TL;DR: una piattaforma AI verticale conviene quando il valore sta nel completare un workflow, non nel chiamare un modello. Uno stack interno offre più controllo e flessibilità, ma obbliga l’azienda a costruire integrazioni, permessi, valutazioni e manutenzione. Per la maggior parte delle PMI sceglierei il verticale, mantenendo internamente dati, criteri di qualità e vie d’uscita.
Il segnale dietro il caso Model ML
Il 10 agosto 2026 OpenAI ha pubblicato il caso di Model ML, una piattaforma che usa GPT-5.6 Sol per produrre file PowerPoint ed Excel modificabili in workflow finanziari. Il punto interessante non è il nome del modello. È tutto ciò che gli sta attorno: un agente centrale pianifica il lavoro, seleziona gli strumenti, riconcilia le fonti, esegue calcoli e genera documenti nativi con riferimenti tracciabili.
Nei benchmark interni Composite di Model ML, GPT-5.6 Sol ha usato il 21% di token in meno per presentazione rispetto a Fable 5 e il 36% in meno per cartella Excel rispetto a Opus 5. Il tasso di output giudicati pronti per una revisione professionale è stato del 43,3% contro il 26,7% di Opus 5. Sono dati prodotti dall’azienda e rilanciati da OpenAI, quindi non vanno letti come benchmark indipendenti. Mostrano però dove si gioca la partita: non sulla risposta migliore in chat, ma sulla percentuale di lavoro che arriva davvero al revisore nel formato giusto.
Il criterio: costo del workflow completato
Confrontare una piattaforma verticale e uno stack costruito in casa guardando solo il prezzo dei token porta fuori strada. Il criterio utile è il costo di un workflow completato e verificabile. Dentro ci sono tempo umano, errori, rilavorazioni, integrazioni, monitoraggio, sicurezza e dipendenza dal fornitore.
Lo stesso principio vale fuori dalla finanza. Un’agenzia può ottenere una buona bozza di pagina WordPress da un modello generalista. Per arrivare a una modifica pubblicabile servono però accessi limitati, staging, controlli PHP e JavaScript, test visuali, rollback e approvazione. Il modello produce una parte del lavoro. Il sistema deve chiudere il resto.
Opzione A: comprare una piattaforma verticale
Il verticale parte avvantaggiato sul tempo di adozione. Model ML dichiara integrazioni con Excel, PowerPoint, Outlook e sistemi aziendali, oltre a strumenti per document review e workflow. Sul fronte sicurezza indica ambienti isolati, opzioni di deployment sull’infrastruttura del cliente, SSO e cifratura. Queste condizioni vanno verificate nel contratto e nel security assessment, ma descrivono il lavoro che una PMI evita di costruire da zero.
Il vantaggio più immediato è l’onboarding rapido. Gli output sono già aderenti al mestiere e la responsabilità operativa si concentra su un fornitore. Il team può misurare subito tempi, qualità e rilavorazioni su casi reali.
I contro sono altrettanto concreti. Il prezzo è spesso negoziato e poco confrontabile. Il workflow può adattarsi solo entro i confini del prodotto. Dati, prompt, valutazioni e storico operativo rischiano di restare legati alla piattaforma. Se il fornitore cambia modello, roadmap o condizioni, l’azienda ha poco margine.
Opzione B: costruire uno stack generalista
Lo stack interno parte dall’API del modello e aggiunge orchestrazione, retrieval, strumenti, audit log, permessi e interfaccia. GPT-5.6 Sol è disponibile via API e OpenAI indica un prezzo standard di 5 dollari per milione di token in input e 30 dollari in output. La materia prima è accessibile. Il costo vero è trasformarla in un processo affidabile.
Questa strada dà controllo su dati, interfacce e logica. Permette di cambiare modello, separare i task economici da quelli complessi e integrare sistemi specifici. È sensata quando il workflow è davvero distintivo, il volume giustifica lo sviluppo e c’è qualcuno che può mantenere eval, osservabilità e sicurezza.
Il rischio è costruire una demo che sembra un prodotto. Una chiamata API con un prompt ben scritto non sostituisce una suite di valutazione. OpenAI offre API dedicate agli eval, ma dataset, criteri, soglie e casi di regressione restano responsabilità di chi implementa. Anche la privacy richiede scelte precise: i dati API non vengono usati per addestrare i modelli per impostazione predefinita, mentre retention e controlli dipendono dagli endpoint e dalla configurazione.
Cosa cambia per PMI, WordPress e automazioni
Per una PMI userei una regola semplice. Se il processo è standard e il fornitore copre almeno l’80% del flusso, partirei dal verticale. Se il processo contiene logica proprietaria che incide sul margine o sull’esperienza cliente, valuterei uno stack interno. Non costruirei comunque tutto: terrei proprietari i dati, le rubriche di qualità e il livello di integrazione, lasciando al mercato ciò che è già commodity.
Su WordPress significa preferire un servizio pronto per traduzioni, supporto o analisi SEO quando il lavoro è comune. Per preventivi, configuratori, knowledge base riservate o automazioni che toccano ordini e CRM, serve invece un’integrazione controllata con ruoli minimi, log e approvazione umana. Sul web, la differenza non è tra plugin e codice custom. È tra un task reversibile e un workflow che può creare danni.
Prima di scalare, misurerei dieci o venti casi reali: tempo totale, percentuale di output accettati senza correzioni sostanziali, costo per pratica e numero di eccezioni. È lo stesso approccio descritto nell’analisi su come misurare il ROI AI prima di scalare un workflow.
Take finale: compra il workflow, costruisci il vantaggio
La mia scelta netta per una PMI è verticale prima, stack interno dopo. Comprare un workflow maturo riduce il tempo perso su parti invisibili ma necessarie. Costruire ha senso solo quando quella differenza diventa un vantaggio competitivo misurabile, non perché l’API sembra economica o il prototipo funziona.
Il caso Model ML rende evidente un punto: il modello migliore non basta. Vince il sistema che porta più lavoro alla revisione finale con fonti, formati e controlli già al loro posto. È lì che si misura il ROI.