Costruire o Acquistare un Agente Vocale AI: Il Framework Decisionale 2026 (Con la Terza Opzione Nascosta)

Costruire o Acquistare un Agente Vocale AI: Il Framework Decisionale 2026 (Con la Terza Opzione Nascosta)

La maggior parte delle guide su questo tema presenta una scelta binaria. La risposta onesta del 2026 è una matrice a tre opzioni, e quella di cui nessuno parla — assumere un'agenzia per costruire flussi personalizzati su una piattaforma esistente — vince per circa un quarto dei team che analizziamo.

Costruire un agente vocale AI da zero nel 2026 costa $250K–$2M nel primo anno e richiede 4–9 mesi. Acquistare un SaaS (Vapi, Retell, Bland) costa $5K–$100K ed è operativo in 5–14 giorni. La terza strada — assumere un'agenzia per costruire flussi personalizzati su una piattaforma — costa $30K–$150K e va in produzione in 4–10 settimane.

Risposta rapida (il verdetto onesto sulle 3 opzioni):

• Acquistare SaaS (Vapi/Retell/Bland) vince per circa il 65% dei team. Primo anno: $5K–$100K, operativo in 5–14 giorni.
• Agenzia che costruisce su piattaforma vince per il ~25%. Primo anno: $30K–$150K, operativo in 4–10 settimane, flussi completamente personalizzati.
• Build personalizzato puro vince per il ~5%. Primo anno: $250K–$2M, operativo in 4–9 mesi, sensato solo sopra 500K min/mese.
• Ibrido (piattaforma acquistata + layer personalizzato interno) copre il restante ~5%, tipicamente F500 e settori regolamentati.

Costruire, Acquistare o Mescolare? Le Tre Strade a Confronto

Ogni guida esistente su costruire o acquistare un agente vocale AI presenta due opzioni. Nei deployment reali, tre percorsi dominano: acquistare una piattaforma hosted, costruire da zero con ingegneri propri, oppure mescolare i due assumendo un'agenzia per creare flussi personalizzati su Vapi, Retell o Bland. Hanno curve di costo, tempistiche e profili di rischio completamente diversi, e la decisione di solito non è difficile una volta che si fa un'analisi onesta dei costi.

Due note sulla tabella. Prima: il "Costo Anno 1" per acquistare assume 50K–200K minuti al mese; sotto quella soglia si è all'estremo basso, sopra ci si avvicina al livello agenzia. Seconda: il livello agenzia mostra la spesa complessiva incluso il passthrough della piattaforma, non solo la tariffa dell'agenzia. I calcoli dettagliati sono nel paragrafo #5.

Il framework dei team procurement di "make or buy AI" manca completamente la terza opzione. McKinsey la chiama "build, buy, or blend" per una ragione. Quando abbiamo misurato Retell vs Vapi vs Bland su carichi di lavoro reali, ogni deployment di successo che abbiamo realizzato nel 2025 è rientrato nel bucket "blend", non nel binario. (Vedere il confronto Retell vs Vapi vs Bland per i numeri delle piattaforme; il teardown "vero costo degli agenti vocali AI" di Master of Code fornisce l'ancoraggio per i range di costo nella tabella.)

La maggior parte delle guide presenta una scelta binaria. La risposta onesta del 2026 è una matrice a tre opzioni.

Quanto Costa Davvero Acquistare un Agente Vocale AI?

Il vero costo di acquisto del voice AI SaaS è $0,15–$0,33 per minuto, vale a dire 2–4 volte la tariffa pubblicizzata una volta che ASR (riconoscimento automatico del parlato), TTS (text-to-speech), LLM, telefonia e tariffe di piattaforma si sommano. Il costo del primo anno per 100K minuti/mese è di circa $20K–$50K a seconda del vendor e della voce scelta. Il prezzo di copertina è reale; non è però quello che si paga effettivamente.

Ecco i calcoli verificati a maggio 2026 quando si sceglie di acquistare un agente vocale AI già pronto.

Perché esiste questo divario: il numero pubblicizzato è la quota della piattaforma. Sopra ci sono il provider STT (Deepgram è tipico, circa $0,0043/min), il LLM (GPT-4o-mini a $0,15/$0,60 per 1M token, o Claude Haiku a costi simili), il motore TTS (ElevenLabs Turbo a circa $0,06/min per voci premium, o bundled dal vendor a qualità inferiore), il trunk SIP (circa $0,014/min via Twilio) e l'affitto del numero telefonico ($1–$5/mese ciascuno). Aggiungendo analytics post-chiamata, archiviazione knowledge-base e un tier di supporto dedicato, si arriva dove indica la tabella.

Esempi pratici del primo anno ai volumi che la maggior parte dei team raggiunge:

• 10K min/mese (pilot iniziale): circa $2.000–$4.000 di spesa totale. Il SaaS vince con un margine imbarazzante rispetto a qualsiasi build.
• 100K min/mese (deployment mid-market): $20K–$50K all-in. Ancora territorio SaaS, a meno che non si abbia un caso d'uso davvero unico.
• 500K min/mese (scala call-center): $90K–$180K. Qui si inizia a capire perché i team tirano fuori il foglio del build.

Per la ripartizione dettagliata per vendor e funzionalità, consultare la nostra guida dettagliata ai prezzi degli agenti vocali.

Il prezzo di copertina a $0,05/min è reale. Lo è anche la fattura da $0,28/min a fine mese.

Quanto Costa Davvero Costruire un Agente Vocale AI da Zero?

Costruire un agente vocale AI in produzione da zero costa $250K–$2M nel primo anno, richiede 4–9 mesi e necessita di un team di 3–5 ingegneri senior con esperienza in ASR, LLM e telefonia. Il TCO (total cost of ownership) dettagliato si suddivide approssimativamente in: 60% stipendi ingegneri, 15% infrastruttura e API, 10% compliance, 15% costi opportunità, e quasi ogni build interna finisce per costare il doppio della stima originale.

Gli ingegneri amano citare "possiamo costruirlo in 8 settimane per $80K". Ecco il TCO dettagliato che ogni blog di vendor nasconde, voce per voce, con i salari US carichi di oneri (mostreremo la correzione per India/EU dopo).

La "regola del 2×" è reale: ogni build voice-AI interno che abbiamo analizzato è costato circa il doppio della stima originale, quasi sempre perché il team ha sottostimato il budget per la compliance e i casi limite del turn-taking. Master of Code ha documentato lo stesso moltiplicatore nel suo teardown, e il modello TCO di Caller.Digital arriva allo stesso risultato. Pianificatelo, o abbandonate il build prima di iniziare.

Non dimenticare il layer di orchestrazione LLM: il framework che collega STT, retrieval, chiamate a strumenti e TTS in un ciclo di turn-taking. Bisogna valutare LangGraph, l'OpenAI Agents SDK o una macchina a stati finiti personalizzata. (I principali benchmark sono nel nostro articolo sui framework per agenti AI, e la parte di deployment in piattaforme di deployment AI agentici.) Niente di tutto questo è scienza missilistica, ma ogni layer è un altro test di integrazione, un altro failure mode intermittente, un'altra chiamata d'emergenza alle 2 di notte.

La gestione dello stato merita una voce propria. Gli agenti che dimenticano il nome del chiamante dopo due turni sembrano rotti agli utenti. Abbiamo analizzato i trade-off in strumenti di memoria per agenti AI; in sintesi, si sceglie tra Redis con serializzazione personalizzata o un layer di memoria managed a $200–$2.000/mese.

Ecco la curva dei costi cumulativi in tre anni confrontando tutti e tre i percorsi:

Assunzioni: carico di lavoro da 100K minuti/mese, stipendi engineering US carichi di oneri, prezzi dei vendor recuperati a maggio 2026. Il break-even tra build e agenzia su piattaforma avviene intorno al mese 32 quando il volume di chiamate supera 500K min/mese (vedi paragrafo #6).

Ogni build voice-AI interno costa il doppio della stima originale. Pianificatelo o abbandonatelo subito.

La Terza Strada Nascosta: L'Agenzia che Costruisce su Piattaforma

Ecco l'opzione che ogni blog di vendor ignora: assumere un'agenzia per costruire i vostri flussi di agente vocale AI personalizzato su una piattaforma esistente (Vapi, Retell o Bland). Si evita la trappola delle assunzioni ingegneristiche, si va in produzione in 4–10 settimane e si possiede la stessa logica di business che si avrebbe in un build personalizzato, senza dover affittare un team di cinque persone con competenze ASR-LLM-TTS per mantenerla.

Definizione: un team di engineering esterno scrive i vostri flussi, prompt, integrazioni, eval e hook CRM su una piattaforma voice hosted. Si paga una fee di progetto per il build, poi il passthrough per minuto della piattaforma per il runtime. L'agenzia possiede il codice; voi possedete l'agente.

Il calcolo dei costi:

• Fee di progetto: $30K–$80K a seconda della complessità dei flussi (numero di integrazioni, ambito normativo, rigore degli eval)
• Passthrough della piattaforma: $0,15–$0,30/min ai tassi all-in del paragrafo #2
• Risultato Anno 1: $50K–$150K totali, circa 4–10 settimane alla prima chiamata in produzione

A chi si adatta (il ~25%):

• Mid-market con workflow unici che non si adattano a un template Vapi
• Settori regolamentati (healthcare, finanza, legale) che necessitano di eval audit-ready e documentazione di compliance
• Team senza ingegneri voice-AI in casa e senza voglia di assumere un team specializzato per un singolo progetto
• Agenzie multi-verticale e franchisee che hanno bisogno di 5+ flussi distinti in parallelo

A chi NON si adatta (il filtro dell'onestà, leggere attentamente prima di considerarlo):

• Founder in solitaria che costruisce un MVP: andare in DIY direttamente su Vapi o Retell. La fee dell'agenzia non si ripaga a volume di MVP. (Abbinarla a n8n per workflow agentici low-code se si vuole orchestrazione senza scrivere codice.)
• F500 con un team voice-AI di 50 ingegneri: costruirlo. Si ha il team, il volume e la giustificazione della proprietà intellettuale.
• Requisiti di latenza sotto i 300ms: solo un build co-locato e personalizzato raggiunge quel risultato. Nessuna piattaforma lo fa, indipendentemente da chi scrive i flussi.
• Casi d'uso che richiedono la piena proprietà del modello (si sta addestrando un LLM proprietario sui trascritti delle chiamate): serve il percorso di build per l'accesso ML. Le piattaforme astraggono quel layer.

Se il vostro team rientra nel bucket dell'agenzia, potete parlare con un partner per lo sviluppo di agenti vocali personalizzati per definire lo scope del progetto. Nessuna urgenza, nessuna pressione. La maggior parte dei team che ci contatta trascorre 2–4 settimane solo a mappare i propri flussi di chiamata prima di qualsiasi conversazione contrattuale, e questo è il ritmo giusto.

La maggior parte dei team mid-market vuole un agente vocale personalizzato. Pochi vogliono assumere un team di cinque persone con competenze ASR-LLM-TTS per costruirlo.

Quando Costruire Conviene Davvero? La Matematica del Break-Even

Costruire un agente vocale AI personalizzato conviene solo quando il volume mensile di chiamate supera circa 500.000 minuti E il caso d'uso richiede meno di 5 integrazioni E il voice AI è un differenziatore di prodotto core, non una funzionalità commodity. Sotto quella soglia, acquistare SaaS o assumere un'agenzia su piattaforma batte il build di 2–4× sul TCO triennale. La formula è più netta di quanto la maggior parte dei team ammetta.

In parole semplici:

Il build vince quando i minuti mensili sono > 500.000 E il caso d'uso richiede <5 integrazioni E il voice AI è un differenziatore core (non commodity).

Esempio pratico #1, catena di cliniche PMI a 50K min/mese. Il SaaS vince di ~4× in tre anni. Acquistare SaaS: circa $15K Anno 1, ~$45K cumulativo Anno 3. Build puro: circa $650K Anno 1, ~$1,25M cumulativo Anno 3. La catena di cliniche non ha ingegneri voice-AI, non ha il volume di chiamate, non ha un caso d'uso normativo che le piattaforme non sappiano gestire. Il SaaS non è solo più economico. È l'unica risposta sensata. (Vedere agenti vocali per ristoranti per i calcoli equivalenti nel settore food, che arrivano allo stesso risultato.)

Esempio pratico #2, contact center enterprise a 2M min/mese. Il build raggiunge il break-even con l'agenzia su piattaforma intorno al mese 28 e vince di ~1,6× entro l'Anno 3, solo se il caso d'uso è replicabile sui vari verticali del contact center. Build puro: ~$650K Anno 1, ~$3,5M Anno 3 cumulativo (soprattutto engineering continuativo). Acquistare SaaS a una media di $0,20/min: ~$4,8M Anno 3. Il build vince matematicamente qui, ma solo perché il volume ammortizza il team di engineering.

Il caso limite ibrido copre il restante ~5%: aziende F500 con >5M min/mese, settori regolamentati con layer ML proprietari, o team il cui differenziatore è genuinamente il modello stesso. Acquistano la piattaforma per i layer commodity di telefonia + STT + TTS e costruiscono il LLM e il post-call ML in-house. È quello che Caller.Digital identifica come la soglia "sopra 500K min/mese e meno di 5 integrazioni", dove la ripetibilità è tutto.

Sotto 500K minuti, si pagano ingegneri per ricostruire quello che Vapi ha già consegnato.

Il build vince matematicamente a 500.000 minuti al mese. Sotto quella soglia, si pagano ingegneri per ricostruire quello che Vapi ha già consegnato.

Quale Lavoro di Integrazione Nascosto Farà Saltare la Stima del Build?

Il lavoro di integrazione nascosto in un build personalizzato include la registrazione A2P 10DLC (application-to-person 10-digit long code), l'attestazione delle chiamate STIR/SHAKEN, la raccolta del consenso TCPA (Telephone Consumer Protection Act), la logica di divulgazione delle registrazioni per giurisdizione, l'autenticazione dei webhook CRM e la redazione dei PII. Piattaforme come Vapi, Retell e Bland risolvono ogni punto di questo elenco dal primo giorno. La stima di 8 settimane ha dimenticato 6 settimane di compliance telefonica.

Ecco lo scaffolding dell'agente telefonico AI che nessuno mette nella specifica originale:

1. Registrazione A2P 10DLC: 2–6 settimane, $50–$1.000 di tariffe, obbligatorio per qualsiasi flusso US con SMS (promemoria appuntamenti, conferme di richiamata). Vedere i documenti A2P 10DLC di Twilio per la matrice di registrazione.
2. Attestazione STIR/SHAKEN: firma del caller-ID dipendente dal carrier. Senza di essa, le chiamate outbound vengono contrassegnate come "Spam Likely" nel 30–60% dei casi su mobile. Manutenzione continuativa, non un'attività una tantum.
3. Raccolta consenso TCPA: divulgazione della registrazione, integrazione della lista do-not-call, archiviazione dell'opt-in scritto. La normativa FCC del 2024 sulle robocall AI ha esteso il TCPA al voice AI; la non-conformità costa $500–$1.500 per chiamata.
4. Divulgazione delle registrazioni stato per stato: 12 stati US richiedono il consenso bipartito (California, Florida, Illinois, ecc.), più il GDPR per qualsiasi chiamante UE. L'agente deve sapere dove si trova il chiamante prima della seconda frase.
5. Auth webhook CRM + logica di retry: refresh OAuth, backoff esponenziale, code di dead-letter. Sembra banale; non lo è.
6. Redazione PII + archiviazione sommari post-chiamata: numeri di carta di credito, codici fiscali, dettagli medici eliminati prima dell'archiviazione. HIPAA lo richiede; anche gli auditor SOC 2 lo verificheranno.

Sommando tutto questo, si aggiungono 4–8 settimane di lavoro che non compaiono nella stima originale "possiamo costruirlo in 8 settimane". Le piattaforme consegnano ogni linea di questo già cablata.

La stima del build di 8 settimane ha dimenticato 6 settimane di compliance telefonica.

Perché i Build Voice Personalizzati Sono Più Lenti delle Piattaforme?

Il budget totale di latenza per un voice AI che suoni naturale è sotto i 700ms end-to-end: STT (150–250ms) + LLM primo token (200–400ms) + TTS primo byte (100–200ms) + rete/jitter (100–250ms). Le piattaforme raggiungono questa mediana; i build personalizzati finiscono spesso a 1,2–2,0 secondi perché i team sottostimano la latenza di rete e il cold-start. I chiamanti iniziano a parlare sopra l'agente dopo 400ms di silenzio, quindi la differenza si sente.

L'aritmetica che la maggior parte delle stime di build ignora:

Perché le piattaforme raggiungono una mediana di 700–900ms: ottimizzazione della pipeline (streaming STT/LLM interleaved), prossimità di rete ai carrier di telefonia, e pool di modelli caldi che non vanno mai in cold start. Perché i build in-house finiscono regolarmente a 1,2–2,0 secondi: i team non budgetizzano la fetta rete/jitter, le chiamate LLM in cold start aggiungono 400ms al primo turno di ogni chiamata, e la maggior parte delle implementazioni TTS fatte in casa non trasmette il primo byte audio prima che l'intera risposta sia pronta. I dati di Close sulla soglia di 0,4s di talk-over del chiamante sono il numero più citato nel voice AI per una ragione: è la linea oltre la quale il turn-taking naturale si rompe. I benchmark di latenza di Deepgram confermano che il floor del primo chunk STT è vicino ai 150ms.

Vapi raggiunge 700ms perché possiede la prossimità di rete. Il vostro build sulla regione AWS non può farlo.

Si Può Davvero Costruire un Agente Vocale in 15 Righe di Codice?

Le moderne piattaforme voice AI come Vapi e Retell espongono SDK con 10–20 righe di codice che creano un agente vocale pronto per la produzione. La stessa funzionalità da zero (STT, orchestrazione LLM, TTS, telefonia, turn-taking) richiede tipicamente 4–9 mesi di lavoro ingegneristico. In modo controintuitivo, mostrare il codice rafforza la scelta di acquistare, non di costruire.

Ecco un agente voice Vapi Web SDK funzionante in 15 righe (verificato rispetto a docs.vapi.ai/quickstart/web, recuperato il 2026-05-17):

import Vapi from "@vapi-ai/web";

const vapi = new Vapi(process.env.VAPI_PUBLIC_KEY);

await vapi.start({
  model: {
    provider: "openai",
    model: "gpt-4o-mini",
    systemPrompt: "You are a friendly clinic receptionist. Book appointments, answer FAQs, escalate emergencies.",
  },
  voice: { provider: "11labs", voiceId: "rachel" },
  transcriber: { provider: "deepgram", model: "nova-2" },
  firstMessage: "Hi, this is the clinic. How can I help today?",
});

vapi.on("call-end", (data) => console.log("Call ended:", data.summary));

Ogni riga di quel snippet sostituisce mesi di lavoro in-house. Il campo transcriber è la vostra integrazione STT. Il campo voice è l'intera pipeline TTS inclusa la gestione dello streaming del primo byte. systemPrompt è l'intero layer di turn-taking e tool-calling (Vapi gestisce barge-in, endpointing e routing degli strumenti sotto il cofano). call-end fornisce il sommario post-chiamata che altrimenti avreste bisogno di costruire con una pipeline Whisper + GPT-4.

Questo è ciò che il vostro build personalizzato ricostruisce per 4–9 mesi. Più si legge l'SDK da vicino, più diventa difficile giustificare il build.

In modo controintuitivo, più si capisce il codice, più la scelta di acquistare appare convincente.

Quando Costruire un Agente Vocale È la Risposta Sbagliata?

Costruire un agente vocale è la risposta sbagliata quando il team non ha esperienza nel rilascio di voice AI, la stima è sotto $150K al primo anno, la timeline è sotto 8 settimane, il caso d'uso corrisponde chiaramente a un template di piattaforma esistente, o il volume di chiamate è sotto 500K minuti/mese. Se si soddisfano anche solo due di queste condizioni, il percorso di build è una forma di malpractice, non di ingegneria.

Il team di engineering vorrà costruire. Non stanno mentendo. Possono costruirlo. La domanda è se dovrebbero. Attenzione a questi cinque segnali anti-pattern:

1. "Basta collegare Whisper e GPT-4." Nessuno che abbia mai rilasciato voice in produzione dice questo. Le parti difficili sono il turn-taking, la rilevazione del barge-in e lo streaming TTS — niente di tutto ciò è in quella frase.
2. Stima Anno 1 sotto $150K. O il team non comprende lo scope della compliance, non ha prezzato il layer di telefonia, o ha assunto di non aver bisogno di observability. Tutti e tre sono segnali d'allarme.
3. Nessun ingegnere del team ha mai rilasciato voice prima. I failure mode del voice AI sono diversi dalla chat. Echo cancellation, jitter buffering, barge-in: non sono problemi di web development.
4. Timeline sotto 8 settimane. Anche le piattaforme che forniscono primitive pre-built richiedono 2–4 settimane per cablare integrazioni + CRM + eval. Da zero in 8 settimane significa tagliare sulla compliance, tagliare gli eval, o entrambe le cose.
5. "Costruiremo il TTS in-house." No, non lo farete. ElevenLabs e Cartesia hanno ciascuna centinaia di ingegneri e ricercatori dedicati ai modelli audio. Acquistate ciò che è diventato commodity.

Perché gli ingegneri propongono comunque il build: capital di carriera, bias NIH ("not invented here"), giustificazione del headcount, il genuino piacere dell'ingegneria greenfield. Nessuna di queste è una cattiva ragione per voler costruire. Sono però cattive ragioni per costruire davvero.

Riformulate la decisione: costruite ciò che vi differenzia, acquistate ciò che è diventato commodity. I layer LLM, ASR e TTS sono diventati commodity nel 2025–2026. Il vostro vantaggio competitivo sta nei flussi, nei prompt, negli eval e nell'integrazione CRM. Non ricostruite i layer che Vapi, Retell, OpenAI e Deepgram hanno già consegnato.

Costruite ciò che vi differenzia. Acquistate ciò che è diventato commodity nel 2025.

La Matrice Decisionale Onesta

Dopo aver lavorato su voice AI per contact center sia costruendo che acquistando, la nostra divisione ragionata è: ~65% dei team dovrebbe acquistare SaaS (Vapi, Retell, Bland), ~25% dovrebbe assumere un'agenzia per costruire su una piattaforma, ~5% ha bisogno di un ibrido (piattaforma + layer personalizzato in-house), e ~5% dovrebbe costruire da zero. Il build puro conviene solo sopra 500K minuti/mese con un team voice-AI dedicato. Queste sono le nostre raccomandazioni dopo aver analizzato i calcoli su 4 decisioni clienti nel 2025–2026, non statistiche di settore.

L'albero decisionale a quattro nodi che percorriamo con i clienti:

1. Si elaborano >500K minuti/mese? No → acquistare o agenzia su piattaforma. Sì → continuare.
2. Il voice AI è un differenziatore core del prodotto (non una funzionalità)? No → acquistare o agenzia su piattaforma. Sì → continuare.
3. Si dispone di un team voice-AI interno (3+ prodotti voice rilasciati)? No → agenzia su piattaforma o ibrido. Sì → continuare.
4. Serve una latenza totale <300ms o l'addestramento di modelli proprietari? No → ibrido. Sì → build puro.

La maggior parte dei team si ferma al nodo 1 o al nodo 2, il che spiega perché il 90% della matrice finisce in acquistare o agenzia su piattaforma.

Se si rientra nel 25%, ecco come costruiamo su Retell o Vapi per i clienti. Partite dai vostri flussi di chiamata, non da un contratto.

Costruite ciò che vi differenzia. Acquistate ciò che è diventato commodity. Per la maggior parte dei team nel 2026, questo significa acquistare la piattaforma e personalizzare i flussi.

Il Verdetto

• Esistono tre percorsi, non due. Acquistare SaaS per il ~65% dei team. Agenzia su piattaforma per il ~25%. Build puro solo sopra 500K min/mese con un vero team dedicato.
• La formula del break-even è semplice: minuti mensili > 500K E <5 integrazioni E voice AI è core. Se manca anche uno solo dei tre criteri, la matematica del build non torna.
• Regola decisionale: costruite ciò che vi differenzia, acquistate ciò che è diventato commodity. Nel 2026, questo significa quasi sempre acquistare il layer di piattaforma.

Se si rientra nel 25% per cui un'agenzia ha senso, iniziate mappando i vostri flussi di chiamata su una lavagna, poi parlate con un partner che ha già consegnato su Retell o Vapi. Nessuna fretta. La mossa giusta è definire lo scope prima di firmare.

FAQ

È meglio costruire o acquistare un agente vocale AI?

Per circa il 65% dei team, acquistare una piattaforma voice SaaS (Vapi, Retell, Bland) è la scelta migliore. Si è operativi in 5–14 giorni con una spesa di $5K–$100K nel primo anno, contro 4–9 mesi e $250K–$2M per un build personalizzato. Costruire conviene solo sopra 500K minuti/mese quando il voice AI è un differenziatore di prodotto core e si dispone di almeno 3 ingegneri voice-AI in-house.

Quanto costa costruire un agente vocale AI da zero?

Costruire da zero costa $250K–$2M nel primo anno per team con salari US. La ripartizione è: circa $540K in engineering (3 senior ingegneri), $24K infrastruttura, $30K–$120K in passthrough API ASR e TTS, $0,014/min di telefonia, e $20K–$80K per audit di compliance HIPAA/SOC 2. La maggior parte dei build costa il doppio della stima originale a causa del lavoro di compliance e dei casi limite sottostimati.

Quanto tempo ci vuole per costruire un agente voice AI in produzione?

Costruire da zero richiede 4–9 mesi per un agente pronto per la produzione con compliance adeguata, eval e observability. Acquistare una piattaforma SaaS come Vapi o Retell richiede 5–14 giorni. La terza strada nascosta (assumere un'agenzia per costruire flussi personalizzati su una piattaforma esistente) richiede 4–10 settimane. Il divario è principalmente lo scaffolding di telefonia e compliance (A2P 10DLC, STIR/SHAKEN, TCPA) che le piattaforme risolvono dal primo giorno.

Si può costruire un agente vocale su Vapi o Retell invece di partire da zero?

Sì, questo è il percorso dell'agenzia su piattaforma. Si costruiscono (o fa costruire da un'agenzia esterna) flussi personalizzati, prompt, integrazioni ed eval sul runtime hosted di Vapi, Retell o Bland. Il costo Anno 1 è $30K–$150K totali ($30K–$80K di fee di progetto più $0,15–$0,30/minuto di passthrough), e si va in produzione in 4–10 settimane invece di 4–9 mesi. Si possiede la logica di business; la piattaforma gestisce STT, TTS, telefonia e turn-taking.

Qual è il volume di chiamate al break-even per costruire voice AI?

La soglia di break-even è intorno a 500.000 minuti al mese, e solo se il caso d'uso richiede meno di 5 integrazioni e il voice AI è un differenziatore di prodotto core. Sotto 500K min/mese, SaaS o agenzia su piattaforma batte il build di 2–4× sul TCO triennale. Sopra 500K min/mese con il team giusto e il caso d'uso appropriato, un build puro raggiunge il break-even con l'agenzia su piattaforma intorno al mese 28 e vince entro l'Anno 3.

È più economico usare una piattaforma voice SaaS o costruirne una propria?

Per quasi tutti i team sotto 500K minuti/mese, il SaaS è più economico di un ampio margine, solitamente 4–10× più economico sul TCO triennale. Il tasso SaaS reale è $0,15–$0,33 per minuto (2–4× il numero pubblicizzato una volta che ASR, TTS, LLM e telefonia si sommano), ma batte comunque $650K–$1,25M di costi di engineering, infrastruttura e compliance che si portano costruendo in-house.

Quali competenze ingegneristiche servono per costruire un agente vocale?

Servono almeno 3 ingegneri senior con esperienza combinata in: streaming audio in tempo reale, integrazione ASR (Deepgram o Whisper), orchestrazione LLM (LangGraph, OpenAI Agents SDK o macchine a stati personalizzate), streaming TTS (ElevenLabs o Cartesia), telefonia SIP (Twilio Programmable Voice o Telnyx), rilevazione del turn-taking e barge-in, e lavoro di compliance (TCPA, HIPAA, SOC 2). Se il team non ha mai rilasciato voice in produzione, la curva di apprendimento aggiunge 2–4 mesi alla timeline.

Come differisce la latenza tra build personalizzati e piattaforme?

Le piattaforme raggiungono una mediana end-to-end di 700–900ms (Vapi, Retell, Bland). I build in-house finiscono regolarmente a 1,2–2,0 secondi perché i team non budgetizzano le fette rete e jitter e le chiamate LLM in cold start aggiungono 400ms ad ogni primo turno. Sopra 1,2 secondi, i chiamanti iniziano a parlare sopra l'agente e il turn-taking si rompe. Il soffitto di 700ms conta perché le piattaforme possiedono la prossimità di rete ai carrier di telefonia. Il vostro build sulla regione AWS non può fare altrettanto.

Quando costruire voice AI ha senso finanziariamente?

Costruire ha senso finanziariamente quando il volume mensile di chiamate supera 500.000 minuti, il caso d'uso richiede meno di 5 integrazioni, il voice AI è un differenziatore di prodotto core (non una funzionalità), e si dispone di un team voice-AI in-house di almeno 3 ingegneri. Se manca anche uno solo di questi criteri, la matematica del build non funziona. Si tratta di circa il 5% dei team che analizziamo, solitamente contact center F500 o aziende AI-native in cui il voice è il prodotto stesso.

Quali sono i costi nascosti della costruzione del voice AI in-house?

I costi nascosti sono: registrazione A2P 10DLC (2–6 settimane, $50–$1.000), attestazione STIR/SHAKEN, raccolta consenso TCPA, logica di divulgazione delle registrazioni stato per stato, autenticazione webhook CRM, redazione PII, archiviazione sommari post-chiamata, infrastruttura di observability e on-call, e 6 mesi di costo opportunità sulla roadmap di prodotto persa. Le piattaforme risolvono ogni punto di questo elenco dal primo giorno. La regola del 2× sulle stime di build esiste perché i team dimenticano queste voci.