Per mesi i founder hanno scommesso sugli agenti autonomi come leva definitiva per le vendite. L’utilizzo di software è salito alle stelle, i team hanno corso ad adottare ogni nuovo strumento. Eppure le pipeline commerciali B2B restano piatte. È il paradosso che fotografa lo stato reale dei go-to-market team: la pura adozione tecnicica non si traduce in risultati di business se il deployment resta scollegato dai dati proprietari e dai processi decisionali interni.

Il nodo non è tecnico, ma architetturale. La maggior parte degli strumenti adottati negli ultimi dodici mesi gira su cloud pubblici, con modelli generici e accesso limitato ai dati storici delle vendite, alle trattative in corso, ai segnali deboli che un commerciale esperto coglie al volo. Un agente che opera su API di terze parti, senza possibilità di fine-tuning sui dati aziendali, produce output ragionevoli ma sterili: non conosce le obiezioni ricorrenti di un settore verticale, non ha memoria delle negoziazioni passate con un cliente specifico, non può incrociare i silos interni — CRM, supporto, fatturato — perché i dati restano bloccati dietro firewall normativi o policy di compliance.

La conseguenza strutturale è un disallineamento tra investimento in AI e generazione di ricavi. Per i team che vendono a imprese, il valore di un LLM non sta nella fluidità della conversazione, ma nella capacità di modellare la catena decisionale del compratore con informazioni proprietarie. Questo tipo di modellazione richiede deployment self-hosted o ibridi, dove il modello gira su infrastruttura controllata, i dati non lasciano il perimetro aziendale e il fine-tuning diventa continuo, non un esperimento una tantum.

Chi guadagna e chi perde in questo scenario? I vendor di agenti cloud puramente API-based vedranno crescere la pressione sui prezzi e sulla dimostrazione di ROI, mentre le aziende che iniziano a spostare inference e addestramento su hardware on-premise — server con GPU ad alta memoria, soluzioni air-gapped per settori regolati — potrebbero scoprire un vantaggio competitivo non immediatamente visibile nei report trimestrali: la possibilità di iterare su modelli addestrati su dati che nessun concorrente può replicare. Non è una questione di potenza bruta, ma di pertinenza.

A livello di equilibri di settore, il paradosso dei pipeline piatti potrebbe accelerare il dibattito sul TCO dell’AI in azienda. Se il costo di abbonamento agli agenti cloud resta operativo (OpEx) ma il rendimento resta piatto, l’analisi CapEx per portare l’inference internamente — con hardware ammortizzabile e controllo totale su quantization, latenza e privacy — diventa un esercizio finanziario che i CFO iniziano a guardare con più attenzione. Non è un futuro lontano: è la domanda che molti team di revenue operations stanno ponendo dopo un anno di esperimenti deludenti. La tecnicia c’è. Il punto è dove la si fa girare.