Perché tante startup AI sembrano uguali agli occhi degli investitori - Economyup

Duecentotre miliardi di dollari. Tanto è il capitale di rischio che il settore AI ha attirato a livello globale nel 2025, secondo i dati Crunchbase di fine anno. Circa il 50% dell’intero venture funding mondiale, cresciuto del 75% rispetto al 2024. Di questi, 80 miliardi sono finiti ai foundation model, e solo OpenAI e Anthropic insieme hanno catturato il 14% del venture investment globale. Sotto il rumore della cifra c’è una geometria che spiega più di mille pitch deck il momento di mercato in cui chi costruisce oggi prova a farsi spazio.Indice degli argomenti

Startup AI e venture capital nello strato schiacciatoWrapper e application layer: dove le startup AI perdono difesaStartup AI, i cinque tratti che ricorrono nei deckLa promessa di produttività genericaIl modello come assetVerticale, go-to-market e agenti autonomiProduttività dello sviluppo e barriere più deboliDove le startup AI costruiscono differenze che tengonoWorkflow stretti e clienti enterpriseDati proprietari e fiducia operativaIl rischio delle startup AI è la dipendenza dal foundation modelUscire dallo strato schiacciato: cosa devono chiedersi le startup AIStartup AI e venture capital nello strato schiacciatoQuei due terzi del capitale AI che restano fuori dai foundation labs si distribuiscono tra migliaia di startup applicative, e quasi tutte competono sullo stesso terreno con strumenti molto simili tra loro. Stesso modello sottostante, stessa interfaccia conversazionale, stesso pattern agentic, stessa promessa di produttività, stesso target enterprise, stesso pricing per seat o per utilizzo. Le differenze, quando ci sono, vivono in un’inflessione di vertical o in un dettaglio di UX, e quasi mai bastano a tenere distinte le aziende davanti agli occhi di chi le guarda dall’esterno. Leggere pitch deck in fase seed o pre-seed produce ormai un’esperienza precisa: dopo i primi tre o quattro sembra di aver già letto tutto, e non perché i founder siano poco preparati.Quando il capitale si concentra a monte sui foundation model e a valle sui clienti enterprise, lo strato intermedio (l’application layer) diventa il punto in cui la pressione competitiva si scarica con maggiore violenza. Non perché manchi capitale, ma perché manca differenziazione strutturale, e il capitale lo sa.Wrapper e application layer: dove le startup AI perdono difesaC’è un termine che si è imposto negli ultimi diciotto mesi nel lessico VC, ed è “wrapper”. Un wrapper, nella sua forma più cruda, è un prodotto che prende un foundation model di qualcun altro, ci costruisce sopra un’interfaccia, magari un piccolo strato di prompting personalizzato, e lo vende al mercato come soluzione. Il termine non porta disprezzo, descrive una struttura tecnica: si chiama wrapper perché letteralmente avvolge un modello che vive altrove. Il problema dei wrapper non è etico, è economico. Quando il modello sottostante migliora ogni sei mesi e diventa più accessibile, il wrapper deve correre per stare al passo, e quando il fornitore del modello decide di entrare nello stesso vertical che il wrapper presidiava, la barriera salta.Ho visto questa dinamica ripetersi in almeno tre verticali nell’arco del 2024. Le startup di sales enablement che usavano GPT per scrivere email commerciali hanno visto Microsoft inserire la stessa funzione dentro Outlook con Copilot. Le startup di customer service che facevano triage di ticket hanno visto Zendesk e Salesforce integrare modelli simili nativamente. Le startup di code completion hanno dovuto coesistere con GitHub Copilot, che è ormai bundled in tutti gli abbonamenti enterprise di GitHub. In ognuno di questi casi le startup migliori sono sopravvissute, però hanno dovuto rifondare il proprio posizionamento, perché la versione “siamo migliori di GPT su questo task” non reggeva più.Lo stesso vale, in scala più piccola, per il mercato italiano. Negli ultimi mesi ho avuto modo di guardare un buon numero di pitch deck di startup AI italiane che operano in settori come manufacturing, logistica, professional services, e la pressione strutturale è la stessa che si vede nel mercato americano, solo con sei-dodici mesi di ritardo. Quando un foundation model migliora, il wrapper italiano che lo integra subisce la stessa erosione del wrapper americano, con l’aggiunta di un mercato di sbocco più piccolo e di cicli di vendita enterprise più lenti. Il margine di tempo per costruire una posizione difendibile, paradossalmente, è ancora più stretto.Questo non è un destino inevitabile per chi sviluppa nell’application layer. È invece una pressione strutturale che obbliga a fare scelte diverse da quelle che bastavano due anni fa. Chi continua a costruire sullo schema “un’interfaccia ben fatta sopra un modello potente” sta operando in una zona di mercato che si è ristretta drammaticamente in poco tempo. Chi invece costruisce qualcosa che il fornitore del modello non può facilmente assorbire, perché vive di profondità di dominio, contesto proprietario, integrazione con sistemi che non sono i suoi, sta in una zona molto più protetta.Startup AI, i cinque tratti che ricorrono nei deckGuardando un numero ragionevole di pitch AI degli ultimi mesi, ho cominciato a notare cinque convergenze che si ripetono quasi identiche. È utile nominarle, perché finché restano invisibili sembrano tratti distintivi della singola startup, e invece sono tratti del momento di mercato.La promessa di produttività genericaLa prima è la promessa di produttività generica. Quasi tutti i pitch parlano di tempo risparmiato, ore liberate, processi accelerati, ma quasi mai indicano il workflow specifico che il prodotto comprime, e ancor meno spiegano perché quel workflow sia difendibile dall’attacco di un competitor. La promessa di produttività, da sola, è il tipo di tesi che cinque concorrenti possono fare con pari credibilità.Il modello come assetLa seconda è l’enfasi sul modello come asset. Molti deck contengono una slide intitolata “our AI” che descrive il modello sottostante, le sue performance sui benchmark, l’architettura agentic. Solo che il modello, in nove casi su dieci, non è di proprietà della startup. È un GPT, un Claude, un Llama, accessibile a chiunque abbia una API key. Trattare il modello come asset è un atto di percezione, non di proprietà.Verticale, go-to-market e agenti autonomiLa terza è il vertical generico. “Stiamo nel mercato della compliance”, “stiamo nel mercato del legal tech”, “stiamo nel mercato dell’HR”. Sono dichiarazioni di territorio, non di posizione. Un mercato è una categoria fiscale, un workflow è un punto operativo, e la differenza tra le due cose è enorme quando si tratta di costruire qualcosa di difendibile.La quarta è il go-to-market basato sul self-serve PLG (product-led growth). Funziona quando il prodotto è virale e il valore percepito è immediato, ma in B2B AI applicato a workflow enterprise raramente la viralità basta, perché chi compra per i propri team ha bisogno di garanzie di sicurezza, integrazione e governance che il self-serve da solo non fornisce. Quando dieci startup competono sullo stesso PLG nel medesimo vertical, vince chi ha più budget di marketing, e quel chi raramente è la startup migliore tecnicamente.La quinta è la roadmap che parla di “agenti autonomi” come fase due. Quasi tutti i pitch promettono un futuro in cui il prodotto opererà con maggiore autonomia, agentic workflow (sequenze di azioni autonome che il sistema esegue senza supervisione umana puntuale), gestione end-to-end di processi complessi. Anche questo è un terreno saturo: quasi tutti promettono la stessa evoluzione, e i compratori cominciano a leggere queste promesse come standard di settore, non come differenziatori.Produttività dello sviluppo e barriere più deboliPer anni il vantaggio competitivo nel software si è costruito anche sulla quantità di codice scritto. Aziende che avevano accumulato centinaia di migliaia di righe di codice in un dominio specifico, integrazioni profonde, customizzazioni, edge case gestiti, sapevano di avere un cuscinetto temporale rispetto a un competitor che doveva ricostruire tutto. Quel cuscinetto, oggi, si è assottigliato in modo che pochi avevano previsto.Un team di tre persone esperte, con gli strumenti giusti, può ricostruire in otto-dodici settimane ciò che fino a tre anni fa avrebbe richiesto sei mesi a un team di venti. La produttività dello sviluppo è cresciuta asimmetricamente, e ha eroso una delle barriere classiche del SaaS, la quantità di lavoro necessaria a replicare un prodotto. Quando un competitor può rifare la sostanza di un sistema in meno di un trimestre, la domanda “quanto codice avete scritto?” smette di essere rilevante. Conta molto di più la domanda “cosa avete imparato che il codice da solo non descrive?”.Questo è un punto su cui molti founder fanno fatica, e capisco perché. Per chi ha investito anni a costruire un prodotto solido, sentirsi dire che il prodotto in sé non è più la barriera è frustrante. Ma il messaggio non è che il prodotto non vale: il messaggio è che il prodotto, da solo, ha smesso di essere sufficiente. Serve qualcos’altro che sta sopra al prodotto, e che il prodotto da solo non rappresenta. Serve la posizione che il prodotto ha conquistato dentro un workflow, le abitudini che ha modificato, il contesto che ha accumulato, la fiducia che ha guadagnato dai suoi utenti più esperti, le eccezioni che ha imparato a gestire meglio del competitor che parte oggi.Dove le startup AI costruiscono differenze che tengonoSe le startup AI tendono ad assomigliarsi, è anche vero che le poche che si distinguono lo fanno per ragioni precise e ricorrenti. Provando a generalizzare quello che vedo, ce ne sono almeno quattro tipi.Workflow stretti e clienti enterpriseIl primo tipo è quello che presidia un workflow stretto e definito, dove la profondità di dominio compensa l’assenza di scala. Una startup che fa una cosa specifica, per un settore specifico, conoscendo le eccezioni di quel settore meglio di chiunque altro. Il rischio di essere cannibalizzata da un foundation model è basso, perché il modello generalista non conosce quelle eccezioni e non ha incentivi a impararle. Il rischio di essere cannibalizzata da un competitor è basso, perché competere con chi ha sei mesi di apprendimento sulle eccezioni di quel settore richiede tempo che il competitor non ha.Il secondo tipo è quello che ha costruito una relazione profonda con un piccolo numero di clienti enterprise. Non viralità, non self-serve, non growth hacking. Tre, cinque, dieci clienti che hanno integrato il prodotto in punti critici dei loro processi, e che ne sono diventati di fatto co-progettisti. La startup raccoglie segnali da questi clienti che nessun foundation model può raccogliere, perché vivono dentro le loro operations. Il prodotto migliora con un rate che la concorrenza non può eguagliare, e i clienti restano perché togliere il sistema produrrebbe un costo operativo concreto.Dati proprietari e fiducia operativaIl terzo tipo è quello che ha trovato un dato proprietario non riproducibile. Non parlo di dataset acquistabili o di knowledge base pubbliche, parlo di dati che esistono solo perché la startup li ha generati o accumulati attraverso il proprio uso. Logs di interazioni, correzioni umane su task specifici, mappe di errore che si ripetono in un certo dominio. Più di metà degli investitori intervistati da NFX sostiene che la qualità o rarità del dato proprietario sia il moat più durevole nell’AI applicata, e i dati sono coerenti con quanto si vede nei mercati: chi raccoglie segnali che gli altri non possono raccogliere ha un margine di tempo più lungo prima che la concorrenza si avvicini.Il quarto tipo è quello che ha costruito fiducia operativa nei punti dove la posta è alta. Sistemi AI che operano in compliance, in sanità, in finance, in difesa, in settori dove l’errore costa caro e dove la fiducia si costruisce per strati attraverso governance, log, tracciabilità, escalation rules. Qui la barriera ha natura istituzionale prima che tecnica: il primo sistema che entra in un ospedale, in una banca, in un’autorità di vigilanza, e che dimostra di essere governabile, accumula un vantaggio che richiede anni a un competitor per essere colmato.Tra questi quattro tipi, il primo e il terzo sono quelli su cui si concentrano più frequentemente le startup italiane che reggono nel tempo. Il vantaggio di partire da un mercato di nicchia ben definito e da un dato proprietario costruito stando dentro processi reali è che non richiede capitale di crescita massiccio per essere difendibile. È un vantaggio che si costruisce con tempo, ascolto, integrazioni profonde, ed è un vantaggio che il foundation model americano, per quanto potente, non ha incentivi a inseguire perché il suo mercato sta altrove. La buona notizia per chi costruisce in Italia è che la finestra non si chiude allo stesso ritmo del mercato globale, a patto di scegliere bene dove entrare.Il rischio delle startup AI è la dipendenza dal foundation modelLeggendo questi pattern si potrebbe concludere che il problema sia la convergenza in sé, e che la soluzione sia “essere diversi”. È un’analisi parziale. La convergenza è un sintomo, non la malattia. La malattia è la dipendenza eccessiva da un layer (il foundation model) che la startup non controlla, in un mercato dove quel layer migliora più velocemente di quanto la startup possa adattarsi.Quando un fondatore mi dice “il nostro vantaggio è la nostra tecnologia AI”, la mia prima domanda è cosa succederà al vantaggio quando GPT-5, o il prossimo modello che verrà, sarà cinquanta per cento migliore al costo della metà. Se la risposta è “ne approfitteremo”, il vantaggio è probabilmente fragile, perché ne approfitteranno anche tutti i concorrenti. Se la risposta è “il modello migliore renderà il nostro contesto operativo più potente, ma il contesto resta nostro”, c’è una struttura sotto. La differenza tra le due risposte misura la distanza tra una startup che vivrà cinque anni e una che vivrà diciotto mesi.Per gli investitori la conseguenza è altrettanto pratica. Le metriche tradizionali del SaaS (ARR, growth rate, net retention) restano utili, ma diventano insufficienti se applicate da sole all’AI applicata. Una startup AI che cresce in volumi può ancora essere strategicamente vuota, se la crescita non si traduce in accumulo di contesto, di fiducia, di posizione. Le scorecard più sofisticate che circolano negli ultimi mesi tra fondi early-stage cominciano ad avere righe nuove: dati proprietari accumulati, profondità di workflow presidiato, dipendenza dal modello sottostante, costo di switching per il cliente. Sono righe che non c’erano tre anni fa, e che oggi separano gli investimenti che reggono da quelli che si bruciano in fretta.Uscire dallo strato schiacciato: cosa devono chiedersi le startup AISe stai costruendo una startup AI e ti riconosci in qualcuno dei cinque punti di convergenza, la cosa peggiore da fare è continuare come prima sperando che il mercato si differenzi spontaneamente. Non lo farà. La cosa giusta è chiedersi tre cose, in ordine.La prima è dove sta il valore reale che il prodotto produce, e quanto di quel valore dipende dal modello sottostante invece che dal layer che la startup controlla. Se il rapporto è sbilanciato verso il modello, la priorità diventa costruire il layer, non aggiungere feature. Le feature aggiunte sopra un layer sottile non costruiscono moat, lo postpongono.La seconda è chi sono i clienti che usano il prodotto in profondità, e cosa hanno in comune. Se sono pochi e profondi, è il punto da cui partire per costruire una posizione difendibile. Se sono molti e superficiali, il problema da risolvere prima è la profondità, anche a costo di rallentare la crescita per qualche trimestre. La profondità si guadagna stando dentro il workflow, non lanciando nuove feature.La terza è cosa il sistema sta accumulando che gli altri non possono accumulare. Se la risposta è “niente di particolare, usiamo gli stessi modelli e le stesse fonti pubbliche”, c’è da costruire qualcosa nuovo, perché senza accumulazione il prodotto non migliora con l’uso, e senza miglioramento con l’uso il vantaggio iniziale si erode con la velocità a cui i modelli sottostanti si commoditizzano.La domanda da farsi, in ultima analisi, è una versione applicata della domanda della prima puntata: cosa migliora ogni volta che un cliente usa il prodotto, e quanto di quel miglioramento è proprietario? Se la risposta è chiara e specifica, la startup ha qualcosa che pochi altri possono replicare. Se la risposta è generica, probabilmente il mercato la conta come uno dei tanti wrapper, e questo non è un giudizio sulla qualità del lavoro che la startup fa, è una constatazione sulla forma del moat che sta costruendo.La prossima puntata entrerà nel primo dei terreni dove questa accumulazione si forma davvero, ed è il workflow. Per chi vuole approfondire fin da ora la struttura completa del framework, con i sette loop e gli strumenti operativi associati, il riferimento è il libro Da Zero a Loop.