Laravel AI SDK, Prism, LarAgent, Neuron AI o LLPhant: quale strumento per quale integrazione, quanto costa ogni richiesta e cosa chiede l'AI Act
Nel 2025 il 16,4% delle imprese italiane con almeno dieci addetti usava una tecnologia di intelligenza artificiale, il doppio dell'8,2% dell'anno prima, secondo Istat. Ma il dato che conta per chi sviluppa su commessa è un altro: fra le imprese che l'AI l'hanno valutata senza adottarla, il 58,6% indica come ostacolo la mancanza di competenze e il 47,3% l'incertezza normativa. Il costo è solo il quinto ostacolo, al 43%.
Tradotto: il mercato non è fermo perché l'AI costa troppo. È fermo perché nessuno, in quelle aziende, sa da che parte cominciare — e perché il gestionale su cui dovrebbe girare esiste già, funziona, e nessuno vuole rifarlo. In Italia, molto spesso, quel gestionale è scritto in Laravel.
Fino a poco tempo fa il problema era che l'ecosistema PHP non aveva strumenti paragonabili a quelli Python. Il 5 febbraio 2026 è arrivato un SDK ufficiale Laravel per l'AI, e attorno a lui esisteva già un ecosistema di pacchetti della community. Questa guida serve a scegliere fra loro con cognizione di causa, a sapere quanto costa davvero una funzione di AI in produzione, e a non farsi trovare impreparati dagli obblighi europei che sono scattati questo mese.
INDICE DEI CONTENUTI
- Cosa significa davvero integrare l'AI in un'applicazione Laravel
- Laravel AI SDK: l'SDK ufficiale, e cosa cambia davvero
- Prism PHP: il pacchetto che c'era prima
- LarAgent, Neuron AI e LLPhant: le tre alternative specializzate
- Laravel Boost e Laravel MCP: due strumenti che vengono spesso confusi
- Quale strumento per quale tipo di integrazione
- Quale approccio per quale tipo di team
- Quanto costa: i numeri, non le impressioni
- Privacy e residenza dei dati: la domanda che il cliente fa sempre
- AI Act: cosa è scattato questo mese
- Competenze necessarie per integrare l'AI in Laravel
- Ruoli e abilità in un progetto di integrazione
- Tariffe: quanto vale saper integrare l'AI in Laravel
- Cosa significa per le aziende italiane
- Conclusioni
-
Domande frequenti
- Conviene usare il Laravel AI SDK ufficiale o Prism?
- Posso fare RAG in Laravel se il cliente è su MySQL?
- Quanto costa far girare un chatbot documentale?
- I dati del cliente finiscono nell'addestramento dei modelli?
- Il mio chatbot ricade nell'AI Act?
- Quanto guadagna un freelance Laravel che sa integrare l'AI?
Cosa significa davvero integrare l'AI in un'applicazione Laravel
Non stai addestrando niente
È il primo equivoco da togliere di mezzo con il cliente. Integrare l'intelligenza artificiale in un'applicazione web non significa costruire un modello: significa chiamare un servizio esterno via HTTP, passargli del testo, ricevere del testo, e fare qualcosa di sensato con la risposta. Il modello non è tuo, non gira sul tuo server e non impara dai tuoi dati.
Questo cambia il mestiere richiesto. Non serve conoscere le reti neurali; serve saper progettare un contratto fra la tua applicazione e un servizio che a volte sbaglia. È ingegneria del software, non scienza dei dati — e per chi già lavora in Laravel è un salto molto più corto di quanto sembri.
Le quattro forme che prende nella pratica
Estrazione e classificazione. Leggere un'email, una fattura, un ticket e trasformarli in dati strutturati: categoria, priorità, importo, cliente. È l'integrazione più redditizia e la meno appariscente.
Generazione di testo. Descrizioni prodotto, bozze di risposta, riassunti di documenti lunghi. Sempre con una revisione umana nel mezzo.
Ricerca semantica e RAG. Rispondere a domande sui documenti del cliente citando le fonti. È quello che tutti chiamano "chatbot" ed è per tre quarti un problema di recupero delle informazioni, non di modello.
Agenti che operano. Il modello non risponde soltanto: chiama funzioni della tua applicazione, crea record, invia email. È il gradino più alto e quello dove il rischio cambia natura.
Il rischio cresce a ogni gradino, e c'è un caso reale da conoscere
Fino alla generazione di testo, il peggio che può capitare è una risposta sbagliata. Con gli agenti che eseguono strumenti, il peggio è che qualcuno convinca il modello a fare qualcosa che non doveva. Non è teoria: nell'ecosistema PHP ci sono due vulnerabilità pubblicate proprio su questo, entrambe su strumenti che davano al modello accesso al database — una critica, che permetteva SQL arbitrario e distruttivo a partire da un prompt non fidato, e una alta, che aggirava il vincolo di sola lettura scrivendo file su disco.
La lezione vale per qualunque strumento si scelga: uno strumento che il modello può chiamare va progettato come si progetta un endpoint pubblico, con permessi espliciti e nessuna fiducia sull'input. Niente query libere, niente scritture senza conferma umana.
In sintesi
La domanda non è "quale libreria uso". È: quale delle quattro forme serve al cliente, quanto costa sbagliare in quel contesto, e chi controlla il risultato prima che diventi un'azione.
Laravel AI SDK: l'SDK ufficiale, e cosa cambia davvero
Il pacchetto è laravel/ai, licenza MIT, mantenuto da Taylor Otwell, annunciato il 5 febbraio 2026 e integrato nel framework con Laravel 13. Due precisazioni che circolano storte e vanno messe subito a posto: non richiede Laravel 13 — il suo composer.json accetta anche Laravel 12 e PHP 8.3 — e non usa Prism sotto il cofano, come qualche articolo sostiene: Prism non compare fra le sue dipendenze.
I vantaggi
Ha già vinto sui numeri, in sei mesi. Al 23 agosto 2026 registra 1,61 milioni di installazioni negli ultimi trenta giorni contro le 698 mila di Prism, il pacchetto community che dominava prima. Sul totale storico sono ancora appaiati: è il flusso mensile a dire dove sta andando il mercato.
Gli agenti sono classi, non stringhe. Un agente si dichiara come una classe PHP con attributi #[Provider], #[Model], #[MaxSteps]), i suoi strumenti sono metodi, l'output strutturato si descrive con uno schema JSON e la conversazione si persiste su tabelle del tuo database. Per chi viene da Laravel è esattamente il modo in cui è abituato a lavorare.
Copre tutti i fornitori che contano, e sa cambiarli da solo. OpenAI, Anthropic, Gemini, Azure, Bedrock, Groq, xAI, DeepSeek, Mistral, Ollama, OpenRouter per il testo, più embedding e reranking da una decina di fornitori (documentazione ufficiale). Il failover automatico fra provider è di serie: quando un fornitore ha un disservizio — e capita — l'applicazione continua a funzionare.
Le cose noiose sono già risolte. Streaming in SSE restituibile direttamente da una rotta, esecuzione in coda con queue() e broadcastOnQueue(), approvazione umana degli strumenti prima dell'esecuzione (dalla versione 0.10 di luglio 2026), client MCP integrato, e soprattutto i fake per i test: Agent::fake([...]) con assertPrompted(), che è ciò che rende testabile una funzionalità altrimenti non deterministica.
La ricerca vettoriale è entrata nel framework. Laravel 13 porta $table->vector('embedding', dimensions: 1536) con indice HNSW e whereVectorSimilarTo() sul query builder: il RAG si scrive con lo stesso Eloquent di sempre.
Gli svantaggi
È ancora una versione 0.x. L'ultima è la 0.11.0 del 19 agosto 2026. Funziona, ha 136 contributori e lo usano in molti, ma "pre-1.0" significa che un'interfaccia può cambiare fra una minor e l'altra. Su un progetto che consegni a un cliente, va messo nel contratto di manutenzione.
La ricerca vettoriale locale è solo PostgreSQL. La documentazione è esplicita: le query vettoriali funzionano unicamente su connessioni PostgreSQL con l'estensione pgvector. Se il cliente è su MySQL — e in Italia, nei progetti Laravel, lo è quasi sempre — il RAG nativo non è disponibile e bisogna appoggiarsi a un servizio esterno. È il vincolo più impattante di tutto l'articolo, e va verificato prima di firmare, non dopo.
I "vector store" pronti sono ospitati dal fornitore. Comodissimi: carichi i documenti e ottieni la ricerca senza infrastruttura. Ma i documenti del cliente finiscono sui server di OpenAI o di Google, il che è una scelta da fare con lui e non al posto suo.
L'osservabilità c'è ma è parziale. La versione 0.11 ha introdotto eventi dettagliati su ogni passo dell'agente, ma senza dashboard, senza conteggio dei token e senza costi. Il monitoraggio della spesa te lo costruisci tu.
Prism PHP: il pacchetto che c'era prima
Prism è il pacchetto di TJ Miller che per due anni è stato la risposta standard alla domanda "come chiamo un modello da Laravel". Non è affiliato a Laravel — lo dichiara il suo stesso README — e copre generazione di testo, streaming, output strutturato, embedding, tool calling, immagini, audio e input multimodali su quattordici fornitori.
I vantaggi
È maturo e i suoi strumenti di test sono ottimi. Prism::fake() con builder dedicati per risposte testuali, strutturate e di embedding, più asserzioni su prompt, numero di chiamate e configurazione del provider. Chi ha scritto test su Prism li ritrova quasi identici nell'SDK ufficiale.
Requisiti più bassi. PHP 8.2 e Laravel 11, 12 o 13: su un progetto che non può ancora salire di versione, è la strada praticabile mentre l'SDK ufficiale chiede PHP 8.3.
Gli svantaggi
L'ultimo rilascio è del 20 marzo 2026, cioè cinque mesi prima di questo articolo, con oltre cento issue aperte. Va detto con precisione: non esiste alcun annuncio di abbandono, né sul sito né sul repository — l'assenza di tag è un fatto, la conclusione che il progetto stia rallentando è un'inferenza. Ma è un'inferenza che va condivisa con il cliente prima di scegliere.
Si ferma un gradino prima. Prism è un ottimo strato di accesso ai modelli, ma non porta agenti come classi, memoria conversazionale persistita né approvazione umana degli strumenti: quelle parti restano da scrivere.
Esiste già un caso di migrazione documentato da Prism all'SDK ufficiale, con le tre insidie tipiche: il parametro temperature non supportato da certi modelli, gli schemi annidati in modalità strict e la necessità di catturare Throwable e non solo Exception.
LarAgent, Neuron AI e LLPhant: le tre alternative specializzate
LarAgent — gli agenti con la sintassi di Eloquent
LarAgent propone agenti scritti come si scrive un model Eloquent, con cronologia della chat configurabile (memoria, cache, file, sessione), strumenti eseguiti in parallelo, fallback fra provider e una modalità che funziona anche fuori da Laravel. Versione 1.4.0 del 9 maggio 2026, sponsorizzato da un partner Laravel.
Il limite è la dimensione: circa 19 mila installazioni al mese contro il milione e mezzo dell'SDK ufficiale, e zero pacchetti che ne dipendono. Non ho trovato utility di fake per i test né RAG nativo. È una scelta sensata se la sua ergonomia ti convince davvero; è una scommessa se il progetto deve durare cinque anni e passare di mano.
Neuron AI — agenti, workflow e osservabilità
Prima cosa da sapere, perché mezza rete la sbaglia: il pacchetto è stato rinominato. inspector-apm/neuron-ai è marcato come abbandonato su Packagist e rimanda a neuron-core/neuron-ai, versione 3.16.6 del 18 agosto 2026, circa 171 mila installazioni mensili.
È il più ambizioso dei tre: agenti con memoria, RAG completo con embedding e vector store, workflow a eventi con checkpoint e intervento umano, connettore MCP, output strutturato mappato su classi PHP, streaming con i protocolli AG-UI e Vercel. Esiste anche un pacchetto di integrazione Laravel ufficiale del progetto.
Due cose da dichiarare al cliente. La prima: l'osservabilità nativa passa da Inspector.dev, che è un prodotto commerciale della stessa azienda che sviluppa Neuron — non è un difetto, è un conflitto di interesse da mettere sul tavolo. La seconda: sono le due vulnerabilità citate più sopra, ormai corrette, ma che raccontano bene il tipo di rischio che si assume dando a un agente strumenti che toccano il database.
LLPhant — la libreria RAG con più vector store di tutte
LLPhant è attivamente mantenuto (versione 1.0.1 del 26 luglio 2026) e ha il vantaggio più concreto per chi fa RAG in PHP: supporta una dozzina di vector store — PostgreSQL e MariaDB via Doctrine, Qdrant, Redis, Elasticsearch, Milvus, ChromaDB, AstraDB, OpenSearch, Typesense, MongoDB — contro il solo pgvector dell'SDK ufficiale.
Il rovescio: è una libreria PHP, non un pacchetto Laravel. Si dichiara compatibile con Laravel e Symfony, ma non ho trovato una documentazione di integrazione specifica — niente service provider, niente facade, niente file di configurazione. La si usa bene, ma il collante lo scrivi tu.
Laravel Boost e Laravel MCP: due strumenti che vengono spesso confusi
Laravel Boost non serve all'AI della tua applicazione. È un pacchetto di sviluppo che installa un server MCP locale e delle linee guida perché gli assistenti di codice — Cursor, Claude Code, Copilot — capiscano il tuo progetto Laravel: schema del database, log, documentazione, ultimo errore. Serve a te mentre scrivi, non ai tuoi utenti. I suoi numeri di download enormi si spiegano così: è una dipendenza di sviluppo installata a ogni build.
Laravel MCP fa la cosa opposta e apre un mercato nuovo: permette di esporre la tua applicazione come server MCP, con strumenti, prompt e risorse, autenticazione OAuth 2.1 o Sanctum e un inspector da riga di comando. Detto in termini commerciali: rende il gestionale del cliente pilotabile da un assistente. È in versione beta (1.0.0-beta.1 di agosto 2026), quindi è presto per venderlo come prodotto finito — ma è il tipo di integrazione che nel 2027 verrà chiesta di continuo.
Quale strumento per quale tipo di integrazione
Classificare, estrarre, arricchire dati (ticket, fatture, email) — SDK ufficiale con output strutturato, eseguito in coda, con un modello economico. È l'integrazione con il miglior rapporto fra valore e rischio.
Generare testi dentro un back-office — SDK ufficiale con streaming, e sempre un passaggio di revisione umana prima della pubblicazione.
Chatbot documentale su PostgreSQL — SDK ufficiale con pgvector, tutto dentro il database del cliente. È lo scenario migliore che ci sia.
Chatbot documentale su MySQL — qui il framework non ti aiuta: o si aggiunge un servizio vettoriale esterno come Qdrant o Typesense, o si usa LLPhant, o si accettano i vector store ospitati dal fornitore. Va prezzato come lavoro aggiuntivo, perché lo è.
Agente che compie azioni (crea ordini, aggiorna anagrafiche) — SDK ufficiale con approvazione umana degli strumenti. Nessuno strumento che scrive senza conferma, nessuna query SQL costruita dal modello.
Rendere l'applicazione pilotabile da assistenti esterni — Laravel MCP, dichiarando che è in beta.
Progetto legacy su PHP 8.2 o Laravel 11 — Prism, con l'avvertenza sul ritmo di rilascio.
Workflow lunghi con checkpoint e osservabilità pronta — Neuron AI, dichiarando il legame con Inspector.
Il caso in cui la risposta è "non in PHP" — se il progetto richiede addestramento di modelli, elaborazione di grandi volumi o manipolazione numerica pesante, la strada giusta è un servizio separato in Python che Laravel chiama via API. Forzare tutto dentro PHP è il modo più rapido di scrivere codice che nessuno vorrà mantenere.
Quale approccio per quale tipo di team
Il freelance che lavora su progetti Laravel esistenti
SDK ufficiale, senza esitare. È lo strumento con la documentazione migliore, il maggior numero di persone che lo conoscono e la probabilità più alta di esistere ancora fra tre anni. La differenza la fa quello che ci costruisci sopra: valutazione, controllo dei costi, gestione degli errori.
Team piccolo che costruisce un prodotto
La disciplina conta più della libreria: una suite di casi di prova con risposte attese, un tetto di spesa per cliente, log delle richieste e delle risposte. Senza queste tre cose, al terzo mese nessuno sa più se una modifica al prompt ha migliorato o peggiorato il prodotto.
Agenzia con molti clienti
Standardizzare su un solo strumento vale più di scegliere quello ottimale per ciascun progetto. Un'agenzia che usa quattro librerie diverse su quattro clienti ha quattro competenze da mantenere e nessuna da capitalizzare.
Team senza PostgreSQL
È il caso in cui la tecnologia decide al posto tuo. Se il cliente è su MySQL e vuole ricerca semantica sui propri documenti, le opzioni sono aggiungere un servizio vettoriale, migrare a PostgreSQL o accettare che i documenti escano verso il fornitore del modello. Tre strade con tre prezzi e tre implicazioni sulla privacy: vanno messe per iscritto e fatte scegliere a lui.
Team che ha già competenze Python
Non c'è nessun obbligo di fare tutto in PHP. Il pattern più solido nei progetti seri è Laravel che gestisce utenti, permessi, interfaccia e code, e un servizio Python separato per la parte di modello quando serve davvero. Ne abbiamo parlato nella guida a Python per l'intelligenza artificiale.
In sintesi
Più il team è piccolo, più conviene stare sullo strumento ufficiale e mettere l'energia nella valutazione e nel controllo dei costi. Le librerie alternative hanno senso quando risolvono un vincolo preciso — un vector store particolare, un workflow lungo, una versione di PHP vecchia — non per gusto.
Quanto costa: i numeri, non le impressioni
I prezzi dei modelli, ad agosto 2026
Per milione di token, in ingresso e in uscita: Gemini 2.5 Flash-Lite 0,10 e 0,40 dollari; Mistral Small 4 a 0,15 e 0,60; il modello economico di OpenAI a 0,20 e 1,20; Claude Haiku a 1 e 5, Claude Sonnet a 2 e 10. I modelli di punta stanno a un ordine di grandezza sopra. Gli embedding costano fra 0,02 e 0,20 dollari per milione di token, cioè quasi niente.
Due leve riducono il conto in modo sostanziale e sono spesso ignorate: il prompt caching, che porta la lettura della parte stabile del prompt a un decimo del prezzo (fino al 90% di sconto sull'input in casa Mistral), e le API batch, che tagliano del 50% quando la risposta può arrivare più tardi — cioè in tutti i lavori notturni di classificazione e arricchimento.
Cosa vuol dire su un progetto vero
Prendiamo un chatbot documentale con 4.000 token in ingresso — istruzioni, tre estratti recuperati, storico e domanda — e 500 in uscita. Il costo per singola risposta va da 0,0006 dollari con un modello economico a 0,026 con un modello di punta: su diecimila conversazioni al mese, da 6 a 260 dollari. Una classificazione di ticket — 800 token dentro, 20 fuori — costa fra 9 e 90 centesimi ogni mille, e con le API batch la metà. Indicizzare diecimila documenti costa fra 16 centesimi e 1,60 dollari, una volta sola. (Sono calcoli derivati dai listini citati sopra, non prezzi pubblicati: le assunzioni sono dichiarate perché il cliente possa rifarli con i suoi numeri.)
La cifra sorprendente non è il costo, è quanto è basso. Ed è esattamente per questo che il conto poi scappa: si sceglie un modello di punta quando ne basterebbe uno economico, non si mette un tetto di spesa, si rifanno le stesse chiamate a ogni caricamento di pagina invece di salvare il risultato in cache.
Le voci che nessuno mette a preventivo
I tentativi ripetuti quando il modello sbaglia formato. I token di ragionamento dei modelli che ne fanno uso, che si pagano e non si vedono. Il servizio vettoriale, se il cliente è su MySQL. E soprattutto il worker per le code: un progetto Laravel medio non ne ha uno, e quasi tutto ciò che riguarda l'AI — indicizzazione, agenti multi-passo, elaborazioni in blocco — va fuori dalla richiesta HTTP. Aggiungere code e worker a un'applicazione che non li aveva è lavoro infrastrutturale, e va fatturato come tale.
Privacy e residenza dei dati: la domanda che il cliente fa sempre
Nessuno dei grandi fornitori addestra i propri modelli sui dati inviati alle API a pagamento. Lo dichiarano esplicitamente OpenAI, Anthropic e Microsoft per Azure. C'è però un'eccezione grossa da conoscere: i termini di Google per i servizi Gemini gratuiti dicono il contrario — i contenuti vengono usati per sviluppare i prodotti, con l'avvertenza esplicita di non inviare informazioni riservate o personali. Il piano gratuito non è una versione economica del piano a pagamento: è un contratto diverso, e usarlo per una prova con i dati veri del cliente è un errore che costa caro.
Sulla residenza europea il quadro è più sfumato di come viene raccontato. Mistral offre un endpoint regionale attivabile da sé con un sovrapprezzo del 10%. Azure permette un deployment "DataZone" che tiene l'elaborazione dentro l'Unione. OpenAI ha la residenza europea, ma solo previa approvazione commerciale, quindi non è una casella da spuntare in autonomia. E l'API diretta di Anthropic non offre affatto una regione europea: accetta solo "globale" o "Stati Uniti", e per restare in Europa bisogna passare da AWS o Google Cloud.
Per un cliente italiano che tratta dati personali, questo si traduce in una scaletta molto pratica: Mistral e Azure sono le strade più corte, le altre richiedono un passaggio in più. E in tutti i casi va ricordato che i log di controllo abusi vengono conservati per un periodo — tipicamente trenta giorni — salvo accordi specifici di conservazione zero.
AI Act: cosa è scattato questo mese
Il Regolamento (UE) 2026/1744 dell'8 luglio 2026, il "Digital Omnibus", ha rimescolato il calendario dell'AI Act. Il punto che riguarda chiunque metta un assistente dentro un sito va detto in modo netto, perché in giro si legge il contrario: l'Omnibus ha rinviato gli obblighi per i sistemi ad alto rischio, non quelli di trasparenza.
Dal 2 agosto 2026 gli obblighi di trasparenza dell'articolo 50 sono applicabili e azionabili dalle autorità nazionali: chi interagisce con un sistema di AI deve saperlo, i contenuti generati vanno marcati in formato leggibile dalle macchine, i deepfake vanno dichiarati.
Dal 2 dicembre 2026 la marcatura vale anche per i sistemi già sul mercato prima di agosto: è il periodo transitorio, non un'esenzione.
Dal 2 dicembre 2027 gli obblighi pesanti per i sistemi ad alto rischio dell'Allegato III — rinviati di sedici mesi.
Già dal febbraio 2025, e spesso dimenticato, l'obbligo di alfabetizzazione all'AI per il personale che la usa.
Chi è responsabile di cosa. L' articolo 25 aggancia il ruolo di fornitore al marchio e alla modifica sostanziale, non a chi ha scritto il codice: chi sviluppa su commessa e consegna a un cliente che pubblica a proprio nome, di norma, non è il fornitore. Ma se il freelance immette sul mercato un proprio prodotto, o cambia la finalità di un sistema, il ruolo cambia. È materia da contratto, e la maggior parte dei chatbot documentali per PMI non ricade nell'alto rischio — ricade però nell'articolo 50, da questo mese. In Italia il quadro si completa con la legge 132 del settembre 2025, i cui decreti attuativi sono in corso di adozione, con AgID come autorità di notifica e ACN come autorità di vigilanza.
In sintesi
Ricordi il 47,3% di imprese che secondo Istat non adotta l'AI per incertezza normativa? Un freelance capace di dire a un cliente cosa deve scrivere sul chatbot, cosa deve marcare e chi è il fornitore ai sensi del regolamento non sta facendo consulenza legale: sta rimuovendo il motivo per cui quel progetto è fermo.
Competenze necessarie per integrare l'AI in Laravel
Laravel fatto bene, prima dell'AI
Code e worker, eventi, cache, gestione degli errori, test. Un'integrazione AI è per metà lavoro asincrono: chi non ha dimestichezza con le code di Laravel non può consegnare niente di serio in questo campo.
Il prompt come contratto, non come conversazione
In un'applicazione il modello non deve "rispondere bene": deve restituire una struttura che il codice possa validare. Output strutturato con schema, validazione della risposta, comportamento definito quando lo schema non viene rispettato. Chi tratta il prompt come una chiacchierata costruisce funzionalità che falliscono in modi impossibili da diagnosticare.
Valutare, non sperare
Una suite di casi con risposte attese, eseguita a ogni modifica del prompt o del modello. È la differenza fra "mi sembra che vada meglio" e "su cinquanta casi reali siamo passati dal 78% al 91%". È anche l'unico modo per giustificare a un cliente il passaggio a un modello più costoso.
Controllare la spesa
Contare i token, salvare in cache le risposte deterministiche, scegliere il modello economico dove basta, usare le API batch per i lavori notturni, mettere un tetto per cliente e un allarme. L'SDK ufficiale, lo si è visto, non lo fa per te.
Sicurezza degli strumenti
Prompt injection, permessi degli strumenti, nessuna query costruita dal modello, conferma umana prima di ogni azione che scrive. Le due vulnerabilità citate all'inizio di questo articolo sono nate esattamente qui, e sono il miglior argomento che esista per spiegare a un cliente perché "l'agente che gestisce da solo il magazzino" costa più di quanto immagina.
Il RAG, che è un problema di ricerca
Suddivisione dei documenti, qualità del recupero, citazione delle fonti, comportamento quando la risposta non c'è nei documenti. La qualità di un chatbot documentale dipende per tre quarti da questa parte e per un quarto dal modello: chi inverte le due cose spende in modelli di punta per compensare un recupero fatto male.
L'esperienza dell'attesa
Una risposta può richiedere dieci secondi, e in un'applicazione web dieci secondi di pagina ferma sono un guasto. Streaming, indicatori di stato, elaborazioni in coda con notifica: è lavoro di front-end e di UX, ed è quello che separa una demo da un prodotto.
Le competenze che non stanno nel CV
Saper dire a un cliente che la sua idea non richiede intelligenza artificiale — che una query e tre regole scritte bene fanno lo stesso lavoro con costo zero e nessuna incertezza. È la cosa che fa guadagnare fiducia più in fretta di qualunque dimostrazione.
Ruoli e abilità in un progetto di integrazione
Sviluppatore Laravel — il centro del progetto: integrazione, code, interfaccia, permessi. Nella maggior parte dei progetti italiani è anche l'unica persona coinvolta.
Esperto di dominio del cliente — chi sa quali risposte sono giuste. Senza questa figura non esiste alcuna valutazione possibile, e il progetto va avanti a impressioni.
Chi cura i dati — documenti da ripulire, duplicati, versioni vecchie che il modello citerebbe come attuali. Su un RAG è il lavoro che determina il risultato.
Referente privacy o DPO — quando i documenti contengono dati personali. Non è il freelance a fare questo lavoro, ma è il freelance a dover sapere quando va coinvolto.
Front-end — streaming, stati di attesa, presentazione delle fonti. Più lavoro di quanto il committente immagini.
Come si combinano
La decisione da prendere il primo giorno non è quale libreria usare: è chi decide se una risposta è accettabile. Se resta indefinito, ogni discussione sul progetto diventa un'opinione contro un'altra, e nessuna scelta tecnica lo risolve.
Tariffe: quanto vale saper integrare l'AI in Laravel
Il punto di partenza: quanto vale Laravel da solo
Il barometro 2026 di Malt in Francia, su quasi 1.500 freelance Laravel, dà 494 euro al giorno per la fascia 8-15 anni di esperienza — 285 sotto i due anni, 549 oltre i quindici. In Spagna, stessa fascia, 277 euro. Un rapporto di circa 1,8 sullo stesso mestiere dentro il mercato unico, che è il miglior indizio disponibile su dove si colloca l'Italia — più vicina alla Spagna che alla Francia. Un barometro italiano, semplicemente, non esiste.
Quanto vale aggiungerci l'AI
Due fonti indipendenti, due ampiezze molto diverse, ed è onesto riportarle entrambe. Sulla stessa piattaforma Malt, un esperto di dati sta a 666 euro al giorno contro i 494 di uno sviluppatore Laravel: +35%. Su Upwork uno sviluppatore PHP è dato a 15-30 dollari l'ora, mentre uno specialista di integrazione AI a 30-150: da due a cinque volte tanto, anche se la stessa pagina mostra profili reali fra 18 e 35 dollari, quindi la forbice alta va presa come tetto teorico e non come mediana.
Sulla domanda, il segnale è più netto del prezzo. Il report Upwork In-Demand Skills 2026 misura una crescita annua del 178% per l'integrazione AI e del 71% per lo sviluppo di chatbot, con le competenze AI nel complesso a +109%.
Il riferimento italiano
Da dipendente, Talent.com indica per uno sviluppatore PHP italiano una RAL media di 34.000 euro su oltre tremila stipendi, con 28.500 in ingresso e 37.300 per i senior; il ruolo generico di sviluppatore su TechCompenso sta a 37.779 euro medi, e supera i 52.000 oltre i dieci anni di esperienza. Sul fronte della domanda, il 23 agosto 2026 su Indeed Italia gli annunci erano 139 per "laravel" e 488 per "php" — ricerche a testo libero, quindi ordini di grandezza e non un censimento.
In sintesi
Per un freelance Laravel italiano la fascia realistica parte dai 300-350 euro al giorno e supera i 500 quando all'integrazione si aggiunge la responsabilità del risultato: valutazione, controllo dei costi, conformità. Il differenziale non lo dà la parola "AI" sul profilo, lo dà il fatto di essere la stessa persona che conosce già il gestionale del cliente — ed è un vantaggio che nessuno specialista di AI puro può replicare.
Cosa significa per le aziende italiane
Il divario è la cosa più eloquente: secondo Istat, nel 2025 usava l'AI il 53,1% delle grandi imprese contro il 15,7% delle PMI, e il divario è passato da 25 a 37 punti in un anno. L' Osservatorio del Politecnico di Milano misura un mercato da 1,8 miliardi in crescita del 50%, ma con il 71% delle grandi imprese che ha almeno un progetto avviato contro il 7% delle piccole.
Le grandi imprese comprano da system integrator e hanno team interni. Le PMI italiane sono il mercato vero per un freelance, e non comprano "intelligenza artificiale": comprano meno ore passate a copiare dati da un PDF a un gestionale, meno ticket smistati a mano, meno risposte scritte due volte. Il progetto giusto per una PMI raramente si chiama AI nel preventivo, e quasi sempre parte da qualcosa che l'azienda già fa male.
Conclusioni
Nel 2026 integrare l'intelligenza artificiale dentro un'applicazione Laravel ha smesso di essere un lavoro da pionieri. C'è un SDK ufficiale con dietro il framework, un ecosistema di alternative con vocazioni precise — Prism come strato di accesso maturo, Neuron AI per workflow e osservabilità, LLPhant per la varietà di vector store, LarAgent per chi ne ama l'ergonomia — e una serie di vincoli concreti da conoscere, primo fra tutti che la ricerca vettoriale nativa vuole PostgreSQL.
La parte difficile non è più tecnica. È capire quale delle quattro forme di integrazione serve davvero al cliente, progettare gli strumenti come si progetta un endpoint pubblico, tenere il conto dei token prima che lo tenga la carta di credito, e saper rispondere quando chiede dove finiscono i suoi documenti e cosa dice la legge. Sono esattamente i due ostacoli che le imprese italiane dichiarano a Istat — competenze e incertezza normativa — ed è per questo che, in questo momento, valgono più del codice.
Se invece stai valutando lo stack e non l'integrazione, il confronto fra i framework PHP e le alternative è un altro discorso: ne abbiamo parlato nella guida dedicata al freelance Laravel.
Domande frequenti
Conviene usare il Laravel AI SDK ufficiale o Prism?
Per un progetto nuovo, l'SDK ufficiale: ha superato Prism sul flusso di installazioni mensili in circa sei mesi, porta agenti come classi, memoria conversazionale, failover fra provider e fake per i test, ed è dentro la documentazione del framework. Prism resta una scelta sensata su progetti fermi a PHP 8.2 o Laravel 11, che l'SDK non supporta. Attenzione a due affermazioni sbagliate che circolano: l'SDK non usa Prism al suo interno e non richiede Laravel 13.
Posso fare RAG in Laravel se il cliente è su MySQL?
Non con la ricerca vettoriale nativa: la documentazione dichiara che funziona solo su PostgreSQL con l'estensione pgvector. Le alternative sono tre: aggiungere un servizio vettoriale esterno come Qdrant o Typesense, usare una libreria come LLPhant che supporta una dozzina di vector store, oppure appoggiarsi ai vector store ospitati dal fornitore del modello — con la conseguenza che i documenti del cliente escono dalla sua infrastruttura. Sono tre prezzi e tre implicazioni diverse sulla privacy: vanno messe per iscritto.
Quanto costa far girare un chatbot documentale?
Con un modello economico, una risposta costa attorno a un millesimo di dollaro: diecimila conversazioni al mese stanno sotto i dieci dollari. Con un modello di punta si arriva a qualche centinaio. Le voci che fanno saltare il conto sono altre: i tentativi ripetuti quando il formato non torna, l'assenza di cache sulle richieste che si ripetono, il servizio vettoriale se il database è MySQL e il worker per le code, che la maggior parte dei progetti Laravel non ha ancora.
I dati del cliente finiscono nell'addestramento dei modelli?
Sulle API a pagamento no, e lo dichiarano esplicitamente OpenAI, Anthropic e Microsoft per Azure. C'è però un'eccezione importante: i termini dei servizi Gemini gratuiti prevedono l'uso dei contenuti per sviluppare i prodotti Google, con l'avvertenza di non inviare dati riservati. Sulla residenza europea, Mistral e Azure la offrono in modo diretto, OpenAI solo previa approvazione e l'API diretta di Anthropic non la offre affatto: per restare in Europa va usata tramite AWS o Google Cloud.
Il mio chatbot ricade nell'AI Act?
Quasi certamente sì, ma non nella parte pesante. Gli obblighi per i sistemi ad alto rischio sono stati rinviati al 2 dicembre 2027 dal Digital Omnibus di luglio 2026, mentre gli obblighi di trasparenza dell'articolo 50 sono applicabili dal 2 agosto 2026: dichiarare che si sta interagendo con un sistema di AI, marcare i contenuti generati in formato leggibile dalle macchine, etichettare i deepfake. Chi sviluppa su commessa di norma non è il "fornitore" ai sensi del regolamento — lo è il cliente che pubblica a proprio nome — ma la distinzione va scritta nel contratto.
Quanto guadagna un freelance Laravel che sa integrare l'AI?
La fascia realistica in Italia parte dai 300-350 euro al giorno e supera i 500 quando ci si prende anche la responsabilità del risultato. Come riferimento europeo, il barometro Malt dà 494 euro al giorno per un Laravel senior in Francia e 277 in Spagna, con gli esperti di dati a 666 — cioè circa il 35% in più. Su Upwork il differenziale fra sviluppatore PHP e specialista di integrazione AI arriva a essere molto più ampio, ma su un mercato globale che non è confrontabile con quello italiano.