I numeri, quando arrivano da un istituto come Gartner, hanno il peso di un verdetto. E il verdetto, per le aziende che hanno investito cifre importanti nell’AI conversazionale, è scomodo: i clienti preferiscono di gran lunga ChatGPT al chatbot costruito in casa. Non un dettaglio: secondo il sondaggio condotto su 3.566 consumatori, la probabilità che un utente scelga uno strumento di GenAI indipendente per risolvere un problema di servizio è circa tre volte superiore rispetto a quella di rivolgersi all’assistente virtuale ufficiale dell’azienda.

Il dato rovescia la retorica degli ultimi due anni, in cui le imprese hanno corso per dotarsi di assistenti AI proprietari nella convinzione di offrire un’esperienza migliore e più personalizzata. Invece, il pubblico sembra mettere sullo stesso piatto indipendenza percepita, qualità delle risposte e, probabilmente, fiducia. ChatGPT non ha legami con il brand, non cerca di vendere nulla e – almeno nell’immaginario collettivo – non conserva le conversazioni per addestrare modelli interni (anche se la realtà tecnica è più sfumata). Un chatbot aziendale, per quanto rifinito, viene percepito come uno strumento “di parte”, e questo incrina la disponibilità all’uso.

Per chi segue il settore da una prospettiva tecnica, il campanello d’allarme suona sul fronte dell’architettura e della sovranità dei dati. Molte aziende, nel tentativo di accelerare, hanno adottato API cloud di LLM di terze parti: la strada più rapida per avere un chatbot funzionante. Ma così facendo, ogni interazione con il cliente finisce su server esterni, fuori dal perimetro di controllo. Se la sfiducia nasce anche dalla sensazione di opacità, il circuito può diventare vizioso: un chatbot costruito su infrastruttura cloud condivisa rischia di apparire meno affidabile di un ChatGPT pubblico, vanificando l’investimento.

Da qui, una riflessione che tocca il cuore della missione di AI-RADAR: il deployment on-premise di LLM, o in ambienti ibridi con controllo granulare dei dati, non è più un esercizio di nicchia per privacy estreme. Diventa una leva competitiva per ricostruire la fiducia digitale. Quando l’intero stack – dall’inference alla gestione dei log – resta sotto la responsabilità diretta dell’azienda, è possibile comunicare con trasparenza le modalità di trattamento dei dati, rispettare alla lettera il GDPR e offrire prestazioni paragonabili a quelle dei modelli pubblici, a patto di dimensionare correttamente l’hardware. Non è una scelta banale: richiede competenze interne, investimenti in GPU con sufficiente VRAM per gestire inference e fine-tuning, e un’analisi attenta del TCO. Ma i numeri di Gartner suggeriscono che la scorciatoia del cloud “chiavi in mano” potrebbe non pagare a lungo termine.

C’è un ulteriore strato di lettura. L’affezione a ChatGPT segnala che gli utenti stanno sviluppando un’alfabetizzazione nuova: riconoscono la qualità di un LLM e la pretendono ovunque. Non basta più un chatbot basato su regole o su modelli leggeri mal quantizzati. Il pubblico misura l’assistente aziendale con lo stesso metro del modello generalista che usa ogni giorno, e se il divario è troppo ampio, volta le spalle. Questo mette pressione sulle aziende affinché adottino modelli aggiornati, curino il dataset di fine-tuning specifico per il dominio e garantiscano latenze accettabili anche in self-hosting – un equilibrio tecnico tutt’altro che scontato.

La lezione di Gartner, in fondo, è una lezione di umiltà per l’AI enterprise. Non ci si guadagna la fiducia dei clienti con un widget sulla home page: serve un’esperienza all’altezza, costruita su fondamenta tecniche solide e governata in modo trasparente. Per chi oggi riflette su come impostare la propria strategia AI, il dato non è un punto di arrivo ma una domanda aperta: l’architettura che avete scelto è davvero la migliore per farvi preferire, o state soltanto alimentando il traffico del rivale?