Il 17 marzo 2026 Steve Blank, professore a Stanford e padre del movimento Lean Startup, ha pubblicato un articolo che ha circolato rapidamente tra founder e investitori americani. Il titolo era diretto: “Your Startup Is Probably Dead On Arrival.” La tesi: se hai fondato un’azienda più di due anni fa, molte delle assunzioni di partenza non reggono più. Non perché si sia sbagliato allora. Ma perché il terreno si è spostato mentre si era concentrati a sviluppare il prodotto.
Blank illustra il punto con un caso reale: un founder nel settore autonomy, sei anni di sviluppo, una soluzione tecnicamente solida. Quando arriva il momento di raccogliere il prossimo round, scopre che il mercato della difesa americana è esploso da zero a 20 miliardi di dollari l’anno in startup dello stesso spazio. Nessuno nel team aveva alzato la testa abbastanza a lungo per vederlo.
L’articolo solleva una domanda che riguarda chiunque valuti o costruisca aziende AI oggi: i criteri tradizionali, traction, team, tecnologia, sono ancora sufficienti? O manca un quarto criterio, forse il più rilevante nel contesto attuale?
Con questo articolo provo a ragionare sul criterio di AI Resilience, e ad analizzare perché stia diventando il discrimine principale tra le startup AI che sopravvivono e quelle che no.
Indice degli argomenti
Il paradosso dei numeri: investimenti massicci in AI, ma minimo impatto sui ricavi
Il mercato AI riceve più capitale che mai. Secondo il Policy Brief OCSE n. 50 del gennaio 2026, elaborato su dati Preqin, nel 2025 gli investimenti venture capital in AI hanno rappresentato il 61% di tutto il capitale VC globale, per un totale di 258,7 miliardi di dollari, più del doppio rispetto alla quota del 2022.
Eppure, la ricerca NANDA del MIT, pubblicata nell’agosto 2025 e basata su 150 interviste con manager, 350 dipendenti e l’analisi di 300 deployment AI in aziende reali, ha trovato che solo il 5% dei programmi di adozione di AI generativa produce accelerazione misurabile dei ricavi. Il 95% stalla senza impatto sul conto economico.
Per le startup il quadro è ancora più severo. Il tasso di fallimento delle aziende AI native entro il primo anno si attesta intorno al 90%, significativamente più alto del 70% circa registrato tra le startup tecnologiche tradizionali, secondo analisi di settore del 2025-2026 che includono dati di Clarifai e CB Insights. Più capitale, più fallimenti: questo è il paradosso. E la spiegazione non è tecnica, è strutturale.
La velocità ha cambiato le regole del vantaggio competitivo
Blank nel suo articolo lo dice in modo netto: l’AI ha fatto saltare i vecchi calcoli su costi, velocità e team. Un MVP che richiedeva sei mesi e un team di dieci sviluppatori si costruisce oggi in giorni. Questo non è più un vantaggio competitivo: è l’asticella minima di ingresso.
Il problema più profondo riguarda la velocità con cui il vantaggio competitivo si erode. Analisi recenti di mercato suggeriscono che i pilastri classici del competitive moat, costi di switching, network effects, asset intangibili ed efficienza di scala, hanno perso potere predittivo in modo significativo nel contesto AI. Le valutazioni aziendali si stanno già ricalibrando sulla base della vulnerabilità o della resistenza all’erosione da parte di modelli più potenti o più economici.
Il caso Canva: lo “sterminio” delle startup
Un caso documentato: nel mese in cui Canva ha integrato la generazione AI di immagini e loghi nella propria piattaforma, gratis per tutti gli utenti, attraverso il lancio di Dream Lab nell’ottobre 2024, diverse startup che offrivano funzionalità equivalenti come servizio standalone hanno perso la ragione di esistere in poche settimane. Non è un caso isolato: i dati Carta citati da TechCrunch mostrano che le chiusure di startup negli Stati Uniti sono aumentate del 25,6% dal 2023 al 2024, con la pressione più alta sulle aziende early-stage che non avevano costruito differenziazione reale rispetto alle piattaforme consolidate.
Il caso Sora: chiusa perché i costi superavano i ricavi
Il caso più istruttivo, però, è quello di Sora (app che permetteva di fare video realisti con l’AI) e lo è per ragioni meno scontate. OpenAI ha lanciato la versione standalone a settembre 2025: primo giorno in cima all’App Store, oltre un milione di download nei primi dieci giorni. Il 24 marzo 2026, a sei mesi dal lancio, ha annunciato la chiusura. La retention comunicata da Olivia Moore, partner di a16z, era impietosa: 10% al giorno uno, 2% alla settimana, 1% al mese, 0% a sessanta giorni. Secondo stime di settore, i costi computazionali mensili avrebbero superato ampiamente i ricavi generati dall’app.
Sora è un caso di AI Resilience fallita non da parte di una startup, ma di una grande azienda. Non bastava avere il modello più impressionante. Senza un motivo strutturale per cui l’utente tornasse il giorno dopo, e senza unit economics sostenibili, il prodotto era già fragile nell’architettura. Nel frattempo, Runway, Pika e Kling, startup costruite intorno a workflow professionali nel video invece che al consumer social, restano operative. Hanno qualcosa che Sora non aveva: una ragione per cui il cliente non se ne va.
AI Resilience: quattro dimensioni operative
AI Resilience si definisce come la capacità di un’azienda di restare rilevante quando il modello su cui si basa viene superato, commoditizzato o reso open source. Non è un concetto astratto. È un insieme di dimensioni verificabili che si possono applicare a qualsiasi startup AI in fase di valutazione.
Prima dimensione: dati proprietari non replicabili. TechCrunch ha intervistato venti VC focalizzati sull’enterprise AI chiedendo cosa costituisse un moat reale per una startup AI. Più della metà ha risposto con una variante della stessa risposta: la qualità e la rarità dei dati proprietari. Jason Mendel di Battery Ventures ha detto esplicitamente che i moat tecnologici si stanno riducendo e che quello che cerca sono aziende con moat costruiti su dati e workflow. La domanda concreta da porre a qualsiasi startup: i dati su cui si basa questo prodotto possono essere replicati da un modello base addestrato su dati pubblici? Se la risposta è sì, il moat non esiste.
Seconda dimensione: embedding nei workflow operativi. Un prodotto AI che si attiva quando l’utente decide di usarlo è strutturalmente diverso da un prodotto AI che sta dentro il processo con cui l’utente fa il suo lavoro ogni giorno. Il secondo è molto più difficile da togliere. Secondo TechCrunch, le aziende che sopravvivono al consolidamento del mercato enterprise AI sono quelle il cui prodotto è diventato infrastruttura operativa, non strumento accessorio. L’indicatore pratico: il costo di switching supera il costo del prodotto stesso? Se no, il cliente migra non appena trova qualcosa di leggermente migliore o più economico.
Terza dimensione: specializzazione verticale su problemi che i modelli generalisti non risolvono. Ogni aggiornamento dei modelli foundation aggredisce lo spazio dei task orizzontali. La specializzazione profonda in settori regolati, con processi specifici e knowledge domain che i modelli generalisti non coprono, costruisce una distanza che i grandi lab non hanno interesse a colmare perché il mercato è troppo specifico. In healthcare, legal, compliance, industrial operations, questa distanza è misurabile. Gartner classifica ormai i foundation model come “strategic commodities”: la differenziazione basata esclusivamente sulle performance del modello non è destinata a durare.
Quarta dimensione: lock-in regolatorio o da certificazione. Le approvazioni FDA, le certificazioni MDR per il medicale, le omologazioni per settori industriali critici creano una barriera temporale che non dipende dalla qualità del modello. Una startup che ha ottenuto una certificazione che richiede due anni ha due anni di vantaggio strutturale che nessun aggiornamento di un modello concorrente può erodere immediatamente. Blank lo cita esplicitamente nel suo articolo come uno dei sunk cost che restano asset invece di diventare passività.
Le quattro dimensioni si combinano in una matrice operativa che permette di posizionare qualsiasi startup AI rispetto al proprio livello di resilienza. L’asse verticale misura la profondità di integrazione nei processi del cliente. L’asse orizzontale misura la replicabilità dei dati su cui si basa il prodotto. La posizione in alto a destra, dati proprietari integrati nei workflow operativi, è quella con il massimo livello di resilienza. La posizione in basso a sinistra, dati replicabili e strumento opzionale, è la zona di rischio più elevato.
Il sunk cost che nessuno vuole toccare
Blank usa una metafora precisa per descrivere il blocco cognitivo che impedisce ai founder di adattarsi: “l’alce morto sul tavolo.” Una cosa così ovviamente sbagliata che nessuno vuole affrontarla. Stack tecnologico costruito per cicli software lenti, team dimensionato di conseguenza, roadmap orientata a feature invece che a risultati: tutto diventa un insieme di costi irrecuperabili che si difendono invece di rimettere in discussione, perché farlo significherebbe ammettere anni di lavoro da riorientare.
Blank distingue tra sunk cost che restano asset, relazioni con i clienti, dati proprietari, approvazioni regolamentari, integrazioni fisiche, e sunk cost che sono diventati passività: team ingegneristici sovradimensionati, modelli di pricing per licenze, roadmap orientate a feature che un aggiornamento del modello base rende ridondanti.
La stessa distinzione si applica agli investitori nella fase di due diligence. Ragionare in termini di AI Resilience significa spostare il peso delle domande: non solo “qual è la traction?” ma “cosa rimane in piedi quando il modello su cui si basa diventa commodity?” Non solo “il team è forte?” ma “questo team ha dimostrato la capacità di riconfigurare l’architettura del prodotto in tempi rapidi quando il contesto cambia?”
I dati di mercato per il 2026 mostrano già questo spostamento. Secondo Crunchbase, il capitale si sta concentrando su aziende late-stage con business model dimostrati e vantaggi difendibili, mentre le applicazioni AI generiche fanno fatica a chiudere round. I VC intervistati da Crunchbase per il 2026 prevedono un mercato con più dollari complessivi ma meno vincitori, con una selezione sempre più dura sulle aziende prive di differenziazione reale.
AI resilience: il contesto europeo e italiano
Il contesto europeo presenta tre pattern specifici che rendono questo framework particolarmente rilevante.
Primo, la concentrazione del rischio nei vertical SaaS senza differenziazione. Una quota significativa delle startup europee finanziate tra il 2022 e il 2024 ha costruito prodotti che aggiungono AI sopra workflow esistenti senza possedere né i dati né il workflow sottostante. Sono esattamente le aziende che gli analisti di settore descrivono come “GPT wrapper”: prodotti che un aggiornamento del modello base può rendere obsoleti nel giro di settimane.
Secondo, la sottovalutazione del lock-in regolatorio come asset strategico. In Europa, la compliance normativa dal GDPR all’AI Act crea barriere che le startup americane spesso non comprendono e non possono replicare rapidamente. Le aziende che hanno costruito intorno a questi vincoli invece di subirli, in particolare in healthcare, fintech e pubblica amministrazione, hanno un moat che il mercato tende a non valorizzare adeguatamente nelle valutazioni, ma che è reale e difendibile nel tempo.
Terzo, la difficoltà di alzare la testa. Il problema che Blank descrive con il founder Chris, concentrato a costruire mentre il mercato cambiava intorno a lui, è una dinamica sistemica in ecosistemi dove i cicli di finanziamento più brevi e i team più piccoli lasciano poco spazio alla ricognizione strategica continua. L’AI Resilience non è solo una caratteristica del prodotto: è una pratica organizzativa che richiede di fermarsi a intervalli regolari per verificare se le assunzioni di partenza reggono ancora.
Ripartire da zero per valutare il vantaggio competitivo
Blank chiude il suo articolo con una domanda rivolta ai founder: se dovessi partire da zero stamattina, con gli strumenti disponibili oggi e il mercato di oggi, cosa costruiresti davvero?
È una domanda che vale anche per chi investe e per chi valuta startup in fase di selezione. Riformulata: se questa azienda fosse nata tre mesi fa, con i modelli disponibili oggi, cosa cambierebbe nel suo vantaggio competitivo?
Se la risposta è “poco o niente,” il vantaggio non dipende dai modelli. Dipende da qualcosa di più difficile da costruire e da replicare. Quel qualcosa è AI Resilience.
Se la risposta è “quasi tutto,” si sta valutando qualcosa che potrebbe non esistere nella forma attuale tra dodici mesi. E quella non è una tesi di investimento. È un’aspettativa.
