Benchmark reali · MeigaHub

Tool calls

63.385

81.3% successo

Utenti attivi

14

con tool calls registrate

Modelli LLM

35

diversi in produzione

Risparmio stimato

$159,16

vs 100% cloud

Distribuzione locale vs cloud

Percentuale di chiamate LLM risolte dal modello locale self-hosted vs API cloud (OpenAI/Mistral/etc).

Locale (server proprio) 16.7%

10.611 chiamate · 86.4% successo

Cloud (API esterna) 83.3%

52.774 chiamate · 80.2% successo

Tasso di successo per tool

Top 12 strumenti con ≥30 chiamate registrate. Calcolato su model_task_outcomes.

Strumento	Chiamate	% di successo
find_local_leads	6.009	90.8%
fetch_readable	5.019	68.8%
manage_automation	1.521	98%
manage_lead_hunt	1.387	98.8%
enrich_decision_maker	1.270	91.1%
manage_lead_hunt	1.217	57.4%
manage_lead_hunt	1.170	99.5%
manage_lead_hunt	1.154	86.7%
enrich_decision_maker	1.132	79.2%
enrich_decision_maker	1.100	99%
manage_automation	1.007	60.8%
manage_lead_hunt	795	70.3%

Volume di utilizzo registrato

Contatori aggregati dal usage_tracking — somme storiche di azioni reali.

emails_daily

10.532

searches_daily

3.268

image_analysis_daily

639

web_fetches_daily

370

chat_messages_daily

301

stealth_sessions_month

298

public_chat_messages_monthly

114

server_downloads_monthly

28

api_fetches_daily

13

Risparmio stimato — metodologia

Confrontiamo il costo reale attuale (solo le chiamate effettivamente instradate su cloud) con uno scenario ipotetico in cui tutte le chiamate LLM sarebbero state eseguite su cloud.

Token per chiamata stimati: 1500 (input + ragionamento + chiamata tool).
Prezzo blended cloud: $10/1M tokens (riferimento GPT-4o 50% input / 50% output).
Modelli locali rilevati: contengono qwen / llama / mistral-7b / phi / gemma / .gguf.

Se tutto fosse cloud

$950,78

Cloud reale consumato

$791,61

Risparmiato localmente

$159,16

Stima conservativa. Il risparmio reale per utente è solitamente superiore, poiché GPT-4o applica tariffe diverse per input/output, i modelli piccoli aggiungono una quota minima mensile e il costo cloud aumenta con la lunghezza del contesto. Questi calcoli non includono il costo dell’elettricità né l’amortizzazione dell’hardware locale.

Casi reali con metriche verificabili

Dettaglio tecnico dei casi mostrati in homepage. Settori e metriche reali; nomi e dati identificativi omessi per privacy (anonimizzati con consenso dell'utente). I numeri sono riproducibili dal pannello del prodotto e dalle tabelle usage_tracking, model_task_outcomes e automation_rule_runs.

CASO 1

Consulenza legale · acquisizione REGCON

Ufficio di 4 persone in Galizia (anonimizzato). Obiettivo: identificare le aziende obbligate a presentare un piano di parità secondo il Decreto Reale 901/2020 che ancora non appaiono nel registro REGCON del Ministero del Lavoro.

Metrica	Valore	Fonte verificabile
Aziende nel pool verificate su REGCON	2.847	`company_pool.regcon_checked_at` · 6 settimane
Aziende senza piano di parità (non in REGCON)	1.483	`company_pool.in_regcon = false`
Lead qualificati generati (con contatto email)	312	`leads.source = automation`
Costo API esterna (Brave Search)	€18	Fatturazione Brave · 6 settimane
Costo LLM cloud	€0	Server locale Qwen3.5 9B · `model_task_outcomes`
Ore di lavoro manuale evitate	~80 h	Stima cliente (1 verifica REGCON manuale ≈ 2 min)

Pipeline tecnico: manage_leads pool_verify_regcon (provincia) → manage_leads pool_search only_verified_not_regcon → collect_leads con arricchimento web (Brave API) → campagna email programmata. Tutto orchestrato dall'agente sul server locale dell'utente.

CASO 2

Agenzia marketing · blog SEO in autopilota

Agenzia di 6 persone (anonimizzato). Obiettivo: produrre contenuti SEO ricorrenti senza assumere redattori esterni né perdere ore in briefing / revisione ogni settimana.

Metrica	Valore	Fonte verificabile
Post pubblicati nei 90 giorni	47	`blog_posts.published_at`
Articoli nei top-30 di Google (ricerca primaria)	18	Google Search Console · cattura 90 giorni
Visite umane ai post (90 d)	3.412	`page_views.is_bot = false`
Rapporto locale/cloud in redazione	84% / 16%	`model_task_outcomes` · task `tool:write_and_publish_blog_post`
Costo cloud LLM	~€7/mese	Fatturazione OpenAI (escalation post-fallo locale)
Tempo umano di revisione	~2 h/settimana	Stima cliente (vs ~12 h/settimana redattiva)

Pipeline tecnico: Regola di automazione cron giornaliera → search tendenze del settore → write_and_publish_blog_post con schema markup automatico → pubblicazione sociale cross-channel. A+ routing impara quali modelli locali rendono bene per la scrittura lunga; scala al cloud solo quando c'è un fallimento di qualità.

CASO 3

Ufficio ingegneria · sorveglianza BOE / BDNS / PLACSP / TED

Ingegneria civile di 8 persone (anonimizzato). Obiettivo: monitorare quotidianamente gare d'appalto, sovvenzioni e concorsi europei rilevanti per il loro settore (opere civili, infrastrutture idriche, efficienza energetica) senza assegnare una persona.

Metrica	Valore	Fonte verificabile
Fonti ufficiali monitorate (intake giornaliero)	4	BOE · BDNS · PLACSP · TED (API ufficiali)
Opportunità ingenerate (90 d)	2.184	`opportunities.search_case_id`
Opportunità con score ≥70 (matching LLM)	12	`opportunity_matches.score >= 70`
Candidature presentate con documenti adattati	3	`candidacies.status = submitted` · `adapted_documents`
Costo cloud LLM	€0	100% locale (Qwen2.5 14B per scoring + adattamento)
Tempo umano dedicato	~3 h/settimana	Revisione finale delle candidature (vs sorveglianza manuale full-time)

Pipeline tecnico: Cerca di un caso con fonti boe_api, bdns_api, placsp_atom, ted_api → intake programmato giornalmente → SearchCaseMatchingService scoring per batch → notifica al chat con opportunità ≥70 → generate_adapted_document con profili aziendali (cartelle di documenti in profile_folders).

Politica dei dati: I tre casi sono account reali con identità anonimizzata. Le percentuali e i dati aggregati pubblicati qui non consentono di reidentificare il cliente. Se sei un utente e vuoi che il tuo caso compaia (con la tua identità o in forma anonimizzata), scrivici da contatto.

Trasparenza e riproducibilità

· Tutti i dati provengono da tabelle reali in produzione: model_task_outcomes, usage_tracking.
· Nessun dato è personale. Viene pubblicato solo il totale aggregato y i percentuali.
· Il calcolo viene eseguito con php artisan benchmarks:refresh e viene memorizzato per 24 ore.
· Codice sorgente del calcolo: App\Services\BenchmarkStatsService (auditabile).

Crea un account gratuito Requisiti di hardware locale

Benchmark reali di MeigaHub