Dati fisici: il patrimonio che l'AI vuole e l'industria non sa di avere in casa

Xoople è una startup spagnola fondata nel 2019 dall'italiano Fabrizio Pirondini; rimasta in stealth per sette anni, è uscita allo scoperto ad aprile 2025 con un Series B da 130 milioni di dollari, che hanno portato la raccolta complessiva a 225 milioni di dollari e a una valutazione in territorio unicorno. La società costruisce quello che chiama un Earth System of Record: una costellazione di satelliti che monitora in continuo i cambiamenti fisici sulla superficie terrestre e trasforma queste osservazioni in un flusso di dati strutturato per essere consumato da modelli di intelligenza artificiale.

Il CEO Fabrizio Pirondini ha dichiarato che i sensori recentemente sviluppati in partnership con L3Harris (il contractor della difesa americano con cui ha siglato un accordo contestuale al round) produrranno dati di qualità due ordini di grandezza superiore ai sistemi commerciali esistenti. Affermazione ancora da dimostrare nello spazio: Xoople non ha ancora satelliti propri in orbita e il finanziamento serve proprio a costruire la fase hardware. Il vantaggio dichiarato è di natura distributiva: la società ha sviluppato prima le integrazioni software nelle piattaforme enterprise (Microsoft, Esri) e solo dopo il layer fisico, scommettendo che chi entra nei workflow prima di avere l'asset riesce poi a difendere la posizione meglio di chi compie il percorso inverso, arrivando con i dati satellitari ma senza l'ecosistema per monetizzarli.

Il mercato dell'Earth observation valeva circa 7 miliardi di dollari nel 2025 e le proiezioni lo portano a 15 miliardi entro il 2034. I competitor di Xoople esistono e sono già in orbita: Planet, BlackSky, ICEYE, Capella Space, Airbus, Vantor (ex Maxar). La composizione del round (fondi governativi, private equity europeo, Endeavor Catalyst) porta con sé denaro paziente, multi-fonte, con una componente di interesse pubblico che i round VC puri raramente hanno.

Da anni il dibattito sull'AI si concentra su modelli, capacità di calcolo e data center. Il presupposto implicito è che i dati siano per natura digitali: testo, codice, transazioni prodotti da esseri umani su tastiere e interfacce. Xoople adotta una strategia oceano blu: i dati fisici come infrastruttura primaria per l'AI del mondo reale. Cambiamenti nell'uso del suolo, traffico portuale, costruzioni in corso, deforestazione, movimenti logistici sono le informazioni che non esistono in nessun database aziendale e non vengono postate online da nessun utente. Si manifestano nel mondo fisico e possono essere catturate solo da sensori che osservano la Terra dall'esterno.

Lo stesso problema si ripresenta, con un'intensità ancora maggiore, nel settore della robotica umanoide. Figure AI ha aperto un laboratorio dedicato (Helix Lab) per catturare video egocentrico umano e dati di interazione in ambienti reali, con l'obiettivo di migliorare le capacità general-purpose dei suoi robot. Le simulazioni virtuali sono sufficienti per addestrare i robot ad acrobazie cinematiche, ma non a prendere e spostare oggetti fisici: nessun motore di simulazione modella la fisica con precisione abbastanza alta. Per insegnare a un robot a piegare un indumento o ad aprire un cassetto, servono dati del mondo reale, che vanno creati registrandoli. Questa esigenza ha generato una gig economy parallela: persone pagate per eseguire compiti fisici ordinari indossando esoscheletri o guanti, producendo dimostrazioni da cui i modelli apprendono. Il dato fisico è così difficile da sintetizzare che ha reso necessario costruire un'industria del lavoro umano come proxy.

La rilevanza dei dati del mondo fisico si estende ben oltre i satelliti e i robot. Ogni operatore industriale che ha accumulato dati fisici specifici negli anni — telemetria di flotte, log di impianti, dati di reti energetiche su territori specifici — siede su un patrimonio informativo di estremo valore. Anni di dati raccolti in contesti precisi, su macchine reali, in condizioni operative reali formano un asset difficile da replicare e non riproducibile dai parametri di un modello generalista. La prova definitiva è che operatori AI-first come Waymo nella guida autonoma hanno investito miliardi per costruire e sfruttare questo patrimonio di informazioni che altri player tradizionali (società automotive, compagnie di taxi) hanno già in casa, senza riconoscerne il valore.

La prossima frontiera dell'infrastruttura AI non è fatta solo di datacenter, di chip e di energia. È il mondo fisico trasformato in segnale leggibile dalle macchine: costellazioni satellitari, robot che imparano afferrando oggetti reali, sensori industriali, reti energetiche, flussi biometrici. Il controllo di questi dati fisici amplia il perimetro dell'utilizzo dei dati digitali. Un tale spostamento è però capital intensive: richiede hardware e presenza nel mondo fisico. Il capitale — paziente, governativo, strategico — si sta muovendo proprio in questa direzione con una logica che assomiglia più all'infrastruttura che al venture capital. Costruire questo patrimonio da zero costa miliardi e richiede anni, ed è qui che risiede la grande opportunità per gli operatori industriali tradizionali: una finestra che si chiude ogni volta che un player nuovo ricostruisce questi dati al posto loro.