. Quali decisioni di vendita vengono prese oggi? Selezionare l'account, comprendere il Buying Center, trovare l'occasione, formulare il messaggio, impostare i tempi, pianificare il follow-up, preparare l'offerta, riconoscere il rischio. Ogni decisione riceve fonti di dati, responsabili e un livello di automazione. Solo allora arriva la questione del modello.

Per i dati aziendali pubblici, un modello aperto può essere sufficiente, eseguito su una propria infrastruttura o presso un fornitore europeo. Estrae caratteristiche rilevanti da siti web, dati del registro di commercio, annunci di lavoro, comunicati stampa e database di certificati. Esempio: un produttore espande uno stabilimento in Repubblica Ceca, cerca tecnici di manutenzione con esperienza Siemens S7 e menziona nuove linee di imballaggio. Questo è un segnale. Non un segnale magico. Ma migliore di 'L'azienda ha 500 dipendenti'.

Per la formulazione di un'ipotesi esecutiva, un modello chiuso può essere utile, purché non vengano inseriti dati riservati o vengano mascherati correttamente. L'Account Executive non riceve quindi 'Ciao, volevo presentarmi brevemente', ma un'ipotesi: 'La vostra espansione a Brno probabilmente aumenterà la necessità di processi di manutenzione standardizzati per la linea X; in stabilimenti simili riscontriamo colli di bottiglia nella disponibilità di pezzi di ricambio.' Questo è vendita. Non spam.

Per la ricerca interna di conoscenza negli archivi di offerte, sarei più cauto. Lì ci sono prezzi, sconti, soluzioni tecniche speciali, clausole legali. Un modello aperto in un ambiente controllato può essere la scelta migliore. Forse con Retrieval-Augmented Generation, forse con una logica di ruolo rigorosa, forse con approvazione umana. L'importante è: nessuno copia PDF di offerte in una finestra di chat perché è più veloce.

L'orchestrazione dei workflow è sottovalutata. Temporal, finanziata secondo i dati ricercati nel settembre 2026 con 550 milioni di dollari Series E con una valutazione di 12,55 miliardi di dollari, mostra quanto siano importanti i processi robusti. L'AI senza orchestrazione è un video demo. L'AI con orchestrazione può supportare un processo: recuperare dati, scegliere il modello, verificare il risultato, aggiornare il CRM, ottenere l'approvazione, creare un'attività.

Perché le strategie puramente inbound non bastano nella produzione

Lo dico in modo schietto: chi nel 2026 nel B2B industriale si affida ancora a una strategia puramente inbound, tra cinque anni non avrà più una pipeline affidabile. Non perché l'inbound sia morto. Ma perché gli acquirenti diventano più invisibili, i bandi di gara arrivano più tardi e i decisori tecnici consumano informazioni molto prima di compilare un modulo. Se reagite solo quando il lead è nel sistema, spesso siete già sostituibili.

L'AI cambia le regole del gioco. I buoni team di vendita non aspettano i lead. Riconoscono i movimenti del mercato: espansioni di stabilimenti, nuove linee di prodotti, cambi di gestione, sovvenzioni, nuove normative, annunci di lavoro, problemi nella catena di approvvigionamento, brevetti, annunci di fiere. Un team che cerca questi segnali manualmente non riesce a tenere il passo. Un team che li raccoglie automaticamente e li valuta male, produce rumore. Un team che combina l'AI con un ICP pulito, costruisce la pipeline prima.

Markus, direttore vendite di un costruttore di impianti vicino a Ulm, mi ha detto nel giugno 2026: 'Le nostre migliori opportunità non sono mai nel CRM prima che qualcuno le abbia cercate.' Esatto. Il CRM è spesso uno specchietto retrovisore. L'AI può essere un radar. Ma solo se i segnali sono corretti e le vendite non considerano ogni traccia generata automaticamente un'opportunità.

Il ruolo della regolamentazione e della sovranità

L'AI Act, il GDPR, la NIS2 e i requisiti specifici del settore non rendono l'Europa più semplice. Ma rendono il dibattito più onesto. I produttori DACH non possono far finta che i flussi di dati siano irrilevanti. Soprattutto le aziende con legami con l'automotive, la difesa, il medtech o la chimica devono sapere dove vengono elaborati i dati, chi ha accesso e come vengono registrate le decisioni.

I modelli Open-Weight si adattano quindi bene alla politica industriale europea. Consentono un maggiore controllo locale, una maggiore auditabilità e una maggiore adattabilità ai requisiti specifici del dominio. Ma ancora una volta: aperto non significa automaticamente conforme. Un sistema open source mal configurato è altrettanto pericoloso di un contratto chiuso mal negoziato. La differenza è che con l'open source spesso si ha più margine di manovra.

L'iniziativa Francia-UAE di circa 1 miliardo di dollari per una costellazione di satelliti AI con 50 satelliti di osservazione terrestre mostra quanto sia ampio il concetto di sovranità. Non si tratta solo di chatbot. Si tratta di fonti di dati, calcolo, modelli, applicazioni. Per i produttori questo significa: la catena del valore dell'AI si allunga. E chi acquista solo uno strumento alla fine, non capisce la leva.

Importi degli investimenti: cosa significano davvero i mega-round

I mega-round non sono una prova del valore per il cliente. Questo va detto. Il capitale può anche significare surriscaldamento. Ma le dimensioni mostrano dove si creano dipendenze strategiche. OpenAI con un round di finanziamento di 122 miliardi di dollari nel marzo 2026, Anthropic con possibili piani di IPO da 100 miliardi di dollari, Mistral con 3 miliardi di euro Series D, Hugging Face con una valutazione a doppia cifra di miliardi, Temporal con 12,55 miliardi di dollari. Questa è la nuova mappa delle infrastrutture.

Per le PMI, questo contiene un avvertimento. I fornitori con esigenze di capitale estreme devono prima o poi mostrare un rendimento. Il rendimento deriva da prezzi, bundling, consumo, controllo della piattaforma o quota di mercato. Se vi trovate su una piattaforma che deve gestire una fattura di calcolo di 300 miliardi di dollari, non dovreste aspettarvi che i vostri prezzi API rimangano amichevoli a lungo termine.

Negli ecosistemi aperti la logica è diversa, ma non gratuita. Il valore si crea nell'hosting, nell'integrazione, nella sicurezza, nel supporto, nel fine-tuning, nella valutazione e nell'operatività. Questa è un'opportunità per gli integratori europei e i fornitori specializzati. Per i clienti è lavoro. Bisogna scegliere i partner, gestire l'architettura e misurare i risultati. In cambio si riacquista potere negoziale.

Collegamento tra architettura AI e gestione della pipeline

La gestione della pipeline è spesso trattata come una disciplina di vendita. Previsioni, fasi, probabilità, passi successivi. Tutto corretto. Ma l'AI sposta la gestione della pipeline in avanti. La domanda cruciale non è più solo quali opportunità sono nel CRM. Ma quali account non sono ancora nel CRM, anche se potrebbero acquistare tra 6 e 18 mesi.

Qui si separa il giocattolo dal sistema. Un approccio solo chiuso può fornire rapidamente buoni testi e riassunti. Un approccio open-friendly può aiutare a elaborare grandi quantità di dati esterni e interni in modo efficiente in termini di costi. Un approccio ibrido combina entrambi: modelli aperti per il rilevamento di segnali su larga scala, modelli chiusi per comunicazioni complesse, approvazione umana per passaggi critici per il business.

Le PMI non hanno bisogno di un'AI che produca più output. Hanno bisogno di un'AI che imposti meno priorità sbagliate. Questa è una frase piccola con grandi conseguenze. Meno account scadenti. Meno follow-up irrilevanti dopo le fiere. Meno 'Ci faremo sentire'. Più conversazioni con aziende che hanno un trigger concreto, un bisogno appropriato e un Buying Center raggiungibile.

Previsione personale: 2027-2029

La mia previsione personale per i prossimi due o tre anni: il 2027 sarà l'anno del consolidamento dell'AI nelle PMI. Molte aziende avranno 8-15 strumenti in uso, ma ne manterranno solo 2-4. Non perché gli altri siano scadenti. Ma perché la proliferazione di strumenti senza una strategia sui dati è fastidiosa, costosa e confonde le responsabilità.

Il 2028 sarà l'anno della verifica dei costi. I CFO non accetteranno più che l'AI passi come budget di innovazione. Vorranno vedere i costi per operazione: per lead qualificato, per offerta, per caso di servizio, per documentazione tecnica, per ticket di supporto. Allora si vedrà chi ha separato correttamente Open e Closed fin dall'inizio. E chi ha semplicemente applicato lo stesso modello ovunque.

Il 2029 sarà l'anno del potere negoziale. Le aziende con workflow agnostici rispetto al modello, dati di valutazione propri, chiara classificazione dei dati e alternative aperte avranno prezzi migliori e un controllo maggiore. Le aziende senza queste basi dovranno spiegare la loro strategia AI all'indietro: dal fornitore, non dal business. Questo è raramente un buon segno.

Non credo alla narrazione romantica che l'open source vince tutto. Non credo nemmeno alla comoda narrazione che le grandi piattaforme chiuse risolvano tutto meglio. Il mercato diventerà più brutto, più pratico e più industriale. Proprio per questo si adatta alle PMI.

Alla fine, non vincerà il produttore che mostra la demo AI più spettacolare. Vincerà chi sa quali dati possiede, quali processi deve controllare e quali dipendenze può permettersi. Sul banco da lavoro suona poco spettacolare. Nel conto economico no.