Autore: ProfittoGara Technical Team Data: Maggio 2026 Tempo di lettura: 16 minuti Livello: Intermedio-Avanzato Fonti consultate: D.Lgs 36/2023 (Artt. 108, 110, Allegato II.2), ANAC BDNCP, Osservatorio Congiunturale ANCE 2025, Dati proprietari ProfittoGara su 1.200+ gare

📋 Indice dei Contenuti

Perché il Ribasso Tradizionale Distrugge i Margini
Come l'AI Legge i Dati Storici delle Gare (BDNCP)
La Soglia di Anomalia: Formula, Allegato II.2 e Simulazione AI
Il Modello Predittivo Passo-Passo (con Limiti e Validazione)
Caso Studio: EdilPro Group, +15% Margine su Gara OG1 a Padova
FAQ

📘 Perché il Ribasso Tradizionale Distrugge i Margini

Il calcolo del ribasso è il momento in cui un'impresa edile decide, in pochi minuti, se una commessa sarà profittevole o in perdita per i successivi 12-24 mesi. Eppure, il metodo con cui la maggior parte delle PMI italiane calcola il ribasso non è cambiato da 30 anni: il titolare guarda il computo metrico, considera l'importo a base d'asta, e applica una percentuale "a sentimento".

I numeri raccontano una realtà impietosa. Secondo il Rapporto Congiunturale ANCE di febbraio 2025 (capitolo 4, "Redditività delle Imprese"):

Il 34% delle PMI edili dichiara di aver lavorato in perdita su almeno un appalto pubblico negli ultimi 3 anni
La causa principale nel 68% dei casi non è l'inefficienza in cantiere, ma errori di stima in sede di offerta
Il margine netto medio sulle commesse pubbliche si attesta al 4,2%, con un 12% di imprese che chiude in pareggio o perdita

Nota: Il dato ANCE del 4,2% è una media nazionale. L'Osservatorio rileva una forte eterogeneità territoriale: al Nord Est il margine medio sale al 5,1%, mentre al Sud scende al 3,4% — a conferma che la competizione sui ribassi è più aggressiva dove la concentrazione di imprese è maggiore e il mercato dei lavori privati è meno sviluppato.

I Tre Errori del Metodo Tradizionale

Errore	Conseguenza	Impatto Stimato su Commessa da €500.000
Usare prezzari vecchi di 6-12 mesi	Sottostima dei costi materiali del 5-10%	€10.000 — €20.000 di margine eroso
Non analizzare il comportamento dei concorrenti	Ribasso troppo alto (margine zero) o troppo basso (gara persa)	Gara persa o margine inferiore al 2%
Non incorporare la volatilità dei prezzi	Nessun buffer per aumenti in corso d'opera	€5.000 — €15.000 di perdita su materiali volatili

Esempio concreto: Su un appalto da €500.000 con il 40% di incidenza materiali, un errore del 5% sui prezzi di acciaio e cemento — che tra la presentazione dell'offerta e l'inizio dei lavori sono aumentati rispettivamente del 9% e del 6% (dati Osservatorio ANCE, II trimestre 2025, "Prezzi Materiali da Costruzione") — si traduce in €10.000 di perdita secca. Con un margine netto medio del 4,2%, questa singola voce azzera metà del profitto atteso.

🤖 Come l'AI Legge i Dati Storici delle Gare (BDNCP)

L'intelligenza artificiale applicata al calcolo del ribasso non inventa numeri dal nulla: legge pattern da dati reali. Ogni gara pubblica genera dati strutturati — importo a base d'asta, categoria prevalente (OG1, OG3, OS6...), numero di concorrenti, ribasso di aggiudicazione, soglia di anomalia effettiva — che la Banca Dati Nazionale dei Contratti Pubblici (BDNCP) dell'ANAC rende disponibili in formato aperto.

Le Quattro Fonti di Dati

Fonte	Descrizione	Dati Estratti	Copertura
BDNCP — ANAC	Banca dati centralizzata di tutti i contratti pubblici	Importo, categoria, SA, ribasso, esiti, esclusioni	Nazionale, 2017-oggi
Osservatorio ANCE	Report congiunturale trimestrale	Prezzi materiali, trend di mercato, costo lavoro	Nazionale, aggiornato trimestralmente
Prezzari regionali e DEI	Prezzari ufficiali delle Regioni e listini DEI	Prezzi unitari per voce di capitolato	Regionale, aggiornamento semestrale
Dati aziendali proprietari	Computi metrici, offerte e costi effettivi dell'impresa	Struttura costi, produttività, margini storici	Specifico per l'impresa

Come Funziona l'Analisi Competitiva sui Dati ANAC

Il modello incrocia i dati delle aggiudicazioni passate nella stessa categoria OG/OS e area geografica. Per ogni concorrente che ha partecipato ad almeno 5 gare comparabili, l'AI stima un profilo di ribasso individuale basato sulla sua offerta storica media e sulla sua varianza.

Il risultato è una distribuzione probabilistica dei ribassi attesi:

Gara OG1, Provincia di Bari, €2.400.000
Dataset di training: 47 gare comparabili (OG1, Bari e provincia, 2024-2025)

Ribasso medio storico: 20,4%
Range atteso (IC 95%): 15,8% — 24,1%
Probabilità di almeno 1 offerta sotto il 18%: 42%
Probabilità di almeno 1 offerta sopra il 22%: 28%
Soglia di anomalia prevista: 19,5% ±0,8%
Numero concorrenti attesi: 8-12

Attenzione ai dati aggregati: La media nazionale dei ribassi nasconde differenze profondissime. Il Rapporto ANCE 2025 rileva che nel II trimestre 2024, a fronte di un ribasso medio regionale in Veneto del 9,43%, si passava da un minimo del 2,4% della provincia di Treviso a un massimo del 20,9% di Padova. Un modello che non segmenta per provincia e categoria produce stime inutilizzabili.

Con questi dati, l'imprenditore non deve più "tirare a indovinare": sa che offrendo il 18,7% ha il 42% di probabilità di trovare qualcuno più aggressivo, ma anche che la soglia di anomalia prevista (19,5%) taglierà fuori gli eccessivamente aggressivi, riducendo la competizione effettiva.

⚖️ La Soglia di Anomalia: Formula, Allegato II.2 e Simulazione AI

La soglia di anomalia è il meccanismo con cui la Stazione Appaltante identifica le offerte "troppo basse per essere sostenibili" e le sottopone a verifica di congruità. L'impresa che non capisce esattamente come funziona questo meccanismo opera al buio.

Il Quadro Normativo: Artt. 108, 110 e Allegato II.2

Il D.Lgs 36/2023 disciplina la verifica di anomalia delle offerte agli artt. 108 e 110, mentre l'Allegato II.2 ne specifica i metodi di calcolo. In particolare:

Art. 108, comma 2-bis: Quando il numero di offerte ammesse è ≥ 5, la congruità dell'offerta è valutata con il metodo di cui all'Allegato II.2
Art. 108, comma 2-ter: Per il criterio del solo prezzo (massimo ribasso), si applicano i metodi A, B o C dell'Allegato II.2
Art. 108, comma 3: Per il criterio dell'OEPV (Offerta Economicamente Più Vantaggiosa), l'anomalia è valutata sul punteggio economico, non sul ribasso percentuale
Art. 110: Disciplina la procedura di verifica, inclusa la richiesta di giustificazioni e il contraddittorio

Il Metodo A — Il Più Diffuso

Il Metodo A dell'Allegato II.2 è il più utilizzato dalle Stazioni Appaltanti per le gare al massimo ribasso. Ecco il procedimento analitico:

Ordinamento: Tutti i ribassi percentuali offerti vengono ordinati in senso crescente
Taglio delle ali: Si esclude il 10% delle offerte con ribasso più alto e il 10% con ribasso più basso (arrotondando all'intero superiore se necessario)
Calcolo della media: Si calcola la media aritmetica M dei ribassi rimanenti
Calcolo dello scarto quadratico medio: Si calcola la deviazione standard S dei ribassi rimanenti
Calcolo del rapporto: R = S / M
Determinazione della soglia:
- Se R ≤ 0,15: la soglia è M + 0,20 * M (incremento del 20%)
- Se R > 0,15: la soglia è M + S (incremento di uno scarto quadratico medio)

Interpretazione: Più i ribassi sono dispersi (R alto), più la soglia viene "alzata" perché lo scarto quadratico cresce più velocemente dell'incremento fisso del 20%. Questo premia la competizione aggressiva quando il mercato è frammentato.

Come sfruttarlo con l'AI: Il modello simula centinaia di combinazioni di offerte (concorrenti + loro profili storici) e calcola per ogni simulazione la soglia di anomalia risultante. L'output non è un singolo valore puntuale, ma una distribuzione di probabilità della soglia attesa. Su 1.200+ gare analizzate da ProfittoGara, la soglia effettiva è rientrata nell'intervallo di confidenza previsto nel 78% dei casi, con un errore medio dell'1,3%.

Cosa Significa in Pratica per l'Impresa

Posizionamento Rispetto alla Soglia	Conseguenza
Offerta sopra la soglia di anomalia	Gara valida, nessuna verifica automatica. Si compete con gli altri sopra soglia
Offerta sotto (ma vicino) la soglia	Scatta la verifica di congruità ex art. 110. La SA chiede giustificazioni analitiche
Offerta significativamente sotto soglia	Verifica approfondita. Rischio concreto di esclusione se le giustificazioni sono deboli

Precisazione importante: Essere sotto soglia di anomalia non significa esclusione automatica. La SA avvia la procedura di verifica ex art. 110, comma 1, con richiesta di giustificazioni. Se l'impresa dimostra analiticamente la sostenibilità dell'offerta (economie di scala, forniture a prezzo bloccato, maggiore produttività), può vincere ugualmente. Tuttavia, nella prassi, il rischio di esclusione aumenta significativamente più ci si allontana dalla soglia. Il nostro modello stima una probabilità di superamento della verifica dell'85% per offerte entro 1 punto percentuale sotto soglia, che scende al 40% per offerte oltre 3 punti percentuali sotto soglia.

📐 Il Modello Predittivo Passo-Passo (con Limiti e Validazione)

Ecco come funziona il modello predittivo AI per il calcolo del ribasso, con una trasparenza totale sulle metodologie, le assunzioni e i limiti.

Step 1: Analisi del Computo Metrico e Prezzari Correnti

L'AI estrae dal computo metrico (in formato .pwm, .xml o .xls) tutte le voci con le relative quantità. Per ogni voce, incrocia il prezzo con tre fonti:

Prezzario regionale vigente nella regione della gara
Prezzario DEI (listino prezzi edilizia) aggiornato al semestre corrente
Database aggregato dei prezzi reali delle gare aggiudicate (BDNCP)

Per ogni voce calcola:

Prezzo medio di mercato nella regione (con range min-max)
Trend di prezzo negli ultimi 12 mesi (da database DEI storico e Osservatorio ANCE)
Volatilità (coefficiente di variazione dei prezzi) e proiezione a 6, 12 e 18 mesi

Step 2: Struttura dei Costi dell'Impresa

Il modello incorpora i dati specifici dell'impresa. Questa è la fase che distingue un modello generico da uno personalizzato:

Costo medio della manodopera (€/ora, inclusi CCNL, oneri previdenziali, INPS, INAIL)
Produttività media (mq/giorno, mc/giorno per tipologia di lavorazione)
Costi fissi allocabili alla commessa (ammortamenti, trasporti, direzione cantiere, assicurazioni)
Economie di scala attese in base al volume della commessa
Sconto medio effettivo ottenuto dai fornitori abituali

Esempio di calcolo costo manodopera: Per una impresa edile applicante il CCNL Edilizia Industria, il costo orario medio per un operaio di IV livello (qualificato) nel 2025 è di circa €28,50/ora (retribuzione diretta + contributi + ferie + TFR + assicurazione obbligatoria). Se il computo metrico stima 2.000 ore di manodopera qualificata, il costo base è €57.000 — ma se l'impresa ha una produttività del 15% superiore alla media, il costo effettivo è €48.450. L'AI stima queste differenze.

Step 3: Analisi Competitiva su BDNCP

Il modello interroga la BDNCP (ANAC) per estrarre tutte le gare aggiudicate nei 24 mesi precedenti nella stessa:

Categoria OG/OS (fino al III livello di dettaglio)
Provincia (o regione se dati insufficienti a livello provinciale)
Fascia di importo (±30% dell'importo a base d'asta)
Tipologia di Stazione Appaltante (Comune, Provincia, Centrale di Committenza, etc.)

Da queste estrae: ribasso medio, mediano, deviazione standard, numero medio di concorrenti, frequenza di esclusione per anomalia.

Step 4: Simulazione della Soglia di Anomalia (con Metodo A)

Il modello esegue una simulazione Monte Carlo:

Per ogni concorrente atteso, il modello assegna un ribasso casuale estratto dalla sua distribuzione storica (o, se sconosciuto, dalla distribuzione aggregata della categoria)
Applica il taglio delle ali e calcola la soglia di anomalia come da Metodo A dell'Allegato II.2
Ripete i passaggi 1-2 per 10.000 iterazioni
Produce la distribuzione risultante della soglia di anomalia

L'output è una forchetta (es. 18,5% — 20,2%) con intervallo di confidenza al 90% e un singolo valore mediano di riferimento.

Step 5: Raccomandazione Finale e Scenari

L'AI incrocia tutte le variabili e produce tre scenari:

Scenario	Ribasso	Probabilità Aggiudicazione	Margine Previsto	Rischio
Conservativo	15-17%	Bassa (25-35%)	Alto (9-12%)	Basso
Equilibrato	17-20%	Media (50-65%)	Medio-Alto (7-10%)	Medio
Aggressivo	20-23%	Alta (60-75%)	Basso (3-5%)	Alto (rischio anomalia)

Limitazione importante: Il modello assume che i concorrenti si comportino in modo statisticamente simile al passato. Non può prevedere:

Entrata di un nuovo concorrente aggressivo senza storico nella categoria
Cambiamenti normativi o di prassi nelle Stazioni Appaltanti (es. nuove linee guida ANAC)
Distorsioni locali (es. "cordate" tra imprese in un determinato territorio)

Per questo, il modello è uno strumento di supporto alle decisioni, non un oracolo. La scelta finale e la responsabilità rimangono dell'imprenditore, che conosce il contesto locale meglio di qualunque algoritmo.

Come Validiamo il Modello

Il modello viene validato trimestralmente con backtesting su un hold-out set di 200 gare recenti non incluse nel training. La metrica principale è l'RMSE (Root Mean Square Error) tra soglia prevista e soglia effettiva. Al Q1 2026, l'RMSE è dell'1,7%, con un bias sistematico nullo (il modello non sovrastima né sottostima sistematicamente).

Il backtesting è disponibile per ogni cliente su richiesta, con report dettagliato per categoria e area geografica.

🏆 Caso Studio: EdilPro Group, +15% Margine su Gara OG1 a Padova

Il Contesto e la Sfida

EdilPro Group è una PMI edile del Nord-Est (35 dipendenti, categorie OG1 e OG3 in classifica IV) con sede a Padova, attiva dal 2004. Per anni ha operato con un approccio tradizionale alle offerte: il titolare e un geometra senior decidevano il ribasso basandosi sull'esperienza e su un calcolo statico del prezzo più basso. Il margine operativo medio sulle commesse pubbliche si attestava al 4-5%.

Il problema strutturale: In un mercato sempre più competitivo — il Nord Est ha visto un aumento del 18% delle imprese partecipanti alle gare tra il 2022 e il 2024 (fonte: Osservatorio ANCE Veneto, Rapporto 2024) — la strategia empirica produceva due esiti negativi:

Offerta troppo prudente → mancata aggiudicazione
Offerta aggressiva → aggiudicazione a margine eroso o nullo

L'Implementazione della Soluzione AI

EdilPro Group ha integrato il simulatore AI di ProfittoGara nel proprio processo decisionale a partire da settembre 2025. Per la gara oggetto del caso studio — €400.000 per la riqualificazione energetica di una scuola a Padova — il workflow è stato:

Analisi del computo metrico: L'AI ha estratto 84 voci dal computo, associando a ciascuna il prezzo corrente DEI 2025-II e verificando la congruità rispetto al prezzario regionale Veneto 2025
Selezione del dataset: Il modello ha selezionato 200 gare comparabili nella provincia di Padova aggiudicate nei 18 mesi precedenti (stessa categoria OG1, fascia €300.000 — €500.000)
Analisi competitiva: Delle 200 gare, il modello ha estratto 12 concorrenti potenziali con profili di ribasso individuali. Tre avevano uno storico di offerte significativamente aggressive (ribasso medio >22%).
Simulazione soglia: Con 12 partecipanti attesi, il modello ha simulato 10.000 scenari e stimato una soglia di anomalia del 18,5% ± 1,1%
Raccomandazione: L'algoritmo ha indicato un ribasso ottimale del 18,2% — significativamente superiore al 15% che l'imprenditore avrebbe offerto "a sentimento"

L'Esito

Soglia di anomalia effettiva: 18,9% (scarto previsione AI: 0,4%, entro l'intervallo di confidenza)
2 concorrenti esclusi per anomalia (offerte al 21,3% e 22,7%)
Aggiudicazione a EdilPro Group con ribasso del 18,2%
Margine netto finale: 7,8% (vs 4-5% storico)

I Risultati su Sei Mesi

Adottando sistematicamente l'approccio data-driven su un intero semestre (6 gare partecipate), EdilPro Group ha registrato:

Indicatore	Pre-AI (media 2024)	Post-AI (H2 2025)	Variazione
Tasso di aggiudicazione	33% (2 su 6)	50% (3 su 6)	+17 pp
Margine operativo medio	4,5%	7,2%	+2,7 pp (+60%)
Esclusioni per anomalia	1 su 6 (17%)	0 su 6 (0%)	Azzerato
Caso singolo massimo margine	6,1%	10,8%	+4,7 pp

Lezione chiave: In questo caso, l'intuizione "tradizionale" del titolare (15%) era troppo prudente. L'AI ha dimostrato che: (a) la soglia di anomalia (18,9%) avrebbe tagliato fuori i competitor più aggressivi, riducendo la competizione effettiva da 12 a 10; (b) un ribasso del 18,2% era non solo competitivo, ma posizionato strategicamente per massimizzare il margine. Il risultato netto: +€12.000 di utile incrementale sulla singola commessa rispetto al ribasso ipotizzato dal titolare.

🚀 Come Iniziare: Tre Passi Concreti

Integrare l'AI nel processo di calcolo del ribasso non richiede di stravolgere il tuo modo di lavorare:

Archivia i tuoi dati storici: Raccogli in un formato strutturato (anche Excel) tutte le gare a cui hai partecipato negli ultimi 24 mesi, con importo, categoria, provincia, ribasso offerto, esito e margine effettivo. Questi dati sono l'input più prezioso per personalizzare il modello sulla tua impresa
Testa l'AI su una gara reale: Carica un computo metrico sulla piattaforma ProfittoGara, ottieni la raccomandazione, e confrontala sia con il tuo calcolo tradizionale sia con l'esito effettivo della gara
Misura i risultati: Dopo 3-5 gare, confronta tasso di aggiudicazione e margini effettivi con il periodo precedente. Tieni traccia separatamente del numero di esclusioni per anomalia evitate

Per una panoramica completa su come l'AI sta trasformando la preventivazione nelle gare d'appalto, dalla gestione dei prezzari alla verifica di congruità, consulta la guida completa al calcolo del ribasso con intelligenza artificiale.

Calcola il Tuo Ribasso Ottimale

Carica il computo metrico, ottieni l'analisi competitiva basata su BDNCP e la stima della soglia di anomalia, e scopri il ribasso che massimizza il tuo margine.

Inizia Gratuitamente

❓ FAQ

Quanto è precisa la stima AI della soglia di anomalia?

Sui dati raccolti su oltre 1.200 gare analizzate da ProfittoGara nel biennio 2024-2026, la stima della soglia di anomalia ha un errore quadratico medio (RMSE) dell'1,7% in backtesting. Nel 78% dei casi, la soglia effettiva rientra nell'intervallo di confidenza previsto dal modello. La precisione aumenta con la disponibilità di dati storici omogenei (stessa categoria, stessa provincia). Per gare con meno di 10 gare comparabili nel dataset, l'errore medio sale al 2,4% — in questi casi il modello segnala esplicitamente la minore affidabilità.

L'AI funziona anche per gare all'estero o fuori dalla mia regione?

Il modello è attualmente calibrato sul territorio italiano, basandosi sulla BDNCP (ANAC) come fonte primaria. Per gare in una provincia dove non hai storico, il modello utilizza dati di province limitrofe con caratteristiche di mercato simili (stessa macro-area ANCE: Nord Ovest, Nord Est, Centro, Sud, Isole) e assegna un peso ridotto a questi dati nella stima. La previsione sarà meno precisa (-30% di confidenza media), ma comunque superiore a una valutazione puramente empirica in un territorio sconosciuto.

Se l'AI suggerisce un ribasso più basso, non rischio di perdere la gara rispetto a concorrenti più aggressivi?

Il modello include questa possibilità nella stima. In molti casi il ribasso che massimizza il margine atteso è leggermente superiore alla media di mercato, perché la soglia di anomalia taglia via i più aggressivi. Lo scenario "Aggressivo" (20-23%) è sempre disponibile per l'impresa che decide di correre il rischio. L'AI non impone una scelta: fornisce i dati per decidere consapevolmente, quantificando trade-off tra probabilità di vittoria e margine residuo.

Devo usare l'AI per ogni gara o solo per quelle sopra una certa soglia?

L'AI è utile su qualsiasi importo. Su gare piccole (€100.000 — €300.000), dove il margine di errore in valore assoluto è più stretto, l'AI può fare la differenza tra utile e perdita. L'investimento di tempo per caricare il computo metrico è lo stesso indipendentemente dall'importo. Considera che l'AI funziona meglio dove ha più dati: partecipare anche alle gare piccole, registrandone l'esito nel sistema, arricchisce il dataset per le gare più grandi.

Come posso verificare l'affidabilità del modello sui miei dati specifici?

Il metodo più efficace è il backtesting personalizzato: prendi 5-10 gare a cui hai già partecipato (con esito noto), carica i computi metrici sulla piattaforma ProfittoGara, e confronta il ribasso suggerito con quello che hai effettivamente applicato e con l'esito reale. In 1-2 ore ottieni una validazione empirica del modello sui tuoi dati. Su richiesta, il team ProfittoGara fornisce un report di backtesting personalizzato con metriche RMSE, bias e copertura dell'intervallo di confidenza per la tua specifica categoria e area geografica.

🎯 Conclusioni

Il calcolo del ribasso non è un'arte basata sull'intuizione: è una scienza basata sui dati. Le imprese che nel 2026 continuano a decidere il ribasso "a sentimento" stanno lasciando sul tavolo, in media, il 3-5% di margine netto su ogni commessa pubblica — una differenza che, su un portafoglio di 5 gare da €300.000 ciascuna, vale tra €45.000 e €75.000 all'anno.

L'intelligenza artificiale non sostituisce l'esperienza dell'imprenditore: la potenzia, fornendo la capacità di processare simultaneamente migliaia di dati storici (BDNCP), simulare centinaia di scenari competitivi con il metodo Monte Carlo, e stimare con precisione il punto di equilibrio tra competitività dell'offerta e redditività della commessa.

Il caso studio EdilPro Group non è un'anomalia: è il risultato replicabile di un approccio data-driven al calcolo del ribasso. Su 200+ imprese che utilizzano l'AI di ProfittoGara per la preventivazione, il margine netto medio sulle commesse pubbliche è salito dal 4,2% al 7,8% nei 12 mesi successivi all'adozione — un incremento del 3,6 punti percentuali che, per un'impresa con un fatturato medio annuo di €3 milioni in appalti pubblici, corrisponde a circa €108.000 di utile aggiuntivo all'anno.

📚 Fonti e Riferimenti

D.Lgs 31 marzo 2023, n. 36, art. 108 (Verifica di congruità delle offerte), art. 110 (Procedura di verifica), Allegato II.2 (Metodi di calcolo della soglia di anomalia) — Gazzetta Ufficiale, Serie Generale n. 87 del 13-04-2023
ANCE, Rapporto Congiunturale Febbraio 2025, capitolo 4 — "Redditività delle Imprese" e capitolo 6 — "Prezzi dei Materiali da Costruzione" — disponibile su ance.it/area-stampa/osservatorio-congiunturale
ANCE Veneto, Rapporto 2024 — "Andamento del mercato delle opere pubbliche in Veneto" — dati su partecipazione alle gare e ribassi provinciali
ANAC, Banca Dati Nazionale dei Contratti Pubblici (BDNCP) — dati aperti disponibili su dati.anticorruzione.it
Dati proprietari ProfittoGara — Analisi su 1.200+ gare, 200+ imprese clienti, periodo 2024-2026. Backtesting trimestrale con hold-out set di 200 gare.

Nota metodologica: I dati numerici riportati in questo articolo (ribassi medi, margini, tassi di aggiudicazione) provengono da fonti ANCE, ANAC e dal database proprietario ProfittoGara. I risultati dei clienti possono variare in base a condizioni specifiche di mercato, categoria di lavori, struttura aziendale e contesto territoriale. I dati storici utilizzati dal modello AI coprono il periodo 2022-2026 e vengono aggiornati trimestralmente.

Ultimo aggiornamento: 23 maggio 2026. Verificato e aggiornato dal ProfittoGara Technical Team.

Gestisci il tuo cantiere senza stress

Cronoprogramma automatico, Giornale dei Lavori digitale e aggiornamenti dai capicantiere via WhatsApp.