La domanda che ci fanno quasi ogni settimana: "Perché non usare semplicemente ChatGPT? Costa meno, funziona già, non devo installare niente." È una domanda legittima. La risposta non è "perché il cloud fa schifo" — è molto più sfumata e dipende da cosa stai cercando di fare con l'AI.
Il confronto diretto: cosa cambia davvero
| Caratteristica | ChatGPT Enterprise / Copilot | AI On-Premise (Gaulin) |
|---|---|---|
| I tuoi dati restano in azienda | ✗ Elaborati su server USA/EU di OpenAI o Microsoft | ✓ Sempre nella tua infrastruttura |
| Conformità GDPR | ⚠ DPA presente, ma trasferimento extra-UE via SCC | ✓ Nessun trasferimento internazionale, privacy by design |
| Costo ricorrente | ✗ €20–60/utente/mese (per sempre) | ✓ Investimento one-time, poi costo quasi zero |
| Personalizzazione sul tuo dominio | ⚠ Limitata (prompt, no fine-tuning reale) | ✓ RAG sui tuoi documenti + fine-tuning possibile |
| Funziona senza internet | ✗ Richiede connessione costante | ✓ Gira in rete locale, anche offline |
| Dipendenza da vendor | ✗ Se OpenAI cambia prezzi o TOS, non puoi fare niente | ✓ Modelli open-source, nessun lock-in |
| Setup iniziale | ✓ Pronto subito, zero installazione | ⚠ Richiede installazione (Gaulin lo gestisce, 2–4 settimane) |
| Qualità modello su task generici | ✓ Modelli cloud di punta: eccellenti su tutto | ⚠ Qwen 3.6, Gemma 4, gpt-oss: ottimi su task aziendali strutturati |
ChatGPT aziendale on-premise: com'è fatto un "ChatGPT" interno
Molte aziende non cercano un'alternativa a ChatGPT, ma ChatGPT stesso, installato in casa: la stessa esperienza di chat per i dipendenti, senza che domande e documenti escano dalla rete. È quella che chiamiamo AI locale. È esattamente quello che si ottiene con un ChatGPT aziendale on-premise, costruito con quattro componenti:
- Un modello open-weight sul server aziendale. Qwen 3.6, Gemma 4, Mistral Small o gpt-oss, scelto in base all'hardware e ai compiti. Nessuna chiamata a server esterni: funziona anche offline. Il confronto è nella guida LLM open source: confronto modelli 2026.
- Un'interfaccia di chat simile a ChatGPT. Esistono interfacce self-hosted mature (ad esempio Open WebUI) con conversazioni salvate, caricamento di file e scelta del modello: per i dipendenti il cambio è quasi invisibile.
- L'accesso ai documenti aziendali. Con un sistema RAG il "ChatGPT interno" risponde citando procedure, contratti e manuali dell'azienda, cosa che il ChatGPT pubblico non può fare. Come funziona: chatbot su documenti aziendali.
- Accessi e registri sotto controllo. Login con le credenziali aziendali, permessi per reparto e log delle conversazioni conservati sui server dell'azienda, utili anche per le policy d'uso dell'AI richieste dall'AI Act.
Il risultato non è un prodotto in abbonamento ma un'infrastruttura dell'azienda: il modello si può aggiornare o sostituire quando esce una versione migliore, senza cambiare interfaccia né perdere i dati. Il percorso completo di installazione è descritto nella pagina AI on-premise per aziende; la parte hardware in quella sul server per LLM locale.
Il punto che spesso viene ignorato: i costi nel tempo
ChatGPT Enterprise a 30€/utente/mese sembra poco. Ma facciamo i conti per una PMI con 30 utenti:
- Anno 1: 30 × 30€ × 12 = 10.800€
- Anno 2: altri 10.800€
- Anno 3: altri 10.800€ (se i prezzi non aumentano)
- Totale 3 anni: ~32.400€
Un sistema AI on-premise per 30 utenti ha un costo di installazione indicativo di 15.000–25.000€ (dipende dall'infrastruttura esistente e dai casi d'uso). Dal 2° anno: costo operativo quasi zero. Al 3° anno hai risparmiato. Dal 4° anno in poi, tutto risparmio.
Nota onesta: se hai bisogno dell'AI per 5 persone per 6 mesi per un progetto temporaneo, ChatGPT costa meno. Il calcolo cambia quando l'AI diventa infrastruttura permanente per l'azienda.
Il GDPR: perché non è una questione formale
OpenAI e Microsoft hanno DPA (Data Processing Agreement) e promettono di non usare i tuoi dati per il training in modalità enterprise. Ma i dati vengono comunque elaborati sui loro server — che si trovano prevalentemente negli USA.
Per i trasferimenti extra-UE, il GDPR richiede garanzie specifiche (Standard Contractual Clauses, decisioni di adeguatezza). Queste esistono, ma non eliminano il rischio: il Garante francese e quello tedesco hanno già sanzionato aziende per l'uso di servizi USA senza adeguata valutazione d'impatto.
Per un'azienda che gestisce dati personali di dipendenti, clienti o pazienti, o che lavora in settori regolamentati (legale, sanitario, finanziario), questo non è un rischio teorico — è un rischio reale e documentato.
Con l'AI on-premise il problema non esiste: i dati non lasciano mai l'infrastruttura aziendale. Non c'è trasferimento, non c'è DPA da negoziare, non c'è valutazione d'impatto da fare per questa specifica integrazione.
La qualità dei modelli: la vera differenza
I modelli cloud di punta restano i più capaci su task aperti e generativi complessi: scrittura creativa, ragionamento in molti passaggi, comprensione di testi molto ambigui. Su questi compiti i modelli open-weight installabili in azienda, come Qwen 3.6, Gemma 4 o gpt-oss (il modello open-weight pubblicato dalla stessa OpenAI), sono buoni ma non alla pari.
Ma la maggior parte dei task aziendali reali non richiede questa capacità:
- Cercare un contratto nell'archivio → un modello open-weight con RAG è eccellente
- Estrarre dati da una fattura PDF → anche un modello di fascia media funziona benissimo
- Rispondere a "Qual è la policy ferie?" → qualsiasi modello con RAG funziona
- Interrogare il database in italiano → Text-to-SQL non dipende dalla creatività del modello
La scelta del modello giusto è una delle prime cose che facciamo in fase di analisi: non sempre serve il modello più grande e più potente — serve quello che funziona meglio sul tuo caso d'uso specifico, con l'hardware che hai.
Quando ha senso restare su ChatGPT (o usarlo in parallelo)
Non siamo qui per dire che ChatGPT fa sempre schifo. Ci sono situazioni in cui ha senso:
- Task generici senza dati sensibili: brainstorming, bozze di testi marketing, ricerche generali — senza caricare documenti aziendali riservati
- Team molto piccoli (<5 persone) senza server: l'investimento on-premise non si ammortizza abbastanza in fretta
- Esperimenti temporanei: vuoi capire se l'AI ti è utile prima di investire — usa ChatGPT per validare il caso d'uso, poi valuta
- Uso personale dei dipendenti per task creativi: non è una questione aziendale ma individuale
Alcune aziende usano entrambi: ChatGPT per uso individuale generico, AI on-premise per i processi aziendali con dati reali. Non è una scelta binaria obbligata.
Microsoft Copilot 365: un caso a parte
Microsoft Copilot 365 è diverso da ChatGPT Enterprise: è integrato direttamente in Word, Excel, Teams e Outlook. Se la tua azienda è Microsoft-centrica, l'integrazione nativa ha valore reale.
Ma le stesse preoccupazioni GDPR si applicano, e il costo è simile (30€/utente/mese). In più: Copilot funziona su i tuoi documenti Microsoft 365 — ma non su i tuoi sistemi legacy, ERP, database SQL, archivi storici. L'AI on-premise invece si integra con qualsiasi sistema: ERP, gestionale, database MySQL/Oracle, cartelle di rete, SharePoint locale.