Perché la decisione gratis vs pagamento non si risolve guardando il canone mensile
Quando un team dirigenziale chiede se può risparmiarsi l’abbonamento a un LLM usando la versione gratuita, la risposta onesta è: dipende dal volume, dalla riservatezza dei dati e da quanto tolleri che il modello cambi senza avvisare. Ho visto aziende migrare da un piano gratuito a uno corporate non per la qualità delle risposte, ma perché l’ufficio legale si è accorto che i prompt delle risorse umane stavano circolando attraverso un account personale di un dipendente.
Il costo reale di un LLM in produzione raramente è la licenza. È l’integrazione, il controllo degli accessi, l’audit di ciò che viene inviato al modello e il tempo che qualcuno dedica a rivedere gli output. Con questo in mente, conviene separare tre scenari: uso individuale esplorativo, uso di team con dati interni e uso integrato in un prodotto o flusso automatizzato. Ognuno ha una risposta diversa su se il gratuito basti.
Cosa offre realmente il livello gratuito (e dove si rompe)
I piani gratuiti degli assistenti conversazionali tipo ChatGPT, Gemini, Claude o Copilot sono migliorati abbastanza per attività di redazione, riassunto di documenti pubblici e generazione di bozze di codice. Secondo la documentazione ufficiale di ciascun fornitore, le limitazioni tipiche sono: quote di messaggi per finestra temporale, accesso a modelli più piccoli o con meno contesto, e meno controllo sull’uso dei tuoi dati per l’addestramento (anche se la maggior parte permette già di disattivarlo sugli account personali, non sempre in tutte le regioni né in tutti i piani).
Il punto di attrito compare quando il volume cresce. Un team di marketing che genera 200 descrizioni di prodotto a settimana esaurisce i limiti e inizia a distribuire le attività tra account personali. Lì non si perde solo la tracciabilità: si perde la possibilità di mantenere un tono di marca coerente perché ogni dipendente usa un modello diverso con istruzioni diverse.
Il dettaglio che quasi nessuno guarda: la finestra di contesto
In prove con contratti di locazione di 60 pagine, i modelli gratuiti tendono a troncare o riassumere in modo aggressivo quando il documento supera una certa soglia di token. La conseguenza pratica è che il modello «dimentica» clausole dell’inizio. Se il tuo caso d’uso è l’analisi documentale lunga, la versione gratuita non è un’alternativa reale, per quanta qualità abbia in conversazioni brevi.
Alternative a pagamento: cosa stai comprando oltre al modello
I piani di team (Business, Team, Enterprise secondo il fornitore) aggiungono tre cose che le aziende sottovalutano finché non ne hanno bisogno:
- Amministrazione centralizzata: attivazione e disattivazione degli utenti, SSO, registro delle conversazioni. Quando un dipendente se ne va, non si porta via lo storico né la configurazione.
- Garanzie contrattuali sui dati: impegni di non addestramento con i tuoi contenuti e conservazione limitata. Senza questo, un uso con dati dei clienti è un rischio che il team legale non dovrebbe assumersi.
- Limiti più alti e modelli grandi: accesso alla versione più capace, contesto esteso e meno restrizioni d’uso.
Ora, pagare non ti dà automaticamente un buon deployment. Ho visto licenze corporate sottoutilizzate perché nessuno ha definito i casi d’uso né formato il personale. L’abbonamento senza governance è spesa, non produttività.
API: l’opzione che molte PMI scartano per errore
C’è una terza via che non è né la chat gratuita né la licenza per postazione: consumare il modello via API e pagare per token. Per aziende con un volume moderato e un caso d’uso chiaro (classificazione di ticket, estrazione di dati dalle fatture, riassunto di email), questo modello di solito risulta più economico che acquistare 40 licenze. Il costo per token dei modelli piccoli è diminuito in modo costante secondo i prezzi pubblicati dai fornitori stessi.
Il rovescio della medaglia: serve qualcuno che sappia montare l’integrazione, gestire le chiavi e controllare la spesa. Senza un limite di consumo configurato, un loop programmato male può generare una fattura a sorpresa a fine mese. Questo non è teorico; è uno degli errori più comuni nei primi deployment.
Esempio concreto di decisione
Uno studio legale piccolo che voleva riassumere fascicoli ha optato per l’API con un modello a contesto lungo invece delle licenze. Il motivo non è stato il prezzo: era la possibilità che il documento non uscisse dalla loro infrastruttura senza passare da un’interfaccia dove chiunque potesse incollare testo. La licenza per postazione li obbligava a fidarsi della configurazione di ogni dipendente; l’API con un modulo controllato dava loro un punto unico di ingresso e di registrazione.
Modelli aperti e self-hosted: quando ha senso
Esiste una quarta via che guadagna terreno: modelli con pesi aperti eseguiti su server propri o su cloud privata. Il vantaggio è il controllo totale sui dati e la possibilità di adattare il modello a un dominio specifico. Lo svantaggio è che il costo di infrastruttura e manutenzione non è banale, e la qualità in attività complesse resta dietro ai modelli proprietari più grandi in molte valutazioni pubbliche.
Per un’azienda media senza team di machine learning, il self-hosting di solito è una promessa che si rompe nel primo mese: aggiornamenti, GPU, monitoraggio. Funziona bene quando c’è un requisito normativo forte o quando il volume giustifica lo sforzo. Per il resto, è una distrazione.
Confronto pratico per scenario
| Scenario | Opzione ragionevole | Rischio principale |
|---|---|---|
| Esplorazione individuale, dati pubblici | Piano gratuito | Limiti e cambi di modello senza avviso |
| Team con dati interni | Piano a pagamento con garanzie contrattuali | Bassa adozione se non c’è formazione |
| Automazione di un flusso specifico | API con limite di spesa | Fattura fuori controllo o fughe di chiavi |
| Dati sensibili o requisito normativo | Modello aperto self-hosted | Costo di manutenzione e qualità inferiore in attività complesse |
Cosa non funziona, anche se viene venduto come soluzione
Un LLM non sostituisce un sistema di gestione documentale né un CRM. Ho visto tentativi di usare la chat come base di conoscenza interna e il risultato è il caos: risposte diverse alla stessa domanda a seconda del giorno, senza fonte verificabile. Per la conoscenza aziendale serve la retrieval-augmented generation (RAG) con documenti indicizzati e controllo delle versioni. Questo implica ingegneria, non solo un abbonamento.
Non funziona bene neanche per calcoli esatti o per decisioni che richiedono tracciabilità normativa senza revisione umana. Secondo studi del settore, il tasso di errore in attività di ragionamento numerico resta un argomento sufficiente per mantenere la revisione in ambito finanziario e legale.
Come decidere senza cadere nel pilota eterno
La domanda utile non è «gratis o a pagamento», ma «quali dati passeranno attraverso il modello e cosa succede se vengono filtrati o sbagliano». Da lì:
- Inizia con il livello gratuito per calibrare se il caso d’uso apporta valore. Due settimane bastano.
- Se apporta valore, misura volume e sensibilità dei dati. Questo definisce se hai bisogno di contratto, API o deployment proprio.
- Documenta cosa viene inviato al modello e chi lo rivede. La maggior parte degli incidenti non viene dal modello, ma da prompt con informazioni che non dovevano uscire.
Non c’è una risposta universale. Ci sono aziende che funzionano perfettamente con la versione gratuita e una politica chiara su cosa non incollare mai in una chat, e altre che hanno bisogno di controllo dal primo giorno. Riconoscere in quale ti trovi è più prezioso di qualsiasi confronto di prezzi.