Come scegliere un fornitore di visione artificiale: guida agli acquisti aziendali

Il modello è la parte facile. Nella visione artificiale aziendale, il lavoro consiste nei dati etichettati su cui si basa il modello e nel far funzionare l'inferenza sulle telecamere edge; è nella seconda parte che la maggior parte dei programmi si blocca senza clamore. Le guide all'acquisto di questa categoria ora danno più peso all'accuratezza sulle tue immagini e alla fattibilità della distribuzione edge che al confronto sull'ampiezza delle funzionalità preaddestrate, su cui le vecchie RFP attribuivano un'importanza eccessiva. Il motivo è che un'API gestita copre già le funzionalità generiche, mentre il progetto continua a fallire nei casi difficili, specifici e vincolati dalla latenza.

Questa guida confronta otto fornitori in base alle due decisioni che determinano l'architettura: API preaddestrata o modello personalizzato e cloud o edge. Confronta le condizioni commerciali solo dopo aver definito questi requisiti; altrimenti i preventivi descriveranno sistemi diversi.

Le due decisioni che contano#

Prima di confrontare i fornitori, colloca il tuo programma lungo questi due assi. Quasi tutti gli errori di approvvigionamento in questa categoria derivano dalla scelta di un fornitore appartenente al quadrante sbagliato.

API preaddestrata o modello personalizzato. Se il tuo compito è generico (leggere testo da documenti, rilevare oggetti comuni, moderare contenuti), oggi un'API gestita lo risolve senza bisogno di personale ML. Se invece il compito è specifico per il tuo prodotto, i tuoi componenti o il tuo processo, nessuna API preaddestrata raggiungerà l'accuratezza necessaria per la produzione: in tal caso acquisti una pipeline di addestramento e dati.

Cloud o edge. Se l'inferenza può tollerare un viaggio di andata e ritorno verso un data center, i fornitori cloud sono la soluzione più semplice. Se non può (una linea che opera ad alta velocità, un veicolo, un sito con connettività inaffidabile o dati che non possono uscire dai locali), la distribuzione edge è un requisito che elimina la maggior parte dei candidati.

Un programma che acquista una piattaforma e trascura il lavoro sui dati e sul ciclo di vita rilascia un progetto pilota che non arriva mai in produzione. Destina il budget all'etichettatura e a MLOps, che costituiscono l'impegno principale, e dimostra l'accuratezza sulle immagini più difficili prima di firmare qualsiasi accordo.

I fornitori sono elencati in ordine alfabetico, non in base alla classifica. Ultralytics pubblica questa guida ed è inclusa nella guida, quindi l'ordine è volutamente neutrale e per ogni fornitore è indicato un compromesso.

AWS: Rekognition e SageMaker AI#

Cos'è. Due livelli: Amazon Rekognition come API di visione gestita e Amazon SageMaker AI come piattaforma per addestramento e distribuzione personalizzati.

Punti di forza. Rekognition offre analisi di immagini e video completamente gestite (moderazione dei contenuti, rilevamento di etichette e testo, rilevamento dei DPI) e Custom Labels per addestrare modelli specifici per attività senza personale ML. L'integrazione approfondita con S3, Lambda e Kinesis Video ne fa la soluzione più semplice per le pipeline basate su AWS. Quando i requisiti superano le capacità dell'API, SageMaker AI supporta l'addestramento distribuito, endpoint con scalabilità automatica, flotte di GPU e CPU, pipeline di distribuzione e tracciamento degli esperimenti con i framework più comuni.

Rekognition offre anche il confronto e la ricerca dei volti. Considerali una questione di approvvigionamento a sé stante, non una funzionalità aggiuntiva: il trattamento biometrico comporta rischi normativi, obblighi di consenso e, in diverse giurisdizioni, risarcimenti previsti dalla legge. Se non ti serve, escludilo esplicitamente dall'ambito e ricorda che la maggior parte dei casi d'uso di visione definiti «sicurezza» non ne ha bisogno.

Compromessi. L'ampiezza dell'offerta è reale, ma lo è anche il lavoro di assemblaggio: Rekognition, SageMaker, archiviazione e orchestrazione insieme costituiscono un'architettura, non un prodotto. Le capacità edge sono inferiori a quelle delle soluzioni da sviluppare autonomamente.

Ideale per. Organizzazioni che usano AWS e vogliono subito soluzioni di visione gestite, mantenendo la possibilità di creare soluzioni personalizzate in seguito senza cambiare cloud.

Nota per l'approvvigionamento. Il rilevamento dei DPI è davvero utile per il monitoraggio della sicurezza e spesso è il modo più rapido per ottenere un primo risultato concreto e difendibile.

Azure AI Vision#

Cos'è. Lo stack di visione gestita di Microsoft, che comprende API pronte all'uso e addestramento di modelli personalizzati.

Punti di forza. Azure AI Vision offre API pronte all'uso per l'analisi delle immagini, l'OCR e l'estrazione del testo, il rilevamento degli oggetti e le informazioni dettagliate sui video. Distribuzione e scalabilità sono gestite senza dover amministrare l'infrastruttura sottostante. Per i team che hanno bisogno di modelli di classificazione o rilevamento addestrati sui propri dati, l'opzione attuale è Azure Machine Learning, che include la funzionalità AutoML e copre l'intero ciclo di vita.

Nota per l'approvvigionamento: verifica il ciclo di vita del servizio, non solo l'elenco delle funzionalità. Microsoft ha avviato il ritiro del vecchio servizio Custom Vision e indirizza i clienti che sviluppano modelli di classificazione e rilevamento personalizzati verso Azure Machine Learning. Qualsiasi soluzione basata oggi su Custom Vision comporta una migrazione nella propria roadmap. È l'errore più comune nelle valutazioni dei servizi cloud di visione: un servizio che sembra ideale nel confronto delle funzionalità è già stato sostituito e gli articoli comparativi che hanno determinato la selezione dei candidati non sono stati aggiornati. Chiedi per iscritto a qualsiasi hyperscaler lo stato del supporto e del ritiro di ogni servizio specifico menzionato nella sua proposta.

Compromessi. Come per qualsiasi servizio di visione di un hyperscaler, i costi dipendono dai consumi e possono sorprendere i team su larga scala. La distribuzione edge è possibile, ma non è al centro della progettazione.

Ideale per. Organizzazioni che hanno già standardizzato su Azure, hanno bisogno di solide funzionalità OCR e di comprensione dei documenti e preferiscono servizi gestiti a un team ML.

Nota per l'approvvigionamento. Calcola il costo per inferenza ai volumi di produzione, non a quelli del progetto pilota. Sono i prezzi basati sui consumi a far passare un business case approvato in rosso.

Cognex#

Cos'è. Un leader mondiale nella visione artificiale, che vende hardware e software per l'automazione della produzione e della logistica.

Punti di forza. Cognex è un fornitore storico della visione industriale per ottimi motivi: i suoi prodotti sono utilizzati per rilevare difetti e controllare la qualità, verificare presenza e assenza e leggere codici a barre per la tracciabilità nella logistica e nel confezionamento. Cognex VisionPro Deep Learning (successore della linea di prodotti ViDi) aggiunge funzionalità di deep learning di livello industriale, progettate appositamente per l'automazione di fabbrica, oltre a opzioni di apprendimento edge per ispezioni più semplici. Quando un programma richiede una soluzione di visione integrata con i PLC e in grado di resistere in fabbrica, si tratta di apparecchiature collaudate, non di un servizio cloud collegato a una telecamera.

Compromessi. Scegliendo Cognex entri nell'ecosistema hardware industriale, con la struttura dei costi e il vincolo al fornitore che ne derivano. Non è la soluzione adatta ai team nativi del cloud e orientati prima di tutto al software.

Ideale per. Programmi di produzione e logistica in cui il sistema di visione fa parte della linea produttiva, non della piattaforma dati.

Nota per l'approvvigionamento. Chiedi come vengono aggiornati i modelli una volta avviata la linea. La frequenza di riaddestramento sulle apparecchiature di fabbrica è una questione operativa molto diversa dalla ridistribuzione di un endpoint cloud.

Encord#

Cos'è. Una piattaforma incentrata sui dati, dedicata all'annotazione e alla qualità dei dataset.

Punti di forza. Encord sostiene che siano la qualità dei dati, non l'architettura del modello, a determinare i risultati. Offre strumenti per annotazione, selezione e gestione della qualità, con punti di forza dichiarati nell'imaging medico e nei video.

Compromessi. Risolve la metà del problema relativa ai dati. Per l'addestramento e la distribuzione serve comunque un'altra soluzione.

Ideale per. Programmi in cui il collo di bottiglia è la qualità dell'etichettatura, soprattutto in ambiti regolamentati o specialistici.

Landing AI#

Cos'è. Una piattaforma di ispezione visiva per la produzione, fondata da Andrew Ng.

Nota da leggere prima di inserirla nella selezione. Landing AI si è riorientata verso i documenti e l'IA agentica; la linea dedicata alle ispezioni è mantenuta, ma non è più il prodotto di punta. ABB Motion Ventures ha investito nel 2025 specificamente per portare la sua IA di visione nella robotica ABB. Le competenze hanno quindi una prospettiva di continuità, ma chiedi direttamente quali impegni sono previsti nella roadmap per le ispezioni in fabbrica.

Punti di forza. Landing AI affronta un problema specifico e davvero difficile: l'ispezione visiva quando gli esempi di difetti sono rari. Le sue tecniche sono progettate per dataset di piccole dimensioni, una condizione normale negli ambienti industriali: non puoi raccogliere mille esempi di un difetto che si verifica due volte al mese.

Compromessi. Questa specializzazione restringe l'ambito di applicazione. Per la visione generica su molti tipi di attività, è più adatta una piattaforma più ampia.

Ideale per. Produttori che devono rilevare difetti ma non dispongono di immagini sufficienti per addestrare un modello convenzionale.

Nota per l'approvvigionamento. È il fornitore da includere nella selezione quando l'ostacolo è la scarsità di dati, non la capacità del modello. Verifica la soluzione sulla classe di difetti più rara.

NVIDIA#

Cos'è. Il livello di calcolo e software alla base di gran parte della visione aziendale: hardware accelerato, toolkit di modelli preaddestrati e framework di distribuzione per edge e analisi video.

Punti di forza. La rilevanza di NVIDIA negli acquisti è solitamente strutturale, più che a livello applicativo: fornisce le GPU su cui esegui l'addestramento e i moduli Jetson su cui gira l'inferenza edge, oltre al livello della piattaforma Metropolis: DeepStream per le pipeline di analisi video multi-stream e TAO per l'addestramento e l'ottimizzazione dei modelli. Per i programmi che distribuiscono sistemi di visione su molti flussi di telecamere, la scelta della piattaforma e quella di NVIDIA spesso coincidono.

Compromessi. È un'infrastruttura, non un'applicazione. Servono comunque la pipeline dati, i modelli e il lavoro di integrazione, da realizzare con il tuo team o con un altro fornitore.

Ideale per. Programmi che gestiscono molti flussi di telecamere all'edge o addestrano modelli personalizzati su larga scala.

Nota per l'approvvigionamento. I tempi di consegna dell'hardware e il supporto durante il ciclo di vita devono essere inclusi nel contratto. Una flotta edge comporta un impegno di cinque anni verso un modulo che devi poter acquistare ancora al terzo anno.

Roboflow#

Cos'è. Una piattaforma end-to-end per la visione artificiale, rivolta agli sviluppatori.

Punti di forza. Roboflow è apprezzato per la prototipazione rapida e gestisce dataset, data augmentation e addestramento dei modelli, offrendo annotazione assistita dall'IA, addestramento senza codice e distribuzione dal cloud all'edge. Per i team che sperimentano rapidamente nuovi casi d'uso, elimina gran parte del lavoro di configurazione.

Compromessi. Gli strumenti pensati per gli sviluppatori presuppongono che tu abbia sviluppatori. Non è un servizio gestito aziendale.

Ideale per. Team che vogliono passare dall'idea a un modello funzionante in giorni anziché in trimestri.

Ultralytics#

Cos'è. Una piattaforma di visione che comprende annotazione, gestione dei dataset e addestramento, basata su modelli aperti ampiamente adottati.

Punti di forza. Ultralytics Platform copre sei attività di annotazione (rilevamento degli oggetti, segmentazione delle istanze, segmentazione semantica, classificazione, stima della posa e rilevamento di oggetti orientati). L'annotazione intelligente basata su SAM genera maschere e riquadri di delimitazione con un clic per le attività di rilevamento, segmentazione, segmentazione semantica e rilevamento di riquadri orientati; posa e classificazione si annotano manualmente, un aspetto da verificare rispetto alla distribuzione delle tue attività. Le opzioni di importazione ed esportazione comprendono YOLO, COCO e VOC, per integrarsi con le pipeline esistenti anziché sostituirle; sono inoltre incluse la revisione da parte del team e la gestione delle versioni dei dataset. Il vantaggio in fase di acquisto è la continuità e la portabilità: i modelli sono aperti e ampiamente utilizzati, il dataset che etichetti è quello su cui esegui l'addestramento e nessuno dei due è vincolato a un formato proprietario.

Dettagli per l'approvvigionamento. Ultralytics Platform è certificata SOC 2 Type I e ISO/IEC 27001:2022; i dati sono crittografati durante il trasferimento e a riposo, con conformità allineata al GDPR e al CCPA. Leggi attentamente la certificazione Type I: attesta la progettazione dei controlli in un determinato momento, non la loro efficacia operativa nel tempo, che è invece attestata dalla Type II: diversi fornitori elencati sopra dispongono della Type II e, se la tua policy la richiede, è una differenza sostanziale, non una formalità. La residenza dei dati può essere impostata su Stati Uniti, UE o Asia-Pacifico (AP). I prezzi delle GPU cloud sono pubblicati su base oraria e non vengono forniti su preventivo; inoltre, la fatturazione è a consumo, perciò è una delle poche opzioni di questa pagina di cui puoi calcolare con precisione i costi prima di parlare con un rappresentante commerciale.

Licenze: leggi prima di confrontare le funzionalità. I modelli YOLO di Ultralytics sono distribuiti con la licenza AGPL-3.0, una licenza copyleft rigorosa. Per la distribuzione commerciale o proprietaria è generalmente necessaria una licenza Ultralytics Enterprise, che copre anche la distribuzione privata e il supporto avanzato. Includi il costo della licenza in ogni confronto con una piattaforma dotata di licenza commerciale e coinvolgi presto l'ufficio legale: «open source» e «nessun costo di licenza» non significano la stessa cosa. È il motivo più comune per cui un business case di visione altrimenti valido si blocca in fase contrattuale.

Compromessi. È una piattaforma destinata ai team che gestiranno i propri modelli. Le organizzazioni che vogliono un servizio gestito che fornisca risultati finiti dovrebbero valutare invece i fornitori di servizi. È anche l'opzione più recente del gruppo: Ultralytics Platform è stata lanciata a marzo 2026, mentre Azure, AWS, Cognex e NVIDIA vantano una lunga esperienza negli acquisti aziendali, reti di supporto consolidate e clienti di riferimento richiesti dai comitati più cauti. Se una lunga esperienza sul mercato o la certificazione Type II sono requisiti imprescindibili, è meglio orientarsi altrove.

Ideale per. Aziende che vogliono modelli di visione personalizzati di cui mantengono il controllo e che possono distribuire dove preferiscono, anche sul proprio hardware, senza dipendere da un fornitore cloud per ogni inferenza. Tieni presente che la piattaforma gestita addebita i costi delle ore di addestramento GPU e dell'uso degli endpoint; la differenza è che i modelli esportati possono essere eseguiti interamente su un'infrastruttura di tua proprietà.

Confronto a colpo d'occhio#

Quale fornitore dovresti scegliere?#

Sei situazioni coprono la maggior parte dei programmi aziendali. Trova quella che fa al caso tuo.

Ti servono OCR, comprensione dei documenti o rilevamento generico degli oggetti e usi Azure. Scegli Azure AI Vision. Le API sono pronte all'uso, non serve personale ML e il lavoro di integrazione è minimo. Calcola il costo per inferenza ai volumi di produzione prima di impegnarti: i prezzi basati sui consumi fanno saltare i business case approvati.

Ti serve una soluzione di visione gestita all'interno di una pipeline basata su AWS. Scegli AWS. Rekognition gestisce subito moderazione, ricerca dei volti, DPI e rilevamento delle etichette; se le sue funzionalità non bastano più, puoi passare a SageMaker senza cambiare cloud. Aspettati di dover assemblare un'architettura, anziché acquistare un prodotto.

Ispezioni componenti su una linea di produzione. Scegli Cognex se il sistema di visione deve operare sulla linea, integrarsi con i PLC e resistere all'ambiente di fabbrica. Scegli invece Landing AI se l'ostacolo è la rarità dei difetti, che impedisce il normale addestramento. È un problema di dati, non di apparecchiature, e richiede uno strumento diverso.

Distribuisci sistemi su molti flussi di telecamere all'edge. Scegli NVIDIA come livello della piattaforma, poi decidi separatamente chi fornirà i modelli e la pipeline dati. È una decisione infrastrutturale che non risolve la scelta dell'applicazione.

Devi muoverti rapidamente e dimostrare il valore. Scegli Roboflow per iterare rapidamente oppure Ultralytics Platform se intendi portare in produzione i modelli che crei come prototipi. La differenza sta nel fatto che tu stia esplorando o costruendo.

I dati etichettati sono il tuo collo di bottiglia. Scegli Encord se il vincolo è la qualità dell'annotazione e della selezione dei dati, oppure Ultralytics Platform se vuoi integrare l'annotazione direttamente nel training, anziché trasferirla tra strumenti.

Quando entrambe le opzioni sono valide, scegli quella da cui è più economico uscire. I formati aperti per i modelli e i dataset portabili non costano nulla quando tutto va bene, ma possono costare moltissimo quando non va così.

Cosa inserire nella RFP#

Le domande seguenti permettono di distinguere i fornitori più rapidamente di qualsiasi matrice delle funzionalità, perché un fornitore poco adatto non può rispondere in modo chiaro.

Sulla precisione. Qual è la precisione misurata sulle immagini della nostra proof of concept, suddivisa per le nostre classi di errore anziché aggregata? Cosa succede a quel valore nelle condizioni di illuminazione peggiori?

Sulla distribuzione. Quale hardware esegue esattamente l'inferenza, qual è la latenza end-to-end, inclusa l'acquisizione, e cosa succede quando la connettività si interrompe? Chi aggiorna fisicamente un modello su un dispositivo già installato?

Sui dati. A chi appartengono i dati etichettati? Possiamo esportarli in un formato aperto in qualsiasi momento? Quali dati nostri vengono usati per migliorare il prodotto e possiamo rinunciare a questo utilizzo?

Sul ciclo di vita. Quanto tempo serve per riaddestrare e ridistribuire il modello dopo aver scoperto una nuova modalità di errore? Descrivici il processo come una sequenza di passaggi con i relativi responsabili.

Sui costi. Qual è il costo su tre anni in base ai volumi previsti, suddiviso tra licenze, risorse di calcolo, archiviazione, lavoro di annotazione e supporto? Cosa comporta una variazione di prezzo?

Sull'uscita. Se rescindiamo il contratto nel secondo anno, cosa conserviamo: i dati, i modelli o nessuno dei due?

Dal progetto pilota alla produzione#

La maggior parte dei programmi di questa categoria non fallisce durante il progetto pilota. Fallisce nel passaggio da un progetto pilota riuscito a un sistema di produzione che non entra mai davvero in funzione.

Definisci i criteri di produzione prima di avviare il progetto pilota. Stabilisci la precisione, la latenza e il costo per inferenza che giustificherebbero il rollout, e mettili per iscritto. Un progetto pilota senza una soglia di superamento ha sempre successo, ed è per questo che non ti dice nulla.

Svolgi il progetto pilota nel sito peggiore, non in quello migliore. La linea di punta, con una buona illuminazione e un supervisore motivato, farà sembrare capace qualsiasi fornitore. Il rollout sarà giudicato davvero nel sito problematico.

Metti a budget il secondo modello. Il primo modello viene realizzato con l'attenzione del fornitore e un dataset pulito. Il decimo viene realizzato dal tuo team di martedì. Se il secondo modello non può essere realizzato senza il fornitore presente, il programma non è scalabile.

Assegna la responsabilità della qualità dei dati. In ogni programma fallito di questa categoria manca lo stesso ruolo: qualcuno responsabile nel tempo del dataset etichettato. Non è un compito da svolgere nel tempo libero dell'ingegnere ML e non compete all'ufficio acquisti.

Criteri di valutazione che reggono al passaggio alla produzione#

Ponderali in base al tuo compito e al luogo in cui deve essere eseguita l'inferenza.

Precisione sulle tue immagini, non sul benchmark. Insisti per una proof of concept che usi le tue immagini più difficili: scarsa illuminazione, occlusioni e casi limite di cui si lamentano gli operatori. Un fornitore che non è disposto a farla ti sta dicendo qualcosa.

Realismo della distribuzione edge. Chiedi nello specifico: quale hardware, quale latenza, cosa succede quando la rete si interrompe e come si aggiorna un modello su un dispositivo già sul campo.

Costo totale di proprietà. Includi licenze, risorse di calcolo, archiviazione, lavoro di annotazione e manutenzione continuativa dei modelli, non solo il costo iniziale. I prezzi cloud basati sul consumo sono la voce che più spesso sorprende i team quando operano su larga scala.

Integrazioni. Negli ambienti industriali, la compatibilità con PLC e MES determina se il sistema è utilizzabile. Negli ambienti software, contano le API e le pipeline di dati. Non sono aspetti intercambiabili.

Governance dei dati. Crittografia, controlli di accesso, tracce di audit e conformità normativa. GDPR, HIPAA e gli standard specifici del settore spesso determinano la scelta della piattaforma prima ancora che inizi qualsiasi confronto tecnico.

Il nuovo requisito per gli acquisti: attendibilità dei dispositivi e provenienza dei dati#

Vale la pena evidenziare questo cambiamento, perché ora blocca accordi che in passato si sarebbero conclusi.

L'attendibilità dei dispositivi, i diritti sui dataset e i registri di custodia delle immagini hanno sempre più lo stesso peso commerciale della precisione del modello. Un modello di computer vision può superare la convalida tecnica e comunque non superare la valutazione degli acquisti, perché nessuno è in grado di dimostrare da dove provengano le immagini di training, se l'organizzazione avesse il diritto di usarle o quale dispositivo fisico abbia acquisito un determinato fotogramma.

Tre domande da inserire nella RFP:

• Diritti sui dataset. Per ogni dataset usato nel training, qual è la licenza e consente l'uso commerciale nella nostra giurisdizione?
• Custodia delle immagini. Il fornitore può produrre un registro che colleghi un'inferenza in produzione al dispositivo che l'ha acquisita?
• Attendibilità dei dispositivi. Come viene attestata l'integrità di un dispositivo edge e cosa succede se viene manomesso?

I fornitori che non sanno rispondere a queste domande non sono necessariamente inaffidabili. Tuttavia, rallenteranno di mesi la tua revisione legale.

Come condurre la valutazione#

Seleziona i finalisti in base al quadrante, non al numero di funzionalità. Decidi prima tra modelli preaddestrati e personalizzati, e tra cloud ed edge. Di solito questo elimina metà del mercato prima ancora di una singola demo.

Esegui una proof of concept sui tuoi dati più difficili. Stesse immagini, stessi criteri di accettazione per ogni fornitore. Misura la precisione sui casi importanti anziché calcolare la precisione aggregata su un insieme di dati facile.

Calcola il costo dell'intero ciclo di vita. Prepara un modello triennale che includa il lavoro di annotazione e il riaddestramento. Confronta quello, non i costi delle licenze.

Verifica il processo di aggiornamento. Distribuisci un modello e poi modificalo. Il tempo necessario e le persone da coinvolgere determinano se il sistema migliorerà dopo il go-live o resterà congelato dal primo giorno.

Verifica le condizioni di uscita. Puoi esportare i dati etichettati in un formato aperto e usare i tuoi modelli altrove? In caso contrario, calcola il costo del vincolo al fornitore.