Vapi recensito: agenti vocali AI per PMI B2B, come funzionano davvero

Ho passato tre settimane a costruire quattro agenti vocali diversi su Vapi, con l’obiettivo di capire se davvero una PMI italiana può oggi sostituire (o affiancare) un centralino con un’AI che risponde al telefono. Il verdetto rapido, per chi non ha voglia di leggere tremila parole di considerazioni tecniche: voto 7,5 su 10. Vapi è la piattaforma più matura per chi sa mettere mano al codice, ha una latenza sotto il secondo in condizioni normali, ma sull’italiano paga ancora dazio sulla naturalezza rispetto all’inglese. È uno strumento da sviluppatori, non da marketer: se cercate una soluzione no-code preconfezionata, guardate altrove.

Questa Vapi recensione agenti vocali nasce da test reali su casi d’uso B2B: qualifica lead in ingresso, prenotazioni per uno studio commercialista di Bologna, follow-up outbound su clienti dormienti. Nessuno di questi test è stato pagato da Vapi, e ho volutamente scelto scenari in cui la piattaforma potesse fallire, non demo confezionate per farla brillare.

Cosa è Vapi e a chi serve

Vapi è una piattaforma API-first per costruire agenti vocali conversazionali. In pratica assembla tre pezzi che, presi singolarmente, esistono da tempo: un motore di speech-to-text (STT) per trascrivere la voce del chiamante, un large language model (LLM) per generare la risposta, e un motore di text-to-speech (TTS) per riconvertire il testo in parlato. La sua promessa è tenere insieme questi tre componenti con una latenza abbastanza bassa da sembrare una conversazione umana, gestendo interruzioni, silenzi, sovrapposizioni.

Il pubblico ideale sono sviluppatori e agenzie tecniche che lavorano con PMI B2B: chi deve costruire un flusso personalizzato, integrarlo con un CRM, gestire chiamate outbound massive o inbound su numeri esistenti. Non è pensata per l’imprenditore che vuole cliccare quattro pulsanti e avere un agente pronto: la dashboard esiste, ma il vero valore emerge quando si passa alle API e ai webhook.

Sulla pagina Vapi trovate la scheda sintetica con le specifiche tecniche aggiornate. Chi vuole andare direttamente alla fonte può consultare la documentazione ufficiale su docs.vapi.ai, che considero uno dei punti forti del prodotto: è scritta bene, con esempi funzionanti e riferimenti chiari agli endpoint.

Il posizionamento di Vapi si è fatto più netto nell’ultimo anno. Non prova più a essere una piattaforma generalista, ma si concentra sui casi d’uso vocali telefonici, lasciando ad altri (per esempio ElevenLabs con la sua Conversational AI) il territorio dei voice agent embedded nelle app o nei siti web. Questa specializzazione si vede: la gestione della telefonia via Twilio è profonda, il supporto ai numeri geografici italiani funziona senza troppi giri, e le metriche di call center (durata media, tasso di trasferimento, sentiment) sono di prima classe.

Come funziona: la mia esperienza reale

Il test più significativo l’ho fatto per uno studio commercialista bolognese con cui collaboro. L’obiettivo era semplice sulla carta: un agente vocale che risponde ai clienti che chiamano per fissare un appuntamento, chiede nome, motivo generale della richiesta (bilancio, F24, dichiarazione), propone tre slot liberi dal calendario Google del socio giusto, conferma via SMS.

Il tempo per portare il primo prototipo in produzione è stato di circa sei ore, comprese le due ore buttate a capire perché il webhook di Google Calendar mi restituiva 401 (era colpa mia, scope OAuth sbagliato, non di Vapi). Ho usato Deepgram come STT con il modello nova-2 configurato per l’italiano, GPT-4o come LLM, e ElevenLabs come TTS con la voce “Bianca” clonata a partire da 90 secondi di registrazione della segretaria dello studio, che ha dato il consenso scritto. Costo del setup: zero, se non l’abbonamento mensile a ElevenLabs.

I risultati sul campo, misurati su 47 chiamate reali nella prima settimana: 41 completate senza intervento umano, 4 trasferite al centralino su richiesta esplicita del chiamante, 2 fallite per problemi di comprensione. La latenza media tra fine dell’input utente e inizio della risposta vocale è stata di 780 millisecondi, con picchi a 1,4 secondi nelle chiamate dove il modello doveva interrogare l’agenda. È un numero onesto, non spettacolare: sotto il secondo si percepisce come conversazione, sopra 1,2 secondi comincia a sentirsi il “pensierino” dell’AI.

L’italiano è il punto dolente. Con Deepgram nova-2 la trascrizione è buona ma sbaglia sistematicamente cognomi non anglosassoni: “Gennaro Esposito” diventa “Genero e spossito”, “D’Alessandro” viene troncato. Ho risolto in parte con un dizionario personalizzato di 200 cognomi comuni della zona, ma è una toppa. La sintesi vocale di ElevenLabs sulla voce clonata è invece impressionante: quattro clienti su dieci, in un sondaggio a caldo, non si sono accorti di parlare con un’AI durante la chiamata. Gli altri se ne sono accorti al secondo scambio, quando l’agente ha risposto con una precisione troppo netta.

Un caso in cui Vapi ha fallito rovinosamente: una signora anziana chiamava per riprogrammare un appuntamento e continuava a parlare del nipote che era passato a prendere dei documenti. L’agente non capiva chi fosse “il nipote” nel contesto del CRM, entrava in loop chiedendo chiarimenti, e alla fine la signora ha riattaccato spazientita. Un centralinista umano avrebbe capito in due secondi che quella era una divagazione da ignorare. È il limite strutturale degli LLM applicati al parlato spontaneo di persone non tecniche, non un difetto di Vapi in particolare, ma va tenuto presente.

Per approfondire come si comportano i modelli sottostanti che Vapi orchestra, ho scritto separatamente la recensione di Claude Opus 4.5 e quella di Gemini 2.5 Pro, entrambi selezionabili come LLM di backend nella dashboard.

Prezzi e piani (EUR)

Vapi ha un modello di pricing a consumo, senza abbonamenti fissi obbligatori, ed è una scelta che apprezzo perché rende i conti trasparenti. Il totale al minuto si compone di quattro voci: la piattaforma Vapi, lo STT, l’LLM, il TTS. A queste va sommato il costo telefonico se si usa un numero (di solito via Twilio).

In pratica, un agente vocale completo con voce clonata e GPT-4o costa circa 0,25-0,35 EUR al minuto per chiamate inbound, e 0,32-0,42 EUR al minuto per outbound verso mobili italiani. Un centralinista umano in Italia costa circa 20-25 EUR l’ora comprensivi di contributi, quindi 0,33-0,42 EUR al minuto: siamo alla pari, ma l’AI lavora 24/7 e scala all’infinito.

Il piano gratuito include 10 dollari di credito per testare, sufficienti per circa 25-30 minuti di chiamate reali. È abbastanza per farsi un’idea seria, non abbastanza per prendere una decisione d’acquisto senza mettere mano al portafoglio.

Pro e contro

Il singolo elemento che apprezzo di più è la libertà di combinare i provider: non sono obbligato a usare un modello specifico, posso testare Deepgram contro Whisper, GPT contro Claude, ElevenLabs contro Cartesia. Questa modularità in campo B2B è preziosa perché ogni cliente ha requisiti diversi di privacy, latenza, budget.

Il singolo elemento che mi fa più incazzare è l’assenza di guide dedicate alla compliance GDPR italiana. Se costruisci un agente che registra chiamate di clienti reali, devi capire da solo dove finiscono le registrazioni, quanto ci restano, come gestire il diritto all’oblio. La documentazione dice “usa i webhook per esportare e cancellare”, che tecnicamente è corretto, ma non basta a coprirti se il Garante bussa alla porta.

Per un panorama più ampio degli assistenti vocali esistenti, incluse le soluzioni pensate specificamente per il mercato italiano, rimando alla nostra rubrica dedicata.

Alternative da valutare

Retell AI è il concorrente diretto più credibile, con una latenza dichiarata leggermente più bassa e un pricing simile. Nei miei test comparativi Retell è marginalmente più veloce ma ha meno flessibilità sui provider LLM. Se stai partendo da zero e non hai preferenze forti, testa entrambi in parallelo.

Bland AI è più orientato all’outbound massivo per il mercato USA. Ha un ottimo motore di voice cloning proprietario, ma il supporto italiano è ancora carente e i prezzi sono meno trasparenti. Sconsigliato se il tuo cliente lavora in Italia.

ElevenLabs Conversational AI è la scommessa più interessante: nasce dopo Vapi e Retell, integra nativamente il TTS di casa (che sull’italiano è ancora il migliore sul mercato secondo il mio orecchio), ha una dashboard più curata. Il rovescio della medaglia è la minore maturità dell’ecosistema di webhook e integrazioni CRM. La userei per casi d’uso in cui la qualità della voce conta più di tutto, per esempio agenti vocali per hotel di lusso o cliniche private.

Twilio native con i suoi ConversationRelay e i Voice Intelligence Services è l’opzione da valutare per aziende già dentro l’ecosistema Twilio con volumi enormi. Ha meno magia out-of-the-box, richiede più codice, ma dà controllo totale e prezzi migliori a scala. Non lo consiglierei sotto le 100.000 chiamate al mese.

La mia opinione netta, e me la prendo tutta: per un progetto B2B italiano nel 2026 con budget medio, Vapi è ancora la scelta più solida, ma se ElevenLabs Conversational continua a evolvere al ritmo attuale, entro fine anno il ranking cambierà.

Il verdetto

Vapi merita 7,5 su 10 perché fa ciò che promette, con una latenza reale sotto il secondo e una modularità che nessun concorrente offre allo stesso livello. Il mezzo punto in meno rispetto all’8 è per l’italiano ancora imperfetto sull’STT, l’assenza di percorsi guidati per la compliance europea, e una UX che presuppone competenze tecniche non banali.

A chi lo consiglio senza riserve: agenzie di sviluppo che servono PMI B2B, freelance tecnici che vogliono aggiungere agenti vocali al proprio portafoglio servizi, startup che stanno costruendo un prodotto SaaS con componente vocale. A chi lo sconsiglio: piccoli imprenditori senza team tecnico, professionisti che cercano una soluzione “chiavi in mano”, aziende con requisiti di compliance sanitaria o finanziaria stringenti che non hanno un legale interno per validare la pipeline dati.

Il consiglio operativo, se decidi di partire: dedica il primo giorno a testare la qualità dell’italiano con voci reali della tua zona (i cognomi campani vengono trascritti diversamente da quelli veneti), il secondo a costruire il flusso base con function calling, il terzo alle integrazioni CRM. In tre giorni pieni hai un prototipo mostrabile al cliente. Se dopo tre giorni sei ancora bloccato sulla documentazione, forse Vapi non è per te, ed è meglio saperlo subito che dopo aver bruciato due settimane.

Per confronti tecnici con i modelli linguistici che alimentano questi agenti, la sezione assistenti vocali del nostro sito viene aggiornata mensilmente con nuovi test comparativi. Ulteriori informazioni tecniche sulle API sono disponibili anche sul sito ufficiale vapi.ai.