C’è una scena che ogni founder, advisor o innovation manager ha visto almeno una volta negli ultimi 18 mesi. Una demo che funziona benissimo, un board entusiasta, un piano di rollout ambizioso, e poi, sei mesi dopo, il progetto in stallo. Le persone non lo usano nei momenti che contano, le eccezioni si accumulano, le metriche diventano vaghe, il prodotto resta tecnicamente valido e operativamente irrilevante.
Indice degli argomenti
Perché il vantaggio competitivo nell’AI non è più nel modello
Quando provo a capire perché, la risposta che spesso mi viene offerta riguarda il modello, la qualità degli output, la potenza dell’infrastruttura. Tutte cose vere, alcune anche risolvibili. Solo che nei casi che ho visto da vicino il problema sta quasi sempre da un’altra parte, in qualcosa che si nota meno nelle slide e che non compare nei benchmark, in ciò che il sistema accumula nel tempo o, più spesso, non riesce ad accumulare.
Per anni la strategia digitale si è retta su un’idea semplice: chi inventa una capacità nuova guadagna il diritto di costruire un’azienda intorno a quella capacità. È stato vero per molte ondate, dal cloud al mobile, e in parte vale ancora. Ma con l’AI generativa la sequenza si è spezzata in un punto preciso.
La capacità tecnica di base, la stessa che fino a tre anni fa era patrimonio di pochi laboratori, oggi si compra. Si integra via API in due settimane. Si replica in fork open source in pochi mesi. Quando il motore diventa accessibile a tutti, il fatto di averlo non ti distingue più. Distingue ciò che il motore attraversa e raffina nel tempo.
AI generativa e commoditizzazione: cosa cambia per startup e corporate
Faccio un esempio terra terra. Una startup che lancia un assistente per redigere offerte commerciali può, oggi, costruire un prototipo funzionante in un weekend. Una corporate può integrare un copilot generico nei suoi flussi entro fine trimestre. Entrambi avranno output convincenti, entrambi mostreranno una demo che impressiona. La differenza tra le due, sei mesi dopo, non si gioca sulla qualità del modello che hanno scelto. Si gioca su quanto il sistema ha imparato a riconoscere lo stile di chi lo usa, quali clausole vengono regolarmente corrette, quali clienti richiedono varianti specifiche, quali approvazioni vanno attivate per quale tipo di importo, quali condizioni standard sono già state negoziate con quel buyer la volta precedente.
Quello strato di conoscenza non vive nel modello. Vive in mezzo, tra il modello e il lavoro reale, e richiede tempo per formarsi. Si chiama, nella sua forma più matura, contesto operativo. Ed è la prima ragione per cui due prodotti partiti dallo stesso motore, dopo qualche mese, divergono invece di convergere.
C’è un ragionamento che faccio spesso quando incontro founder al primo round. Se il tuo prodotto perdesse l’accesso al modello che usa oggi, e dovessi sostituirlo con un altro equivalente, quanto del tuo valore percepito sopravvivrebbe? Se la risposta è «quasi tutto», probabilmente il valore non era nel modello. Se la risposta è «quasi niente», probabilmente il prodotto è più sottile di quanto sembri. È una domanda scomoda che separa abbastanza in fretta i prodotti che hanno costruito qualcosa attorno alla capability dai prodotti che sono, di fatto, un livello sottile di interfaccia su una capacità di terzi.
DeepSeek, Nvidia e la fine del vantaggio competitivo basato sull’infrastruttura
Se serve una prova esterna del fatto che il motore si commoditizza, basta tornare a quello che è successo il 27 gennaio 2025. Quel giorno, una startup cinese di cui pochi avevano sentito parlare fino a poche settimane prima, DeepSeek, rilasciava un modello open source addestrato a una frazione del costo dei concorrenti americani. Nvidia, in un singolo giorno di trading, ha perso 589 miliardi di dollari di capitalizzazione, il più grande calo giornaliero per una singola azienda nella storia della borsa americana. Non è un dettaglio aneddotico. È il punto preciso in cui il mercato ha capito qualcosa che fino al giorno prima sembrava inattaccabile: la performance non dipende solo dal capitale che ci versi sopra, e modelli buoni possono essere costruiti in modi e con costi molto diversi da quelli del paradigma dominante.
Quel giorno mi ha colpito per una ragione specifica perché non era una notizia sui modelli, era una notizia sulla forma del vantaggio competitivo dell’intera industria AI. Il messaggio implicito agli investitori era che i fossati costruiti sul possesso di GPU di ultima generazione, sul capitale, sulla scala dell’addestramento, sulla rarità del talento, sono fossati più stretti di quanto sembrassero.
Il messaggio implicito alle startup era ancora più forte: se il modello sottostante può essere sostituito da un equivalente open source addestrato per pochi milioni di dollari, qualsiasi prodotto che si appoggi solo sulla qualità del motore vive su un terreno cedevole.
Da gennaio 2025 in poi è cambiata la conversazione. Founder, investitori e responsabili AI corporate hanno iniziato a chiedersi una domanda nuova, più scomoda della precedente: cosa rende unico un progetto se il motore costa zero? La risposta che si è fatta strada, lentamente ma con coerenza, è che rimane tutto quello che il motore non sa fare da solo, e che richiede tempo, contesto, fiducia, integrazione. Rimane lo strato che sta sopra al motore, e quello strato non si scarica da Hugging Face, va costruito gestendo casi reali in un dominio reale.
Dai modelli AI ai loop di apprendimento: dove nasce il vero valore
Per diversi anni il riferimento mentale di chi costruiva tecnologia è stato il salto da zero a uno, il principio scritto da Peter Thiel: l’invenzione della possibilità nuova, il momento in cui qualcosa che non esisteva prima viene reso disponibile. Quel salto continua d esser rilevante nel processo di sviluppo, sia chiaro. Solo che oggi descrive una porzione molto più piccola del lavoro complessivo e in molti settori coincide con il pezzo più facile della storia.
Tre fasi per ragionare bene
A me servono tre fasi per ragionare bene su quello che succede dopo, perché confonderle porta fuori strada quasi sempre.
La prima è zero a uno, l’apertura: trovare un punto del lavoro in cui una capacità intelligente abbassa stabilmente tempo, errore o ambiguità.
La seconda è uno a molti, la diffusione: trasformare quel punto di attacco in un prodotto utilizzabile da altri, vendibile e ripetibile dentro un mercato.
La terza è quella che oggi a mio avviso pesa di più, ed è anche la meno raccontata: molti a loop, l’accumulazione, il momento in cui l’uso del prodotto migliora il prodotto stesso e lo rende più adatto al lavoro che attraversa.
Ognuna richiede competenze, tempi e discipline che non si sovrappongono. La prima premia la lettura controcorrente del problema, la seconda premia la disciplina di prodotto e di go to market, la terza premia la capacità di far sedimentare apprendimento, contesto e fiducia mentre il prodotto gira.
Le startup che ho visto bruciarsi nel modo più rapido sono quelle che si fermano alla seconda fase e la chiamano vantaggio competitivo. Hanno scalato l’adozione, hanno raccolto un buon round, hanno fatto rumore, ma non hanno costruito i meccanismi che trasformano l’uso in posizione. Quando arriva l’imitatore con un prezzo più basso o un’interfaccia leggermente migliore, la migrazione costa poco, perché poco si era sedimentato.
Loop AI: cosa sono e perché diventano strategici
Loop, qui, vuol dire una cosa precisa, e vale la pena fissarla a mente, visto che sarà poi oggetto anche di ulteriori articoli. Loop significa che ogni interazione utile lascia una traccia strutturata, e quella traccia torna utile al passaggio successivo. Ogni correzione abbassa una quota di ambiguità per il caso seguente, ogni eccezione gestita arricchisce la mappa dei casi possibili, ogni feedback raccolto chiarisce cosa, in quel contesto specifico, viene considerato un risultato accettabile. Il vantaggio non resta fermo, si addensa, e si addensa proprio nel punto in cui prima c’era solo una capacità tecnica disponibile a chiunque.
Cinque loop per trovare il vantaggio competitivo
Di Loop non ce n’è uno solo. Ne osservo almeno cinque ricorrere nei prodotti che vedo sul mercato e funzionare davvero, e raramente girano tutti con la stessa intensità.
C’è il loop di interazione, che si forma quando il sistema impara a distinguere quali output vengono accettati, quali rielaborati, quali scartati, e perché. C’è il loop di contesto, più sottile, dove ogni utilizzo arricchisce la conoscenza situata del lavoro: documenti rilevanti, casi precedenti, eccezioni che si ripetono, lessici di dominio che nessun modello generalista possiede. Poi il loop di workflow, il momento in cui il prodotto smette di essere una funzione isolata e diventa un nodo nella sequenza, copre passaggi a monte e a valle, e qui la sostituibilità inizia a scendere parecchio. Sopra a tutto questo si gioca il loop di valutazione, perché senza criteri espliciti per giudicare gli output il sistema resta opaco, e l’opacità è il nemico dell’adozione seria. L’ultimo, il loop di fiducia, è il più lento a formarsi e quello che moltiplica gli altri: quando le persone smettono di chiedersi se il sistema regga e cominciano a progettare il proprio lavoro contando sulla sua presenza.
Quando questi cinque circuiti girano insieme, si forma qualcosa che assomiglia molto poco a un prodotto e molto di più a un’infrastruttura operativa. Toglierla diventa costoso, e non per ragioni contrattuali, lo diventa perché il lavoro reale si è adattato alla sua presenza, perché le persone hanno smesso di pensare a cosa fare se non ci fosse, perché la memoria di cosa è successo, di cosa è stato deciso, di cosa è stato corretto vive dentro il sistema oltre che dentro le persone. È un lock-in che non blocca, sedimenta utilità, ed è la differenza tra un prodotto che si lascia sostituire e uno che ha cambiato il modo di lavorare di chi lo usa.
Un caso che ho visto da vicino aiuta a fissare l’immagine. Una società di servizi B2B aveva introdotto uno strumento di assistenza alla redazione di offerte commerciali per un team di una quarantina di commerciali.
All’inizio era un generatore di bozze a partire dal brief del cliente, niente di particolarmente sofisticato. Nel giro di sei mesi, però, il sistema ha cominciato a leggere il CRM, ad attingere a proposte passate, a conoscere il catalogo, a tenere conto delle approvazioni necessarie per certi importi, a segnalare anomalie rispetto alle condizioni standard.
Non era cambiato il modello sottostante, era cresciuto lo strato attorno. Il tasso di rielaborazione delle offerte è sceso del trentacinque per cento in otto mesi, e quando un competitor è arrivato con un’interfaccia migliore e un prezzo più basso, la risposta del direttore commerciale è stata semplice: non possiamo migrare senza perdere mesi di apprendimento sulle eccezioni dei nostri clienti. Il vantaggio non era nell’algoritmo, era in ciò che il sistema aveva accumulato stando dentro il flusso.
Come i sistemi AI accumulano contesto operativo nel tempo
C’è un ulteriore livello di commoditizzazione che merita attenzione, perché spesso resta sottotraccia e poco visibile ma sta accadendo proprio adesso. La diffusione non riguarda soltanto i modelli di base, riguarda anche l’architettura che ci viene costruita intorno.
Provate a guardare i prodotti AI che hanno fatto rumore negli ultimi diciotto mesi: assistenti agentic per il coding, agenti generalisti capaci di operare in autonomia, copilot per la produttività, ambienti di sviluppo conversazionali. Architettonicamente fanno quasi tutti la stessa cosa. Prendono un modello linguistico potente, gli danno accesso a un file system e a un terminale, ci costruiscono sopra un livello di memoria e un orchestratore (il componente che decide quali operazioni eseguire e in quale ordine), e lo lasciano lavorare in autonomia su task definiti.
Le differenze esistono, un’interfaccia più curata, un’orchestrazione più specializzata, una gestione della memoria leggermente diversa, ma restano marginali rispetto allo schema comune. Quando converge anche il modo in cui questi sistemi sono costruiti, la commoditizzazione del motore si estende a un livello superiore, e il punto smette di essere se possiamo usare gli stessi modelli, perché tutti possono usarli. Diventa quale grammatica adottiamo per metterli al lavoro, e quando lo schema è noto, copiarlo è replica di un pattern conosciuto, non più reverse engineering.
A questo si aggiunge un fattore che amplifica il fenomeno. Oggi un team di tre persone, con gli strumenti giusti, può ricostruire in poche settimane ciò che un anno fa avrebbe richiesto sei mesi a un team di venti.
La produttività dello sviluppo è aumentata in modo asimmetrico, e ha reso meno raro ciò che fino a poco tempo fa richiedeva investimenti consistenti di tempo e capitale. Aziende che avevano costruito barriere tecniche basate sulla quantità di codice prodotto si trovano davanti competitor che replicano la sostanza in una frazione del tempo. La domanda «qual è il vostro vantaggio competitivo tecnico?» è diventata più scomoda di quanto fosse cinque anni fa, e le risposte rituali (il team, la tecnologia proprietaria, i dati accumulati) reggono sempre meno se non sono sostenute da meccanismi che si rafforzano con l’uso.
Perché le aziende che costruiscono loop AI saranno più difficili da sostituire
Tutto questo cambia il modo in cui guardiamo a un progetto AI quando lo dobbiamo valutare, da fuori o da dentro. Le metriche con cui abbiamo imparato a giudicare i prodotti digitali (numero di utenti, velocità di crescita, ARR, retention generica) restano utili ma non bastano più da sole. Un prodotto AI può crescere in volumi e restare strategicamente vuoto, perché la crescita non garantisce che stia accumulando ciò che lo renderà difendibile.
La domanda che ho cominciato a fare, quando guardo un progetto AI in fase di valutazione, è una sola. Cosa migliora ogni volta che il sistema viene usato? Se la risposta è precisa, se il founder o il responsabile prodotto sa indicare quali dati tornano utili, quali correzioni si registrano, quali pattern emergono dall’uso, quali decisioni vengono prese meglio rispetto a sei mesi prima, allora c’è la base per una posizione difendibile. Se la risposta è generica, se ci si appoggia a frasi tipo «il sistema impara dall’uso» senza saperne articolare il meccanismo, probabilmente il loop non c’è, e quello che sembra crescita è solo distribuzione di una capacità che chiunque può replicare.
Lo stesso vale, specchiato, per chi guida l’innovazione dentro una grande azienda. Le aziende che investono in AI senza progettare il feedback strutturato, senza decidere chi possiede il caso d’uso, senza definire cosa sia un errore tollerabile, costruiscono pilot che funzionano nel test e si fermano nel deployment. Non perché la tecnologia non regga. Perché manca lo strato che la trasforma in apprendimento sedimentato, e senza apprendimento sedimentato il pilot resta una dimostrazione, e una dimostrazione, per quanto riuscita, non sostiene un processo.
I numeri di questa difficoltà sono pubblici e fanno impressione. Una survey BCG su mille C-level executive in cinquantanove paesi pubblicata nell’ottobre 2024 ha trovato che solo il ventisei per cento delle aziende riesce a generare valore tangibile dall’AI, il restante settantaquattro per cento fatica a uscire dalla fase pilota. Un report più recente del MIT, citato da Fortune nell’agosto 2025, è arrivato a stimare che il novantacinque per cento dei pilot di AI generativa nelle aziende non produca alcun impatto P&L misurabile.
Sono cifre alte ovunque le si guardi, e raccontano la stessa storia da angolazioni diverse: il problema raramente sta nella qualità del modello scelto, sta tutto nella distanza tra il prototipo che funziona e l’organizzazione che dovrebbe assorbirlo. Quella distanza si copre solo costruendo apprendimento, e l’apprendimento si costruisce solo se qualcuno lo progetta esplicitamente fin dal primo giorno del pilot.
AI e innovazione: il tempo è la nuova risorsa scarsa
La partita che vale, in questa fase, non si gioca più sull’invenzione, dove pure continueranno a esserci momenti di apertura. Si gioca sulla forma dell’accumulazione, sul modo in cui un’organizzazione costruisce, attorno a una tecnologia accessibile a tutti, un sistema che la rende utile e difficile da rimuovere senza costo. È un terreno meno spettacolare, e per questo viene raccontato meno. È anche un terreno più stabile, perché il tempo che richiede è una delle poche scarsità rimaste in piedi quando tutto il resto si commoditizza.
Questa rubrica prova a entrare in quel terreno. Lo farà mescolando lo sguardo di chi costruisce e quello di chi finanzia chi costruisce, perché in questa fase di mercato le due prospettive si chiariscono molto meglio se stanno nello stesso paragrafo. Le prossime puntate scenderanno sui casi: dove sceglie di entrare un buon wedge AI, perché tante startup AI sembrano oggi tutte uguali, come si valuta se un sistema sta davvero accumulando vantaggio o sta solo crescendo. Vale la pena farsele queste domande adesso, perché tra dodici mesi i prodotti che avranno costruito un loop saranno molto più difficili da raggiungere di quanto sembri oggi. La trattazione estesa di questo framework, con i sette loop e gli strumenti operativi, è nel libro Da Zero a Loop.
