AI Cold Email Agent: Build vs. Buy per Founder

Costruire un agente AI personalizzato per la cold email ha senso quando la qualità della personalizzazione è il vero collo di bottiglia e si è pronti a gestire l'intera pipeline. Acquistare uno strumento pronto all'uso come Instantly o Smartlead è la scelta giusta quando il problema è la deliverability, il warm-up e il sequencing — problemi che queste piattaforme hanno già risolto meglio di quanto si riesca a fare in un primo tentativo. La maggior parte dei founder assume di dover costruire qualcosa; la maggior parte dovrebbe invece partire dall'acquisto e costruire solo il componente che non funziona davvero.

Cosa si intende in pratica per "agente AI per la cold email"

Togliendo il marketing, si tratta in realtà di tre attività distinte:

1. Infrastruttura di invio: SPF/DKIM/DMARC, IP warm-up, rotazione delle caselle, gestione dei bounce.
2. Sequencing e tracking: follow-up, aperture, risposte, disiscrizioni.
3. Personalizzazione: identificare qualcosa di vero e specifico su ogni prospect e scrivere un'email che lo utilizzi.

Gli strumenti pronti all'uso eccellono nei punti (1) e (2). Sono mediocri nel punto (3), perché la vera personalizzazione implica ricercare ogni prospect individualmente, mentre la maggior parte delle piattaforme aggiunge un generico pulsante "AI scrivi questo" che esegue lo stesso template di prompt per ogni lead. È questo il divario che un agente personalizzato risolve davvero.

L'opzione build: costi e criticità

Utilizziamo il nostro motore di outreach esattamente per questo motivo. Scansiona il sito di ogni prospect con un'istanza self-hosted di Firecrawl, invia il contenuto della pagina ripulito a un LLM locale e richiede due cose in un'unica chiamata: estrarre tre o quattro fatti degni di nota e redigere l'email utilizzandoli. Nessun "research agent" separato che passa il testimone a un "writing agent", nessuno step di pianificazione, nessun ciclo di critica — una chiamata, un output.

Questa scelta non è stata casuale. Abbiamo testato prima la versione multi-step: una catena che scansionava, poi riassumeva, poi pianificava un angolo, poi redigeva, poi si auto-revisionava. Era più lenta, costava di più per lead in token e — questo è stato il dato sorprendente — la qualità dell'output non era migliore. Gli step aggiuntivi davano al modello più opportunità di deviare dal materiale sorgente o di generare un dettaglio plausibile ma non presente nella pagina. Collassando tutto in una singola chiamata con il contesto completo scansionato nel prompt si ottenevano email più precise e pertinenti a un costo inferiore. Se si sta valutando la scelta tra una singola chiamata e una catena di agenti in generale, i compromessi sono gli stessi descritti in single call vs. agent chains — questo è quel pattern applicato specificamente all'outreach.

Costruire questo sistema internamente significa essere responsabili di:

• Affidabilità dello scraping: i siti cambiano, bloccano i bot o non hanno nulla di utile nella homepage.
• Prompt e context engineering: decidere cosa estrarre, quanta parte del contenuto della pagina entra nel contesto e come gestire i casi in cui non c'è nulla di rilevante.
• Costo dei token su scala: una singola chiamata per lead è economica, ma anche pochi centesimi moltiplicati per 50.000 lead richiede un budget; si veda LLM cost optimization se si supera qualche migliaio di invii al mese.
• Infrastruttura di invio: un agente che scrive ottimi testi ha comunque bisogno di un sistema affidabile da cui inviare — e questa è di solito la parte che vale la pena acquistare piuttosto che costruire.

Costo realistico per una prima versione: qualche migliaio di dollari di sviluppo per lo step scansione-estrazione-bozza, più la spesa API LLM continuativa, tipicamente pochi centesimi per lead con una singola chiamata. Quel numero si moltiplica rapidamente se si aggiungono retry, chiamate a più modelli per la "qualità" o un database vettoriale per conservare contesti scansionati che non si avrà mai bisogno di cercare — è meglio resistere all'aggiunta di questi elementi finché non si è misurato che la versione semplice è davvero insufficiente.

L'opzione buy: cosa si ottiene e a cosa si rinuncia

Instantly, Smartlead, Apollo e piattaforme simili offrono un'infrastruttura di deliverability affinata nel corso di anni, più sequencing, tracking e gestione delle disiscrizioni già pronti. La loro AI di personalizzazione integrata è reale ma superficiale — di solito un prompt per lead basato sui campi importati (nome, azienda, ruolo), non una fase di ricerca per singolo prospect. Per l'outreach ad alto volume in cui il messaggio non deve fare riferimento a qualcosa di specifico sul prospect, spesso è sufficiente.

Il limite emerge esattamente nel caso in cui la personalizzazione è il proprio vantaggio competitivo: ad esempio, se il proprio pitch dipende dal riferirsi a qualcosa di concreto sul sito del prospect, al suo stack tecnologico o a un problema visibile nel suo prodotto pubblico. Gli strumenti generici non faranno quella ricerca al posto vostro.

Esiste anche un livello di conformità normativa che non scompare solo perché è l'AI a scrivere il testo: la gestione delle disiscrizioni, l'identificazione del mittente e, negli Stati Uniti, i requisiti CAN-SPAM si applicano allo stesso modo alle email redatte dall'AI e a quelle scritte dall'uomo. Si veda la guida alla conformità della FTC se si sta costruendo o acquistando e non si è ancora verificato questo aspetto.

Un approccio ibrido che evita la maggior parte dei rischi

La via di mezzo pragmatica — e quella che consigliamo alla maggior parte dei founder — è mantenere una piattaforma consolidata per l'invio, il warm-up e il sequencing, e costruire solo lo step di personalizzazione come agente personalizzato a singola chiamata, che alimenta la piattaforma tramite API o CSV. Si ottiene una deliverability collaudata senza doverla ricostruire, insieme alla profondità di personalizzazione che le funzionalità AI standard non offrono. Questo limita anche l'ambito di sviluppo al solo componente in cui il lavoro personalizzato ripaga davvero, evitando di reinventare un'infrastruttura già commoditizzata.

Un ulteriore elemento da testare, indipendentemente dal percorso scelto, è la call-to-action rivolta al prospect. Nel nostro strumento, sostituire "prenota una call" — con un link al calendario — con un più leggero "rispondi SÌ" ha aumentato in modo costante i tassi di risposta. L'attrito legato alla pianificazione elimina i lead freddi altrimenti interessati prima ancora che raggiungano la chiamata. È un test a basso costo da eseguire sopra qualsiasi approccio di redazione si scelga.

Come decidere

• Se le email attuali appaiono generiche e questo compromette le risposte, è il momento di costruire lo step di personalizzazione — ma si parta da una singola chiamata LLM, non da una catena. I nostri test hanno dimostrato che la versione multi-step scansione-riassunto-pianificazione-bozza-revisione costava di più in token e produceva output peggiore rispetto a una singola chiamata con la pagina scansionata completa nel contesto, perché ogni step aggiuntivo era un'opportunità per deviare dalla fonte o inventare un dettaglio che non era effettivamente nel sito.
• Se il problema è che le email non arrivano nelle caselle di posta, occorre acquistare l'infrastruttura di invio — Instantly e Smartlead hanno già trascorso anni ad affinare warm-up e rotazione, e nessuna quantità di testo scritto dall'AI risolve un problema di deliverability.
• Se non si è sicuri di quale sia il problema reale, è meglio strumentare separatamente il tasso di risposta e il posizionamento in inbox prima di scrivere una sola riga di codice. Nel nostro caso il collo di bottiglia non era né la redazione né la deliverability — era la richiesta stessa. Sostituire "prenota una call" con un semplice "rispondi SÌ" ha mosso i tassi di risposta più di qualsiasi modifica alla personalizzazione.

Se si sta valutando se vale la pena costruire questo internamente o definire l'ambito del progetto, parliamone.