La corsa all’AI ha alzato le aspettative e, allo stesso tempo, la quantità di fumo. Distinguere un progetto brillante da un business sostenibile richiede un metodo rigoroso. Una due diligence efficace entra nel merito di dataset proprietaricosti d’inferenzaunit economics e reali barriere difendibili. L’obiettivo è semplice: capire se esiste un vantaggio competitivo replicabile e quanto costa mantenerlo nel tempo.
Questo tutorial propone una struttura pratica: domande chiave per valutare i dati, un approccio per stimare i costi di modello, una lettura finanziaria dell’AI dentro i margini e una checklist tecnica e commerciale. Si chiude con un template di scoring che rende comparabili startup diverse, evitando giudizi basati solo su demo accattivanti.
Dataset proprietari e vantaggio informativo
Il cuore della maggior parte dei prodotti AI è il dataset. La prima verifica riguarda la natura dei dati: sono proprietari esclusivi, regolamentati o facilmente accessibili a chiunque? Un dataset davvero differenziante nasce da accessi unici (contratti, integrazioni enterprise, sensori) e presenta etichette di qualità, copertura del dominio e diritti d’uso chiari. Senza diritti solidi, l’IP della startup traballa, soprattutto in settori sensibili.
Domande operative: quali fonti alimentano il modello? Esistono data pipelines automatizzate e controlli di qualità? Che tasso di drift si osserva nei dati di produzione e come viene misurato? Il valore cresce se la startup ha meccanismi di data network effects (più utenti, più dati, migliore modello) e strumenti per la data governance (lineage, cataloghi, policy di retention) che riducono i rischi legali e operativi.
Costi d’inferenza e unit economics
La linea del fatturato entusiasma, ma la sostenibilità si gioca sui costi d’inferenza. Ogni chiamata al modello consuma risorse: token, memoria, latenza, energia. La due diligence deve ricostruire il costo marginale per inferenza e il costo per utente/azienda a parità di qualità e SLA. Un prodotto scalabile mostra trend di riduzione dei costi grazie a ottimizzazioni: quantizzazione, distillation caching, batching e routing a modelli più piccoli.
Integrare i costi del modello nelle unit economics è cruciale: contributo lordo per transazione, margine per account, payback del CAC. Se il costo di servire una funzione AI erode il margine sotto soglia, il listino va ripensato o serve un cambiamento architetturale (ad esempio retrieval-augmented generation per ridurre token e allucinazioni). Nella diligence, chiedere scenari di sensibilità: +20% prezzo API, -10% qualità, +30% latenza. La resilienza economica si vede qui.
Moat: barriere difendibili oltre il modello
Con modelli di base sempre più accessibili, la difendibilità raramente è il solo algoritmo. Le barriere credibili combinano proprietà del dato integrazioni profonde nel flusso di lavoro e contratti che rendono costoso il cambio fornitore. Un buon segnale è il lock-in derivante da fine-tuning su dati proprietari del cliente e strumenti di orchestrazione che legano l’AI ai sistemi core (CRM, ERP, PLM).
Verificare la presenza di feedback loops di qualità (ad es. tool di annotation in-app), set di valutazione interni non pubblici e metriche correlate a outcome di business. Un moat operativo arriva anche da partnership strategiche, certificazioni e conformità su mercati regolati. Se la sostituibilità è alta, la compressione dei prezzi è questione di tempo: senza barriere, il vantaggio evapora quando cambia il costo dei modelli di base.
Checklist tecnica: architetture, MLOps, governance
L’analisi tecnica deve andare oltre le slide. Una architettura matura usa componenti modulari e scelte di modello coerenti con i requisiti: generazione vs classificazione, LLM vs modelli compatti, on-prem vs cloud. La presenza di evaluation automatizzata con benchmark interni, test di regressione e guardrail di sicurezza riduce sorprese in produzione.
- MLOps CI/CD per modelli, feature store, monitoraggio di drift e qualità, rollout canarizzati, osservabilità su latenza e costi.
- Data governance lineage completo, gestione consensi, PII masking, controlli di accesso, audit trail.
- Sicurezza e compliance gestione segreti, policy di retention, valutazioni di rischio, red teaming, conformità settoriale (es. sanità, finanza).
- Affidabilità test su input avversariali, fallback deterministici, soglie di confidenza e human-in-the-loop.
Richiedere una demo tecnica in ambiente staging: cambiare un prompt, aggiornare un modello, osservare tempi di deploy e impatto su metriche. Le parole contano meno dei processi ripetibili.
Checklist commerciale: retention, CAC/LTV
L’AI vende quando risolve un pain concreto misurabile. La retention è la prova. Analizzare coorti mensili, uso funzionale, ticket medio e segnali di profondità (utenti attivi per account, workflow critici coperti). Un buon indicatore è il net revenue retention superiore a 100%, spinto da espansioni e upsell, non solo da prezzi promozionali.
- CAC canali di acquisizione, ciclo di vendita, ruolo del prodotto nel deal (feature o piattaforma?).
- LTV margine lordo corretto per costi d’inferenza, durata contrattuale, tasso di churn logo e revenue.
- Pricing per utente, per uso, per outcome. Il modello deve allineare valore percepito e unit economics.
- Proof point casi d’uso con KPI di business (tempo risparmiato, errori ridotti, conversioni aumentate).
Verificare integrazioni pagate, security review superate e referenze indipendenti. Se la startup compete su automazione, attendersi impatti sui ruoli: serve preparazione al cambiamento per evitare disadozione. Senza disciplina commerciale, anche la migliore tecnologia resta un prototipo costoso.
Template di scoring replicabile
Per comparare startup diverse, serve uno schema di punteggio trasparente. Di seguito un modello a 100 punti. Ogni area ha pesi e criteri verificabili; il punteggio finale distingue tra qualità intrinseca e maturità operativa.
- Dati (25) proprietà/diritti (10), qualità/coverage (8), pipeline/lineage (7).
- Prodotto/Model (20) idoneità architetturale (8), valutazione/eval suite (6), sicurezza/guardrail (6).
- Costi/Unit economics (20) costo d’inferenza per unità (8), margine lordo correttamente calcolato (6), sensibilità a variazioni di prezzo/latency (6).
- Go-to-market (20) retention/coorti (8), CAC payback (6), pricing allineato al valore (6).
- Moat/Regolatorio (15) barriere difendibili e lock-in (10), compliance/certificazioni (5).
Soglie decisionali: 80-100 investibile, fit forte e traiettoria chiara; 60-79 potenziale, ma con rischi da mitigare; <60 alto rischio di commodity o scarsa sostenibilità. Applicare sempre due diligence documentale: accesso a report tecnici, KPI coorti, estratti di costi cloud, esempi di eval interni e clausole sui dati. La replicabilità del processo è il vero antidoto all’hype.
