Bedrock vs Vertex AI vs Foundry: Hosting 600x [2026]

Nell’autunno 2026 le aziende che vogliono personalizzare un modello linguistico sui propri dati hanno tre strade principali offerte dai grandi fornitori cloud: Amazon Bedrock, Google Vertex AI e Microsoft Azure AI Foundry. Le tre piattaforme promettono la stessa cosa, prendere un modello di base e adattarlo al proprio dominio senza gestire cluster GPU in proprio. Dietro questa promessa comune, però, si nascondono strutture di prezzo, elenchi di modelli supportati e requisiti di conformità molto diversi. Abbiamo esaminato la documentazione ufficiale di AWS, Google Cloud e Microsoft aggiornata a ottobre 2026, insieme a casi reali di aziende come Accenture, Condé Nast e Infosys, per capire quale piattaforma convenga davvero a seconda del settore, del budget e dei vincoli normativi. Il dato più sorprendente riguarda i costi di hosting del modello personalizzato: lasciare attivo un endpoint Azure può costare fino a 600 volte più al mese del semplice storage richiesto da Bedrock, una differenza che nasce da due filosofie di fatturazione opposte.

Il fine-tuning enterprise nel 2026: perché conta

Il fine-tuning consiste nel riaddestrare parzialmente un modello di base su un set di dati proprietario, in modo che impari il gergo, il formato o le regole di un’azienda specifica. Rispetto al semplice prompt engineering, un modello messo a punto risponde in modo più coerente a compiti ripetitivi, come classificare ticket di supporto, estrarre clausole da contratti o generare testo con un tono aziendale preciso, spesso con un modello più piccolo e quindi più economico in produzione. Le tecniche principali restano quattro: il fine-tuning supervisionato (SFT) su coppie prompt-risposta etichettate, l’adattamento a basso rango (LoRA e la sua variante quantizzata QLoRA), il fine-tuning per rinforzo (RLHF o DPO) che ottimizza il modello in base a preferenze umane, e la distillazione, che trasferisce le capacità di un modello grande in uno più piccolo ed economico da servire.

La scelta della piattaforma cloud non riguarda solo il prezzo per milione di token. Riguarda anche quali modelli di base sono effettivamente disponibili per la personalizzazione, quali regioni europee possono ospitare i dati di addestramento, e quanto è complesso portare il modello risultante fuori da quel fornitore. Sono proprio questi tre fattori, insieme al costo reale di mantenere un endpoint attivo, a separare Bedrock, Vertex AI e Azure AI Foundry nella pratica quotidiana di un team ingegneristico.

C’è poi un fattore organizzativo che spesso pesa più della tecnologia in sé: quasi nessuna azienda sceglie la piattaforma di fine-tuning partendo da zero. Chi ha già i dati su Amazon S3 e un team che vive dentro la console AWS raramente valuta seriamente di spostare l’intera pipeline su Google Cloud solo per risparmiare qualche centesimo per milione di token. Allo stesso modo, un’azienda che ha già firmato un contratto enterprise con Microsoft per Office 365 e Azure trova naturale restare dentro Azure AI Foundry anche per il fine-tuning, indipendentemente dal fatto che il catalogo modelli di un concorrente sia più ampio. Per questo il confronto più utile non è “quale piattaforma è la migliore in assoluto”, ma “quale smentisce le mie assunzioni di budget e conformità una volta che inizio a leggere i numeri reali”.

Amazon Bedrock: fine-tuning nativo e import di modelli esterni

Amazon Bedrock separa in modo netto due percorsi. Il primo è il fine-tuning nativo, che secondo la tabella ufficiale di AWS copre al momento Amazon Nova 2 Lite, Amazon Nova Lite, Amazon Titan Image Generator G1 v2, Amazon Titan Multimodal Embeddings G1, Anthropic Claude 3 Haiku, Meta Llama 3.1 70B Instruct e Meta Llama 3.2 11B Instruct. Il flusso è semplice: si carica un dataset in formato JSONL su Amazon S3, si sceglie il modello base dalla console o dalla API, si impostano gli iperparametri e Bedrock gestisce l’infrastruttura di addestramento senza che l’utente debba toccare un singolo cluster GPU.

Il secondo percorso è il Custom Model Import, pensato per chi ha già personalizzato un modello open source altrove, per esempio con Amazon SageMaker AI, e vuole semplicemente ospitarlo dentro Bedrock. Questa funzione copre famiglie come Mistral e Llama già riaddestrate esternamente, oltre ai modelli Nova messi a punto su SageMaker. È una distinzione importante: il fine-tuning nativo e l’import di un modello già pronto sono due prodotti diversi con costi e limiti differenti, e confonderli porta facilmente a stime di budget sbagliate. Sul fronte prezzi, Bedrock fattura il training a ore (80 dollari l’ora per modelli come gpt-oss-20b o Qwen3 32B secondo il listino pubblico), più uno storage fisso di 1,95 dollari al mese per il modello personalizzato, indipendentemente dal traffico che riceve.

Dopo il training, Bedrock offre due modalità per servire il modello personalizzato in produzione. La prima è on-demand, dove si paga solo per token effettivamente elaborati più lo storage mensile fisso, una scelta sensata per applicazioni interne con traffico irregolare, come un assistente legale consultato a ondate durante le chiusure trimestrali. La seconda è il throughput provisionato, che riserva capacità di calcolo dedicata con un impegno orario o mensile, pensata per chi ha bisogno di latenza costante e prevedibile, per esempio un chatbot rivolto ai clienti con volumi stabili tutto il giorno. La differenza tra le due modalità, più della scelta del modello base, è spesso ciò che decide se il conto finale di Bedrock resta vicino a quella cifra di 1,95 dollari al mese oppure sale di molto.

Google Vertex AI: fine-tuning supervisionato e modelli aperti

Vertex AI segue una logica di fatturazione diversa da Bedrock: invece di un costo orario per il training, Google applica un prezzo per migliaio di token processati durante il tuning. Secondo il listino ufficiale di Google Cloud, il fine-tuning supervisionato di Gemini 3.5 Flash Lite costa 0,003 dollari ogni 1.000 token, quello di Gemini 3.5 Flash sale a 0,01 dollari ogni 1.000 token (la stessa cifra vale anche per il fine-tuning per rinforzo sullo stesso modello), mentre Gemini 2.5 Pro arriva a 0,025 dollari ogni 1.000 token. Per i modelli aperti disponibili su Vertex AI Studio, il listino riporta 1,82 dollari per milione di token su Gemma 3 12B, 6,83 dollari per milione su Gemma 3 27B, 1,35 dollari per milione su Qwen3 4B e 4,18 dollari per milione su Qwen3 8B.

Questo significa che su Vertex AI il costo del training scala con il volume di dati e non con il tempo impiegato dalla GPU, un modello di fatturazione più prevedibile per chi fa più round di fine-tuning piccoli e frequenti, ma meno conveniente per chi deve addestrare un singolo dataset molto ampio in un’unica sessione lunga. Vertex AI Search e le relative API RAG, inoltre, risultano certificate HIPAA e coperte da report SOC 1, 2 e 3 secondo la documentazione di conformità di Google, un dettaglio che pesa per chi lavora in ambito sanitario o finanziario e vuole restare sullo stesso ecosistema Google per l’intera pipeline, dalla ricerca documentale al modello messo a punto.

Il flusso operativo passa da Vertex AI Studio, l’interfaccia dove un team può caricare il dataset di addestramento, scegliere tra fine-tuning supervisionato e fine-tuning per rinforzo, e monitorare le metriche di validazione durante le epoche di training. Per i modelli Gemini, l’intero processo resta all’interno del perimetro Google Cloud, incluso lo storage del dataset su Cloud Storage e il logging delle metriche su Vertex AI Experiments. Per i modelli aperti come Gemma 3 o Qwen3, invece, l’azienda ha più margine di manovra sugli iperparametri, un compromesso tipico di chi sceglie pesi aperti: più controllo tecnico, ma anche più responsabilità nel presidiare la qualità del risultato finale.

Azure AI Foundry: dal portale classic al nuovo Foundry unificato

Microsoft ha consolidato negli ultimi mesi i vecchi strumenti di Azure OpenAI Service e Azure AI Studio in un’unica interfaccia chiamata Azure AI Foundry, mantenendo comunque una modalità classic per chi non ha ancora migrato i propri flussi di lavoro. Secondo la documentazione Microsoft Learn, i modelli attualmente disponibili per il fine-tuning includono GPT-4o, GPT-4o-mini, GPT-4.1, GPT-4.1-mini e GPT-4.1-nano per la famiglia OpenAI, Llama 2 e Llama 3.1 per Meta, Phi-4 e Phi-4-mini-instruct per i modelli proprietari Microsoft, e Mistral Nemo, Ministral-3B e Mistral Large (2411) per Mistral AI. Sulle nuove risorse Foundry e sull’interfaccia aggiornata sono comparsi anche Qwen-32B, Llama-3.3-70B-Instruct e gpt-oss-20b come opzioni open source aggiuntive.

Sul prezzo, Azure applica un modello ibrido: il fine-tuning serverless parte da 1,70 dollari per milione di token di input in fase di addestramento, mentre il deployment dei modelli messi a punto in modalità Standard fattura i token in esercizio allo stesso prezzo del modello base, più una tariffa oraria fissa di hosting pari a 1,70 dollari l’ora, dovuta anche se l’endpoint resta inutilizzato. Un dettaglio che spesso sfugge ai team che fanno le prime stime di budget: nelle regioni fuori dagli Stati Uniti, secondo un aggiornamento tecnico di Microsoft pubblicato nella sua community, il prezzo del deployment sale dal 25 al 50 percento, con incrementi regionali aggiuntivi tra il 7 e il 16 percento a seconda dell’area geografica.

La documentazione Microsoft distingue inoltre tre modalità di fatturazione secondo il tipo di addestramento scelto: il supervised fine-tuning (SFT) e il preference fine-tuning (DPO) vengono fatturati a token, in linea con il prezzo del modello base, mentre il reinforcement fine-tuning (RFT) viene fatturato in base al tempo di addestramento, con un costo aggiuntivo di model-grading quando il processo richiede un modello valutatore esterno per assegnare un punteggio alle risposte generate durante il training. Per un’azienda che pianifica il budget annuale, questa tripartizione conta quanto il prezzo assoluto: un progetto che userà principalmente SFT su GPT-4.1-mini avrà una curva di costo molto diversa da uno che sperimenta RFT su più iterazioni.

Specifiche tecniche a confronto

La tabella seguente riassume le differenze strutturali tra le tre piattaforme così come documentate dai rispettivi fornitori a ottobre 2026.

Caratteristica	Amazon Bedrock	Google Vertex AI	Azure AI Foundry
Modelli nativi per fine-tuning	Nova 2 Lite, Nova Lite, Titan Image Generator G1 v2, Titan Multimodal Embeddings G1, Claude 3 Haiku, Llama 3.1 70B, Llama 3.2 11B	Gemini 3.5 Flash Lite, Gemini 3.5 Flash, Gemini 2.5 Pro, Gemma 3 (12B/27B), Qwen3 (4B/8B)	GPT-4o, GPT-4o-mini, GPT-4.1 (e varianti mini/nano), Llama 2/3.1, Phi-4, Mistral Nemo, Ministral-3B, Mistral Large 2411
Import di modelli esterni	Sì, Custom Model Import per Mistral, Llama e Nova addestrati su SageMaker	Non documentato in modo equivalente	Limitato ai modelli nel catalogo Foundry
Formato dataset	JSONL su Amazon S3	JSONL su Cloud Storage	JSONL caricato via portale o API
Fatturazione training	A ore (es. 80 $/ora)	Per 1.000 o 1.000.000 token processati	Per milione di token di input (da 1,70 $)
Fatturazione hosting modello	Storage fisso, 1,95 $/mese	Metrato separatamente per fase	1,70 $/ora, anche se inattivo
Metodi di fine-tuning	SFT, reinforcement fine-tuning, distillazione, import	SFT e reinforcement fine-tuning (RL)	SFT, preference fine-tuning (DPO), reinforcement fine-tuning (RFT)
Regioni europee citate	Europa (Zurigo), eu-west-1 (Irlanda), disponibilità variabile per modello	API multiregione USA/UE per Search e RAG	Data Boundary UE con eccezioni per deployment Global
HIPAA	Idoneo secondo AWS	Confermato per Vertex AI Search ed API RAG	Non specificato nei documenti consultati per Foundry
SOC 1/2/3	Sì, dal 15 agosto 2023	Confermato per Vertex AI Search ed API RAG	Non specificato nei documenti consultati per Foundry
FedRAMP High	Sì, in AWS GovCloud (US-West)	Non stabilito dai documenti consultati	Riferito ad Azure Government, non specificamente a Foundry
Interfaccia principale	Console Bedrock o API	Vertex AI Studio	Portale Azure AI Foundry (nuovo) o Studio classic
Portabilità dei pesi	Export limitato, dipende dal modello	Export limitato, dipende dal modello	Export limitato, dipende dal modello

Prezzi di fine-tuning e hosting a confronto

I numeri seguenti arrivano direttamente dalle pagine ufficiali di prezzo di AWS, Google Cloud e Microsoft, consultate a ottobre 2026. Vanno letti con attenzione perché le unità di misura non sono le stesse: Bedrock fattura il training a ore, Vertex AI a token processati, Azure a milioni di token più una tariffa oraria di hosting separata.

Piattaforma e modello	Training	Hosting/storage	Inferenza (input/output)
Bedrock, gpt-oss-20b	80 $/ora	1,95 $/mese	0,09 $ / 0,39 $ per 1M token
Bedrock, Qwen3 32B	80 $/ora	1,95 $/mese	0,20 $ / 0,78 $ per 1M token
Vertex AI, Gemini 3.5 Flash Lite (SFT)	0,003 $ / 1.000 token	Fatturato separatamente	Prezzo base del modello
Vertex AI, Gemini 3.5 Flash (SFT/RL)	0,01 $ / 1.000 token	Fatturato separatamente	Prezzo base del modello
Vertex AI, Gemini 2.5 Pro (SFT)	0,025 $ / 1.000 token	Fatturato separatamente	Prezzo base del modello
Vertex AI, Gemma 3 27B	6,83 $ per 1M token	Fatturato separatamente	Prezzo base del modello
Vertex AI, Qwen3 8B	4,18 $ per 1M token	Fatturato separatamente	Prezzo base del modello
Azure AI Foundry, serverless	Da 1,70 $ per 1M token input	Incluso nel deployment Standard	Stesso prezzo del modello base
Azure AI Foundry, Standard hosting	Variabile per modello	1,70 $/ora (sempre attivo)	Stesso prezzo del modello base

Il confronto più istruttivo riguarda proprio l’ultima riga. Un deployment Standard su Azure lasciato attivo ventiquattr’ore su ventiquattro per un mese costa circa 1.224 dollari di sola tariffa oraria, calcolando 1,70 dollari moltiplicato per 24 ore e 30 giorni. Lo storage equivalente su Bedrock, che non impone una tariffa oraria obbligatoria a meno di acquistare throughput provisionato, resta a 1,95 dollari al mese. Il rapporto tra le due cifre supera le 600 volte, anche se non è un confronto a parità di condizioni: Azure fattura un endpoint sempre pronto a rispondere, mentre Bedrock in modalità on-demand fattura separatamente ogni singola chiamata di inferenza oltre allo storage.

Metodi supportati: LoRA, QLoRA, RLHF e distillazione

Sulla carta tutte e tre le piattaforme coprono le tecniche principali di personalizzazione, ma con sfumature diverse. Amazon Bedrock elenca nella propria documentazione il fine-tuning supervisionato, il reinforcement fine-tuning, la distillazione e l’import di modelli già customizzati come percorsi distinti per arrivare a un modello personalizzato, gestiti tutti dalla stessa console. Google Vertex AI distingue tra fine-tuning supervisionato e fine-tuning per rinforzo, entrambi disponibili su Gemini 3.5 Flash con lo stesso prezzo per token, un’impostazione che rende economicamente indifferente scegliere l’uno o l’altro approccio per questo specifico modello.

Azure AI Foundry, infine, separa esplicitamente supervised fine-tuning e preference fine-tuning (DPO), entrambi fatturati a token, dal reinforcement fine-tuning (RFT), fatturato invece in base al tempo di addestramento e con costi aggiuntivi di model-grading quando richiesti. Per un team che deve scegliere senza ancora sapere quale tecnica useranno i propri data scientist, questa differenza conta: se la strategia prevede sperimentazione con RLHF o DPO su larga scala, le tariffe a ore di Bedrock o il reinforcement fine-tuning di Azure fatturato a tempo possono risultare più trasparenti rispetto a un prezzo per token che cresce con ogni round di valutazione.

Conformità e sicurezza dei dati

Per i settori regolamentati, come sanità, finanza e pubblica amministrazione, la conformità pesa quanto il prezzo. Amazon Bedrock ha la documentazione più esplicita tra le tre: AWS dichiara Bedrock idoneo HIPAA, coperto da report SOC 1, SOC 2 e SOC 3 Type 2 dal 15 agosto 2023, autorizzato FedRAMP High nella regione AWS GovCloud (US-West) e utilizzabile in conformità al GDPR, con la possibilità per il cliente di scegliere la regione AWS, incluse Europa (Zurigo) ed eu-west-1 in Irlanda, dove ospitare i propri contenuti.

Google conferma HIPAA e la copertura SOC 1/2/3 in modo esplicito per Vertex AI Search e le relative API RAG, prodotti che richiedono comunque un accordo BAA con Google per processare dati sanitari protetti. La documentazione pubblica consultata non stabilisce invece in modo altrettanto diretto lo stato FedRAMP High per Vertex AI nel suo complesso, un punto che un reparto legale dovrebbe verificare caso per caso prima di firmare un contratto enterprise.

Per Azure AI Foundry, i documenti ufficiali raccolti per questo confronto non riportano in modo diretto lo stato HIPAA, SOC 2 o FedRAMP High specifico del servizio, a differenza di quanto accade per Bedrock e per i prodotti Vertex AI Search citati sopra. Questo non significa che Azure AI Foundry non abbia coperture equivalenti, significa piuttosto che un’azienda regolamentata dovrebbe chiedere al proprio referente Microsoft la documentazione di conformità specifica per il carico di lavoro di fine-tuning previsto, invece di dare per scontato che la certificazione generale di Azure si estenda automaticamente a ogni singolo servizio della piattaforma Foundry.

Residenza dati nell’Unione Europea

Microsoft documenta per Azure AI Foundry un meccanismo chiamato EU Data Boundary: i dati a riposo restano nell’area geografica selezionata dal cliente, ma i deployment di tipo Global possono processare prompt e risposte in qualsiasi regione Foundry, incluse quelle fuori dall’Unione Europea. Alcune funzionalità opzionali e i deployment a data-zone, inoltre, possono causare trasferimenti o archiviazione dei dati al di fuori del confine UE secondo la stessa documentazione Microsoft. In pratica, la residenza europea dei dati su Azure AI Foundry è disponibile solo scegliendo con attenzione il tipo di deployment e la configurazione regionale, non è un comportamento automatico su ogni opzione del servizio.

Avviare un job di fine-tuning: un confronto pratico

Per capire la differenza di esperienza tra le tre piattaforme aiuta vedere la forma tipica di un comando di avvio, qui semplificata a scopo illustrativo e non come riproduzione esatta della sintassi ufficiale.

# Amazon Bedrock (AWS CLI)
aws bedrock create-model-customization-job \
  --job-name "supporto-clienti-it" \
  --base-model-identifier "meta.llama3-2-11b-instruct-v1:0" \
  --training-data-config s3Uri=s3://bucket/train.jsonl \
  --output-data-config s3Uri=s3://bucket/output/

# Google Vertex AI (gcloud)
gcloud ai sft-tuning-jobs create \
  --region=europe-west4 \
  --base-model=gemini-3.5-flash \
  --training-dataset-uri=gs://bucket/train.jsonl

# Azure AI Foundry (CLI az ml)
az ml job create --file fine-tuning-job.yml \
  --resource-group rg-ai-foundry \
  --workspace-name foundry-workspace

Le tre sintassi riflettono la filosofia di ogni fornitore: Bedrock resta vicino al mondo S3 e IAM già noto a chi usa AWS, Vertex AI richiede di specificare la regione fin dal primo comando per motivi di residenza dati, mentre Azure si appoggia a un file di definizione YAML coerente con il resto dell’ecosistema Azure Machine Learning.

Casi reali: chi usa cosa in produzione

Al di là dei listini prezzi, è utile guardare a chi ha già messo in produzione un progetto su ciascuna piattaforma. Accenture ha costruito con Azure AI Foundry e Azure Machine Learning una piattaforma interna ripetibile per l’AI generativa responsabile, con Azure Machine Learning dedicato all’addestramento dei modelli personalizzati e Foundry Models al fine-tuning per i domini specifici dei singoli clienti: secondo Microsoft, l’azienda ha già più di 16 soluzioni interamente in produzione su questa base.

Ontada ha scelto Azure OpenAI Service insieme ad Azure AI Document Intelligence e Azure AI Foundry per costruire modelli linguistici specializzati in oncologia, capaci di individuare quasi 100 elementi clinici critici su 39 tipi di tumore differenti. Intelligent Economics, un caso più piccolo ma indicativo, ha costruito con Azure AI Foundry, Azure AI Search e Azure OpenAI un bot che analizza dati economici per clienti a Portorico.

Sul fronte Google, Google Cloud riporta che WPP, Agoda e Bending Spoons utilizzano in produzione i modelli generativi multimediali di Vertex AI per i rispettivi flussi di lavoro creativi ed editoriali. Su Amazon Bedrock, Condé Nast ha accelerato l’elaborazione dei contratti e l’analisi dei diritti editoriali appoggiandosi a Claude di Anthropic ospitato sulla piattaforma, mentre Infosys ha costruito, sempre su Bedrock, un’applicazione di supporto tecnico generativo pensata per ridurre i tempi di gestione delle chiamate, secondo quanto documentato sul blog Machine Learning di AWS. Un ingegnere ha inoltre descritto su AWS Builder Center un caso di fine-tuning di un piccolo modello Llama-3 per un’analisi del sentiment a 60 aspetti, ospitato a livello aziendale con OpenSearch nativo.

Messi uno accanto all’altro, questi sette casi raccontano una cosa precisa: nessuna delle tre piattaforme è rimasta un esperimento da laboratorio interno. Accenture e Infosys le usano per costruire prodotti che rivendono ad altri clienti, Condé Nast e Ontada le usano per processi interni ad alto valore (diritti editoriali, dati oncologici), mentre WPP, Agoda e Bending Spoons le usano per flussi creativi rivolti al pubblico finale. La varietà dei settori coinvolti, più che il numero assoluto di loghi citabili, è il segnale più convincente che il fine-tuning enterprise nel 2026 ha superato la fase sperimentale su tutte e tre le piattaforme.

Quando scegliere quale piattaforma

Team già dentro l’ecosistema AWS con bisogno di HIPAA e FedRAMP documentati: Amazon Bedrock resta la scelta più lineare, grazie a una pagina di conformità esplicita e a un prezzo di storage del modello estremamente basso per chi fa inferenza intermittente.
Agenzie creative e media che lavorano con contenuti generativi multimediali: Vertex AI ha già clienti nominati come WPP, Agoda e Bending Spoons nello stesso segmento, un segnale di maturità del prodotto per questo caso d’uso specifico.
Aziende sanitarie che devono trattare dati di pazienti: sia Bedrock sia Vertex AI Search/RAG hanno certificazioni HIPAA esplicite nella documentazione pubblica, mentre su Azure AI Foundry conviene chiedere conferma scritta al proprio account manager Microsoft prima di processare dati clinici.
Grandi system integrator con più clienti da servire su domini diversi: il caso Accenture mostra che Azure AI Foundry, abbinato ad Azure Machine Learning, scala bene quando serve costruire decine di modelli personalizzati per clienti differenti sotto un’unica piattaforma di governance.
Startup con budget limitato che devono sperimentare molti modelli piccoli: la fatturazione a token di Vertex AI su Gemma 3 e Qwen3, priva di una tariffa oraria fissa di hosting, riduce il rischio di bollette impreviste rispetto a un endpoint Azure lasciato acceso per errore.
Chi deve importare un modello open source già ottimizzato altrove: solo Bedrock offre oggi un percorso documentato di Custom Model Import per modelli Mistral, Llama e Nova addestrati esternamente, ad esempio su SageMaker.
Organizzazioni europee con vincoli stringenti di residenza dati: prima di impegnarsi, conviene far verificare al proprio ufficio legale sia le regioni europee effettivamente disponibili su Bedrock (Zurigo, Irlanda) sia le eccezioni ai deployment Global di Azure AI Foundry, perché in entrambi i casi la residenza completa dei dati non è automatica su ogni configurazione.

Guida alla migrazione tra piattaforme

Spostare un progetto di fine-tuning da un fornitore all’altro richiede più lavoro di quanto suggerisca il marketing di ciascuna piattaforma, perché né Bedrock, né Vertex AI, né Azure AI Foundry documentano un formato di esportazione dei pesi universale e compatibile con gli altri due. Un percorso di migrazione realistico segue in genere questi passaggi.

Verificare se il modello base di partenza esiste anche sulla piattaforma di destinazione: un Llama 3.1 70B fine-tuned su Bedrock, per esempio, non si trasferisce automaticamente come oggetto su Azure AI Foundry, ma il dataset di addestramento originale sì.
Conservare il dataset JSONL originale come fonte di verità, perché è l’unico artefatto garantito portabile tra le tre piattaforme indipendentemente dal formato interno dei pesi.
Ripetere il job di fine-tuning da zero sulla nuova piattaforma usando lo stesso dataset, piuttosto che tentare di esportare e reimportare i pesi del modello già addestrato.
Rivalutare i costi ricorrenti con il nuovo modello di fatturazione: un endpoint che su Bedrock costava 1,95 dollari al mese di storage può costare centinaia di dollari al mese su un deployment Standard Azure lasciato sempre attivo.
Ripetere i test di conformità e sicurezza da capo, perché una certificazione ottenuta su una piattaforma non si trasferisce automaticamente insieme al modello.
Pianificare un periodo di doppia esecuzione (il vecchio modello resta attivo mentre il nuovo viene validato), così da poter confrontare le risposte su un campione reale di richieste prima di spegnere l’endpoint originale.
Aggiornare la pipeline di monitoraggio e logging, perché le tre piattaforme espongono metriche diverse (CloudWatch per Bedrock, Cloud Monitoring per Vertex AI, Azure Monitor per Foundry) e un cruscotto costruito su una non si collega automaticamente alle altre due.

Esportare pesi e dataset

Per i modelli open source come Llama o Mistral, l’opzione più pulita resta spesso addestrare fuori dal cloud specifico, per esempio con strumenti indipendenti, e poi importare il risultato su Bedrock tramite Custom Model Import o su Azure AI Foundry tramite il catalogo dei modelli personalizzati. Per i modelli proprietari come Gemini o la famiglia GPT, invece, non esiste alcun percorso di esportazione documentato: il modello messo a punto resta vincolato alla piattaforma su cui è stato creato.

Pro e contro di ciascuna piattaforma

Amazon Bedrock, pro: conformità documentata in modo capillare, storage del modello economico, Custom Model Import per chi arriva da SageMaker o da addestramenti esterni.
Amazon Bedrock, contro: elenco di modelli nativi per il fine-tuning più corto rispetto ai concorrenti, con Claude disponibile solo nella versione 3 Haiku per il fine-tuning nativo.
Google Vertex AI, pro: fatturazione granulare a token senza costo fisso di hosting obbligatorio, clienti enterprise già nominati nel settore media e creativo, supporto sia SFT sia reinforcement fine-tuning sullo stesso modello Gemini 3.5 Flash.
Google Vertex AI, contro: stato di conformità FedRAMP High non confermato dai documenti pubblici consultati per l’intera suite Vertex AI, a differenza delle garanzie più esplicite di Bedrock.
Azure AI Foundry, pro: il catalogo di modelli più ampio tra i tre per numero di famiglie coperte (OpenAI, Llama, Phi, Mistral, più aggiunte open source recenti), integrazione naturale per chi già usa Azure Machine Learning.
Azure AI Foundry, contro: tariffa oraria di hosting fissa anche a endpoint inattivo, sovrapprezzo regionale dal 25 al 50 percento fuori dagli Stati Uniti, e residenza dati UE non garantita in automatico sui deployment Global.

Nessuno dei tre elenchi va letto come un verdetto assoluto su quale fornitore sia tecnicamente superiore. Riflettono piuttosto tre scommesse di prodotto diverse: Bedrock scommette sulla trasparenza di conformità e su un prezzo di hosting minimo, Vertex AI scommette su una fatturazione granulare e su una base clienti già forte nel settore creativo, Azure AI Foundry scommette sull’ampiezza del catalogo modelli e sull’integrazione con il resto dello stack Microsoft che molte aziende già usano per email, identità e produttività.

Verdetto finale con i dati

Non esiste un vincitore assoluto tra Amazon Bedrock, Google Vertex AI e Azure AI Foundry, perché i tre fornitori hanno costruito prodotti pensati per clienti diversi partendo dallo stesso bisogno di base. Chi ha già un contratto enterprise con AWS e deve dimostrare conformità HIPAA o FedRAMP a un revisore trova in Bedrock la documentazione più esplicita e lo storage del modello più economico, a 1,95 dollari al mese contro i circa 1.224 dollari mensili di un endpoint Azure Standard sempre attivo. Chi lavora nel settore media o creativo, invece, trova in Vertex AI un prodotto già validato da clienti del calibro di WPP e Agoda, con una fatturazione a token che riduce il rischio di sorprese in bolletta.

Azure AI Foundry resta la scelta più naturale per chi ha già investito in Azure Machine Learning e deve servire molti clienti diversi con modelli personalizzati, come dimostra il caso Accenture, ma porta con sé il costo più prevedibile da monitorare con attenzione: quella tariffa oraria di 1,70 dollari che continua a scorrere anche quando nessuno sta interrogando il modello. Il consiglio pratico, prima di firmare un contratto annuale con uno qualsiasi dei tre fornitori, è calcolare il costo di un mese di inattività dell’endpoint, non solo quello di un mese di utilizzo intenso: è lì che si nasconde la differenza da 600 volte raccontata in questo confronto.

Domande frequenti

Qual è la piattaforma più economica per il fine-tuning enterprise nel 2026?
Dipende dal modello di utilizzo. Per un endpoint con traffico intermittente, lo storage fisso di Bedrock a 1,95 dollari al mese è il più economico tra i tre. Per chi fa molti piccoli esperimenti di fine-tuning, la fatturazione a token di Vertex AI su modelli come Gemma 3 o Qwen3 evita costi fissi di hosting.

Posso spostare un modello già messo a punto da una piattaforma all’altra?
Non direttamente come oggetto già addestrato. Nessuna delle tre piattaforme documenta un export dei pesi compatibile con le altre due. La strada pratica è conservare il dataset originale e ripetere il job di fine-tuning sulla nuova piattaforma.

Quali modelli Claude si possono mettere a punto su Amazon Bedrock?
Secondo la tabella ufficiale di fine-tuning di AWS, al momento solo Anthropic Claude 3 Haiku è disponibile per il fine-tuning nativo su Bedrock, mentre le versioni più recenti di Claude restano disponibili solo per l’inferenza diretta.

Azure AI Foundry è conforme al GDPR per i clienti europei?
Microsoft documenta un meccanismo di EU Data Boundary che mantiene i dati a riposo nella regione scelta, ma i deployment di tipo Global possono processare dati fuori dall’Unione Europea. Conviene verificare il tipo di deployment scelto prima di assumere una residenza dati automatica.

Vertex AI supporta il reinforcement learning oltre al fine-tuning supervisionato?
Sì, per Gemini 3.5 Flash Google applica lo stesso prezzo, 0,01 dollari ogni 1.000 token, sia per il fine-tuning supervisionato sia per quello per rinforzo, lasciando al team la scelta della tecnica senza differenze di costo.

Conviene usare il Custom Model Import di Bedrock invece del fine-tuning nativo?
Solo se si parte già da un modello personalizzato altrove, per esempio con SageMaker o con strumenti open source indipendenti. Per chi parte da zero con un dataset aziendale, il fine-tuning nativo su un modello supportato resta il percorso più diretto.

Quale piattaforma ha più aziende clienti note pubblicamente per il fine-tuning nel 2026?
Azure AI Foundry ha la documentazione di casi reali più ricca tra le tre, con Accenture, Ontada e Intelligent Economics citate direttamente da Microsoft, ma Bedrock e Vertex AI hanno comunque esempi verificabili rispettivamente con Condé Nast, Infosys e il gruppo WPP/Agoda/Bending Spoons.

Serve un team di machine learning dedicato per usare queste piattaforme?
No, è proprio questo il punto di vendita principale di tutte e tre. Il flusso tipico, caricare un dataset JSONL, scegliere un modello base e avviare un job dalla console o da un comando CLI, è pensato per team di sviluppo che non hanno competenze specialistiche di ricerca sui modelli. Resta comunque utile avere qualcuno che sappia valutare la qualità del dataset di partenza, perché nessuna delle tre piattaforme corregge automaticamente esempi di addestramento scritti male o incoerenti.