Recensione: Investire nell’IA: sei modelli mentali per distinguere i vantaggi competitivi difendibili dalle trappole, di Rob May

Ero entusiasta di leggere Investire nell’IA: sei modelli mentali per distinguere i vantaggi competitivi difendibili dalle trappole, soprattutto perché seguo Rob May da anni attraverso la sua newsletter Investing in AI. A mio avviso, ciò che distingue Rob May da molti investitori è la sua disponibilità a evitare il pensiero di gruppo e a ragionare partendo dai primi principi. Va oltre la narrazione dominante per chiedersi come funzioni davvero un’azienda, da dove derivino i suoi vantaggi e se questi possano resistere al prossimo cambiamento tecnologico.

È qui che questo libro dà il meglio di sé. È il primo libro che mi sia capitato di leggere ad affrontare gli investimenti nell’IA in questo modo. Anziché limitarsi a individuare una tecnologia entusiasmante o un mercato in crescita, invita i lettori a ripensare da zero il modo in cui analizzano le aziende che si stanno costruendo attorno a essa. Le opportunità sono enormi, ma riconoscere una promettente capacità dell’IA e individuare un’azienda in cui valga la pena investire sono due abilità molto diverse.

Quando la narrazione sull’IA si scontra con la realtà

Rob May basa la sua analisi su storie familiari a chiunque abbia seguito l’ecosistema dell’IA. Jasper è diventata una delle beniamine dei media e ha raccolto 125 milioni di dollari con una valutazione di 1,5 miliardi di dollari. Poi ChatGPT ha portato direttamente ai consumatori una potente capacità di generazione di testi, mettendo in discussione il valore di un prodotto fondato sull’accesso a capacità di base simili. Rob May usa questo rovesciamento per esaminare quanto rapidamente un vantaggio apparente possa diventare vulnerabile.

Ciò che trovo interessante in questo esempio è la domanda che costringe investitori e fondatori ad affrontare: di che cosa ha ancora bisogno il cliente dalla tua azienda quando la tecnologia sottostante diventa ampiamente accessibile? Che cosa distingue un’azienda con un vantaggio competitivo difendibile dall’ennesimo prodotto che fa da semplice involucro per l’IA? Un vantaggio iniziale può far guadagnare tempo, ma non risponde a questa domanda. Il controllo dei flussi di lavoro, la distribuzione, le conoscenze specialistiche e i rapporti con i clienti diventano tutti molto più importanti quando l’accesso al modello si trasforma in una risorsa indifferenziata.

DeepSeek rappresenta l’altro lato di questa incertezza. Il libro parla dello shock provocato dall’emergere di un modello paragonabile a GPT-4 con un costo di addestramento dichiarato di 5,576 milioni di dollari. La lezione per gli investitori è importante: le ipotesi sul costo della concorrenza possono cambiare molto più rapidamente di quanto preveda un modello di valutazione.

Perché è necessario ripensare il modello SaaS

Rob May ripercorre gli inverni dell’IA del passato e sostiene che l’ampiezza delle applicazioni odierne abbia spezzato il vecchio schema di dimostrazioni promettenti seguite da una delusione diffusa. Secondo la sua tesi, oggi l’IA utile è integrata in troppi flussi di lavoro reali per poter semplicemente tornare nei laboratori. Tuttavia, anche se l’adozione continua, può essere difficile individuare il prossimo unicorno capace di trarne vantaggio.

Individua quattro differenze fondamentali che aiutano a spiegare il cambiamento: l’IA può svolgere attività cognitive, apprendere dai dati, modificare le aspettative di chi la usa e diventare una presenza abituale nella vita di una generazione che cresce insieme a essa. Il terzo punto, la riflessività, è particolarmente interessante. Una volta sperimentata una capacità, i clienti iniziano ad aspettarsela anche altrove. Con l’adozione della tecnologia, cambia il mercato in cui opera un’azienda.

Il cambiamento più radicale riguarda la velocità di crescita. Le aziende di IA possono raggiungere dimensioni considerevoli in tempi che in passato erano appannaggio di casi eccezionali. Per valutarle, però, è ancora necessario comprendere il modello di business. Far pagare per attività o per risultato crea un rapporto tra valore, ricavi e costi diverso da quello che si instaura vendendo un numero fisso di licenze software.

Alcune lezioni del SaaS restano molto attuali. Le competenze settoriali continuano a essere importanti. Gli strumenti verticali che comprendono i problemi concreti di un settore possono costruire vantaggi significativi. I cicli proprietari basati sui dati possono rafforzarsi nel tempo e le integrazioni profonde possono generare costi di cambio. La difficoltà sta nel distinguere questi punti di forza duraturi dalle funzionalità che un cliente potrebbe ottenere da decine di altri fornitori.

Sei modelli mentali per porre domande migliori

Il libro organizza la sua tesi centrale attorno a sei modelli mentali: comprendere l’IA come un insieme di tecnologie; mettere in discussione le ipotesi tradizionali sul SaaS; aspettarsi grandi sconvolgimenti dei mercati; riconoscere i cambiamenti dei mercati e delle strategie aziendali; capire come la crescita acceleri; e valutare con attenzione il costo del venduto dell’IA.

Questi modelli funzionano bene insieme perché ciascuno mette in luce una diversa debolezza di una tesi d’investimento superficiale. Definire un’azienda «un’impresa di IA» dice ben poco sulla sua economia. Un aumento spettacolare dei ricavi dice ben poco sulla loro sostenibilità. Un margine lordo elevato oggi dice ben poco su ciò che accadrà quando i clienti inizieranno a chiedere al prodotto di svolgere attività più complesse.

Ciò che apprezzo di più è l’abitudine di porsi una seconda domanda. Dopo aver chiesto se la tecnologia funziona, chiediti se funziona con sufficiente affidabilità per il flusso di lavoro effettivo del cliente. Dopo aver chiesto se i clienti pagano, chiediti per che cosa pagano e se è probabile che continuino a farlo. Questo rende il libro utile anche al di là del momento in cui sono stati scritti gli esempi che contiene.

Botkeeper e l’importanza dell’evoluzione dei costi

Uno dei casi di studio più utili è Botkeeper, una società che automatizza la contabilità in cui Rob May ha investito. Descrive un’azienda che inizialmente faceva largo affidamento su contabili umani e aveva margini lordi pari a circa il 20-25%. Un risultato poco allettante per gli investitori abituati ai margini tipici delle aziende di software. Tuttavia, il lavoro svolto da quelle persone generava anche dati utili ad automatizzare il processo. Rob May riferisce che in seguito i margini lordi hanno superato il 70%, man mano che una quota crescente del lavoro veniva affidata al software.

La lezione che ne traggo è che bisogna esaminare cosa contribuisce a costruire il lavoro umano. Se ogni attività completata aiuta il sistema a gestire quella successiva con maggiore efficienza, i costi iniziali dei servizi potrebbero finanziare un’attività più scalabile. Se invece ogni nuovo cliente richiede indefinitamente un aumento proporzionale del lavoro manuale, i numeri raccontano una storia diversa.

Rob May esamina anche la traiettoria opposta: i costi di inferenza, che aumentano con la crescita dell’utilizzo. Per portare a termine attività più complesse, un sistema di IA potrebbe aver bisogno di più potenza di calcolo, di ripetere più volte i tentativi o di ricorrere alla revisione umana. Un prodotto che sembra interessante in un piccolo progetto pilota può diventare costoso quando i clienti se ne servono per attività complesse. Ecco perché l’andamento dei costi conta tanto quanto il margine attuale.

L’efficienza non è automaticamente un vantaggio competitivo difendibile

Un altro schema che ho trovato utile è la triade del valore dell’IA di Rob May: IA commoditizzata, IA fondamentale e IA di espansione. In linea generale, queste categorie descrivono capacità che i concorrenti possono adottare facilmente, capacità che rafforzano il vantaggio esistente di un’azienda e capacità che aprono nuove opportunità di business.

Il suo esempio ipotetico di una compagnia aerea rende facile capire la prima categoria. Una compagnia aerea introduce un assistente di supporto basato sull’IA e diventa più efficiente. In seguito, anche i concorrenti adottano strumenti simili. Ciò che per breve tempo sembrava un elemento distintivo diventa un’aspettativa del settore, e parte del vantaggio economico può essere erosa dalla concorrenza.

È un utile antidoto alla tendenza a considerare ogni annuncio sull’IA come prova della solidità di un’azienda. Voglio sapere che cosa rimane distintivo quando i concorrenti possono accedere a strumenti analoghi. Un’azienda che combina l’IA con dati proprietari provenienti dai feedback, una profonda conoscenza operativa o un flusso di lavoro per i clienti difficile da replicare ha argomenti più convincenti di un’azienda che annuncia la stessa automazione che chiunque altro può acquistare.

Puntare su chi sa mettere l’IA al lavoro

Il libro è ricco di osservazioni pratiche, tra cui l’importanza di sostenere i dirigenti capaci di integrare davvero l’IA. Un piano concreto per modificare flussi di lavoro e responsabilità è molto più convincente di una presentazione che promette di introdurre l’IA in tutta l’organizzazione.

La riflessione di Rob May sulla qualità dei ricavi rafforza questo concetto. I progetti pilota a pagamento e le prove di fattibilità possono generare numeri iniziali impressionanti, ma vanno distinti dai ricavi legati ad attività produttive continuative. La domanda utile è quanta parte dell’attività rimarrebbe se domani i clienti smettessero di sperimentare.

Ritengo che questo sia particolarmente utile per chi fonda un’azienda. Aggiudicarsi un progetto pilota è un passo avanti, ma creare un prodotto che diventa parte integrante delle attività di un cliente è un risultato diverso. Capire presto questa distinzione può influenzare le priorità di prodotto, le assunzioni e il modo in cui un’azienda misura il successo.

Verdetto finale

La mia conclusione principale è che questo libro non dovrebbe essere riservato esclusivamente agli investitori. Anche gli imprenditori hanno molto da guadagnare dal capire che cosa rende una società di IA interessante per gli investitori, come si formano vantaggi duraturi e quali insidie delle startup si possono evitare prima che diventino costose.

È meglio considerarlo uno schema per orientare il giudizio, piuttosto che un elenco di titoli da acquistare. Il suo contributo più importante è aiutare i lettori a essere più precisi nel motivare la propria fiducia in un’azienda. È inevitabile che gli esempi invecchino con l’evolversi del settore; ciò che rende il libro utile nel tempo è il metodo rigoroso con cui mette in discussione le ipotesi.

Investire nell’IA: sei modelli mentali per distinguere i vantaggi competitivi dalle trappole offre quel tipo di pensiero basato sui principi fondamentali che mi aveva spinto, fin dall’inizio, a leggere la newsletter di Rob May. Per gli investitori che cercano di distinguere un’attività difendibile da una storia convincente, e per gli imprenditori che vogliono costruire la prima, è una lettura stimolante e meritevole.