Sfoglia altri articoli simili con le etichette:
OpenAI ha annunciato a metà 2025 il superamento dei tre milioni di Custom GPT pubblicati sulla sua piattaforma. Anthropic, con Claude Projects, e Google, con Gemini Gems, hanno seguito con architetture simili. Tutti i materiali commerciali parlano di una nuova era del lavoro produttivo. La realtà operativa, dopo diciotto mesi di adozione, è più sobria.
Una parte di questi assistenti porta valore reale. Una parte molto più ampia è teatro.
Provo a fare un bilancio onesto, basato su quello che ho visto in Intarget Dubai con clienti enterprise e nella community AIPIA con professionisti italiani.
Cosa funziona davvero
I Custom GPT, e i loro equivalenti su Claude e Gemini, danno il loro meglio in tre scenari precisi.
Il primo è la standardizzazione di task ricorrenti. Un editor che riformatta articoli secondo uno stile redazionale, un classificatore di lead in entrata, un generatore di brief creativi che parte da template ricorrenti. Sono compiti dove le regole sono stabili e il volume è elevato. Lì la differenza tra fare un prompt ogni volta e avere un assistente preconfigurato vale ore di lavoro settimanali.
Il secondo è l’onboarding di conoscenza tribale. In una società di consulenza con cui ho lavorato di recente, abbiamo costruito un Custom GPT che incorpora 200 deliverable storici, il manuale metodologico interno e le linee guida sul tone of voice. I junior, quando devono produrre il primo draft di una proposta, ci passano. Il tempo medio di redazione del primo template è sceso del 40%, e i senior intervengono su una base già allineata.
Il terzo è il customer-facing controllato. Un Custom GPT esposto su un’area riservata, con vincoli severi su quello che può dire e che non può dire, può sostituire bene il primo livello di assistenza tecnica. Ho visto un produttore italiano di software gestionali abbattere del 28% i ticket di livello 1 in quattro mesi così.
Cosa non funziona, malgrado lo dicano i materiali commerciali
Il dramma dei Custom GPT, in quasi tutte le aziende che li hanno provati, è il ciclo di vita.
Si parte entusiasti, si costruiscono dieci o quindici assistenti, alcuni utili, altri ridondanti, altri ancora costruiti per stupire un capo che voleva “vedere qualcosa di AI”. Dopo due o tre mesi, di quei quindici assistenti ne sopravvivono tre o quattro. Gli altri vengono dimenticati, nessuno li manutiene, le knowledge base diventano stantie, qualcuno li scopre per caso e li usa malamente. Il debito tecnico cresce in silenzio.
Il secondo problema è la frammentazione delle piattaforme. Un’azienda usa Microsoft 365, e quindi Copilot e i suoi agenti. Un altro reparto preferisce ChatGPT Enterprise. Il marketing ha scoperto Claude e ne va matto. Il risultato è che lo stesso assistente “Brand Voice” esiste in tre versioni leggermente diverse su tre piattaforme. Nessuno è il riferimento. Nessuno è aggiornato.
Il terzo problema è la falsa scalabilità. I Custom GPT girano bene su 50 utenti. A 500 utenti emergono bottleneck di gestione (chi aggiorna la knowledge base, chi gestisce le permission, chi misura l’uso). A 5.000 servirebbe un layer di MLOps che pochissime aziende italiane hanno.
Il caso AgentKit e gli agenti veri
OpenAI ha rilasciato a fine 2025 AgentKit, un set di strumenti per costruire agenti AI con loop di tool-use, planning multistep, memoria. Anthropic, dalla sua, ha consolidato Claude con il Model Context Protocol (MCP) e la Computer Use. Google ha lanciato l’Agent Development Kit dentro Vertex AI.
Sono passaggi reali. Permettono di costruire workflow che eseguono operazioni, non solo conversazioni. Un agente che prenota la sala riunioni, prepara il brief, manda l’invito e aggiorna il CRM, ad esempio, non è più fantascienza.
La questione vera è: vale la pena costruirlo internamente o conviene aspettare che qualche vendor verticale lo impacchetti come SaaS? Nella mia esperienza, per workflow molto specifici (procedure interne, integrazioni con sistemi legacy), il build interno regge. Per workflow comuni (CRM, ticketing, social media management), entro 18-24 mesi i vendor di settore avranno feature equivalenti integrate, e il custom-built diventerà debito.
Quanto costa davvero
Un Custom GPT semplice su ChatGPT Team o Enterprise costa zero in build (oltre alle ore di chi lo configura). Una soluzione equivalente su Claude Projects o Gemini Gems, idem. Un agente costruito con AgentKit o MCP richiede invece tempo di sviluppo (50-200 ore tipiche per il primo prototipo serio), infrastruttura cloud, manutenzione.
I costi di esecuzione sono spesso sottostimati. Un Custom GPT usato dal marketing una decina di volte al giorno costa pochi euro al mese in token. Un agente customer-facing che gira 24/7 su mille utenti contemporanei può costare diverse migliaia di euro al mese in chiamate API e infrastruttura.
Il calcolo del ROI va fatto con onestà. Tre o quattro assistenti utilizzati davvero, da team che li hanno integrati nei flussi di lavoro, generano risparmi misurabili. Quindici assistenti orfani non generano nulla.
Cosa raccomando alle aziende italiane oggi
Prima cosa, identificare due o tre task ricorrenti che oggi consumano molte ore. Non chiedersi “dove possiamo usare l’AI”, ma “dove perdiamo tempo ogni settimana su processi standardizzabili”. I Custom GPT giusti nascono da lì.
Seconda cosa, scegliere una piattaforma principale. Per quasi tutte le aziende italiane oggi la scelta è tra Microsoft Copilot (se sono già Microsoft 365), ChatGPT Enterprise o Team (se hanno bisogno di flessibilità), Claude Team (se il caso d’uso è ad alto contenuto testuale e di ragionamento). Tenere assistenti su tre piattaforme contemporaneamente è una garanzia di debito tecnico.
Terza cosa, mettere una persona responsabile della manutenzione. Un AI Product Owner interno, anche part-time, che ogni mese passi gli assistenti, ne misuri l’uso, ne aggiorni la conoscenza, ne ritiri di obsoleti. Senza questa figura, qualsiasi investimento si erode da solo in sei mesi.
I Custom GPT non sono giocattoli, ma non sono nemmeno la soluzione magica che molti vendor raccontano. Sono uno strumento di produttività che richiede metodo per dare risultato. Lo dico anche nei materiali della community aipia.it, dove la formazione sui workflow AI è uno dei filoni più richiesti dai professionisti certificati.
Diciotto mesi dopo l’esplosione del fenomeno, il bilancio è questo: chi li sta usando con metodo guadagna ore. Chi li ha collezionati come trofei li sta dimenticando. La differenza, come sempre, la fa la disciplina, non la tecnologia.
