Agility Robotics si quoterà in borsa attraverso una fusione con la SPAC Churchill Capital Corp XI, a una valutazione di 2,5 miliardi di dollari con l'obiettivo di raccogliere oltre 620 milioni, sarebbe la più grande raccolta della storia nella robotica umanoide. È la prima azienda del settore a tentare questa strada, portando nel perimetro del mercato pubblico un comparto che fino a ieri era accessibile solo attraverso round privati. Nella stessa settimana su Figure AI, che produce robot umanoidi testati principalmente in ambienti controllati e ha una causa aperta relativa alla sicurezza dei lavoratori, circolava una valutazione di 39 miliardi di dollari. Il mercato pubblico non ha ancora valutato Figure; quando lo farà, Agility sarà l'unico termine di paragone disponibile.

L'hype della robotica umanoide

Negli ultimi dodici mesi il settore della robotica umanoide ha attirato capitali privati con una logica FOMO. Il catalizzatore di questo ciclo di investimento è l'AI: i modelli linguistici di ultima generazione hanno reso possibile per la prima volta istruire un robot in linguaggio naturale e fargli interpretare ambienti non strutturati, sbloccando casi d'uso che le generazioni precedenti di automazione non potevano coprire.

AI2 Robotics, startup cinese di robot su ruote, ha chiuso un round da 735 milioni di dollari a una valutazione di 3 miliardi. Apptronik, che fa robot per la logistica ed è sostenuta da Google, Mercedes-Benz e John Deere, ha raccolto 935 milioni a 5,5 miliardi di valutazione. Figure AI ha ottenuto una valutazione da 39 miliardi da investitori privati. Nel mercato privato si compra una narrativa e un'aspettativa di crescita contro risultati di bilancio verificati ogni quarter nel mercato pubblico.

Il banco di prova della Borsa

Agility esiste dal 2015 come spinoff dell'Oregon State University e costruisce Digit, un robot bipede progettato per fare una sola cosa: spostare carichi pesanti in spazi costruiti per gli esseri umani, dalle scaffalature a livello pavimento fino ai ripiani alti, senza che le ginocchia invertite collidano con le strutture dei magazzini. I clienti sono GXO Logistics, Amazon, Toyota Motor Manufacturing Canada, Schaeffler e Mercado Libre. Ha oltre 300 milioni di dollari di backlog su più anni, per circa 1.000 robot già assegnati a piani di investimento concreti. Questi numeri sono verificabili: per la prima volta nel settore, un'azienda porta i propri dati davanti a un meccanismo di rendicontazione pubblica.

La scorciatoia della SPAC e i suoi rischi

La CEO Peggy Johnson, già executive vice president di Microsoft e tra i protagonisti dell'acquisizione di LinkedIn da 26 miliardi di dollari, ha scelto la SPAC invece dell'IPO tradizionale perché, sostiene, il vantaggio di essere prima conta più del vantaggio di fare roadshow. L'argomentazione ha una sua logica, ma potrebbe essere solo un modo di coprire i rischi di questa scelta. Nel 2021, molte aziende percorsero la stessa strada: Lordstown Motors, Arrival, Bird Scooters. Settori strategici, tecnologie reali, management credibili. Il mercato fece price discovery per poi vedere i titoli collassare.

Il meccanismo della SPAC presenta due momenti di verifica distinti. Il primo è pre-closing: gli azionisti possono ritirare il proprio denaro prima che la fusione si chiuda. Secondo analisi di settore, in molti deal del 2021-2022, oltre il 70% degli azionisti lo ha fatto, lasciando le aziende con meno di un terzo del capitale dichiarato nella raccolta annunciata. Il secondo è post-quotazione: una volta in borsa, l'azienda è misurata ogni trimestre sui risultati che realizza rispetto alle aspettative che ha ingenerato nel mercato. Le SPAC del 2021 sono crollate perché le proiezioni ottimistiche incluse nei documenti di fusione, che in un IPO tradizionale sarebbero state sottoposte a maggiore verifica da parte di operatori istituzionali, non si sono materializzate nei conti. Johnson dice che eseguire bene protegge dalla volatilità post-quotazione. Probabilmente ha ragione. Ma nel 2021 lo dicevano tutti.

Il vantaggio competitivo dell'execution

Il prodotto di Agility è deliberatamente limitato, e la limitazione è la tesi di investimento. Digit fa una cosa, la fa in ambienti reali, con certificazione di sicurezza industriale costruita dall'interno del progetto fin dall'origine. Portare la sicurezza a valle dello sviluppo significa riprogettare l'intero sistema da capo, perché la certificazione riguarda elettronica, meccanica e software insieme. Figure AI ha una causa pendente aperta dal suo ex responsabile safety, che sostiene di essere stato licenziato dopo aver segnalato che i robot prodotti dall'azienda avevano forza sufficiente a fratturare un cranio umano; Figure ha contestato le accuse. Agility rivendica il dataset operativo più grande del settore su ambienti reali, costruito in un decennio di adozione effettiva in magazzini e fabbriche, che nessuna simulazione virtuale può replicare con la stessa fedeltà.

Il modello di business

Il modello commerciale di Agility non prevede la vendita dell'hardware ma un abbonamento mensile, che trasforma un costo in capitale fisso in una spesa operativa ricorrente e allarga la platea di operatori che possono accedere all'automazione senza immobilizzare capitale. Questo incide anche su come l'azienda è valutata dal mercato: una struttura di revenue ricorrente con contratti pluriennali vale diversamente da un portafoglio di vendite hardware. La disciplina è implicita nel modello, perché i clienti rinnovano solo se i robot continuano a funzionare in produzione. Per Agility, questo significa mantenere accesso continuo ai robot in campo: aggiornamenti software da remoto, raccolta di dati operativi su ogni installazione, possibilità di migliorare i modelli AI nel tempo. È un vantaggio che la vendita dell'hardware, una volta eseguita, non sempre garantisce.

La riconciliazione tra le valutazioni private del settore e il metro del mercato pubblico non arriverà come automatismo. Quando Figure AI, Apptronik e le altre aziende dovranno scegliere come quotarsi, il confronto con Agility diventerà inevitabile. A quel punto, 2,5 miliardi di dollari per un'azienda con clienti reali, revenue prenotata e certificazione industriale potrebbe rivelarsi il benchmark conservativo di un settore che ha sottovalutato l'esecuzione o la prova che il mercato sa già distinguere tra chi costruisce robot e fa execution reale e chi costruisce equity story.

Sam Altman ha offerto al governo americano il 5% del capitale di OpenAI, investimento di oltre 40 miliardi di dollari alla valutazione di 852 miliardi raggiunta lo scorso marzo. Il veicolo è un fondo sovrano sul modello dell'Alaska Permanent Fund, con diritti patrimoniali e non di governo. Altman vorrebbe che gli altri big dell'AI US facessero lo stesso. L'iniziativa è presentata come un modo di condividere il valore creato dalla tecnologia con i cittadini americani. Nei fatti siamo davanti a un'azienda privata che offre allo Stato una quota del proprio capitale in cambio di protezione, nello stesso settore che quello Stato è chiamato a regolamentare.

Il precedente che la rende credibile

La proposta non arriva in un contesto vergine. Negli ultimi diciotto mesi il governo americano ha convertito la propria leva regolatoria in leva proprietaria su più fronti. Ha acquisito circa il 10% di Intel, un investimento iniziale da 8,9 miliardi di dollari che Trump ha recentemente stimato valere oltre 60 miliardi. Ha imposto a Nvidia e AMD restrizioni commerciali così pesanti sulle vendite in Cina da riscrivere la struttura dei loro ricavi globali. Tre strumenti diversi per la stessa logica: lo Stato usa il proprio peso per entrare nell'architettura finanziaria delle aziende tecnologiche che considera strategiche, attraverso equity diretta, politica commerciale o possibile partecipazione diretta.

Il conflitto insito nel modello

Il governo americano esercita già oggi un controllo pesante sull'industria AI senza esserne azionista. Ha ordinato ad Anthropic di bloccare l'accesso ai propri modelli Mythos e Fable, ha limitato la distribuzione di GPT-5.6 a partner approvati, ha promosso un meccanismo di revisione governativa volontaria trenta giorni prima di qualsiasi rilascio pubblico. Diventare azionista non sostituisce questo potere regolatorio, ma affianca un incentivo economico diretto.

Un regolatore con una posizione finanziaria nel soggetto che regola ha un interesse strutturale a non ridurne il valore. Ogni multa, ogni vincolo, ogni obbligo di trasparenza che impone abbassa il valore del proprio investimento. La cattura del regolatore, in genere, richiede anni di lobbying. Qui viene proposta come architettura contrattuale, per iniziativa comune, da realizzare in pochi mesi.

Perché la proposta viene da Altman

Altman ha tre ragioni per proporla. La prima è che converte in alleato un regolatore potenzialmente ostile. Oggi il governo regola senza avere alcun interesse finanziario nell'esito delle sue azioni, il che lo rende imprevedibile. Con una quota patrimoniale, i suoi incentivi si allineano a quelli dell'azienda. La seconda, più pragmatica, è che Sanders ha già depositato l'American AI Sovereign Wealth Fund Act, che imporrebbe il trasferimento forzato del 50% dell'equity a qualsiasi azienda AI con ricavi superiori a 200 milioni di dollari. Altman cede il 5% oggi per non rischiare di cederne il 50% domani.

La terza ragione è finanziaria. Secondo dati non ufficiali, OpenAI ha sostenuto costi per circa 34 miliardi di dollari nel 2025 a fronte di 13 miliardi di ricavi, con un impegno verso la sola Microsoft di 17 miliardi. L'intera industria AI corre una gara dove i ritorni restano parziali e incerti per tutti i player. In questo contesto, avere il governo americano come azionista significa ottenere uno status implicito di too big to fail prima di qualsiasi crisi: uno Stato non può permettersi di lasciare fallire un'azienda di cui è comproprietario e che ha dichiarato infrastruttura strategica nazionale.

L'ingerenza nella vita dell'azienda

Questo modello trasforma l'azienda stessa. Con il governo come azionista rilevante, OpenAI perde progressivamente autonomia strategica. Il governo acquisisce accesso privilegiato ai modelli, ai dataset, alle capacità di inferenza, e con esso la possibilità di orientare la roadmap di ricerca verso priorità nazionali: difesa, intelligence, sicurezza delle infrastrutture. Non attraverso un ordine esecutivo, ma attraverso il peso naturale di un cliente-azionista che controlla quote crescenti del fatturato futuro. Le decisioni commerciali sono filtrate da una seconda agenda che non coincide con quella degli investitori privati. È il meccanismo che ha rallentato i campioni nazionali europei — Air France, EDF, Alstom — protetti dalla competizione ma progressivamente appesantiti dalla politica. EDF vendeva energia sotto costo per mandato governativo mentre il mercato chiedeva azioni diverse. Non un ordine esplicito, ma un azionista con interessi più ampi del bene dell'azienda.

Su questo si sovrappone una vulnerabilità preesistente. Il Cloud Act del 2018 obbliga già le aziende americane a fornire dati al governo USA indipendentemente da dove siano memorizzati. Con equity governativa, quell'obbligo legale si combina con accesso diretto ai modelli e agli output: lo Stato non richiede più i dati dall'esterno, ma è dentro il processo che li produce.

Un punto di vista differente

Esiste un argomento a favore, e merita spazio. La pressione regolatoria che il governo americano esercita sull'AI è oggi opaca: ordini esecutivi che cambiano senza preavviso, conversazioni riservate, meccanismi non tracciabili dai cittadini. Una quota in un fondo sovrano produce un dividendo rendicontato e visibile. Il problema è che una maggiore trasparenza non cambia la logica della posizione: un azionista che vuole massimizzare il valore della propria quota ha interesse diretto a non ostacolare l'azienda investita.

L'Unione Europea, per costruzione istituzionale, non si porrà mai lo stesso problema nello stesso modo. Bpifrance detiene una quota di minoranza in Mistral, strumento finanziario pubblico operativamente distante dall'apparato normativo, senza garanzia sovrana implicita. L'AI Act regolamenta dall'esterno. Nessun campione europeo ha la copertura di bilancio degli Stati Uniti alle spalle, e la distanza di valutazione lo misura con precisione: Mistral vale 11,7 miliardi di euro, OpenAI ne vale 852. Quella forbice misura la distanza tra un'azienda che compete nel mercato e un'azienda che lo Stato ha scelto di sostenere.

Per qualsiasi ministero europeo che gestisce dati sanitari, fiscali o giudiziari, la combinazione di Cloud Act ed equity governativa in OpenAI trasforma una preoccupazione tecnica in argomento politico trasparente. La chiusura europea all'AI americana è un percorso già avviato con AI Act, certificazioni nazionali di sovranità cloud e requisiti di localizzazione dati nei contratti pubblici, che una partecipazione governativa in OpenAI renderebbe più rapido e più legittimo.

Il 30 giugno 2026 si è chiuso il primo ciclo completo di fatturazione a token di GitHub Copilot, e i numeri che emergono dai forum degli sviluppatori sono eloquenti: chi usava la piattaforma in modalità agentica — sessioni autonome su più file, refactoring complessi, code review automatizzate — si è trovato bollette tra 10 e 50 volte superiori al costo del vecchio piano flat. Sviluppatori che pagavano 29 dollari al mese proiettano fatture da 750. È un trend che riguarda tutto il mercato.

Perché i costi esplodono con gli agenti

La ragione è nella matematica degli agenti AI. Quando Copilot esegue una sessione agentica — per esempio un refactoring su più file — non lancia una singola chiamata al modello ma molte: legge i file rilevanti, pianifica, propone modifiche, poi itera. Ad ogni passo, l'intera cronologia della conversazione rientra nel contesto come nuovi token di input. Una sessione da 20 turni con 10.000 token di contesto per turno non consuma 200.000 token totali: ne consuma 200.000 al ventesimo turno da solo. La ricerca interna di GitHub stima che i task agentici consumino circa 1.000 volte più token rispetto a una singola query in chat. Questo era noto ed è intuitivo, ma nascosto nei piani flat-rate.

Una tendenza di mercato, non una scelta isolata

Il passaggio di Copilot al consumo non è una decisione isolata di Microsoft: è la direzione in cui si sta muovendo l'intera industria, con velocità diverse. OpenAI ha migrato Codex a un modello interamente a consumo già da aprile 2026, con tariffe di 1,75 dollari per milione di token in input e 14 dollari per milione in output, per una stima media tra 100 e 200 dollari per sviluppatore al mese, con varianza elevata a seconda dell'effettivo utilizzo. Cursor ha introdotto un sistema a crediti per i modelli terzi (Claude, GPT, Gemini), fatturati per token, mantenendo illimitata solo la modalità auto sui propri modelli first-party. Anche Claude Code, che resta su piano flat, ha introdotto finestre di consumo ogni cinque ore: chi fa un uso spinto degli agenti raggiunge i limiti e ricade su tariffe API. Il segnale è coerente: il flat-rate era sostenibile per le sessioni in chat, non per sessioni agentiche autonome.

Chi ha già pagato il conto

Le aziende che hanno adottato questi strumenti più intensivamente hanno vissuto il problema prima che diventasse ufficiale. Uber ha bruciato l'intero budget AI 2026 ad aprile, dopo aver distribuito strumenti agentici a migliaia di ingegneri attraverso un programma interno che incentivava attivamente l'uso con classifiche di team. Microsoft stessa ha cancellato le licenze Claude Code per la divisione responsabile di Windows, Microsoft 365 e Surface perché i costi erano diventati ingestibili, dirottando gli ingegneri verso Copilot CLI, lo stesso strumento che nel frattempo stava passando al modello a consumo per i propri clienti esterni.

Due implicazioni per le aziende

Il billing shock apre due problemi distinti che le organizzazioni devono affrontare in parallelo. Il primo è la governance dei costi: non tutti i task giustificano l'uso agentico. I suggerimenti automatici che appaiono mentre si programma (completions inline) restano gratuiti o quasi su tutte le piattaforme, mentre una sessione autonoma su un codice complesso può consumare in un'ora quanto un piano mensile. Definire quali use case giustificano il consumo agentico, fissare soglie di spesa per utente e monitorare i consumi è un intervento di governance che la maggior parte delle aziende non ha ancora fatto.

Il secondo problema è speculare: misurare gli impatti positivi. Un'azienda che non sa quantificare il valore prodotto dall'AI — tempo risparmiato, riduzione degli errori, velocità di rilascio, qualità del codice — non è in grado di valutare se la spesa è giustificata. Il billing shock di Copilot è sostenibile se i 750 dollari al mese producono valore misurabile; è uno spreco se nessuno può misurarne oggettivamente l'impatto. Il caso Rocket Companies, analizzato su queste pagine, mostra cosa significa avere questa visibilità: +107% di ricavi in un mercato depresso grazie ad AI agentica applicata a dati strutturati. Chi non costruisce la stessa risposta non può classificare la bolletta di Copilot come un costo o un investimento.

Il passaggio dal flat-rate al consumo non è una scelta discutibile dei vendor: è il riallineamento inevitabile tra prezzi e costi reali dell'AI agentica. Le aziende che si trovano impreparate di fronte a questa transizione hanno due problemi sovrapposti: non sanno quanto spendono e non sanno quanto guadagnano. Materia da CFO, non questione di tecnologia.

Il 24 giugno 2026, durante il suo Investor Day a New York, Qualcomm ha annunciato un piano per ridisegnare lo scenario competitivo dell'hardware AI: l'acquisizione di Modular Inc. per 3,92 miliardi di dollari in azioni, una nuova linea di chip server chiamata Dragonfly e un accordo con Meta — siglato da Mark Zuckerberg presentatosi di persona all'evento — per fornire processori alla prossima generazione di data center della società. L'insieme di queste tre mosse strategiche rivela il disegno più ambizioso mai tentato per costruire un'alternativa credibile all'infrastruttura AI di Nvidia: uno stack completo, dall'hardware al software, che per la prima volta non dipende dall'ecosistema che Nvidia ha costruito in vent'anni.

Qualcomm è il produttore di semiconduttori che alimenta la grande maggioranza degli smartphone Android del mondo attraverso i suoi chip Snapdragon. Con un fatturato di circa 44 miliardi di dollari nell'ultimo anno fiscale e una capitalizzazione di mercato intorno ai 200 miliardi, è tra i dieci maggiori produttori di chip al mondo. Il suo core business è sempre stato il mobile: processori per telefoni, modem, connettività. Il data center AI — il mercato dominato da Nvidia — è territorio che Qualcomm non ha mai occupato seriamente. La mossa del 24 giugno è il segnale che l'azienda lo giudica un'opportunità troppo grande per lasciarla andare.

Il lock-in non è nei chip

Per capire perché questa mossa è rilevante, bisogna partire da dove origina davvero il monopolio di Nvidia. Pensate a Microsoft Office negli anni Novanta: il prodotto dominante non era Word in sé, ma era il formato .doc. Tutti i documenti aziendali erano scritti in quel formato, tutti i colleghi lo usavano e passare a un software alternativo significava riscrivere anni di lavoro.

Oggi per Nvidia funziona esattamente così. Dal 2006, l'azienda ha costruito sopra le sue GPU uno strato di librerie software ottimizzate per i calcoli dell'intelligenza artificiale — cuBLAS per l'algebra lineare, cuDNN per le reti neurali, TensorRT per l'inferenza. Ogni grande organizzazione che sviluppa AI ha scritto il proprio codice assumendo che quelle librerie esistano. CUDA è il sistema software che Nvidia ha costruito con lo scopo di permettere agli sviluppatori di programmare le sue GPU. Prima di CUDA, le GPU servivano solo per la grafica; Nvidia aprì le sue schede ai programmatori attraverso questo strato software e, negli anni, ci costruì sopra librerie sempre più potenti e specializzate per il machine learning. AMD produce GPU competitive, ma non riesce a strappare clienti perché usarle richiederebbe riscrivere anni di infrastruttura. Yuri Goryunov, CIO di Acceligence, ha sintetizzato il punto: "Il vantaggio di Nvidia non è mai stato nelle GPU, ma in CUDA e nel costo che le aziende dovrebbero sostenere per riscrivere le proprie applicazioni".

L'errore di tutti i precedenti tentativi

AMD con ROCm, Intel con oneAPI, Google con Triton hanno tentato tutti la stessa strada: replicare le librerie di Nvidia, riscriverle per il proprio hardware. È come costruire un formato alternativo al .doc che promette di leggere tutti i vecchi file. In teoria fattibile; in pratica, Nvidia aggiorna quelle librerie continuamente da quasi vent'anni, e la distanza non si colma mai.

Durante la Seconda Guerra Mondiale, la Francia aveva costruito lungo il confine con Germania, Lussemburgo e Belgio un presidio fortificato di 450 km ritenuto invalicabile: la linea Maginot. I panzer tedeschi riuscirono a eluderlo non con un attacco frontale, ma aggirandolo attraverso la foresta delle Ardenne. Qualcomm sta tentando lo stesso approccio con Nvidia, e questo tentativo parte con l'acquisizione di Modular.

Modular, la startup fondata da Chris Lattner — l'uomo che ha creato il compilatore LLVM e il linguaggio Swift di Apple — ha scelto una strada differente rispetto all'attacco frontale. Invece di copiare le librerie Nvidia, ha costruito un compilatore che non ne ha bisogno. Un compilatore è un traduttore: prende codice scritto in modo generico e lo trasforma in istruzioni ottimizzate per un chip specifico. Il compilatore di Modular, chiamato MAX, è in grado di prendere lo stesso codice e produrre versioni ottimizzate per chip Nvidia, AMD, Qualcomm o Apple, senza mai toccare una libreria proprietaria. Anziché imparare ogni lingua a memoria, Modular ha costruito un traduttore universale.

Il puzzle di Qualcomm

Tre pezzi, annunciati contemporaneamente. Modular porta il software hardware-agnostico: il compilatore MAX funziona su Qualcomm, Nvidia e AMD senza dipendere da librerie proprietarie, il che significa che i developer non devono scegliere tra produttori di chip. Il Dragonfly porta l'hardware proprietario pensato per l'inferenza AI. Meta porta la validazione commerciale. A completare il disegno ci sarebbe potuto essere Tenstorrent, startup di chip AI su architettura RISC-V open source valutata tra 8 e 10 miliardi di dollari, ma il CEO Jim Keller ha smentito l'esistenza di trattative in corso.

Se tutti e tre i pezzi si combinano, per la prima volta esiste uno stack completo che non dipende da Nvidia. Qualcomm non sta cercando di replicare Nvidia; non chiede ai developer di abbandonare l'hardware Nvidia: offre una possibile alternativa.

La relazione con Meta

Meta è uno dei maggiori acquirenti di hardware AI al mondo, ha costruito PyTorch, il framework di machine learning più utilizzato in assoluto, e investe più di qualunque altra azienda nell'AI open source. Che Zuckerberg si sia presentato di persona all'Investor Day di Qualcomm, firmando un accordo multi-generazionale per i processori Dragonfly con ricavi stimati in oltre 1 miliardo di dollari entro un anno, è qualcosa di più di un endorsement formale. Meta è il cliente di riferimento più difficile da convincere nel settore AI, un cliente che apre molte altre porte.

Le insidie che restano

Le criticità che l'attraversamento delle Ardenne porta con sé sono concrete. Il Dragonfly C1000 non sarà in produzione prima del secondo semestre 2028: ci sono due anni in cui Nvidia non starà di certo ad aspettare. Il supporto di MAX per le architetture mixture-of-experts — il design usato da DeepSeek V3 e Llama 4 che rappresenta una quota crescente dei modelli frontier — è ancora in fase di maturazione. Mojo, il linguaggio di programmazione di Modular, è ancora in versione beta. E la vendor-neutrality di MAX, credibile finché Modular era indipendente, dovrà essere dimostrata nel tempo. Barclays ha mantenuto un rating Underweight su Qualcomm dopo l'Investor Day, definendo la società una "show-me story": una visione che deve ancora realizzarsi.

Negli anni, Nvidia ha fronteggiato decine di challenger e li ha sopravanzati tutti. Il 24 giugno non cambia questo dato di fatto, ma per la prima volta un concorrente si propone di affrontare il problema con un approccio strutturalmente diverso, porta con sé la validazione del cliente più esigente del settore e le risorse per coprire gli investimenti fino al 2028. Se il puzzle si completa, il mercato dei chip AI avrà una seconda opzione reale. Se i pezzi non si incastrano, la linea Maginot di Nvidia avrà retto ancora una volta.

Il 18 giugno 2026 Accenture ha perso quasi il 20% in una sola seduta, il peggior giorno della sua storia come società quotata. Non a seguito di uno scandalo, né di risultati finanziari negativi. Il motivo è stato una guidance rivista al ribasso e un calo degli ordinativi: il mercato stava riscrivendo la valutazione di un intero settore e del suo modello di business. L'effetto ha immediatamente contagiato gli altri big: DXC, TCS, Capgemini, Wipro. Gli analisti hanno sollevato un dubbio, il mercato ha risposto con la consueta assertività.

Il 15 giugno, quando Morgan Stanley ha tagliato il target price da 240 a 177 dollari e degradato il titolo a Equal-weight, Accenture aveva già perso il 37% negli ultimi sei mesi. La motivazione è nei budget IT che non stanno crescendo. Il CIO Survey del primo trimestre 2026 fotografa una crescita dei budget IT services di appena il 2%, mentre la crescita complessiva degli IT budget si ferma al 3,7%, identica a quella del 2025. L'AI sta cannibalizzando la spesa tradizionale, senza portare a una crescita dei budget complessivi. DXC è il caso più estremo: il titolo tratta a 8,82 dollari, in calo del 45% nell'ultimo anno, con una capitalizzazione di mercato di 1,44 miliardi su 12,6 miliardi di ricavi — meno di due mesi di fatturato. Nei report trimestrali dei grandi player indiani è addirittura comparso il neologismo "AI deflation", riferito alla diminuzione strutturale dei valori contrattuali causata dall'automazione.

La prima causa della crisi è strutturale e non ciclica. Il modello del system integrator è sempre stato, nella sostanza, vendita di tempo travestita da soluzione. Il cuore del modello era fatto da migliaia di developer offshore a costo basso e margine costruito sulla scala. Nel mercato di oggi c'è una differenza ontologica: l'AI agentica non abbassa il costo dell'ora, ma elimina l'ora. Quando un CVP di Microsoft afferma pubblicamente che Accenture "non ha bisogno di 750.000 dipendenti" e che TCS "non ne ha bisogno di 600.000", sta descrivendo un fenomeno già in atto. I fondatori delle piattaforme AI-native per ERP e coding parlano di agenti che comprimono il lavoro di integrazione di un fattore tra 10 e 15 volte; le aziende clienti ne sono consapevoli e si aspettano di pagare meno. La deflazione dei contratti è la conseguenza del nuovo paradigma tecnologico.

La seconda causa è meno discussa, ma altrettanto centrale: il disallineamento temporale tra il ciclo di vita dell'AI e quello contrattuale dei grandi System Integrator. Il settore ha costruito la propria fortuna su engagement pluriennali: tre, cinque, sette anni di trasformazione digitale, con governance lenta, milestone fisse, change management pesante. L'AI si evolve su cicli di sei-dodici mesi. Un contratto firmato nel 2022 per una migrazione quinquennale viene eseguito con gli strumenti del 2022, mentre il cliente scopre nel 2024 che esistono agenti in grado di fare la stessa cosa in un terzo del tempo. Il system integrator è intrappolato dal proprio modello contrattuale: rinegoziare significa cannibalizzare i propri margini, non rinegoziare significa consegnare al cliente la prova della propria obsolescenza.

Accenture sostiene che l'AI enterprise non si implementa senza qualcuno che conosca i sistemi legacy, la compliance regolatoria, il change management organizzativo. Julie Sweet, CEO dell'azienda, ha ripetuto questa posizione ad ogni earnings call: implementare l'AI a scala enterprise richiede integrazione profonda con sistemi esistenti, gestione della sicurezza e trasformazione dei processi che nessun modello può fare da solo. L'accordo firmato l'11 giugno 2026 tra DXC e Anthropic ne è, paradossalmente, la conferma. Anthropic ha scelto DXC — un'azienda con il titolo ai minimi storici — perché nessun modello AI, per quanto avanzato, può entrare nel core banking di una banca o nell'infrastruttura di un'assicurazione senza qualcuno che quei sistemi li conosce e gestisce da cinquant'anni. DXC formerà decine di migliaia di ingegneri certificati Claude, embedded direttamente negli ambienti dei clienti, con il 95% del codice già generato dall'AI prima della revisione umana. La complessità enterprise è reale, ma riconoscere che la funzione sopravvive non equivale a sostenere che sopravvivono i player che la svolgono oggi, nelle dimensioni in cui la svolgono, alle tariffe a cui la svolgono.

Il mercato non sta scontando la scomparsa dei system integrator come categoria, ma la fine del business nella sua forma attuale. La funzione di integrazione enterprise — governance della complessità tecnologica nelle organizzazioni regolate, implementazione in ambienti ad alta compliance, gestione del cambiamento su sistemi mission-critical — rimane necessaria. Tuttavia, questa funzione migra verso player AI-native, verticali per settore, nati con strutture di costo incomparabili con quelle degli incumbent. Boutique che applicano l'AI al proprio lavoro dalla nascita, non aziende che cercano di inserirla in una macchina da 750.000 persone costruita attorno al costo orario.

I grandi System Integrator usciranno da questa transizione fortemente ridimensionati per perimetro, headcount e multipli di valutazione. Il paradosso è che la funzione per cui esistono non scompare — semplicemente, non giustifica più la forma e le dimensioni che i grandi System Integrator hanno assunto nel tempo.

Non puoi far correre un agente su un terreno che non conosce. I sistemi delle grandi aziende sono stati personalizzati migliaia di volte negli ultimi quarant'anni: regole di procurement, flussi di approvazione, dipendenze tra moduli che nessuno ha mai documentato per intero. Il risultato è che oggi questi sistemi sono opachi anche per le stesse aziende che li hanno costruiti. Un agente AI che non ha accesso alle logiche di funzionamento non può agire su di esse. Conduct, startup londinese fondata nel 2024 da tre ex-ingegneri di Palantir, parte esattamente da questa diagnosi, proponendo una soluzione concreta e già adottata da grandi clienti enterprise.

Un'azienda attiva da anni porta nei propri sistemi milioni di righe di codice custom, integrazioni stratificate, configurazioni che riflettono decisioni prese in contesti ormai dimenticati. Una regola di pricing può vivere in tre punti diversi dello stesso ERP. Un workflow di approvazione può toccare SAP, un MES di produzione e una applicazione verticale di settore senza che nessuno abbia mai mappato l'intera catena. Questo è il terreno su cui gli agenti AI si trovano a operare: un terreno che, nella maggior parte delle grandi organizzazioni, nessuno conosce nella sua interezza. Questo contribuisce all'elevato tasso di fallimento dei tentativi di portare progetti AI fuori dalla fase pilota.

Conduct acquisisce codice, configurazioni e dipendenze dei sistemi enterprise e costruisce una mappa che collega ogni componente tecnico alla funzione di business che governa. I team interni e i consulenti esterni possono interrogarla in linguaggio naturale: cosa si rompe se modifico questo campo? Dove vive questa regola di pricing? Quali oggetti sono coinvolti in questa migrazione? Conduct risponde e, quando serve, genera il codice, i test e il piano di implementazione per fare il cambiamento in sicurezza. Quello che prima richiedeva mesi di interviste con i business analyst, reverse engineering del codice e documentazione frammentata diventa un'interazione in chat. I clienti, secondo dati dichiarati dall'azienda, registrano un'accelerazione superiore al 30% nei processi di trasformazione.

Il portafoglio clienti è significativo per dimensioni e per copertura settoriale: Fraport gestisce aeroporti, DHL muove merci su scala globale, Daimler Truck produce veicoli industriali, Heidelberg Materials è tra i maggiori produttori di cemento al mondo. Tutti operano su architetture SAP che si sono trasformate in decenni, con livelli di personalizzazione che le rendono difficilmente comparabili tra loro. SAP ha riconosciuto Conduct come partner strategico AI per le migrazioni a SAP Cloud ERP e ha partecipato direttamente al round da $60 milioni co-guidato da Index Ventures e ICONIQ, che porta il totale raccolto in meno di due anni dalla fondazione a circa $72 milioni.

Il timing non è casuale: SAP cesserà le attività di supporto al suo software ECC — la versione storica installata on-premise — il 31 dicembre 2027. Circa 17.000 dei 35.000 clienti ECC non hanno ancora completato la migrazione al cloud, secondo Gartner. Le migrazioni richiedono tra i 18 e i 36 mesi, quindi il conto è presto fatto: una quota significativa di grandi organizzazioni è già fuori tempo massimo se vuole rispettare la scadenza. Conduct non si posiziona come strumento di migrazione, ma come il layer che rende quei sistemi sufficientemente leggibili da accelerare qualsiasi intervento su di essi, migrazione inclusa. Non agisce al posto dei consulenti SAP o dei system integrator, agisce prima di loro, costruendo la mappa su cui tutti gli altri lavorano. Le partnership già operative con BCG e NTT DATA Business Solutions confermano questo posizionamento complementare.

I tre fondatori vengono tutti da Palantir, la società che ha costruito il proprio vantaggio competitivo entrando nei sistemi delle organizzazioni clienti, non vendendogli una tecnologia. Conduct replica quella stessa logica a un livello più profondo: non porta un modello, costruisce la mappa su cui qualsiasi LLM può lavorare. In un mercato in cui i grandi vendor AI si stanno muovendo verso il forward deployment per distribuire i propri prodotti, chi possiede la leggibilità dell'architettura ha un vantaggio che non dipende dal prodotto scelto oggi e che non si erode quando il modello di domani andrà a sostituirlo.

A marzo 2026, Tencent Cloud ha annunciato al Mobile World Congress l'apertura di una terza availability zone a Francoforte. È la conferma che nel cloud europeo c'è già un terzo contendente e che il dibattito sulla sovranità digitale continentale, focalizzato prevalentemente sui player US, è costruito attorno a un perimetro troppo stretto.

I dati di Synergy Research Group del 2025 sono quelli che già conosciamo: il mercato cloud europeo vale oltre 60 miliardi di euro, AWS, Microsoft Azure e Google Cloud ne controllano il 70%, i provider europei il 15% — quota che si è sensibilmente ridotta dal 29% del 2017, mentre il mercato cresceva sei volte. Il restante 15% appartiene a una categoria che nei report viene definita genericamente "provider asiatici e USA minori": è lì che Tencent si sta muovendo.

La nuova availability zone di Francoforte, operativa per i clienti dal secondo trimestre 2026, è la terza in Germania. L'infrastruttura è gestita nel rispetto delle normative locali ed europee, con i dati ospitati fisicamente in Germania. Avere tre availability zone — datacenter vicini progettati per isolare i guasti — porta Tencent allo stesso livello infrastrutturale dei grandi player US: la presenza di tre AZ è la soglia minima che i clienti enterprise richiedono per affidare a un provider esterno processi critici. Il portafoglio prodotti include un motore di AI generativa, content delivery network, video e livestreaming. I clienti europei già acquisiti includono CGTrader (marketplace di asset 3D, Lituania), Maxon (software Cinema 4D, Germania), 3D AI Studio (Germania) e iyzico, piattaforma fintech turca attiva su oltre 185.000 merchant.

Il nuovo investimento riflette una strategia di espansione globale più ampia. Nel 2025 Tencent Cloud ha aperto AZ in Arabia Saudita e serve centinaia di migliaia di aziende in 30 settori a livello mondiale. La narrativa ufficiale richiama l'esperienza operativa su Weixin/WeChat — ecosistema con un miliardo di utenti attivi — come modello per gestire AI e servizi digitali su larga scala. Fred Sun, General Manager per l'Europa, ha dichiarato che l'obiettivo è co-sviluppare soluzioni con i clienti locali e non esportare prodotti standard già pronti. È esattamente il copione che AWS, Microsoft e Google hanno recitato entrando in Europa nel decennio scorso: partnership locali, adattamento alle esigenze del mercato, rispetto delle normative. Poi, nel tempo, i clienti enterprise si sono ritrovati dipendenti da infrastrutture che non controllano. Con Tencent il film ricomincia, con una diversa regia.

AWS, Google e Microsoft operano sotto giurisdizione americana, con tutti i problemi che questo comporta per la sovranità europea dei dati (accesso garantito al governo US). Tencent opera sotto giurisdizione cinese, con un quadro normativo che prevede obblighi di cooperazione con le autorità statali cinesi ancora più espliciti. La Legge sull'Intelligence Nazionale del 2017 obbliga qualsiasi organizzazione o cittadino cinese a cooperare con i servizi di intelligence statali, con margini di rifiuto piuttosto limitati e senza obbligo di notifica agli interessati. Inoltre, la Legge sulla Sicurezza dei Dati del 2021 estende questi obblighi ai dati trattati all'estero che abbiano rilevanza per la sicurezza nazionale cinese, una categoria definita in modo sufficientemente ampio da includere potenzialmente dati aziendali di terzi. La residenza fisica del dato a Francoforte risolve il tema della localizzazione geografica, ma non quello della catena di controllo giuridico. Le autorità europee non hanno ancora indirizzato questa domanda in modo strutturato.

Il problema del mancato controllo delle fondamenta tecnologiche del continente si sta allargando in una direzione che il dibattito pubblico non ha ancora incorporato. L'alternativa agli americani è la Cina. Costruire su fondamenta americane è un problema di dipendenza e di sovranità normativa. Costruire su fondamenta cinesi presenta le medesime criticità, con un livello di opacità geopolitica superiore. Scegliere tra il minore dei mali non può essere la risposta strategica dell'Europa.

Eppure, qualcosa si muove. Verda, cloud provider finlandese fondato nel 2020, nel primo trimestre 2026 aveva un revenue run rate di oltre 51 milioni di euro — quindici volte i ricavi di dodici mesi prima, già in territorio cash flow positivo. Infrastruttura in Europa, fuori dal perimetro del Cloud Act americano, alimentata al 100% da rinnovabili, prezzi dichiarati fino al 90% inferiori agli hyperscaler. Non è ancora una risposta sistemica, ma è la dimostrazione che costruire fondamenta europee non è solo un esercizio di stile.

Nel primo trimestre 2026, Rocket Companies ha registrato ricavi adjusted per 2,8 miliardi di dollari, il 107% in più rispetto allo stesso periodo dell'anno precedente. Il mercato immobiliare americano non è la ragione che sta dietro questo successo: i tassi restano intorno al 7% e il volume di nuovi mutui è sotto pressione strutturale da due anni. La crescita viene da un portafoglio — cresciuto anche a seguito di attività di M&A — di 2,1 trilioni di dollari in mutui già erogati, dentro il quale Rocket ha sistematicamente cercato i clienti che avevano raggiunto la convenienza economica per rifinanziare. L'AI agentica è lo strumento con cui questa ricerca è diventata scalabile.

Il meccanismo è descritto nel comunicato stampa del Q1 2026, con il normale ottimismo di chi scrive per valorizzare il proprio operato. Rocket ha distribuito a tutto l'ufficio crediti un sistema agentico che gestisce l'apertura del funnel commerciale: scorre il portafoglio dei clienti con mutui in corso, individua quelli che hanno raggiunto un tasso di convenienza per rifinanziare e prequalifica i prospect per l'acquisto di un nuovo immobile; a quel punto — appoggiandosi sulla controllata Redfin — gli offre opportunità di acquisto di immobili e il prestito per finanziarle. Le circa due ore al giorno recuperate da ogni dipendente sono ora utilizzate su clienti selezionati e propensi alla conversione. Rocket stima a regime (dato autodichiarato) un incremento superiore a un miliardo di dollari di volumi mensili aggiuntivi.

Questo meccanismo illustra una distinzione che molte aziende faticano a operare nella pratica: l'AI come strumento di riduzione dei costi produce risparmi una tantum, spesso seguiti da resistenza organizzativa e perdita di know-how; l'AI come strumento di espansione della capacità commerciale produce invece un effetto cumulativo. Rocket avrebbe potuto snellire l'ufficio crediti, ha invece aumentato il numero di clienti ad alto valore che ciascun dipendente riesce a gestire efficacemente. A parità di organico si è ottenuta una significativa crescita delle performance. Il guadagno non è solo di tempo: lavorare sulla base esistente abbatte il costo di acquisizione a quasi zero, perché il cliente è già noto, il rischio già valutato. Inoltre, l'AI non restituisce ore generiche, ma tempo già orientato verso i prospect con la più alta probabilità di conversione; è la differenza tra lavorare di più e lavorare dove ne vale la pena.

In un mercato dei mutui depresso, con tassi al 7% e volumi di origination sotto i livelli pre-pandemia, Rocket ha comunque chiuso il trimestre con 44,7 miliardi di dollari in nuovi mutui erogati e un EBITDA margin cresciuto in un anno dal 12% al 26%.

Va ricordato che Rocket ha completato nel 2025 due acquisizioni rilevanti: Redfin, la piattaforma di ricerca immobiliare, e Mr. Cooper, il principale servicer di mutui americani, costruendo un ecosistema verticalmente integrato che va dalla ricerca della casa al mutuo, dalla chiusura del rogito alla gestione dei rimborsi per tutta la durata del finanziamento. Su questo stack operativo, l'AI viene applicata a ogni snodo del percorso cliente: la ricerca immobiliare alimenta il funnel di Rocket Mortgage, il portafoglio servicing da 2,1 trilioni di dollari di debito residuo diventa un bacino di prospect per rifinanziamenti futuri e i dati di ogni interazione addestrano i modelli che migliorano la profilazione.

Per chi opera nel software B2B e nei servizi professionali, il modello Rocket è replicabile nei principi anche se non nelle dimensioni. La precondizione non è la tecnologia, ma il patrimonio strutturato di relazioni esistenti. Rocket lavora su 2,1 trilioni di dollari di mutui già erogati: ogni posizione è un cliente con una storia creditizia nota, un tasso, una data di scadenza del rapporto. L'AI trova le giuste opportunità dentro quella massa di dati. Chi non ha un portafoglio clienti strutturato da cui partire non ha la materia prima su cui far lavorare i propri agenti. L'asset che conta, prima ancora della tecnologia, deriva dalla costruzione e dal mantenimento di dati sui clienti esistenti abbastanza granulari da rendere utile l'analisi automatizzata.

Il 15 giugno 2026 Salesforce ha annunciato l'acquisizione di Fin per circa 3,6 miliardi di dollari. L'analisi del deal rivela una contraddizione strutturale nel mercato degli agenti AI, quella tra layer abilitanti che promettono flessibilità e applicazioni verticali che puntano sui risultati misurabili. Salesforce ha costruito il primo e comprato la seconda.

Agentforce, il prodotto agentico di Salesforce, ha raggiunto 1,2 miliardi di dollari di ARR nel primo trimestre del 2026, con una crescita del 205% anno su anno; numeri finanziari solidi. Guardando all'efficacia, misurata in termini di risoluzione dei casi gestiti, Agentforce registra un tasso di circa il 65%. Fin (già nota come Intercom) — l'azienda acquisita — arriva al 76% con il suo modello proprietario Apex, costruito specificamente per il customer service e addestrato su milioni di conversazioni reali. Una decina di punti percentuali di differenza, su scala enterprise, rappresentano centinaia di migliaia di ore di lavoro umano e livelli di soddisfazione del cliente completamente differenti.

La differenza tra i prodotti delle due aziende è profonda. Agentforce è il layer agentico nativo dell'ecosistema Salesforce: gli agenti operano direttamente su dati CRM, pipeline di vendita, storico dei ticket, profili cliente. L'agente conosce già tutto del cliente perché vive dentro lo stesso sistema operativo dell'azienda. Questo vantaggio richiede che quell'ecosistema esista, sia configurato, e che qualcuno abbia investito tempo per definire quali agenti fare girare, su quali dati e per fare cosa. Il time-to-value è lungo, e nelle grandi organizzazioni il rischio del pilot perpetuo è concreto: il prodotto viene abilitato formalmente perché venduto in bundle con la licenza CRM, ma l'adozione reale rimane bassa. Fin ha un'architettura opposta: è un'applicazione verticale per un caso d'uso preciso, acquistata da aziende che hanno un problema specifico da risolvere. Con oltre 30.000 clienti business attivi (di cui 8.000 su Apex) e 2 milioni di conversazioni gestite ogni settimana, l'adozione è misurabile.

Il paradosso è che, nonostante tutti i dati del cliente disponibili nativamente, Agentforce risolve il 65% dei casi in autonomia, mentre Fin, operando come prodotto standalone senza quella profondità di contesto CRM, arriva al 76%. Nel customer service la specializzazione del modello sul dominio si è dimostrata più performante della ricchezza del contesto dati. Apex non è migliore perché sa più cose sul cliente, ma perché è stato costruito e ottimizzato esclusivamente per gestire conversazioni di supporto, con feedback loop reali accumulati in anni di attività.

Sul piano finanziario, il prezzo segnala quanto il mercato valuti oggi questa distinzione. Rispetto al fatturato 2024 di circa 267 milioni di dollari, i 3,6 miliardi implicano un multiplo di circa 13,5x sui ricavi, fascia top-quartile per le acquisizioni SaaS. Se si guarda al solo prodotto AI, Fin stava avvicinandosi ai 100 milioni di ARR con una crescita del 350% annuo: il multiplo sull'ARR AI supera i 36x. È un premio che riflette quello che Salesforce ha comprato: non solo tecnologia, ma prova verificabile che quella tecnologia funziona in produzione, con clienti reali che continuano a usarla dopo l'acquisto.

Salesforce ha pagato 3,6 miliardi scommettendo sulla capacità di comprare e integrare senza distruggere. Con Slack ci è riuscita: un prodotto acquisito per 27,7 miliardi nel 2021 che oggi sfiora i 3 miliardi di ARR, con 47 milioni di utenti giornalieri e adozione nell'80% delle Fortune 100. Con Fin il test è più difficile, perché il vantaggio competitivo che Salesforce ha comprato vive esattamente in quello che l'enterprise tende a erodere: la semplicità, la velocità di deploy, la specializzazione profonda su un singolo dominio. Tra dodici mesi ci sarà un numero che varrà più di qualsiasi dichiarazione strategica: il tasso di efficacia di Fin integrato in Salesforce. Se il 76% sarà mantenuto o migliorato, l'acquisizione avrà funzionato. Se scenderà, il prezzo dell'integrazione pagato da Salesforce andrà aggiornato al rialzo.

Il 12 giugno 2026 Anthropic ha ricevuto una direttiva dal Segretario al Commercio Howard Lutnick: nessun cittadino straniero, dentro o fuori gli Stati Uniti (compresi i dipendenti di Anthropic stessa) poteva continuare ad accedere a Fable 5 e Mythos 5, i nuovi modelli lanciati meno di una settimana prima. L'azienda ha scelto di spegnere l'accesso per tutti i clienti nel mondo, perché l'alternativa era impraticabile. Nessuna procedura preliminare, nessun confronto tecnico, nessun preavviso. Un ordine esecutivo ricevuto nel tardo pomeriggio, privo di motivazioni tecniche dettagliate, con efficacia immediata.

La motivazione ufficiale riguarda una vulnerabilità parziale: la possibilità di rimuovere le restrizioni imposte dall'autore del software (c.d. jailbreak) al fine di aggirare i presidi di cybersecurity del modello. Anthropic ha contestato questa conclusione: la vulnerabilità era circoscritta e non universale; lo stesso processo era replicabile su GPT-5.5 di OpenAI, rimasto pienamente operativo senza alcuna restrizione; il livello di sicurezza dimostrato rientrava nell'uso ordinario dei professionisti della cybersecurity difensiva.

Le ragioni del provvedimento vanno ricercate nel recente passato. A febbraio 2026 il Pentagono aveva chiesto ad Anthropic di firmare un contratto che permettesse l'uso di Claude per "qualsiasi scopo lecito", nella lettura di Anthropic, una formulazione abbastanza ampia da includere la sorveglianza di massa e l'impiego in sistemi d'arma autonomi senza supervisione umana. Dario Amodei ha rifiutato, dichiarando che l'azienda non poteva "in buona coscienza" accettare quella clausola. Il Pentagono ha risposto con una designazione formale di Anthropic come rischio per la supply chain nazionale (qualifica usualmente riservata ai fornitori stranieri compromessi) e ha dirottato i contratti su OpenAI, Google e Microsoft. Trump ha commentato sul suo social Truth con la consueta misura: "The Leftwing nut jobs at Anthropic have made a DISASTROUS MISTAKE." Il sottotesto era esplicito: Anthropic non aveva finanziato la campagna elettorale di Trump, a differenza di OpenAI, il cui presidente Greg Brockman ha contribuito per 25 milioni di dollari. La direttiva di giugno non è un episodio isolato, ma il capitolo successivo di uno scontro che ha radici politiche e finanziarie e non tecniche.

La coincidenza con la fase pre-IPO non è accidentale. Anthropic aveva presentato in via riservata la domanda di quotazione a una valutazione di 965 miliardi di dollari poche settimane prima della direttiva. Gli investitori istituzionali che stavano costruendo la loro tesi si trovano ora a prezzare un rischio che nessun prospetto può eliminare: un'azienda che ha un conflitto aperto con l'amministrazione che ha il potere di bloccare l'esportazione dei suoi prodotti.

Per chi opera fuori dagli Stati Uniti, questa vicenda ha un significato operativo preciso: il modello che hai integrato, che hai pagato, che hai incluso nei tuoi processi può essere rimosso con una direttiva firmata il giovedì pomeriggio, senza nessun preavviso. Mentre la sovranità tecnologica europea è ancora un cantiere aperto, il caso Anthropic ha reso tangibile il rischio a cui siamo esposti. La dipendenza dalle tecnologie US non è una questione geopolitica astratta, ma un rischio operativo concreto e misurabile in improvvise interruzioni di servizio, che si protraggono a tempo indeterminato (ad oggi i modelli sono ancora inaccessibili). Costruire un'alternativa europea non è più una scelta strategica di lungo periodo, ma l'unica strada per mantenere una rilevanza tecnologica ed economica.

La maggior parte dell'AI industriale degli ultimi anni si è limitata a osservare. Raccoglieva dati dai sensori, costruiva dashboard, avvisava gli operatori. Decideva ancora l'uomo al 100%. Gigaton ha scelto di agire diversamente, applicando un nuovo approccio nell'industria più resistente al cambiamento che esista.

Gigaton è una startup londinese nata nel 2020 come Carbon Re, primo spinout accademico nella storia ad essere fondato congiuntamente da University College London ("UCL") e Cambridge. La tesi originale era quella di combinare il deep reinforcement learning dell'Energy Institute di UCL con la competenza manifatturiera del Cambridge Institute for Manufacturing, e applicare il tutto all'industria più difficile da decarbonizzare: il cemento. I quattro cofondatori hanno passato anni a lavorare direttamente con gli operatori nelle sale di controllo degli impianti industriali per capire perché i sistemi esistenti non riescono ad adattarsi alle esigenze produttive moderne. Nel 2024 è arrivato Josh Vernon come CEO, con mandato di espansione. Il Series A da $26 milioni — guidato da Plural — porta la raccolta complessiva oltre i $35 milioni.

Il mercato dell'AI industriale è oggi popolato da soluzioni che si appoggiano sopra i sistemi di controllo esistenti: leggono i dati, generano avvisi, propongono ottimizzazioni che l'operatore valuta e applica. Gigaton ha scelto un approccio più radicale: sostituire pezzi del control software sottostante. La sua AI simula il comportamento dell'impianto, prevede gli outcome operativi e agisce autonomamente sui parametri — temperatura dei forni, flussi di materiale, consumo energetico — sempre sotto supervisione umana, ma senza aspettare che un tecnico legga un report e prenda una decisione. È la differenza tra un co-pilota che suggerisce la rotta e un autopilota che fa volare l'aereo.

Gigaton non entra in un mercato vuoto. ABB, FLSmidth, Rockwell, AspenTech e Honeywell offrono piattaforme di Advanced Process Control con decenni di installato. Sono sistemi costruiti da aziende che, come ha riconosciuto lo stesso Vernon, "hanno costruito il mondo industriale" e controllano ancora buona parte dell'hardware all'interno degli impianti. Il problema non è la qualità delle soluzioni dei grandi player, è che sono state progettate per un'epoca in cui l'obiettivo era la stabilità del processo e non l'ottimizzazione continua. Siemens sta investendo oltre €1 miliardo in AI industriale nei prossimi tre anni e i grandi player stanno aggiornando le proprie piattaforme, ma partono da architetture legacy che non sono state pensate per il controllo autonomo. I grandi operatori entreranno presto nell'arena competitiva; tuttavia, Gigaton è un sistema AI Native: parte con meno dati, ma anche con meno legacy.

Per ottenere le chiavi di un processo mission critical c'è bisogno di una giustificazione economica che non ammetta obiezioni. Gigaton ce l'ha: genera per ogni impianto cliente tra $1 e $3 milioni di risparmio operativo annuo, con una riduzione del consumo energetico di circa il 15%. In un contesto di pressione sui margini strutturale questo tipo di risparmio non è un'ottimizzazione, è una leva competitiva per la sopravvivenza. Non è un caso che tra i clienti figurino Holcim e Heidelberg Materials, tra i maggiori produttori di cemento al mondo: chi opera su scala globale con margini stretti non può ignorare un miglioramento misurabile e ripetibile.

Il risparmio energetico in un settore come il cemento non è disgiunto dall'impatto ambientale. Ogni impianto evita circa 30.000 tonnellate di CO₂ all'anno. Il settore cementiero è responsabile di circa l'8% delle emissioni globali: non esiste industria con un potenziale di decarbonizzazione altrettanto concentrato e altrettanto difficile da aggredire. Gigaton fa ottimizzazione di processo che produce come effetto strutturale una riduzione delle emissioni: maggiore efficienza energetica significa inevitabilmente meno CO₂ prodotta.

Il vero vantaggio competitivo di Gigaton non è algoritmico, è di posizionamento. Quando sei dentro il loop di controllo di un impianto che gira 24 ore al giorno, 365 giorni l'anno, non sei più un fornitore software, ma diventi infrastruttura critica. Ogni anno di dati raccolti rende il modello più preciso per il singolo impianto, con quella configurazione, in quelle condizioni operative. Nessuno può replicare quella precisione senza ricominciare da capo.

Per anni il problema dell'ecosistema tecnologico europeo è stato identificato nell'assenza di capitale. Le aziende nascevano, si sviluppavano fino a un certo punto per poi emigrare verso altri lidi per assenza di investitori disposti a sostenere round di scala. Due iniziative distinte — una nel Regno Unito e una a livello comunitario — hanno messo sul tavolo risorse reali per provare a correggere questo deficit strutturale.

L'8 giugno 2026, la ministra britannica per la Scienza e la Tecnologia Liz Kendall ha presentato al London Tech Week l'AI Hardware Plan: un programma da £1,1 miliardi focalizzato su chip, semiconduttori e infrastruttura computazionale. La logica del piano è quella del cliente pubblico come leva di mercato: il governo non si limita a finanziare la ricerca, ma diventa il primo acquirente di tecnologie da startup britanniche, prima che queste abbiano raggiunto una scala commerciale rilevante. Il centro del piano è un supercomputer nazionale da £750 milioni, mix di chip standard e processori di nuova generazione, che si prevede sarà operativo dal 2030. A questo si affiancano fondi per lo sviluppo di chip proprietari e per la formazione specialistica, nonché un fondo da £150 milioni della British Business Bank co-gestito con Playground Global per accompagnare le aziende hardware domestiche. Il mercato globale dei chip AI è atteso a mille miliardi di dollari nei primi anni Trenta: il Regno Unito si sta muovendo per catturarne una fetta significativa.

Allargando il punto di osservazione all'intero continente, la Commissione Europea ha assegnato a EQT, il gestore svedese di private equity, il mandato per il nuovo Scaleup Europe Fund da €5 miliardi, scelto in una selezione competitiva che comprendeva Atomico, Eurazeo e Vitruvian. Il fondo è dedicato a startup deeptech europee attive in aree come quantum computing e AI. Al termine del 2025, circa €2,5 miliardi risultavano già sottoscritti: €1 miliardo dal European Innovation Council e €1,5 miliardi da LP privati tra cui Novo Holdings, CriteriaCaixa, Santander/Mouro Capital, APG Asset Management e la famiglia svedese Wallenberg.

Le due iniziative non rispondono alle stesse domande. L'AI Hardware Plan britannico è un intervento verticale sulla filiera dell'hardware AI, con una logica di domanda pubblica come leva per creare campioni nazionali; il Fondo Scaleup Europe è uno strumento finanziario orizzontale, progettato per colmare il gap di round di crescita che spinge le scaleup europee verso mercati esteri o verso acquisizioni premature. Condividono però una premessa: senza un'infrastruttura di capitale pubblica o ibrida, l'ecosistema tech europeo non riesce a competere strutturalmente con quello americano o asiatico. Il timing non è casuale: il dibattito sulla sovranità tecnologica europea si è trasformato negli ultimi due anni da tema accademico a priorità politica concreta, con fondi realmente allocati.

Restano aperti i problemi di esecuzione. I fondi pubblici in ambito tech hanno una storia di allocazioni lente, criteri burocratici e rendimenti sotto le attese rispetto al mercato privato. EQT dovrà dimostrare che un veicolo finanziato con capitale pubblico-istituzionale, ma gestito da un gestore privato, può muoversi con logiche di efficacia ed efficienza. Il piano britannico sarà giudicato sulla capacità del governo di agire davvero come cliente anticipatore e non solo come finanziatore per una filiera che oggi dipende ancora largamente da fornitori extra-europei.

I modelli AI non sono mai stati così potenti. Eppure, secondo McKinsey quasi due terzi delle organizzazioni che li hanno adottati non sono riuscite a portare l'AI oltre la fase pilota. Il paradosso è architetturale. Avere la macchina da corsa più veloce del mondo non serve a nulla senza benzina, senza pista e senza un pilota che sappia guidarla senza finire contro il muro. E di ostacoli, nel contesto enterprise, ce ne sono parecchi: la complessità dei sistemi esistenti, la sensibilità dei dati proprietari, la rigidità dei flussi di lavoro interni.

Il McKinsey Global Survey State of AI 2025, condotto su quasi 2.000 organizzazioni in 105 paesi, rileva che l'88% delle aziende usa AI in almeno una funzione, ma solo un terzo ha iniziato a scalare davvero la tecnologia all'interno dell'azienda. La maggioranza è bloccata in quello che gli analisti chiamano "pilot purgatory": sperimentazioni isolate che non escono mai dai confini del progetto prova. Il report MIT NANDA The GenAI Divide, basato sull'analisi di 300 deployment pubblici, stima che il 95% dei pilot enterprise non producano impatto misurabile sul conto economico. Il problema non è nella qualità dei modelli, bensì nel modo in cui gli stessi sono innestati all'interno delle aziende: senza un'architettura dedicata, non riescono a valorizzare le unicità del contesto in cui vengono applicati.

Un'azienda con anni di storia porta con sé qualcosa che nessun modello ha: dati proprietari, IP consolidato, conoscenza profonda del proprio settore e un tech stack operativo già in funzione. Questo è il patrimonio che la mera adozione di un LLM non riesce a sfruttare a pieno. Connettere un modello ai propri sistemi senza un'architettura dedicata significa esporre dati sensibili, perdere controllo sui workflow interni e accumulare costi token difficili da prevedere. Significa, soprattutto, cedere all'esterno la parte più preziosa di quello che l'azienda sa fare. A questo si aggiunge l'esposizione crescente ai rischi di compliance: AI Act e GDPR sono vincoli strutturali che un'integrazione diretta e non governata non è in grado di rispettare.

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.

Andreessen Horowitz (a16z) ha pubblicato la prima analisi sull'effettiva penetrazione dell'AI nelle grandi imprese, basata su dati di prima parte e non su survey autodichiarate. Il risultato principale: il 29% del Fortune 500 e il 19% del Global 2000 sono già clienti paganti di almeno una delle principali startup AI, con contratti top-down firmati, piloti convertiti e prodotti in uso attivo nell'organizzazione. In poco più di tre anni dal lancio di ChatGPT, un terzo delle più grandi aziende al mondo ha adottato AI enterprise in modo operativo.

Stiamo parlando di un tasso di adozione significativo nella parte più conservativa e lenta del mercato: grandi organizzazioni con procurement complesso, cicli di vendita lunghi, legacy tecnologica pesante.

Il caso più netto è il coding. Per ordine di grandezza, il coding supera qualsiasi altro caso d'uso enterprise: le aziende che sviluppano software hanno adottato strumenti come Cursor, Claude Code e Codex a velocità senza precedenti, con aumenti di produttività dichiarati tra 10 e 20 volte. D'altronde, il codice presenta le caratteristiche ideali: è verificabile (funziona o non funziona), garantisce dati di addestramento di alta qualità in abbondanza, è un lavoro prevalentemente individuale e consente cicli di feedback rapidi tra modello e sviluppatore. Nessun altro caso d'uso enterprise porta con sé tutte queste caratteristiche positive nello stesso momento.

Al di sotto del coding, le applicazioni con chiara trazione sono il customer support e la ricerca documentale. Il supporto funziona perché è un lavoro ad alto volume, già in gran parte esternalizzato a BPO, con procedure operative standard e metriche misurabili. L'AI non ha bisogno di risolvere il 100% dei casi: l'escalation verso un operatore umano è sempre disponibile come uscita di sicurezza. La ricerca documentale interna è invece il caso d'uso più diffuso di ChatGPT in ambito lavorativo, inoltre ha generato aziende indipendenti di scala rilevante come Glean.

Due industrie hanno adottato l'AI con grande rapidità: il settore legale e quello sanitario. Il motivo è comune per entrambi: il software tradizionale non aveva mai offerto valore reale a medici e avvocati perché il loro lavoro è non strutturato, essendo basato su sfumature interpretative. L'AI si adatta a queste caratteristiche meglio di qualsiasi strumento precedente. Harvey, specializzata nel legale, ha raggiunto circa 200 milioni di dollari di ARR in tre anni dalla fondazione. Nel sanitario, aziende come Abridge e Ambience Healthcare hanno scalato rapidamente su use case discreti come la trascrizione in ambito medico, senza dover sostituire i sistemi di archiviazione dei dati esistenti.

Il dato più rilevante per capire dove andrà il mercato nei prossimi anni riguarda la velocità di miglioramento dei modelli. In soli sette mesi (tra settembre 2025 e aprile 2026), le capacità sui compiti economicamente rilevanti sono cresciute in modo significativo: contabilità e revisione hanno registrato un salto di quasi 20 punti percentuali sul benchmark GDPval di OpenAI, l'ingegneria industriale di quasi 30. Significa che le risposte dei modelli battono quelle dei lavoratori umani nel 20 o 30% dei casi in più rispetto alle misurazioni precedenti. Molti settori oggi ancora lenti nell'adozione (manifatturiero, costruzioni, finanza tradizionale) non lo sono per mancanza di capacità dei modelli, ma per ostacoli strutturali: lavoro fisico, costi di coordinamento tra i diversi attori coinvolti, vincoli regolatori, assenza di output verificabili.

L'analisi di a16z è una fotografia di quello che è già accaduto, tratta dai contratti firmati e dai prodotti in uso. Il messaggio implicito è scomodo: nei settori a bassa adozione il problema non sono più i modelli, ma le organizzazioni. I leader che si sono mossi prima stanno allargando il distacco rispetto a chi si è arenato nelle fasi di test.

Fonte: Andreessen Horowitz — Where Enterprises are Actually Adopting AI, aprile 2026

Immaginate una moneta che gira sul tavolo. Un computer classico la vede come testa o croce: deve aspettare che si fermi per riconoscere uno dei due stati possibili (il bit che può essere 0 o 1). Un computer quantistico la vede mentre gira, contemporaneamente in entrambi gli stati (il qubit, l'unità di calcolo quantistica). Quando riceve un'istruzione, esplora tutti i risultati possibili nello stesso istante restituendo la soluzione che ha la maggiore probabilità di essere quella giusta. Questa proprietà si chiama sovrapposizione quantistica, ed è il motivo per cui un processore quantistico può risolvere in minuti problemi che richiederebbero ai migliori supercomputer attuali milioni di anni.

Quello che sembra fisica teorica è in realtà ingegneria applicata con un calendario definito. Nel 2026, il settore ha superato quello che i ricercatori considerano il confine tra sperimentazione e prototipazione: sono stati verificati i primi logical qubits, cioè qubit corretti dagli errori, stabili abbastanza da eseguire calcoli affidabili. IBM ha simulato la struttura elettronica completa di una proteina da 12.635 atomi con la Cleveland Clinic e RIKEN. Google ha dimostrato che scendere sotto la soglia critica di errore è fisicamente possibile. Il percorso verso la commercializzazione sta diventando qualcosa di più di una promessa. Una roadmap con tappe verificabili è oggi immaginabile. Le stime più accreditate collocano tra il 2028 e il 2030 le prime applicazioni commerciali rilevanti, in chimica molecolare, crittografia e ottimizzazione logistica.

A questo punto dello sviluppo, la posta in gioco diventa molto alta. Il quantum non è un avanzamento incrementale che si aggiunge a ciò che già esiste, ma ridisegna le fondamenta su cui poggiano crittografia, comunicazioni e calcolo scientifico. L'impatto atteso ha la natura della discontinuità. È il motore a scoppio che soppianta le carrozze.

L'Europa, in questo contesto, occupa una posizione tecnica di tutto rispetto. IQM, con sede in Finlandia, ha installato 21 processori quantistici in 11 Paesi, più di IBM e di qualsiasi concorrente della Silicon Valley. Pasqal e Quandela, fondate e cresciute in Francia, seguono a breve distanza per numero di installazioni. Le aziende europee rappresentano il 54% di tutti i deployment globali tracciati di processori quantistici. Parigi ha stanziato 1,8 miliardi di euro fino al 2030, Berlino ha superato i 2 miliardi, Londra ha impegnato 2,5 miliardi di sterline.

Nonostante questo, i 31 vendor europei più maturi sono valutati complessivamente circa 6,7 miliardi di euro sul mercato privato, meno di una singola mid-cap tecnologica americana. IonQ, azienda statunitense, capitalizza da sola circa 14 miliardi di dollari. IQM, il campione europeo, si quoterà al Nasdaq attraverso una SPAC da 1,8 miliardi di dollari. Pasqal punta a una quotazione analoga sulla stessa piazza, a una valutazione post deal di 2,6 miliardi di dollari. Entrambe scelgono New York perché il mercato dei capitali europeo non offre la liquidità e la velocità necessarie.

In Europa mancano capitali pazienti e i tempi di maturazione della ricerca di frontiera sono incompatibili con le esigenze di exit dei fondi venture capital. Il tema è noto, ma vale la pena darne una rappresentazione plastica. L'orizzonte temporale dei fondi VC è sostanzialmente analogo nelle due geografie: dieci anni, con naturale pressione a restituire capitale ai propri investitori. La differenza strutturale sta nel passaggio successivo, quando il tempo del VC è scaduto e l'azienda ha bisogno di nuove risorse per continuare a crescere. Negli Stati Uniti esistono acquirenti industriali in grado di assorbire la tecnologia e proseguire lo sviluppo internamente senza interrompere la traiettoria di sviluppo: Google, IBM, IonQ hanno i bilanci e le divisioni di ricerca per farlo. In Europa attori di questo tipo non esistono. L'exit europea non è quindi una scelta strategica tra opzioni comparabili, è un vincolo strutturale che porta quasi inevitabilmente fuori dall'ecosistema continentale. Sul fronte pubblico, l'EU Quantum Act e il Scaleup Europe Fund, operativo dall'estate 2026, sono risposte concrete, ma l'allocazione al quantum rimane una frazione di quello che un singolo competitor americano ha già a disposizione.

L'Europa ha un talento sistemico nel produrre team eccellenti che poi emigrano verso i mercati con la capacità di valorizzarli. Per usare una metafora calcistica: i vivai di provincia formano i giocatori, i top club li comprano. Nel quantum, i vivai sono le università di Monaco, Delft, Parigi e Oxford. I top club si chiamano Google, IonQ e IBM. La differenza è che quando un ricercatore quantum passa di mano, non porta via solo il suo talento, ma anche brevetti, architetture, standard futuri. Porta via le fondamenta dell'infrastruttura tecnologica di domani.

Nel corso del viaggio, arriva quindi un momento in cui la scelta per l'azienda diventa scontata. Ma qual è il prezzo da pagare? I nuovi soci incideranno sulle decisioni relative a dove indirizzare la ricerca, con quali governi collaborare e quali standard adottare. Nel caso del quantum, però, la posta in gioco è qualitativamente diversa rispetto a qualsiasi altra partita tecnologica. Il quantum è dual-use per natura fisica, non per scelta progettuale: le stesse proprietà che permettono di simulare una proteina da 12.635 atomi per accelerare la scoperta di nuovi farmaci sono quelle che rendono un processore quantistico sufficientemente maturo capace di rompere i sistemi crittografici su cui poggiano le comunicazioni militari e governative di qualsiasi Paese. Non si può separare l'uso civile da quello militare e di sicurezza neanche volendo. Cedere il controllo di questa tecnologia equivale a consegnare ad altri la capacità di influire sugli standard crittografici che governeranno le comunicazioni del prossimo decennio, su chi avrà accesso preferenziale a capacità di simulazione per applicazioni di difesa, su come sarà costruita l'infrastruttura di sicurezza digitale europea. Le fondamenta, non le applicazioni.

Infine, alla luce dei nuovi equilibri geopolitici mondiali, emerge un rischio che fino a pochi anni fa non esisteva. Mentre in passato le tecnologie sviluppate in Europa andavano nelle mani di un alleato — si perdeva un interesse economico diretto, ma non l'accessibilità — oggi non è più così. Un conto è cedere il tuo top player a una Big delle Serie A, altra storia è vederlo partire alla volta della Premier League.

Nel 2026, il 68% delle organizzazioni che ospitano modelli AI su ambienti proprietari lo fa almeno in parte attraverso software acquistato per altre finalità: il modello è arrivato in azienda come componente di un'applicazione di terze parti, senza che nessun responsabile tecnico lo abbia mai valutato come applicazione AI. Wiz, la società di sicurezza cloud, ha misurato questo fenomeno direttamente dagli ambienti di produzione di centinaia di migliaia di organizzazioni clienti, non da survey autodichiarate. Va evidenziato che il campione è composto da aziende abbastanza mature da aver già adottato una piattaforma cloud security enterprise, il che significa che probabilmente sovrastima la diffusione del fenomeno all'effettiva situazione del mercato. Il dato descrive la frontiera, non la media. Tuttavia ciò che succede alla frontiera oggi tende ad arrivare al mercato generalista nel giro di qualche anno ed è per questo che vale la pena analizzare il fenomeno adesso.

La Shadow AI, cioè l'utilizzo non autorizzato di strumenti AI all'interno di un'organizzazione, è un tema dibattuto e piuttosto noto nel mondo AI. Io stesso ne ho parlato qui. È un problema comportamentale e si gestisce con formazione, policy d'uso e blocco selettivo degli accessi. L'"AI transitiva" è un'altra cosa. Arriva in azienda dopo la firma di un contratto enterprise. Nessun dipendente ha aggirato le policy aziendali, più semplicemente qualcuno ha rinnovato una licenza software, che ora — nella nuova versione — include modelli AI attivi.

Immaginiamo che Salesforce aggiorni la propria piattaforma e Einstein, il layer AI, diventi incluso di default nelle licenze enterprise esistenti, oppure che Microsoft 365 integri automaticamente Copilot in Word, Outlook e Teams. In questi casi l'azienda non ha preso una decisione esplicita di adottare l'AI; ha rinnovato abbonamenti e aggiornato software, così come ha sempre fatto.

Il problema non è solo che questi modelli girano e che nessuno sa esattamente cosa fanno. L'elemento più preoccupante è che i dati che passano attraverso Einstein o Copilot possono includere informazioni commerciali sensibili, pipeline di vendita, comunicazioni interne e codice proprietario. Il vendor ha clausole contrattuali che regolano questo, ma quelle clausole raramente emergono nel processo di rinnovo, e ancor più raramente qualcuno in azienda le ha lette nell'ottica dell'AI governance. L'azienda si trova davanti a una domanda senza risposta: quali modelli stanno girando sui nostri dati in questo momento, e chi può averci accesso? Non stiamo parlando di scenari meramente ipotetici: a gennaio 2026 è emerso che Microsoft 365 Copilot riassumeva email classificate come confidenziali, aggirando i filtri delle policy di protezione dei dati aziendali.

L'ottanta per cento delle organizzazioni analizzate da Wiz ha già adottato server MCP, il protocollo che permette agli agenti AI di connettersi a sistemi e dati esterni. Dà l'idea di quanto rapidamente si sta costruendo uno strato di connessione tra componenti AI. Ogni nuova integrazione MCP estende esponenzialmente la superficie transitiva: un agente che entra attraverso una licenza software può, se il protocollo lo consente, connettersi a sistemi che non erano nel perimetro della scelta originale. La superficie non è solo più ampia, è dinamica e difficile da tracciare in modo statico.

Secondo IBM (Cost of Data Breach Report 2025) il costo di un incidente legato alla Shadow AI è in media pari a 4,63 milioni di dollari, ovvero 670.000 dollari in più rispetto agli incidenti standard. Il differenziale dipende dai tempi di rilevamento più lunghi e dall'impossibilità di tracciare cosa è stato condiviso. Il problema non può essere risolto con l'adozione di policy di utilizzo degli strumenti, che per definizione arrivano dopo la decisione di adozione. Il rischio si genera a livello di procurement e nella fase di valutazione delle clausole contrattuali che regolano le conseguenze della condivisione di dati confidenziali attraverso flussi di lavoro basati su AI. È un aggiornamento del concetto di vendor due diligence, che richiede che la funzione legale e quella di sicurezza entrino nel ciclo di rinnovo dei contratti software con una checklist diversa da quella che hanno usato fino ad oggi.

Dopo un anno di utilizzo del Manager Agent, Salesforce dichiara di aver restituito 57.000 ore ai propri manager e un tasso di adozione del 100% tra chi guida team. A parte le grandezze quantitative è interessante analizzare il metodo con cui Salesforce ha ottenuto adozione AI massiva in un'azienda da oltre centomila dipendenti.

La scelta di distribuire il Manager Agent dentro Slack, lo strumento già in uso quotidiano, ha eliminato il principale ostacolo all'adozione: la frizione del cambio di contesto. Salesforce non ha chiesto ai manager di imparare a usare un nuovo strumento, ma di interagire con l'AI nell'ambiente in cui si muovono ogni giorno. Questo conferma un principio che nel dibattito sull'adozione dell'AI viene spesso enunciato e altrettanto spesso ignorato nella pratica: l'integrazione nel flusso di lavoro esistente vale più della bontà dello strumento AI scelto.

I manager, in questo schema, non sono solo utenti dell'AI ma il principale propulsore per la diffusione dell'AI nell'organizzazione. Quando hanno iniziato a usare l'AI in modo visibile, l'adozione degli strumenti AI tra i dipendenti è cresciuta del 32%. Il risultato non è la conseguenza di comunicazioni interne o training obbligatori, ma deriva dall'esempio diretto: i team hanno osservato i propri responsabili lavorare diversamente e hanno replicato il comportamento. Un circolo virtuoso che le politiche di change management non sempre riescono a produrre.

Il tempo recuperato non si è tradotto in tagli all'organico. Salesforce documenta che il maggior tempo disponibile è stato impiegato in attività a maggiore densità cognitiva: conversazioni di coaching, analisi dei dati di engagement dei team, riflessioni sulla struttura organizzativa. Il tempo sottratto alla gestione amministrativa non ha prodotto un'organizzazione più snella, ma un'organizzazione più focalizzata su compiti di valore.

La trasformazione agentica in Salesforce è partita da una scelta di design: chi dotare dello strumento e come renderlo accessibile. Ciò che il caso documenta, al di là dei numeri, è che l'AI nelle organizzazioni si propaga attraverso le relazioni di autorità e di osservazione, non attraverso i canali ufficiali.

I manager come punto di ingresso, Slack come contenitore, il flusso di lavoro esistente come contesto applicativo sono le scelte che hanno definito l'intero progetto.

Alphabet: la scommessa full-stack che sta dominando la partita AI

Un anno fa il mercato identificava Google come la prima vittima della rivoluzione AI. Nella prima metà di maggio 2026, Alphabet ha toccato il massimo storico e ha brevemente superato Nvidia per capitalizzazione. Il +150% in dodici mesi non è una sorpresa: è un ritardo interpretativo.

Mentre ChatGPT ridefiniva le aspettative sul futuro della ricerca online, il mercato prezzava Google come la grande vittima della nuova rivoluzione tecnologica. I numeri del primo trimestre 2026 hanno reso evidente la bontà della strategia che l'azienda stava portando avanti in silenzio.

I numeri che hanno ribaltato la narrativa

I ricavi consolidati sono cresciuti del 22% a $109,9 miliardi e il risultato netto ha raggiunto $62,6 miliardi con un incremento dell'81% anno su anno. Google Cloud ha superato per la prima volta la soglia dei $20 miliardi trimestrali, con una crescita del 63% che ha battuto Azure (+35%) e AWS (+17%) nello stesso periodo, e un backlog quasi raddoppiato con un reddito operativo del segmento in crescita di oltre il 100%.

La narrativa di Google come ritardatario nell'AI è stata smentita dai dati d'uso reali. Secondo SimilarWeb, in un anno Gemini è passato dal 6% al 22% del traffico AI mondiale. Le API processano oggi 16 miliardi di token al minuto contro 10 miliardi del trimestre precedente. I prodotti basati su AI generativa hanno segnato una crescita dell'800% anno su anno e gli utenti attivi mensili paganti di Gemini Enterprise sono aumentati del 40% nell'ultimo trimestre — numeri che segnalano un prodotto che funziona anche in contesti dove gli utenti possono scegliere.

Il modello pubblicitario di Google resta tuttavia sotto pressione strutturale. La crescita della ricerca generativa comprime il CTR pur non riducendo il numero di query. Il management sostiene che AI Overviews stia già monetizzando a tassi comparabili alla ricerca classica — Search è cresciuta del 19% nonostante la penetrazione massiccia dell'AI nelle interfacce — ma la tenuta dell'ARPU nel lungo periodo resta il rischio con impatto potenziale più elevato per un'azienda il cui motore finanziario è ancora in larga misura basato sulla pubblicità online.

L'architettura full-stack

Alphabet è oggi l'unica azienda al mondo che presidia ogni strato della catena del valore dell'intelligenza artificiale in modo organico. Il silicio proprietario con i TPU, i modelli frontier con Gemini sviluppato da Google DeepMind, la distribuzione a scala con Search, Android, Chrome e YouTube, il cloud enterprise e l'accesso diretto al consumatore attraverso 350 milioni di abbonati paganti. Nessun competitor dispone della stessa architettura. Non è una scommessa su un singolo prodotto, ma un'esposizione strutturale all'intera partita AI.

A questo va aggiunto l'elemento che non compare in nessun bilancio e che probabilmente è quello di maggior valore nell'intero stack: Google DeepMind. Non stiamo parlando semplicemente della fabbrica di Gemini, ma del laboratorio di ricerca AI applicata più produttivo al mondo. AlphaFold ha risolto il problema del folding proteico che la biologia molecolare inseguiva da cinquant'anni; AlphaGeometry ha dimostrato capacità di ragionamento matematico a livello olimpico; AlphaEvolve ha prodotto algoritmi più efficienti di quelli scritti da esseri umani in settant'anni di informatica teorica. È un asset che non si acquista sul mercato, si costruisce in decenni, e produce rendimenti competitivi su orizzonti che i cicli delle trimestrali non intercettano.

All'estremo opposto della catena c'è Waymo, unico operatore al mondo con un servizio di guida autonoma commerciale attivo su undici città americane, con oltre 500.000 corse senza conducente alla settimana. Non dipende da modelli esterni, non compra infrastruttura cloud da terzi, non ha bisogno di partnership per la distribuzione. Un prodotto AI verticalmente integrato nella sua forma più pura. Nonostante questo, Waymo è ancora considerata una componente residuale del valore del Gruppo.

La scommessa su Anthropic

Un tassello strategico centrale è rappresentato dall'impegno di investimento fino a $40 miliardi in Anthropic, principale competitor di Gemini nel segmento enterprise. Non è una contraddizione strategica, ma una copertura consapevole: se il layer dei modelli frontier convergerà verso la commoditizzazione, Alphabet potrà mantenere una posizione rilevante vendendo a entrambi i principali contendenti l'infrastruttura di funzionamento. Parallelamente, Anthropic si è impegnata a spendere circa $200 miliardi su Google Cloud nei prossimi cinque anni — una cifra che, secondo alcune stime, potrebbe rappresentare poco meno della metà del backlog cloud totale di $462 miliardi.

Si può identificare un potenziale schema circolare: Google finanzia Anthropic, Anthropic compra compute da Google Cloud, quella spesa alimenta il backlog che il mercato premia come segnale di domanda organica.

Oracle ha già pagato un prezzo salato in borsa quando è divenuto di pubblico dominio che il proprio backlog proveniva dal singolo cliente OpenAI. Alphabet è in una situazione differente, ma il profilo di rischio da concentrazione è presente e va tenuto in debito conto.

Il confronto con Microsoft

Microsoft era storicamente considerata la big tech più diversificata e quindi più difensiva: tre segmenti di ricavo bilanciati la rendevano strutturalmente meno esposta ai cicli pubblicitari di Google. Nel contesto AI questa logica si è invertita. Microsoft ha costruito la propria strategia affidando il layer LLM a OpenAI, nel quale ha investito circa $13 miliardi. Il risultato è che OpenAI rappresenta oggi, secondo le stime di più analisti, oltre il 40% dei $625 miliardi di Remaining Performance Obligations comunicati nella earnings call di febbraio 2026 — una concentrazione inesistente nel modello tradizionale.

Copilot ha visto la propria quota di mercato negli Stati Uniti scendere dal 18,8% all'11,5% in sei mesi. A settembre 2025 Microsoft ha dovuto integrare Claude di Anthropic in Microsoft 365, scegliendo un modello che gira sul competitor AWS e non su Azure — segnale che il prodotto proprietario non era sufficiente a soddisfare le aspettative del mercato. Mentre la diversificazione orizzontale di Microsoft si è trasformata in dipendenza verticale da un fornitore esterno, la concentrazione verticale di Alphabet si è rivelata fonte di autonomia strategica.

Il silicio proprietario

Alphabet ha costruito i TPU come infrastruttura interna per ridurre il costo per query e mantenere i margini su carichi di lavoro computazionalmente intensi. Con la settima generazione "Ironwood", le performance sono migliorate di 4× rispetto alla generazione precedente; l'ottava generazione "TPU 8i" garantisce a parità di spesa l'80% di performance in più. Poi è arrivata la svolta: un accordo con Meta per l'accesso ai TPU, primo segnale che l'infrastruttura interna si sta trasformando in prodotto vendibile a terzi. Ipotizzando conservativamente solo il 5% del mercato GPU Nvidia 2025, stiamo parlando di circa $5 miliardi l'anno.

La transizione verso il silicio proprietario è reale, ma richiede tempo. Ironwood è appena entrato in produzione su larga scala e la sua adozione da parte dei clienti cloud è ancora in una fase iniziale. Nel frattempo Alphabet continua ad acquistare GPU Nvidia in quantità significative: il vantaggio competitivo del silicio proprietario è strutturalmente solido, ma l'autonomia dal mercato dei chip va inquadrata come obiettivo di medio termine, non come realtà già acquisita.

I rischi strutturali

Il piano di investimento per il 2026 è fissato tra $180 e $190 miliardi, con un impegno per il 2027 già descritto come "significativamente superiore". Nella earnings call del 29 aprile 2026, Sundar Pichai ha dichiarato che Alphabet è oggi "compute constrained" — la domanda supera la capacità disponibile. È anche la condizione che, storicamente, produce il maggiore rischio di overbuilding nel momento in cui più operatori investono simultaneamente alla stessa scala. AWS, Azure, Oracle e Google Cloud stanno tutti spendendo cifre record nello stesso arco temporale. Vale però osservare che Alphabet, a differenza di altri player, non sta bruciando cassa: il cash flow operativo del Q1 2026 è stato di $45,8 miliardi, superiore al capex dello stesso trimestre, fissato a $35,7 miliardi. Alphabet sta finanziando interamente la propria infrastruttura AI con la cassa generata operativamente.

Vi è poi un rischio strutturale difficile da ignorare: l'integrazione verticale che il mercato premia è esattamente quella sotto esame antitrust da parte del Dipartimento di Giustizia americano e della Commissione Europea. Una sentenza sfavorevole sul monopolio della search potrebbe imporre a Google di aprire la distribuzione dei risultati a competitor, rimuovendo il principale vettore di acquisizione utenti per Gemini. Le indagini europee sul Digital Markets Act riguardano proprio il bundling tra Android, Chrome e i servizi Google. Chi investe su Alphabet sta consapevolmente scommettendo che l'integrazione verticale possa passare sostanzialmente indenne il vaglio regolatorio.

Il mercato ha premiato ciò che ha visto: Waymo valutata come voce residuale, i TPU all'inizio della loro vita come prodotto commerciale, DeepMind con una pipeline di ricerca i cui effetti economici matureranno su orizzonti di cinque o dieci anni. Il +150% in dodici mesi non è una sorpresa, ma un ritardo interpretativo. La domanda non è cosa il mercato ha già riconosciuto — è quale vantaggio competitivo si sta costruendo mentre guarda da un'altra parte.

L'AI scende dalla nuvola

Le aziende stanno portando l'AI dentro il proprio perimetro, indipendentemente da esigenze di compliance. I numeri descrivono un movimento già in corso, anche se la capacità di agire resta molto indietro rispetto alla consapevolezza del problema.

Il 19 maggio NTT DATA ha pubblicato il Global AI Report 2026, su un campione di 5.000 executive. Il 95% considera la private e sovereign AI importante per la propria strategia; sta diventando imperativo costruire un dominio privato che protegga la proprietà intellettuale attraverso modelli che non possano essere addestrati pubblicamente. Eppure solo il 29% delle organizzazioni sta prioritizzando la sovereign AI in modo concreto nel breve termine. Il tema è nuovo, richiede visione architetturale e investimenti non banali.

I tre driver

Il report distingue tre driver del fenomeno. Il primo è la sovranità imposta: ragioni legali e geopolitiche — il Cloud Act americano, le restrizioni sui trasferimenti di dati, i requisiti di localizzazione. Il secondo è la regolamentazione sulla privacy: GDPR, AI Act, audit trail. Il terzo è l'autonomia strategica.

Il terzo driver è il più interessante perché costituisce una scelta competitiva. Un'azienda che porta AI in casa per proteggere la propria conoscenza operativa — costruita su anni di transazioni, criteri di pricing, dati di produzione, sistemi di anomaly detection — sta proteggendo un asset proprietario che non è in vendita sul mercato. Se a questi dati si applica una tecnologia che gira su infrastruttura condivisa, si rende necessario affrontare i problemi relativi a chi ha accesso ai dati e a chi ne trae vantaggio.

Il perimetro come architettura

Goldman Sachs ha risolto questo problema costruendo un layer intermedio tra i propri dipendenti e i modelli frontier. La GS AI Platform funziona da gateway sicuro: quando un analista interagisce con un qualsiasi LLM, i dati aziendali vengono anonimizzati prima di uscire dall'infrastruttura Goldman. Il modello non vede mai il cliente reale, vede un'entità anonima; non vede l'importo reale, vede un parametro normalizzato. La risposta viene rimappata sui dati reali all'interno del perimetro controllato. I circa 40.000 dipendenti della banca usano AI con accesso ai modelli migliori disponibili, senza che un dato sensibile abbia mai attraversato i confini dell'infrastruttura aziendale.

L'architettura tiene lontani i dati reali dal cloud: il tesoro va tenuto chiuso nel forziere.

Oltre al beneficio sulla sicurezza, questa soluzione porta con sé un vantaggio economico non trascurabile. Un orchestratore locale decide quali richieste inviare al modello esterno e quali gestire internamente; una cache semantica evita di pagare token per contesti già elaborati; la memoria persistente riduce ulteriormente la dipendenza dal cloud ad ogni interazione. I modelli open source — Llama, Mistral, ma anche i cinesi DeepSeek e Qwen — hanno già dimostrato qualità comparabile a quelli frontier a una frazione del costo, coprendo la grande maggioranza dei casi d'uso enterprise. Il risultato è che si ricorre al modello esterno solo quando serve davvero: il costo per query crolla e il consumo diventa prevedibile e ottimizzabile nel tempo, come qualsiasi altro costo operativo.

Lockheed Martin, principale player US nei settori difesa e aerospaziale, ha centralizzato i propri algoritmi di machine learning su un NVIDIA DGX SuperPOD on-premise, con flussi di lavoro che, data la loro confidenzialità, non possono girare su infrastruttura condivisa. Il mercato si sta muovendo con rapidità: Deloitte stima 100 miliardi di dollari di investimento globale in sovereign AI compute solo quest'anno. Le architetture ibride — infrastruttura controllata per i flussi di lavoro sensibili, cloud per il resto — stanno diventando lo standard per le organizzazioni strutturate.

Chi porta AI dentro il proprio perimetro non sta assumendo una posizione difensiva, né mostra nostalgia per le architetture del passato. È una scelta assunta consapevolmente da chi ha compreso che l'intelligenza operativa accumulata su dati proprietari è un asset di valore, non replicabile.

L'AI scende dalla nuvola non perché la nuvola non funzioni, ma perché il valore si costruisce dove i dati vivono.

Il linguaggio segreto delle macchine intelligenti

MCP è una sigla che non rappresenta né un prodotto né un modello AI. È il protocollo che sta diventando l'infrastruttura di connessione dell'era agentica, cruciale per chiunque abbia intenzione di lavorare con l'AI nei prossimi anni.

Era il novembre 2024 quando Anthropic pubblicò, quasi in sordina, un documento tecnico accompagnato da un repository GitHub. Non era un nuovo modello AI, né un'applicazione. Era una specifica di protocollo: un insieme di regole su come i sistemi intelligenti dovrebbero comunicare con il mondo esterno. Lo chiamarono Model Context Protocol, MCP.

Nessuno immaginava che nel giro di dodici mesi sarebbe stato supportato in stretta successione da OpenAI, Google e Microsoft, che avrebbe superato 97 milioni di download mensili degli SDK, che sarebbe finito sotto la governance della Linux Foundation, la stessa struttura che custodisce Kubernetes e Node.js. Eppure è esattamente quello che è successo.

Per capire perché MCP ha conquistato l'ecosistema con una velocità insolita per uno standard aperto, bisogna prima capire il problema che risolve e perché quel problema era diventato insostenibile.

Il problema delle mille integrazioni

Immaginate un assistente AI che lavora per un'azienda. Ha bisogno di leggere i documenti su Google Drive, consultare il CRM, aprire ticket su Jira, interrogare il database interno, inviare notifiche su Slack. Prima di MCP, ogni connessione era un progetto a sé: codice custom, manutenzione continua, e la certezza che qualsiasi aggiornamento da parte del fornitore avrebbe potuto rompere tutto dall'oggi al domani.

Il risultato era quello che gli ingegneri chiamano il problema M×N: tre modelli AI moltiplicato dieci strumenti equivalgono a trenta integrazioni da costruire e mantenere. Una moltiplicazione di complessità che scoraggiava le aziende dal distribuire agenti AI in produzione, confinandoli a demo isolate e proof-of-concept che non arrivavano mai agli utenti reali.

"MCP trasforma un problema moltiplicativo in uno additivo: costruisci un server una volta, e diventa accessibile a qualsiasi agente AI compatibile."

Come funziona, in breve

MCP usa un'architettura client-server: un'applicazione AI (Claude, ChatGPT, un agente custom) agisce da client e invia richieste strutturate in un formato standardizzato chiamato JSON-RPC 2.0, lo stesso linguaggio usato da molti servizi web per comunicare tra loro. Dall'altro lato, un programma leggero, il server MCP, espone le capacità di uno strumento esterno: leggere file, eseguire query, inviare comandi. Il modello può così scoprire quali strumenti sono disponibili, capire come usarli, e invocarli nel momento giusto, senza che nessuno abbia scritto codice custom per quello specifico abbinamento modello-strumento.

Un'analogia che rende l'idea è quella con la presa USB-C. Prima della standardizzazione, ogni dispositivo aveva il proprio connettore proprietario: comprare un nuovo telefono significava rimpiazzare tutti i cavi. La standardizzazione ha reso il problema irrilevante. MCP fa lo stesso per le integrazioni AI: chiunque costruisca un server MCP per il proprio software lo rende automaticamente compatibile con qualsiasi agente AI che legge il protocollo.

Perché è diventato uno standard così rapidamente

La velocità di adozione di MCP non si spiega solo con la qualità tecnica della specifica. È un calcolo strategico che tutti i grandi player hanno fatto quasi simultaneamente.

OpenAI, Google e Microsoft avevano tutto l'interesse a supportare uno standard aperto che non fosse loro: un protocollo proprietario di Anthropic avrebbe creato resistenza. Uno standard neutrale garantisce invece l'interoperabilità tra sistemi diversi, abbassando il costo di integrazione per l'intero mercato e accelerando l'adozione degli agenti AI, da cui tutti traggono vantaggio. Quando a dicembre 2025 Anthropic ha donato MCP all'Agentic AI Foundation, un fondo diretto dalla Linux Foundation con Block e OpenAI come co-fondatori, il segnale è stato inequivocabile: non si tratta più di un esperimento di un singolo vendor, ma di un'infrastruttura condivisa.

Per gli sviluppatori, l'incentivo era ancora più diretto. Costruire un server MCP per il proprio prodotto significa renderlo accessibile a tutti i client compatibili — Claude, ChatGPT, Cursor, VS Code e decine di altri — in un colpo solo. La community ha risposto: entro febbraio 2025, appena tre mesi dal lancio, erano già disponibili oltre mille server MCP.

Dove sta andando

MCP è oggi un protocollo maturo, ma non ancora completo. La roadmap per il 2026, ricostruibile da fonti pubbliche, mostra dove si trovano i gap e dove si concentrerà il lavoro nei prossimi mesi.

La traiettoria è quella di qualsiasi standard di infrastruttura che si consolida: prima l'adozione orizzontale rapida, poi la verticalizzazione per settore, poi l'ingresso nel procurement enterprise come requisito implicito. MCP sembra già ben collocato nella seconda fase.

Cosa significa per chi non è un ingegnere

La domanda rilevante per un manager, un imprenditore o un investitore non è tecnica. È strategica: quali strumenti che usate oggi hanno già un server MCP? E i vostri fornitori software lo stanno costruendo?

Un software verticale — gestionale, CRM, ERP di nicchia — che non espone un server MCP nei prossimi due anni sarà progressivamente escluso dai flussi di lavoro agentici. Non perché qualcuno lo vieti, ma perché i workflow si costruiranno intorno a ciò che gli agenti possono raggiungere. La compatibilità MCP sta diventando quello che era la compatibilità mobile nel 2012: non obbligatoria per contratto, ma inevitabile per non essere irrilevanti.

Un esempio rende l'idea meglio di qualsiasi definizione. Immaginate un produttore di software gestionale per studi legali: il prodotto funziona bene, i clienti sono soddisfatti, la documentazione è impeccabile. Se quel software non espone un server MCP, nessun agente AI potrà interagirci — non perché sia fatto male, ma perché non è raggiungibile. È la stessa logica di un sito web non indicizzato: può essere bellissimo e utilissimo, ma se Google non lo trova, non esiste. Nell'economia agentica, MCP è l'indicizzazione.

Per chi costruisce prodotti software, la finestra per posizionarsi come MCP-native è ancora aperta, ma non lo sarà ancora per molto. I settori con maggiore complessità di workflow e dati sensibili — legal, finance, healthcare, manufacturing — sono quelli dove la compatibilità MCP varrà di più, proprio perché le integrazioni custom sono state storicamente le più costose e fragili.

MCP è nato come soluzione a un problema tecnico di integrazione. Sta diventando qualcosa di più grande: il vocabolario comune con cui agenti AI e sistemi aziendali impareranno a parlarsi. Chi conosce quel vocabolario oggi ha un vantaggio da sfruttare nei prossimi anni.

Coatue è un hedge fund e un fondo venture. Investe in Anthropic, OpenAI e xAI. Ora ha lanciato Next Frontier, un veicolo separato con un mandato che non ha nulla di tecnologico: comprare terreni vicino a grandi fonti di energia elettrica per svilupparli come siti per datacenter. Next Frontier ha già siglato una joint venture con Fluidstack, la società coinvolta in un accordo da 50 miliardi di dollari per costruire capacità di calcolo per Anthropic. Coatue non intende gestire i datacenter, ma acquisire la terra su cui saranno costruiti. È una partita immobiliare e non industriale.

Quando puri operatori finanziari, e non le aziende che usano l'infrastruttura, entrano su un mercato, è perché hanno identificato qualcosa di strutturalmente scarso con rendimento prevedibile. Non è una scommessa tecnologica, ma una tesi immobiliare applicata a un nuovo sottostante. Il pattern è riconoscibile: negli anni Novanta i fondi hanno capito che le torri delle celle telefoniche erano real estate mascherato da infrastruttura. I proprietari dei terreni non avevano idea del valore che ospitavano. American Tower e Crown Castle li hanno comprati sistematicamente, li hanno affittati agli operatori industriali e sono diventati REIT multimiliardari (fondi quotati in borsa che possiedono asset fisici e distribuiscono periodicamente i canoni di locazione agli azionisti) senza mai gestire una SIM card. Lo stesso è successo con le dorsali in fibra lungo le linee ferroviarie, con i gasdotti e con le concessioni autostradali. La finanziarizzazione di un asset è il segnale più affidabile che quell'asset è diventato infrastruttura critica. La terra vicina alle fonti di energia è il nuovo asset che il capitale ha riconosciuto come tale.

Blackstone ha portato questa tesi alla sua conclusione istituzionale depositando la documentazione per la quotazione di Blackstone Digital Infrastructure Trust, un REIT dedicato all'acquisto di datacenter da dare in locazione a lungo termine agli hyperscaler. Il modello è identico a quello delle torri telefoniche: Blackstone possiede l'asset fisico, Microsoft o Google o Anthropic pagano l'affitto, il contratto è pluriennale, il rendimento è prevedibile. La creazione di un prodotto quotato cambia la natura dell'investimento: un REIT può essere acquistato da fondi pensione, assicurazioni e sovereign wealth fund che per mandato non possono investire in venture capital ma possono allocare capitali su infrastrutture. Quando il più grande gestore di asset alternativi al mondo costruisce un veicolo di questo tipo, non siamo davanti alla speculazione su un trend, ma alla formazione di una asset class.

La conferma meno attesa viene dall'Italia; il Consiglio dei Ministri ha attribuito formalmente lo status di investimento strategico nazionale al programma EdgeConneX Campus Italia, tre campus datacenter in Lombardia per complessivi 3 miliardi di euro promossi da EQT Infrastructure, tra i maggiori fondi di private equity europei. Per accelerare le autorizzazioni, il governo ha nominato un commissario straordinario. L'Italia è raramente il primo paese che si cita quando si parla di velocità nell'adottare innovazione. La scelta di semplificare l'iter burocratico pur di attrarre capitali privati su infrastruttura digitale è il segnale più leggibile della dimensione percepita del fenomeno. Quando anche gli attori tradizionalmente più cauti iniziano a trattare i datacenter con la stessa logica con cui classificano porti e autostrade, il consenso è già formato.

Il punto che rende questo investimento strutturale, e non ciclico, è la natura del vincolo. La scarsità di terra vicina all'energia si risolve con tempo, permessi e infrastrutture di trasmissione che richiedono anni per essere costruite. Un datacenter di grandi dimensioni consuma centinaia di megawatt. Portare quella potenza da una fonte lontana richiede nuove linee ad alta tensione, nuove sottostazioni, nuove autorizzazioni; i tempi medi di allacciamento alla rete per un grande utente industriale in Europa si misurano in anni. Negli Stati Uniti la coda di progetti in attesa di connessione alla rete supera i 2.000 gigawatt, più del doppio della capacità installata totale del paese. Chi possiede già un sito con accesso garantito all'energia detiene un vantaggio decisivo, il tipo di barriera all'entrata che genera rendimenti stabili nel tempo.

La prova più recente e più stringente di questa scarsità strutturale arriva dalla Danimarca. A marzo 2025 il gestore della rete statale Energinet ha sospeso i nuovi allacciamenti perché le richieste di connessione in attesa ammontano a 60 gigawatt, nove volte il picco di domanda elettrica dell'intero paese. I datacenter ne richiedono 14 GW da soli. La Danimarca ha la rete elettrica più verde d'Europa, energia eolica abbondante e una gestione della rete considerata tra le più avanzate al mondo. Se il vincolo fisico è così rigido anche nelle condizioni più favorevoli, la scarsità è strutturale ovunque, non si tratta di un problema locale. Chi ha acquistato terreni con allacciamenti garantiti prima di marzo 2026 possiede oggi qualcosa che un nuovo entrante non può ottenere a nessun prezzo, almeno per i prossimi anni.

Il rendimento che emerge da questa struttura non appartiene alla categoria venture: non è asimmetrico e non dipende dal successo di un modello AI specifico, dalla gara tra OpenAI e Anthropic o dall'esito di una regolamentazione. È il risultato della crescita della domanda aggregata di calcolo, che è indipendente dal vincitore della gara tecnologica e dell'impossibilità di espandere rapidamente l'offerta di energia disponibile. È un rendimento da infrastruttura: lungo, stabile, con bassa correlazione con il ciclo tecnologico. Per decenni il capitale ha inseguito il software, che non ha peso. Ora il peso è tornato ed è fatto di terra, cavi e trasformatori. Chi lo ha capito, sta comprando il suolo che può ospitare i server.

Il 13 maggio 2026 Anthropic ha lanciato Claude for Small Business: 15 workflow preconfigurati, un ampio catalogo di connettori, integrazioni con QuickBooks, HubSpot, PayPal, Canva e DocuSign. Ha annunciato un tour in dieci città americane con lo scopo di formare gratuitamente cento imprenditori locali per tappa. Lina Ochman, responsabile del segmento SMB di Anthropic, ha detto che il settore software è stato costruito storicamente per le grandi aziende e le startup finanziate da venture capital, non per "l'azienda di climatizzazione da 15 persone, quella di giardinaggio da 30 o l'agenzia immobiliare da 50". Sembra un adattamento del prodotto, ma è una storia di distribuzione.

Il gap di adozione AI tra grandi e piccole imprese è reale, ma si sta chiudendo rapidamente. Nel 2025 l'utilizzo di AI generativa tra le piccole imprese americane è passato dal 40% al 58% in dodici mesi. Tra le microimprese sotto i cinque dipendenti, però, l'82% dichiara ancora che l'AI non è applicabile al proprio business. Il problema da risolvere è quello dell'integrazione. Una piccola impresa non adotterà un nuovo strumento che richiede formazione, onboarding e cambio delle abitudini operative; la strada per l'adozione dell'AI è quella di inserirla direttamente all'interno degli strumenti che sono già usati ogni giorno. Questa è la sfida che il lancio di Anthropic prova ad affrontare, e spiega perché i connettori verso software verticali già in uso siano il centro della proposta di valore, non una mera funzionalità.

Negli Stati Uniti ci sono oltre 36 milioni di piccole imprese, che contribuiscono a creare circa il 44% del PIL americano. Un tour in dieci città da cento persone a tappa raggiunge mille imprenditori. Con il canale diretto su questo target non si scala, per definizione. Ciò su cui fare leva sono i software che le piccole imprese già usano da anni: il gestionale contabile, il CRM, la piattaforma di pagamento, lo strumento di design. Anthropic lo sa, e la decisione su come è stato strutturato il lancio lo dimostra. I connettori verso QuickBooks, HubSpot, PayPal e Canva non sono integrazioni tecniche di contorno: sono il prodotto. Anthropic non sta cercando di vendere Claude alle piccole imprese, sta cercando di far sì che Claude arrivi alle piccole imprese attraverso i vendor che hanno già la loro fiducia e sono presenti nel loro flusso di lavoro quotidiano.

I player del software verticale detengono una posizione strategica nell'AI per le PMI che nessun modello linguistico può replicare. QuickBooks ha i dati finanziari di milioni di piccole imprese accumulati in decenni. HubSpot conosce la pipeline commerciale, i clienti, le trattative aperte. Canva sa come ogni business comunica. Questi non sono dati generici: sono dati contestuali, proprietari, costruiti sulla fiducia operativa con il cliente. Un modello AI addestrato su questi dati non è replicabile partendo da zero. L'integrazione consolidata nel workflow quotidiano del cliente crea un costo di transizione che va ben oltre il costo tecnico di cambiare lo strumento.

Il modello linguistico in questo schema è uno strumento fungibile, non il prodotto finale. QuickBooks può facilmente sostituire Claude con GPT o Gemini, se il prezzo o le performance cambiano. La commodity è il modello; il vantaggio competitivo è fatto di flussi di lavoro e dati proprietari. Chi cattura il valore non è necessariamente chi ha la migliore tecnologia, ma chi possiede la relazione con il cliente, conosce il settore in profondità e ha già il flusso di lavoro integrato nella vita operativa quotidiana dell'impresa.

La mossa di Anthropic verso le PMI conferma una tesi che si sta consolidando in tutto il settore: il valore nell'AI applicata ai mercati verticali non si costruisce partendo dal modello e cercando un'applicazione. La chiave è partire dalla relazione con il cliente, dalla conoscenza del dominio e dall'integrazione nei processi esistenti, e aggiungere il modello come acceleratore. Il software verticale ha già quella posizione, costruita in anni di adozione, supporto e dati accumulati, e ha un vantaggio distributivo che ogni modello frontier ha l'obiettivo di intercettare. Per diventare lo strato AI di default, il cavallo va portato dentro le mura in fretta.

Fastweb ha portato in produzione qualcosa che il mercato stava aspettando: un agente AI autonomo, accessibile da Telegram, costruito sulla propria infrastruttura italiana. Si chiama ROSS, gira su OpenClaw e si propone di mostrare come si trasforma uno strumento open source potente ma inutilizzabile in contesti professionali in un servizio disponibile a chiunque abbia uno smartphone.

OpenClaw era già diventato un fenomeno prima che Fastweb lo adottasse. Jensen Huang lo aveva definito "il sistema operativo dei computer agentici" al GTC 2026, e il progetto aveva raggiunto una velocità di adozione senza precedenti nella storia del software open source. Il problema di OpenClaw è strutturale: richiede un ambiente configurato, un PC dedicato e, soprattutto, lascia i dati esposti su infrastrutture non controllate. Va molto bene per un developer curioso, meno per chi vorrebbe affidargli la gestione della propria casella di posta o il calendario aziendale.

ROSS aggiunge il layer che mancava. L'agente gira su datacenter italiano controllato da Fastweb, con un sistema di orchestrazione che gestisce identità, policy, audit e controllo. La memoria persistente, il punto di forza di OpenClaw, smette di essere un rischio e diventa un servizio auditabile. Chi usa ROSS sa dove vivono i propri dati, chi può accedervi e cosa ha fatto l'agente in loro nome. È la risposta alla critica più ovvia mossa a ogni prodotto agentico: l'autonomia senza controllo non è un'opportunità, è un problema.

La scelta della distribuzione via Telegram è l'aspetto più interessante del lancio. Non richiede di installare un'applicazione dedicata, non richiede un computer acceso, non richiede nessuna configurazione. Si scrive un messaggio e l'agente esegue: gestisce l'email, prepara una rassegna stampa ogni mattina, pianifica e scrive post social, crea un sito. Ha memoria delle conversazioni precedenti e contesto sulle preferenze dell'utente. Il telefono diventa il terminale di un collaboratore digitale che lavora in autonomia. La capacità agentica raggiunge una fascia di pubblico che non ha mai aperto un terminale e non ha intenzione di farlo, a un prezzo di ingresso comparabile a quello di altri servizi digitali.

La tesi implicita nel lancio di ROSS è anche una tesi sul ruolo delle TelCo. Fastweb non si posiziona come distributore di connettività con un'app AI in bundle, ma come layer di orchestrazione tra utenti, modelli e dati. È una scommessa sulla fiducia: chi già ti fornisce la connessione, ti fattura ogni mese e opera su territorio italiano ha un argomento credibile per custodire anche i tuoi agenti. Se la scommessa regge, il vantaggio competitivo non è tecnologico ma relazionale e regolatorio, esattamente il tipo di vantaggio che i player americani faticano a replicare nel mercato europeo.

OpenClaw aveva già la sua domanda. ROSS ha creato la giusta offerta senza chiedere all'utente di capire come funziona. La distribuzione è il collo di bottiglia della capacità agentica e dell'AI in generale, e Fastweb ha puntato su un'interfaccia che il suo pubblico usa già ogni giorno come cavallo di troia.

Waymo porta passeggeri nelle città americane senza conducente a bordo, con 500.000 corse pagate ogni settimana. Aurora muove merci sulle autostrade del Texas con camion commerciali senza nessuno al volante. Waymo possiede i veicoli e vende le corse; Aurora non possiede nulla e vende il driver. Stessa tecnologia di base, modelli di business completamente diversi.

Il problema strutturale che entrambe affrontano è la carenza di conducenti. Negli Stati Uniti la carenza nel trasporto merci è stimata in decine di migliaia di posizioni scoperte. In Europa la situazione è più acuta: già oggi si stima una carenza di autisti di mezzi pesanti di oltre 400.000 unità destinate a diventare 700.000 nel 2028, la curva demografica indica che il problema peggiorerà nel tempo, indipendentemente da quante nuove patenti vengono rilasciate ogni anno.

Waymo è già nota al grande pubblico nella forma del robotaxi. Opera in undici città americane con un'area di copertura che ha appena superato le 1.400 miglia quadrate. Il revenue run rate annualizzato supera 350 milioni di dollari, con una proiezione a un miliardo entro fine anno. A febbraio 2026 ha chiuso un round da 16 miliardi che valuta la società 126 miliardi. Le prossime aperture dichiarate sono a Londra e a Tokyo.

Aurora è meno nota, ma non meno interessante da analizzare. La società non vende corse e non possiede i camion: quello che vende è il driver. L'Aurora Driver è un sistema di guida autonoma installabile su veicoli commerciali di diversi produttori, erogato in abbonamento alle aziende di trasporto. Il cliente acquista o già possiede i mezzi; Aurora fornisce l'hardware e il software che li fa muovere senza nessuno al volante. Il modello Driver as a Service replica la logica del SaaS enterprise applicata al trasporto merci. Per una grande azienda di logistica che già possiede migliaia di camion, è un aggiornamento infrastrutturale, non una sostituzione del modello operativo.

I numeri del 2026 riflettono una commercializzazione ancora in fase di rampa. Il revenue 2025 è stato di 3 milioni di dollari. La stima per il 2026 è superiore ai 10 milioni, anche se il Q1 è in forte ritardo. L'obiettivo è chiudere l'anno con oltre 200 camion driverless operativi e un revenue run rate di 80 milioni sul segmento Transportation as a Service. I clienti commerciali attivi includono Hirschbach, Werner, Uber Freight, Volvo Autonomous Solutions e McLane Company, sussidiaria di Berkshire Hathaway. Hirschbach ha già manifestato l'interesse di scalare la propria flotta a 500 camion Aurora entro il 2027, per un contratto potenziale nell'ordine di centinaia di milioni di dollari.

I due modelli hanno implicazioni molto diverse per chi li adotta e per chi li finanzia. Waymo è capital-intensive: acquista e mantiene la flotta, assorbe il rischio di asset nel proprio bilancio, e punta a marginalità importanti scalando i volumi. Aurora è capital-light: il rischio di asset rimane nel bilancio del cliente, che ottiene in cambio flessibilità e un costo di adozione più graduale. Per gli investitori, il modello DaaS di Aurora ha la struttura ricorrente e ad alta marginalità del software; per i clienti, ha la logica di un fornitore che risolve un problema critico senza richiedere di dismettere ciò che già possiedono.

Anche il tema della sicurezza merita una menzione, perché i dati invertono la narrazione comune. L'agenzia federale americana per la sicurezza del trasporto commerciale attribuisce all'errore umano l'87% degli incidenti con mezzi pesanti: distrazione, velocità eccessiva, fatica, malori. Waymo registra il 92% in meno di incidenti gravi rispetto ai conducenti umani sulle stesse strade, su 170 milioni di miglia percorse senza nessuno al volante. Da segnalare che Waymo a maggio ha avuto un recall su circa 3.800 veicoli per un difetto tecnico rilevato dal proprio sistema di monitoraggio: il problema è stato identificato internamente e corretto prima di produrre danni, esattamente come avviene nell'automotive tradizionale. La questione dell'affidabilità, per chi opera con questi volumi e con clienti di primo piano, ha già trovato risposta nell'adozione del mercato; quella regolatoria resta aperta.

La maturità di un settore si misura anche dalla comparsa di attori di secondo livello che non operano sui veicoli, ma vendono infrastruttura all'intera filiera. Uber è questo attore, ed è il segnale più chiaro che la guida autonoma è diventata un'industria. L'azienda ha ceduto il proprio laboratorio di guida autonoma ad Aurora nel 2021; oggi, attraverso il programma AV Labs, sta costruendo una libreria di dati di guida reale, raccolta da una flotta dedicata di veicoli sensorizzati, che le 25 aziende AV partner possono interrogare per addestrare i propri modelli. L'ambizione dichiarata dal CTO Praveen Neppalli Naga è trasformare Uber in un "AV cloud": la più grande piattaforma di dati di guida reale al mondo. "Il collo di bottiglia non è più la tecnologia," ha detto Naga. "È l'accesso ai dati."

È una tesi ormai ricorrente nel mondo AI, che vale la pena prendere sul serio. I dati di guida reale sono un asset che si accumula con la scala, non con il talento ingegneristico. Uber li produce ogni giorno come sottoprodotto del proprio business core, senza costi incrementali rilevanti. Chi non ha scala sufficiente, Aurora inclusa, avrà interesse ad accedere a quei dati per addestrare i propri modelli. Waymo, con 500.000 corse settimanali e 170 milioni di miglia percorse in autonomia, ha già la massa critica per non dipendere da nessuno e probabilmente per vendere in futuro i propri dati, esattamente come Uber.

Il modello finanziariamente più interessante tra i tre non è quello di cui tutti parlano. Non sono i robotaxi con Google alle spalle, né il DaaS che porta il SaaS nel mondo fisico, ma la piattaforma che si è posizionata come infrastruttura dati per un'intera industria, monetizzando un asset che già possedeva. Uber non ha inventato la guida autonoma, si è limitata a costruire valore sfruttandone la fame di dati.

Il 7 maggio 2026 Roche ha annunciato l'acquisizione di PathAI, azienda americana di anatomia patologica digitale fondata a Boston nel 2016. Il prezzo è di 750 milioni di dollari all'atto del closing, con possibilità di aggiungere ulteriori 300 milioni al raggiungimento di milestone, per un potenziale totale di 1,05 miliardi. Non è un'acquisizione a freddo: le due società lavorano insieme dal 2021 e hanno ampliato la partnership nel 2024 per sviluppare algoritmi di diagnostica basati su AI. Roche ha comprato qualcosa che ha avuto modo di testare nel tempo.

Il mondo ha un deficit stimato di decine di migliaia di patologi, mentre i casi oncologici crescono ogni anno. L'anatomia patologica è il nodo nevralgico attraverso cui passa ogni diagnosi di cancro: un pezzo di tessuto viene prelevato, fissato su un vetrino e analizzato al microscopio da un patologo, che emette il referto da cui dipende il percorso di cura del paziente. C'è bisogno di professionisti, che oggi non ci sono. Questo è il problema che PathAI affronta.

AISight, la piattaforma di PathAI, converte i vetrini fisici in immagini digitali ad alta risoluzione e applica modelli AI per analizzare automaticamente i tessuti. Il patologo, sempre coinvolto, smette di esaminare ogni caso da zero e lavora su segnalazioni prioritizzate dall'AI, concentrando il tempo sui casi complessi e sulle decisioni che richiedono giudizio clinico. Labcorp ha già adottato AISight Dx nei propri laboratori di anatomia patologica su scala nazionale: il prodotto è già in produzione prima dell'acquisizione.

La logica strategica per Roche parte dalla sua posizione nella diagnostica companion. Un test companion è quello che determina quale specifico farmaco viene prescritto a un paziente oncologico. Roche è il leader mondiale in questo segmento. La diagnostica companion richiede un'analisi accurata del tessuto tumorale per identificare biomarcatori specifici, quindi PathAI porta a Roche una piattaforma che automatizza questa analisi su scala, ampliando la capacità di identificare biomarcatori e potenziali target terapeutici ben oltre i limiti dei processi manuali.

Anche il percorso che ha portato all'acquisizione costituisce uno schema interessante, in grado di ridurre i rischi. Partnership nel 2021, espansione nel 2024 per includere lo sviluppo congiunto di algoritmi diagnostici, acquisizione nel 2026. Tre anni di dati e lavoro operativo condiviso prima di chiudere l'operazione. Nel pharma e nella diagnostica questo potrebbe diventare il playbook prevalente per l'M&A in ambito AI: le grandi aziende del settore difficilmente pagheranno miliardi upfront per startup che non hanno mai integrato le proprie soluzioni in produzione. Il rischio del deal è strutturalmente diverso rispetto a un'acquisizione standard, ovviamente lo è anche il prezzo: c'è un costo di risk management.

PathAI ha raccolto 490 milioni di dollari in nove anni di attività. L'acquisizione a 1,05 miliardi non è un generoso premio: misura il valore di un prodotto già in produzione nei laboratori diagnostici, validato da cinque anni di partnership con l'azienda che lo ha comprato. Nell'AI applicata alla salute, arrivare a questo stadio significa aver risolto il problema più difficile, ossia entrare nel flusso di lavoro clinico con il consenso dei professionisti che lo usano ogni giorno.

La Commissione Europea ha assegnato il suo bando da 180 milioni di euro per i servizi cloud sovrani a Post Telecom (in consorzio con CleverCloud e OVHCloud), STACKIT, Scaleway e Proximus, tutti con sede legale in Europa, escludendo esplicitamente Amazon, che pure aveva costruito AWS European Sovereign Cloud per rispondere alle preoccupazioni europee sulla residenza dei dati. La stessa Scaleway aveva già ottenuto il via libera per il trasferimento dell'Health Data Hub francese da Microsoft Azure a un provider nazionale. Il motivo dell'esclusione è strutturale. Il Cloud Act americano del 2018 obbliga le aziende tech statunitensi a consegnare i dati dei propri clienti alle autorità americane su richiesta, indipendentemente da dove si trovino fisicamente i server. Avere l'infrastruttura in Europa non è sufficiente se il provider è americano.

Sullo stesso bando europeo vale la pena segnalare una nota. Proximus opera in partnership con Clarence, Mistral e S3NS, joint venture tra Thales e Google Cloud, il che alimenta il dibattito su potenziali backdoor anche nei sistemi classificati come sovrani.

La risposta europea non è uniforme, ed è onesto dirlo. Francia, Austria, Danimarca, Italia e Germania stanno sostituendo il pacchetto Microsoft con alternative open source come LibreOffice; la Francia ha avviato il passaggio da Windows a Linux nei ministeri. Ma gli stessi servizi di intelligence interni francesi (DGSI), nonostante l'acceso dibattito politico in corso sul tema, hanno rinnovato il contratto con Palantir, e Lufthansa e Air France hanno scelto Starlink per il wi-fi di bordo.

Sul fronte commerciale i risultati divergono. Mistral AI ha visto i propri ricavi crescere sensibilmente, posizionandosi come alternativa LLM europea in un momento in cui l'origine geografica del fornitore è diventata un argomento di vendita concreto. Il caso opposto è Aleph Alpha. La startup tedesca era nata con l'ambizione esplicita di costruire un LLM sovrano europeo, sostenuta da capitali istituzionali e privati, tra cui SAP e Bosch. Non ha raggiunto la scala necessaria. I ricavi sono rimasti esigui, le perdite significative. Il 24 aprile 2026, Cohere, azienda canadese, ne ha acquisito il controllo per una valutazione combinata di circa 20 miliardi di dollari, cifra che la narrativa del sovereign AI giustifica più dei fondamentali. L'azienda nata per incarnare la sovranità digitale europea è finita in mani canadesi.

La mossa successiva di SAP è rivelatrice. Era tra gli investitori di Aleph Alpha nel 2023; oggi, invece di continuare a puntare sul sovereign LLM generalista, ha acquisito Prior Labs, startup di Friburgo pioniera dei Tabular Foundation Models, modelli AI costruiti specificamente per dati strutturati, dove i LLM generalisti sono storicamente più deboli. L'investimento dichiarato è di oltre un miliardo di euro in quattro anni. La scommessa è su un dominio specifico, l'AI per i dati strutturati delle imprese, dove SAP dispone dell'accesso ai dati di 400.000 clienti globali che nessun modello generalista può replicare.

Negli appalti pubblici l'origine geografica del fornitore produce scelte concrete, come dimostra il bando della Commissione. Spostandosi dall'infrastruttura cloud all'intelligenza artificiale, però, la dinamica cambia. La sovranità non si impone con capitali pubblici su un LLM generalista, si costruisce su un vantaggio competitivo che il mercato riconosce davvero. Non si vince sulla scala, si vince sul dominio.

Anthropic e OpenAI hanno annunciato a poche ore di distanza due joint venture separate, costruite sulla stessa logica: raccogliere capitali dagli asset manager per creare nuovi canali di distribuzione enterprise. Lo stesso schema, lo stesso giorno, zero sovrapposizione tra gli investitori coinvolti, ben 26 grandi nomi della finanza internazionale, certamente non un caso.

Il deal di Anthropic vale 1,5 miliardi di dollari, con un contributo di 300 milioni ciascuno da Anthropic stessa, Blackstone, Goldman Sachs e Hellman & Friedman, più la partecipazione di Apollo, General Atlantic, GIC, Leonard Green e Sequoia. OpenAI ha strutturato qualcosa di più grande: "The Deployment Company" ha raccolto 4 miliardi da 19 investitori — tra cui TPG, Brookfield, Advent e Bain Capital — a una valutazione di 10 miliardi.

La logica è la stessa. I fondi ottengono un accesso preferenziale ai deal AI nelle proprie portfolio company e i modelli arrivano già distribuiti nei portafogli senza dover passare da cicli di procurement che nei contesti enterprise possono durare mesi. Per le portfolio company, invece di negoziare individualmente con un hyperscaler, il fondo porta l'AI come parte dell'infrastruttura operativa. Win-win sulla carta, tutto da verificare nella vita reale.

Un ulteriore punto di attenzione è che un fondo che ha co-investito in un veicolo Anthropic o OpenAI non si può considerare un intermediario neutrale. Ha incentivi economici diretti a promuovere l'adozione di quel modello specifico nelle proprie portfolio company, indipendentemente dalla qualità della soluzione rispetto ad altre. Il fondo ha un conflitto di interessi e per le aziende in portafoglio il rischio è che la scelta dello strumento AI rifletta gli interessi del fondo più che le effettive esigenze operative.

La nascita di questi accordi trova le sue radici nell'attuale contingenza di mercato. I fondi di private equity si trovano in una posizione scomoda rispetto all'AI: le portfolio company stanno subendo trasformazioni tecnologiche rapide e la capacità dei general partner di valutare e presidiare queste trasformazioni è spesso inadeguata. Una joint venture con Anthropic o OpenAI contemporaneamente protegge e incrementa il valore del portafoglio tramite adozione AI e innesta competenze che richiederebbero anni per essere costruite all'interno del fondo. Per operatori finanziari che faticano a stare al passo con un argomento che non dominano, è un modo per comprare sia il prodotto che la comprensione.

Il modello operativo che entrambe le strutture adottano è quello del forward-deployed engineer, reso noto da Palantir: ingegneri che si siedono a fianco dei team del cliente per costruire strumenti calati nei workflow esistenti. Anthropic lo descrive esplicitamente nel proprio comunicato. È un approccio che abbandona la logica del software standard a favore di implementazioni costruite caso per caso. Costa di più, scala più lentamente, ma produce radicamento profondo nei processi del cliente e rende il cambio di fornitore molto più costoso. Rispetto al modello Palantir originale, che prevede una presenza continuativa degli ingegneri nel tempo, quello che emerge dai comunicati è più vicino a un intervento a tempo determinato: gli ingegneri entrano, costruiscono i workflow sul caso specifico e le competenze per gestirli, poi escono.

Il contesto finanziario in cui nascono queste strutture è rilevante. OpenAI ha chiuso marzo con 122 miliardi di nuovi capitali a una valutazione di 852 miliardi. Anthropic è in chiusura di un round da 50 miliardi a una valutazione di 900 miliardi. Entrambe esplorano un'IPO. Due aziende a queste valutazioni che costruiscono veicoli separati per distribuire i propri prodotti enterprise non lo fanno per mancanza di capitale, ma per accelerare l'attività di distribuzione.

Sebbene sia evidente che accordi a monte siano un'agevolazione per la diffusione dell'AI nelle aziende, tali accordi non sono una garanzia di adozione di successo. L'adozione effettiva dipende da organizzazione, change management, infrastruttura IT e volontà dei team. Il modello forward-deployed è il meccanismo pensato per colmare questo gap. La distanza tra i comunicati stampa e l'execution sarà misurabile nei prossimi 18-24 mesi.

Harvey AI vale undici miliardi di dollari, serve oltre metà dei cento maggiori studi legali americani e ha raccolto oltre un miliardo di funding da Sequoia, Andreessen Horowitz, Coatue e OpenAI. L'azienda ha messo in campo centinaia di assunzioni di ingegneri e milioni in compute per costruire un modello linguistico proprietario addestrato su miliardi di token di testi giuridici. BigLaw Bench è il benchmark interno studiato per misurare le performance su task legali fatturabili, quelli che gli studi pagano davvero.

Nel giro di pochi mesi, il modello proprietario è stato superato dai modelli generalisti di OpenAI, Anthropic, Google e xAI esattamente sul benchmark che Harvey aveva costruito per dimostrare la propria superiorità.

La risposta di Harvey è stata coraggiosa e pratica. L'azienda ha smesso di sviluppare il modello e si è trasformata in un orchestratore: oggi seleziona il modello migliore per ogni task legale, instrada le richieste e gestisce i workflow su ragionamento OpenAI, Claude di Anthropic e Gemini di Google, con un Model Selector e un Agent Builder no-code che oggi processano circa quattrocentomila richieste al giorno. Il pivot è stato netto: archiviare un investimento sul modello proprietario quando i dati hanno smesso di sostenerlo è stata una decisione che pochi venture-backed hanno dimostrato di sapere prendere in tempi così rapidi.

Nel 2023 anche Bloomberg aveva speso milioni per addestrare BloombergGPT sui propri dati finanziari, con l'ambizione di battere i generalisti sul terreno in cui si sentiva sovrana. GPT-4 la superò pochi mesi dopo senza essere mai stato ottimizzato per quello scopo specifico. Il pattern si ripete e questo dovrebbe far riflettere chiunque stia valutando un investimento nello sviluppo di un modello verticale proprietario.

La commoditizzazione dell'intelligenza procede più velocemente di quanto quasi tutti avessero previsto, e i frontier LLM continuano a migliorare su ogni benchmark, inclusi quelli costruiti per dimostrare il contrario. Questo non comporta che il vertical AI sia una trappola, ma che il vantaggio competitivo va cercato in un altro punto della catena del valore.

Sapere come un partner di uno studio internazionale struttura la due diligence di un'acquisizione cross-border, quali task richiedono ragionamento esteso e quali si appoggiano al recupero di fonti proprietarie, come si costruisce un workflow che un avvocato firmerebbe e che un general counsel adotterebbe senza riserve: questa è una conoscenza che si accumula in anni di iterazione con i professionisti e di accesso a dati che non sono pubblici. Difficilmente replicabile addestrando un LLM su qualche miliardo di token aggiuntivi.

Dalla nostra parte dell'Atlantico, una startup svedese fondata nel 2023 è arrivata alla stessa conclusione percorrendo la strada opposta. Legora — ex Leya, ex Judilica, alumna di Y Combinator e dell'SSE Business Lab di Stoccolma — non ha mai costruito un modello proprietario. Ha scommesso fin dall'inizio sull'orchestrazione, sull'integrazione nei workflow legali e sull'accesso a dati che i modelli generalisti non possono raggiungere: archivi proprietari di editori, fonti non indicizzate, sistemi che richiedono anni di relazioni per diventare utilizzabili.

Il mercato le ha dato ragione con una velocità inusuale. In 18 mesi Legora ha superato i cento milioni di dollari di ARR, una delle crescite più rapide nella storia del software enterprise europeo. Serve decine di migliaia di professionisti in studi come Linklaters, White & Case, Cleary Gottlieb, Bird & Bird. Vale oggi 5,6 miliardi di dollari dopo un Series D che porta il funding totale a seicento milioni, con NVIDIA tramite NVentures e Atlassian tra gli investitori più recenti. Il legal AI è uno dei settori che genera più assorbimento computazionale nel mondo enterprise, con sessioni di ricerca che consumano risorse di ordini di grandezza superiori a quelli di una query standard.

"I foundation model migliorano rapidamente. Il valore reale sta in come vengono applicati." — Max Junestrand, CEO di Legora

Harvey e Legora sono arrivate allo stesso posto da direzioni opposte. La prima ha costruito il modello, lo ha visto superare e ha cambiato rotta; la seconda ha scelto l'orchestrazione fin dal primo giorno. Il punto di approdo, almeno per ora, coincide: due piattaforme che competono sulla comprensione del dominio legale, mentre la qualità del modello sottostante è diventata una commodity da consumare presso il fornitore di turno.

La lezione per chi sta valutando un investimento nel vertical AI è meno comoda di quanto le narrative iniziali del settore avessero lasciato sperare. Il vantaggio costruito sul modello erode in mesi, perché chi lavora sui foundation dispone di capitali e talento che superano quelli di qualunque iniziativa verticale. Il vantaggio costruito sui workflow, sui dati inaccessibili, sulla fiducia dei professionisti e sull'integrazione nei processi richiede anni per emergere e proprio per questo è difficilmente replicabile con un fine-tuning. Il valore, oggi, sta più nel sapere cosa fare dello strumento che nello strumento stesso.

Nel primo trimestre del 2026, Verda aveva un revenue run rate di oltre 51 milioni di euro. Dodici mesi prima fatturava meno di 4 milioni. È una crescita di 15 volte in poco più di un anno, con la società già in territorio cash flow positivo.

Recentemente ha chiuso un round da 100 milioni di euro: equity guidata da Lifeline Ventures con la partecipazione di byFounders, Tesi e Varma, più debt financing da un consorzio di istituzioni finanziarie nordiche. Porta il totale raccolto a oltre 167 milioni da quando è stata fondata nel 2020 a Helsinki.

La storia ha due livelli che vale la pena separare. Il primo riguarda il modello, il secondo, il contesto in cui si muove.

Verda è nata con il nome di DataCrunch, provider di GPU compute per chi aveva bisogno di potenza di calcolo senza passare dagli hyperscaler tradizionali. Il rebranding di novembre 2025 segna uno spostamento da provider di commodity compute a piattaforma AI cloud a spettro completo. Verda vende potenza di calcolo: le GPU che servono per addestrare e far girare modelli AI. Un'azienda che vuole costruire il suo sistema di intelligenza artificiale non deve acquistare server da milioni di euro né affidarsi ad Amazon o Google; affitta la capacità di calcolo di Verda quando ne ha bisogno, la scala quando cresce, la spegne quando non serve. I prezzi dichiarati sono fino al 90% inferiori rispetto ai grandi provider americani.

Un elemento che distingue Verda dai provider di pura infrastruttura è il team di AI Lab integrato, che lavora direttamente con i clienti e reimmette gli insight nel ciclo di sviluppo del prodotto. Un assetto più vicino a quello di una boutique specializzata che a quello di un data center provider.

L'infrastruttura è in Europa, fuori dal perimetro del Cloud Act americano, che consente alle autorità statunitensi di accedere ai dati gestiti da aziende americane indipendentemente dalla posizione fisica dei server, una condizione che per chiunque gestisca dati sensibili in Europa non può essere neutrale.

Verda opera da Finlandia e Islanda, dove l'abbondanza di energia rinnovabile le consente di offrire prezzi competitivi anche rispetto agli hyperscaler su scala globale. I quattro data center attivi sono alimentati al 100% da rinnovabili; il calore residuo viene reimmesso nella rete di teleriscaldamento di Helsinki. Ci sono già un'area acquisita in Finlandia per un nuovo sito e una proposta formale alla Commissione Europea per un AI gigafactory in Lettonia dedicata al training e all'inferenza di modelli su larga scala.

La mossa strategica più rilevante è che Verda non punta esclusivamente sulla localizzazione europea come argomento commerciale. Si sta espandendo nel mercato UK e statunitense, con l'intenzione di competere con AWS, Azure e Google Cloud sul loro territorio, usando l'efficienza di costo e la credenziale di sostenibilità come leve principali. Sono previste cento nuove assunzioni entro fine 2026.

Nel cloud europeo, aziende con questa velocità di crescita non sono comuni; Verda ha già vinto la sfida continentale. Quella globale è appena cominciata e lì si capirà se il vantaggio competitivo va oltre la necessità di dati sovrani.

Bank of New York Mellon è stata fondata nel 1784, è la banca americana più antica tra quelle ancora in attività. Ha pubblicato i risultati del primo trimestre 2026, sono numeri da record. Nonostante questo, i numeri non sono la notizia.

Ciò che colpisce: 218 soluzioni AI in produzione, cresciute quattro volte nell’arco di un anno. Non pilot, non proof of concept: strumenti che lavorano ogni giorno per tutti e 50.000 dipendenti della banca.

Il percorso ha un inizio preciso. A marzo 2024, la banca ha installato il primo DGX SuperPOD di NVIDIA tra le grandi banche globali e ha lanciato Eliza, la propria piattaforma AI proprietaria. L’anno successivo Eliza è diventata accessibile all’intera organizzazione, affiancata da un programma di formazione capillare: dieci ore di training obbligatorio per tutti i dipendenti, con percorsi avanzati per chi vuole costruire agenti in autonomia. Il 99% dei 50.000 dipendenti è formato, e 20.000 di loro hanno già costruito almeno un agente su Eliza. Il sistema introduce i digital employee, agenti AI con identità e ruolo definiti che operano a fianco dei colleghi nei processi quotidiani — KYC, revisione contratti, compliance. Il motto interno è “AI for everyone, everywhere, everything”, una frase che in questo contesto descrive un’architettura operativa, non un’aspirazione.

C’è un numero che sintetizza meglio di altri la trasformazione in corso: nel primo trimestre 2026, oltre il 40% del codice scritto in banca è stato prodotto da strumenti AI. Il risultato pratico: un incremento superiore al 10% nella frequenza delle release software.

I numeri del Q1 2026 parlano da soli: EPS a $2,24 (+42% anno su anno), ricavi a $5,4 miliardi (record assoluto, +13%), pre-tax margin al 37%, leva operativa a +800 punti base. Quest’ultimo dato è particolarmente importante, perché descrive la forchetta tra l’incremento dei ricavi e l’incremento dei costi.

Il ritardo nell’adozione della tecnologia non passa per l’accesso alla tecnologia, che è disponibile per tutti, ma per la volontà di investire in formazione diffusa, costruire governance robusta e mantenere una direzione anche quando i risultati non arrivano nel primo trimestre. BNY Mellon ha fatto tutto questo e l’evidenza è nei numeri che ha presentato agli analisti qualche giorno fa.

Fonte: BNY Mellon Q1 2026 Earnings Call, 16 aprile 2026

Torno sulla saga dell'infrastruttura critica europea. Dopo Lace, Fractile e Bull, c'è un quarto episodio. Parliamo di mero ordine cronologico: si tratta di un gradino parallelo a Fractile, sullo stesso piano della catena del valore.

Nei sistemi AI di nuova generazione il collo di bottiglia non è più la potenza di calcolo, ma la velocità con cui i dati si muovono tra chip, acceleratori e memoria. Fractile risolve il problema di come un chip calcola: architettura compute-in-memory e inferenza AI più efficiente. CamGraphIC risolve il problema di come i chip comunicano tra loro: interconnessioni ottiche al posto di quelle elettriche, grafene al posto del silicio. Due soluzioni, due approcci che lavorano alla medesima problematica.

Il grafene è un singolo strato di atomi di carbonio. Le sue proprietà elettriche e ottiche lo rendono superiore al silicio per trasmettere segnali ad alta velocità: 80% di energia in meno rispetto alla fotonica in silicio tradizionale, banda superiore, latenza inferiore, nessuna complessità termica. I connettori elettrici generano calore e richiedono sistemi di raffreddamento complessi; quelli al grafene no. In un data center dove migliaia di chip devono parlarsi continuamente, le caratteristiche dei due materiali fanno molta differenza.

CamGraphIC nasce dal Graphene Centre dell'Università di Cambridge, fondato dal Professor Andrea Ferrari, uno dei massimi esperti mondiali di nanotecnologia e grafene. Il co-fondatore è Marco Romagnoli. La tecnologia del grafene fotonico viene studiata in accademia da oltre vent'anni: Nobel per la fisica 2010 a Geim e Novoselov di Manchester per gli esperimenti pioneristici sul grafene, decenni di ricerca applicata a Cambridge. CamGraphIC è il momento in cui quella ricerca esce dal laboratorio ed entra in produzione.

La Commissione Europea ha approvato 211 milioni di euro di aiuti statali italiani per industrializzare la tecnologia. Non è una nazionalizzazione come Bull: lo Stato in questo caso finanzia senza diventare proprietario. La factory pilota sorgerà vicino a Milano, sarà operativa nel 2028, creando oltre 150 posti di lavoro specializzati in ingegneria fotonica e manifattura di semiconduttori. Prima del finanziamento pubblico, un round Serie A da 25 milioni a febbraio 2025: CDP Venture Capital, NATO Innovation Fund, Sony Innovation Fund, Bosch Ventures e altri fondi. La ricerca ha il cuore pulsante a Cambridge, la produzione in Italia, i capitali arrivano da investitori internazionali.

Il pattern della saga è sempre lo stesso: accademia europea di eccellenza, tecnologia profonda che matura lentamente, poi il salto verso l'industrializzazione con capitali pubblici e privati.

Talento e ricerca sono presenti ad altissimo livello. La capacità di creare infrastruttura critica è una scommessa aperta. CamGraphIC è un altro segnale che nel vecchio continente si sta facendo sul serio.

Da quando i modelli generativi hanno iniziato a fare cose che prima erano considerate appannaggio esclusivo dei professionisti, la sentenza circola con insistenza: le Big4 sono finite. Troppo lente, troppo costose, troppo dipendenti dal lavoro manuale di migliaia di analisti junior. Una struttura industriale costruita sul tempo fatturato, destinata a collassare sotto il peso dell'automazione. Non sta andando esattamente così.

EY ha annunciato il 7 aprile il rollout globale di un'architettura agentica all'interno di EY Canvas, la piattaforma unica che governa i 160.000 incarichi di audit che il gruppo conduce ogni anno in oltre 150 Paesi. L'annuncio ha la portata di un cambio di infrastruttura a livello di gruppo, piuttosto che di un progetto pilota.

I numeri dell'annuncio aiutano a capire la scala dell'operazione. EY Canvas processa 1,4 trilioni di righe di prima nota all'anno, 130.000 professionisti dell'Assurance ci lavorano quotidianamente, l'investimento complessivo è parte di un impegno "multimiliardario" inquadrato nella strategia globale "All in". L'alleanza con Microsoft (Azure, Foundry, Fabric) fornisce la base tecnologica, con l'obiettivo dichiarato di coprire l'intero processo di audit entro il 2028.

Vale la pena collocare la mossa di EY dentro il movimento complessivo delle Big4, perché è lì che si misura il vero peso della notizia. Deloitte aveva integrato capabilities agentiche nella piattaforma Omnia a luglio 2025. PwC porta avanti l'Audit Innovation Hub in test e ha dichiarato pubblicamente l'obiettivo di un audit AI end to end entro la fine del 2026. KPMG Clara ospita numerosi agenti operativi. Mentre le concorrenti accumulavano annunci parziali e progressivi, EY ha probabilmente lavorato a lungo in silenzio per arrivare oggi con lo statement più concreto e di maggiore portata operativa del gruppo: un rollout embedded sull'intera piattaforma globale, con l'obiettivo dichiarato di copertura end to end del processo di audit entro il 2028. Le quattro grandi si stanno muovendo in parallelo, ma quella di EY è la prima dichiarazione che fotografa la trasformazione alla scala dell'intero gruppo.

L'audit, per sua natura, è un terreno particolarmente adatto all'automazione intelligente. Da un lato ci sono regole stabili e verificabili — i principi contabili, la normativa settoriale, gli standard internazionali di revisione. Dall'altro dati aziendali strutturati (prima nota, conti, anagrafiche) combinabili con contesto esterno come serie storiche, benchmark di settore, informazioni pubbliche. In mezzo, una quota significativa di lavoro ripetitivo che oggi assorbe tempo di professionisti qualificati senza produrre valore cognitivo aggiuntivo.

Il vantaggio competitivo, però, non si limita alla produttività. Ogni volta che una Big4 annuncia un'iniezione di tecnologia a livello globale, il moat che la separa dagli operatori di fascia media e dalle boutique si amplia. L'infrastruttura dati su cui si addestrano questi sistemi — storici di clienti, settori, giurisdizioni — non è replicabile al di fuori della loro scala. Il capitale necessario per costruire e mantenere piattaforme agentiche integrate con Microsoft Foundry o equivalenti non è accessibile alle società di revisione di dimensione intermedia. La capacità di trattenere talento tecnologico di altissimo profilo richiede pacchetti retributivi e progetti che solo questi gruppi sono nelle condizioni di offrire.

C'è un secondo livello di pressione, strutturale, che rende la partita tecnologica non rinviabile. I modelli di business basati sulle ore uomo — audit, consulenza, system integration — operano in un momento in cui i clienti si aspettano già tagli di fee proporzionati all'automazione che l'AI renderà possibile nei prossimi anni. Le ore risparmiate con l'automazione non sono fatturabili, e la pressione sul margine arriva prima ancora che la trasformazione tecnologica sia completata. L'unica risposta praticabile, per difendere il conto economico, è comprimere la struttura dei costi con la stessa velocità con cui il mercato chiede il taglio delle tariffe. In un contesto di questo tipo, investire in tecnologia rappresenta la condizione minima per restare in campo, prima ancora che una leva di differenziazione competitiva.

Due conseguenze immediate, che vanno lette insieme. Sul fronte operativo, parte delle ore oggi dedicate a raccolta e riconciliazione dei dati passa a processi automatici, liberando i professionisti per il giudizio tecnico e per la relazione con il cliente — le aree dove l'elemento umano continua a fare la differenza. Sul fronte del posizionamento, le Big4 possono scegliere se assorbire il taglio delle fee proteggendo il margine con l'efficienza dell'automazione, oppure aggredire il mercato abbassando ancora le tariffe per erodere quote nelle fasce inferiori. In entrambi gli scenari, chi non dispone della stessa infrastruttura si trova davanti a una strada in salita.

Economie di scala sul dato e sul capitale, accesso privilegiato alla tecnologia più avanzata, struttura di costo più flessibile: tre leve che tendono ad autoalimentarsi nel tempo. Fino al 2025 avremmo potuto leggere questa traiettoria come una previsione plausibile, oggi cominciamo a leggerla come la direzione concreta che il settore sta prendendo.

La domanda interessante, a questo punto, riguarda il resto del mercato. Le società di revisione di fascia media e le boutique specializzate hanno davanti ventiquattro mesi in cui dovranno scegliere una rotta: aggregarsi per condividere gli investimenti tecnologici, specializzarsi su segmenti dove la relazione e il know how settoriale contano più della scala, oppure accettare una progressiva compressione dei margini. Il ragionamento non si limita all'audit, ma a tutti i modelli di business analoghi che si troveranno davanti alla stessa resa dei conti nello stesso orizzonte temporale. In un mercato regolamentato come la revisione, la pluralità dell'offerta ha un valore che va oltre il piano puramente concorrenziale. La specializzazione è ancora l'elemento più solido su cui fare leva: riduce il costo della transizione tecnologica rispetto a un approccio generalista e rafforza il radicamento in un'industria specifica, vantaggio difficilmente replicabile.

Nelle scorse settimane ho scritto di Lace e di Fractile. Questa settimana aggiungiamo un terzo tassello al puzzle della nostra saga sull'infrastruttura critica in Europa.

La Francia ha acquistato Bull da Atos per 404 milioni di euro. Lo Stato francese diventa l'azionista unico. Quattrocento milioni per riportare in mano pubblica l'unico stabilimento manifatturiero di supercomputer in Europa.

Bull ha costruito Jupiter, il sistema che oggi guida la classifica dei computer più potenti d'Europa, e sta assemblando Alice Recoque, il prossimo sistema di riferimento basato sui processori SiPearl. Fattura 700 milioni di euro l'anno, opera nelle divisioni HPC, quantum e AI. È, nella catena del valore dei semiconduttori, il livello che sta sopra a tutto quello di cui ho parlato fino ad oggi.

Lace lavora sulla litografia: come si stampano fisicamente i transistor del futuro, sostituendo la luce con atomi di elio. Fractile lavora sul design dei chip: come si ottimizza l'architettura per far girare i modelli AI nel modo più efficiente possibile. Bull lavora un livello ancora superiore.

Prende quei chip, li integra in sistemi complessi, e consegna la macchina che fa girare la ricerca sul clima, le simulazioni di difesa, i modelli linguistici di fascia alta. Controllando questo livello, si controlla l'accesso alla capacità di calcolo più avanzata del continente.

Il contesto di questa acquisizione è il collasso di Atos. Bull era entrata nell'orbita di Atos, ribattezzata Eviden, poi rimasta bloccata in anni di ristrutturazione che non stava portando da nessuna parte. Parigi ha deciso di non aspettare un compratore privato e ha anticipato il mercato. Soldi pubblici, una nazionalizzazione.

La lettura ottimista è quella di una politica industriale consapevole: la Francia ha capito che il terzo livello dello stack è troppo strategico per lasciarlo in mano alle dinamiche del mercato privato. La lettura meno entusiasta è che stava riacquistando qualcosa che era già sua, salvandola dal rischio di finire smembrata o acquisita da player stranieri.

Il quadro complessivo, comunque lo si legga, non è un piano coordinato. Lace, Fractile e Bull sono tre scommesse separate, nate in contesti diversi, su tre livelli distinti della stessa catena del valore: come si stampa un chip, come si progetta per l'inferenza AI, come si assembla in una macchina funzionante. Nessuno sta tirando i fili della strategia europea dei semiconduttori dall'alto. Eppure, qualcosa sta prendendo forma dal basso.

I tasselli esistono, ce li abbiamo in casa. Saremo in grado di mettere insieme il puzzle?

L'AI non ha negoziato, non ha letto le persone dall'altra parte del tavolo. Ha fatto ricerca e contatto, con una precisione e una scala prima inaccessibili a chi non aveva relazioni o database costosi.

Il problema strutturale del M&A non è mai stato il costo delle transazioni, ma che la platea di potenziali acquirenti è molto più ampia di quella raggiungibile attraverso le relazioni di un singolo advisor. Colmare quella distanza richiedeva un'infrastruttura che solo i grandi operatori potevano permettersi. Gli altri si accontentavano di processi imperfetti, talvolta inefficaci.

I dati finanziari non bastano.

I parametri di bilancio si aggiornano una volta l'anno. I segnali reali sono continui e quasi sempre non strutturati: il sito rifatto, la fiera internazionale, il comunicato su una nuova linea di prodotto, l'assunzione chiave. Prima dell'AI, processare questo su scala era praticamente impossibile. Oggi è gestibile in automatico.

Il risultato pratico: non una fotografia, ma un film che evolve in tempo reale.

Come lo uso io.

Ho costruito un sistema di ricerca e analisi completamente personalizzato. Oltre ai parametri finanziari e ai registri pubblici, la parte più utile è l'arricchimento con segnali qualitativi: se cerco aziende con prodotto proprietario, posso configurare il sistema per riconoscerle (menzione di brevetti, sezioni R&D, il modo in cui un'azienda descrive sé stessa). Attività che prima richiedevano tanto lavoro manuale su ogni singola azienda, oggi sono gestibili in automatico. Così è possibile ottenere una lista di target molto più aderente alle caratteristiche ricercate. Gli advisor arrivano dopo, quando c'è da gestire la relazione, da negoziare, da eseguire il deal.

Vale anche per chi vende. Una PMI che vuole uscire può oggi accedere a un patrimonio informativo enorme, senza i database costosi che fino a ieri erano riservati ai grandi. Il caso di CreateX e Native Digital, due agenzie digitali dell'Europa dell'Est acquisite da una società quotata svedese, lo dimostra concretamente: il processo è passato dall'outreach alle prime offerte in 15 giorni. L'acquirente non sarebbe mai emerso attraverso le relazioni tradizionali, identificato con un'analisi approfondita di deal simili chiusi in passato. Una delle due aziende aveva ottenuto un solo NDA con un advisor classico. Con Eilla AI, nove.

Non è un fenomeno isolato: negli Stati Uniti, piattaforme analoghe operano su questo modello da anni, servendo fondi di private equity e team di corporate development. Eilla AI porta lo stesso approccio in Europa, con un focus specifico sulle PMI.

Quello che non cambia.

L'AI ottimizza il primo appuntamento: chi incontrare, quando, con quale approccio. Il matrimonio è un'altra cosa.

La negoziazione, la fiducia, il prezzo emotivo della cessione di un'azienda costruita in vent'anni: questo resta umano, sempre. Le PMI sono storie imprenditoriali fatte di persone, radicate in contesti geografici e settoriali specifici. La distanza culturale, la dipendenza dai fondatori, la complessità di cogliere e soddisfare le aspettative non spariscono perché la tecnologia ha trovato la controparte giusta.

Anche quando sappiamo di essere fatti l'uno per l'altra, non è detto che riusciremo a sposarci.

L'AI applicata all'M&A oggi è un moltiplicatore di opportunità, per chi sa come usarla.
Per ora, in pochi lo fanno.

Le imprese italiane hanno speso milioni per installare sensori che generano dati ogni frazione di secondo. Quei dati sono diligentemente registrati e archiviati. Nella maggior parte dei casi, non aperti da nessuno.

L'Osservatorio IoT del Politecnico di Milano ha presentato i suoi dati il 16 aprile scorso: entro un anno, il 53% delle grandi imprese e il 33% delle medie integrerà soluzioni AI nei propri progetti IoT. Il mercato IoT italiano vale 10,9 miliardi di euro nel 2025, in crescita del 12%. Non sono previsioni astratte, ma la ricognizione di un'infrastruttura già costruita.

Gli anni del Piano Industria 4.0 hanno lasciato un'eredità il cui valore spesso viene sottovalutato. I crediti d'imposta per i beni strumentali digitali hanno spinto migliaia di imprese manifatturiere a investire su macchinari moderni che generano e archiviano dati in maniera continuativa. Sono dati di macchine, non dati personali: nessuna complessità GDPR, nessun problema di aggregazione tra fonti diverse. Sono già raccolti, già contestuali, già strutturati.

L'Osservatorio identifica tre ambiti dove l'integrazione AI+IoT sta producendo risultati misurabili, e in ciascuno il punto di partenza è la stessa infrastruttura che le imprese hanno già. Nella manutenzione predittiva, i sensori già installati imparano a riconoscere le anomalie nei dati di vibrazione, temperatura e consumo, anticipando il guasto prima che avvenga: i costi di manutenzione scendono fino al 47% ed è l'ambito scelto dal 49% delle imprese che hanno già integrato AI nei progetti IoT. Nel controllo qualità, la computer vision applicata ai flussi di produzione rileva difetti che l'ispezione manuale non intercetta: è già la prima applicazione AI+IoT nell'industria italiana per tasso di adozione, al 55%. Nell'ottimizzazione energetica, i dati di consumo diventano un segnale anticipatore di inefficienze operative: le facility che hanno implementato questi sistemi segnalano in media il 12% di risparmio sui consumi, un numero tutt'altro che marginale in un contesto di costi energetici crescenti e volatili.

Eppure il passaggio non è automatico, né scontato. Le imprese si trovano davanti a freni reali. Il mercato delle soluzioni è ancora frammentato, e scegliere tra offerte poco comparabili richiede competenze che non sempre esistono internamente. La fiducia nei confronti di strumenti che operano su processi critici si costruisce lentamente, e spesso non basta un caso studio per sbloccarla. Infine, molte aziende hanno appena completato investimenti significativi in nuovi macchinari, spesso dotati di qualche funzione di analytics nativa: la domanda che si pongono è legittima, perché aggiungere un altro strato di intelligenza a uno strumento moderno che funziona già? La risposta è che un sistema che registra i dati non è un sistema in grado di interpretarli. Così come comprare gli ingredienti più pregiati non li trasforma automaticamente in un piatto da ristorante stellato.

Il manifatturiero italiano ha già fatto la parte difficile costruendo una moderna infrastruttura fatta di sensori e dati. L'AI è l'ultimo tassello per raccogliere i dividendi di un investimento già effettuato. Il vero acceleratore non sarà un incentivo fiscale, ma il primo vendor che arriverà con trenta casi reali in produzione e li saprà raccontare nel linguaggio del direttore di stabilimento.

Nelle ultime settimane sto leggendo molti interventi che, da angolazioni diverse, convergono sullo stesso punto. La tesi è una: il problema dell'AI in azienda non è di natura tecnologica.

L'AI viene trattata come un upgrade di prodotto. Si lavora per cambiare gli strumenti, non il modo di lavorare.

Il primo spunto viene da Gartner, che prevede che entro il 2028 la maggior parte delle imprese abbandonerà i Copilot e gli assistenti AI similari. Non perché l'AI non funzioni, ma perché un assistente che affianca l'uomo nel processo esistente non cambia nulla di strutturale. Gartner chiama il passo successivo outcome-focused workflow: delegare l'esecuzione delle attività all'AI, non solo accelerare l'esecuzione di quelle esistenti. Eppure, questo passaggio viene sistematicamente saltato: i CEO decidono, le licenze vengono comprate, gli strumenti distribuiti. Il middle management, che dovrebbe tradurre la strategia in workflow operativo concreto, rimane fuori dalla trasformazione che dovrebbe guidare. Distribuzione, senza adozione reale.

Il secondo caso viene dal National Health Service britannico, il sistema sanitario pubblico del Regno Unito con 1,5 milioni di dipendenti, uno dei più grandi datori di lavoro al mondo. Nel 2023 ha firmato un contratto da 330 milioni di sterline con Palantir per una piattaforma di integrazione dei dati clinici. Il risultato, documentato da The Register: staff che boicotta e rallenta deliberatamente la piattaforma. La causa è semplice: "Non fa niente di nuovo per noi", ha dichiarato un operatore. La resistenza viene letta come un problema di atteggiamento al cambiamento. È invece un segnale che qualcosa è sbagliato in fase di progettazione.

È come aver installato macchinari nuovi in ogni reparto di una fabbrica, lasciando le attività identiche e senza spiegare agli operai cosa farci.

Il rischio più silenzioso, però, è un altro. Il mio collega Marcello Vena lo nomina in un approfondito articolo su Wired.it utilizzando il neologismo coniato dalla Treccani Epistemia: la confortevole illusione di conoscenza prodotta dall'interazione con l'AI generativa, dove la plausibilità del discorso fluente sostituisce l'efficienza cognitiva e l'affidabilità dei dati.

Quando un'organizzazione si affida agli output dell'AI senza costruire governance e giudizio interno, non fallisce un progetto. Accade qualcosa di più lento e più grave: le persone smettono progressivamente di svolgere il lavoro cognitivo che il sistema sembra gestire al loro posto.

Il problema dell'AI in azienda non dipende da quanto ci investi, né dal prodotto che hai scelto. Si tratta di riprogettare il lavoro e di non perdere, nel processo, la capacità di metterlo in discussione.

Alexander Theuma ha fondato SaaStock nel 2016 a Dublino. La prima edizione aveva 700 partecipanti, nel suo momento di massimo oltre 4.000, provenienti da cinque continenti. Nata in Europa, è diventata uno dei principali punti di riferimento internazionali per il B2B SaaS. Non ne vedremo una nuova edizione dopo l'ultima di Austin di questi giorni.

Theuma ha annunciato il ritiro del brand dopo dieci anni. Al suo posto, una nuova conferenza: Shift AI, a Barcellona il 13 e 14 ottobre 2026. Il cambio di nome non è un rebranding di marketing. È una dichiarazione sulla struttura del mercato.

Il modello SaaS classico si basa sulla licenza per posto: ogni utente che accede al software paga un canone mensile o annuale, questo è stato il modello dominante degli ultimi quindici anni. Gli agenti AI lo stanno sostituendo eseguendo interi processi al posto degli utenti. Meno posti occupati, meno canoni pagati.

Come riporta National Today, nel solo primo trimestre del 2026 la capitalizzazione di mercato del settore SaaS ha perso 2.000 miliardi di dollari: un segnale che i mercati stanno già scontando la transizione strutturale, non una correzione ciclica. I dati pubblicati da Shift AI completano il quadro: il 70% dei budget software incrementali sta fluendo verso l'AI, il 40% dei budget IT si sta riallocando verso piattaforme agentiche e le aziende costruite nativamente sull'AI mostrano un vantaggio di efficienza tra 6 e 12 volte rispetto alle SaaS tradizionali.

Theuma sintetizza così la sua lettura: le aziende che vinceranno il prossimo decennio non assomiglieranno a quelle che hanno vinto l'ultimo. Dieci anni fa nasceva la conferenza per chi costruiva software. Oggi nasce una conferenza per chi costruisce quello che verrà dopo.

La scorsa settimana ho scritto di Lace. Oggi facciamo un passo avanti nella catena del valore.

Lace Lithography lavorava al livello più basso dello stack: come si stampano fisicamente i chip del futuro, sostituendo la luce con atomi, un problema di fisica e manifattura.

Fractile lavora al livello immediatamente superiore: come si progettano chip ottimizzati per far girare i modelli AI nel modo più efficiente, veloce ed economico possibile. Non parliamo di training, ma di inferenza.

Il training è l'addestramento del modello: avviene una volta, su cluster enormi, con costi enormi. L'inferenza è l'utilizzo del modello in esercizio: avviene miliardi di volte al giorno, ogni volta che qualcuno fa una domanda a un LLM, usa un assistente AI, ottiene una raccomandazione.

Il problema che Fractile si propone di risolvere è strutturale. Le GPU si appoggiano a un chip di memoria separato e il continuo trasferimento di dati tra i due diventa un collo di bottiglia sulla velocità di esecuzione. Fractile integra la computazione direttamente nella memoria, eliminando quel trasferimento. E lo fa rimanendo compatibile con i processi produttivi standard: usa i nodi TSMC, non reinventa la manifattura.

L'obiettivo dichiarato è eseguire modelli AI fino a 50 volte più velocemente al 10% del costo attuale.

La startup di Londra, fondata nel 2022, è in trattative avanzate per raccogliere $200 milioni a una valutazione di un miliardo. I round precedenti hanno già visto entrare il NATO Innovation Fund, Oxford Science Enterprises e — dettaglio non secondario — Pat Gelsinger, ex CEO di Intel, e Hermann Hauser.

Hauser è tra i padri di Arm: un'architettura nata a Cambridge nel 1990 che oggi gira dentro ogni smartphone del pianeta. Il governo britannico ha già annunciato £100 milioni per espandere le operazioni di Fractile tra Londra e Bristol.

C'è un altro filo che collega Lace e Fractile, oltre alla geografia europea: entrambe nascono in ambito accademico, rispettivamente nelle università di Bergen e di Oxford.

Non ancora una strategia, ma un'evidenza che ragionare per stack tecnologici — piuttosto che per singoli campioni nazionali — ci permetterebbe di ambire a giocare al tavolo dei grandi da protagonisti.

La BCE ha scelto OVHcloud e Scaleway — due aziende francesi — come fornitori cloud per l'infrastruttura dell'euro digitale. Amazon, Microsoft e Google esclusi esplicitamente. La motivazione ufficiale: il Cloud Act americano consente alle autorità degli Stati Uniti di accedere ai dati gestiti da aziende americane, indipendentemente da dove si trovino fisicamente i server.

La Francia ha ordinato a tutti i ministeri di formalizzare entro l'autunno 2026 un piano per eliminare le dipendenze digitali extra-europee. Il sistema operativo è il primo obiettivo: via Windows, dentro Linux. A gennaio aveva già sostituito Microsoft Teams e Zoom con Visio, una piattaforma sviluppata internamente, per 2,5 milioni di dipendenti pubblici. Il ministro David Amiel: "Non possiamo più accettare una situazione in cui non controlliamo i nostri dati e la nostra infrastruttura digitale."

E mentre i governi si muovono sul fronte pubblico, il settore privato segnala qualcosa di analogo. Nel primo trimestre del 2026, l'Europa ha prodotto 14 nuove startup con valutazione superiore al miliardo di dollari: il ritmo più alto degli ultimi quattro anni. I settori che guidano questa accelerazione non sono casuali, ma strettamente collegati a temi di sovranità (AI, cybersecurity, difesa, infrastrutture cloud). Su tutti spicca il caso della francese Harmattan AI (droni autonomi per la difesa), fondata nel 2024, che a gennaio ha raccolto 200 milioni di euro a una valutazione di 1,4 miliardi.

Queste non sono dichiarazioni di intenti. Sul fronte pubblico sono scelte operative, con scadenze e piani concreti. Sul fronte privato è capitale che torna a scommettere su tecnologia strategica made in Europe.

Il contesto è noto: la linea dell'amministrazione Trump ha accelerato in Europa una conversazione sulla dipendenza tecnologica che esisteva già da anni, ma che raramente produceva decisioni concrete. Qualcosa sta cambiando nel modo in cui i governi europei — Francia in testa — traducono quella conversazione in azione, e il mercato privato si mette in scia, scommettendo su un circolo virtuoso.

Non sappiamo ancora se sia l'inizio di una tendenza strutturale o una risposta tattica a una fase politica. Ma la BCE che include il punto nei capitolati di gara, la Francia che emette circolari ministeriali sul sistema operativo da usare nel Paese, e il capitale privato che torna massicciamente ad alimentare gli investimenti in tecnologia strategica europea sono tre indizi che fanno più di una prova.

Qualche mese fa, all'apertura di un convegno, ho sentito un venture capitalist spiegare come siamo arrivati all'AI che da qualche anno abbiamo imparato a conoscere. Ho deciso di approfondire quella riflessione ed eccoci qui.

Non c'è stato un momento in cui qualcuno ha detto "progettiamo un sistema in grado di scrivere romanzi e rispondere a qualsiasi domanda". Non c'è stata una riunione strategica, un piano industriale, un genio con la visione giusta. Quello che oggi chiamiamo AI generativa è il risultato della collisione fortuita di tre traiettorie completamente indipendenti, nessuna delle quali era stata progettata con questo scopo specifico.

La prima traiettoria comincia nel 1993 a Santa Clara. Jensen Huang co-fonda NVIDIA per fare una cosa sola: costruire chip per i videogiochi. Le GPU nascono per un problema preciso: generare migliaia di pixel in parallelo, ogni secondo, senza lag.

Nel 2012, il professore canadese Geoffrey Hinton e due suoi collaboratori partecipano alla competizione ImageNet: un milione di immagini, il compito è insegnare a un computer a riconoscere i soggetti rappresentati. Da anni i vincitori, con approcci classici, raggiungevano margini di miglioramento di qualche decimale per edizione. Hinton si presenta con una rete neurale addestrata su due GPU consumer, le stesse schede grafiche che i gamer usavano per Call of Duty. Vince con un distacco imbarazzante: riduce il tasso di errore del 10% rispetto al secondo classificato. In una gara dove ci si giocava sui decimali.

Quell'architettura nata per i pixel era, per pura coincidenza strutturale, identica a ciò che serve per addestrare le reti neurali. Huang non lo sapeva quando ha fondato NVIDIA. Nessuno lo sapeva.

Le reti neurali esistevano prima degli anni '60. Per cinquant'anni non riuscivano a crescere, funzionavano solo su piccoli dataset. Si passava da una fase di disillusione a un'altra, quelli che la letteratura chiama gli "inverni dell'AI". Nel 2017 un team di Google trova il modo di sbloccare questo stallo. Il paper chiave si chiama Attention Is All You Need: otto ricercatori di Google Brain, pagine di pura ricerca accademica. L'architettura Transformer permette al modello di pesare l'importanza di ogni parola invece di processarle tutte in sequenza. Da quel momento, più dati e più calcolo producono prestazioni che crescono in modo quasi inestimabile.

La terza traiettoria non ha un fondatore. Non ha una data di nascita. L'abbiamo costruita tutti noi. Ogni post pubblicato, ogni riga di codice caricata su GitHub, tutto il patrimonio di conoscenza umana che abbiamo digitalizzato. Miliardi di contributi individuali che nessuno aveva pensato di mettere insieme con questo scopo. Nessun progetto deliberato avrebbe mai potuto produrlo intenzionalmente: è il sottoprodotto collaterale di trent'anni di comunicazione umana digitale.

Dal 2019 queste tre traiettorie si incrociano. Un'architettura scalabile, una potenza di calcolo parallelizzabile a costi accessibili, un corpus di dati senza precedenti. Il risultato si chiama ChatGPT e nel 2022 è arrivato al grande pubblico.

Jensen Huang voleva vendere GPU per i gamer. I ricercatori di Google Brain volevano migliorare la traduzione automatica. Noi volevamo condividere pensieri e ricordi. Nessuno stava costruendo l'AI generativa. Tutti si concentravano su qualcosa d'altro.

Il prossimo salto tecnologico che ridefinirà il mondo probabilmente si sta già inconsapevolmente costruendo. Chi lo sta facendo non lo sa ancora e forse non lo saprà per anni. Lavorando sul futuro spesso scopri dove stavi andando solo dopo essere già arrivato.

Dorsey è stato piuttosto diretto: il middle management esiste per una sola ragione, far circolare le informazioni in organizzazioni troppo grandi per essere governate da una persona sola. Ora l'AI fa la stessa cosa meglio, più velocemente, senza lamentarsi.

L'organizzazione gerarchica, prima di essere una scelta culturale, era un'infrastruttura per gestire la conoscenza.

Michael Polanyi, filosofo britannico-ungherese, aveva coniato decenni fa un concetto che mi pare di estrema attualità nell'era dell'AI, la conoscenza tacita (tacit knowledge), in sintesi: "We know more than we can tell." Sappiamo più di quanto riusciamo a comunicare.

Quando il manager esperto apre un ticket di supporto e sa già, senza consultare nessun manuale, a chi indirizzarlo, come gestirlo, quali eccezioni applicare: quello è tacit knowledge nel contesto aziendale. Non è scritto da nessuna parte. Vive nella testa di quella persona. E quando quella persona viene licenziata, sparisce.

Interloom, una startup di Monaco appena finanziata con $16,5 milioni, ha quantificato il problema: il 70% delle decisioni operative adottate in azienda non è mai stato documentato formalmente. Tra le prime esperienze, ha analizzato milioni di mail di supporto di Commerzbank e trovato che la documentazione interna era per il 50% conflittuale o incompleta con la prassi operativa. Dopo il loro intervento quel dato si è ridotto al 5%.

La tesi di Interloom è questa: gli agenti AI, per quanto potenti, sono inutili senza contesto organizzativo specifico. Non basta dare un LLM a un'azienda. Devi dargli prima la memoria di quell'azienda.

Dorsey sta smantellando lo strato che, per decenni e spesso inconsapevolmente, ha accumulato e fatto fluire la tacit knowledge nell'azienda. L'AI può identificare questa conoscenza e memorizzarla.

Le aziende che useranno l'AI per convertire il sapere dei loro manager in patrimonio dell'organizzazione sono destinate a consolidare la loro posizione competitiva, allungando la vita utile di un asset già presente in azienda.

Resta fermo il punto che la leadership e le capacità relazionali non sono proprie delle macchine. Non è lecito illudersi che la perdita di una risorsa possa diventare un evento a impatto zero.

I licenziamenti delle big tech nel 2026 non rappresentano l'AI che ruba lavoro, almeno non nell'accezione comunemente utilizzata. Non è automazione di mansioni, quanto piuttosto la conversione del costo del personale in asset fisici: i datacenter.

È una questione di flussi di cassa prospettici, non di strategia industriale. I cinque hyperscaler maggiori spenderanno oltre $600 miliardi in infrastruttura nel 2026, +36% rispetto al 2025, di cui il 75% direttamente legato all'AI. Una cifra che supera i flussi di cassa operativi generati dal business: il ricorso al debito sta finanziando la differenza.

Nel 2025 le big tech hanno emesso $108 miliardi di obbligazioni. Morgan Stanley e JP Morgan stimano che nei prossimi anni il settore dovrà raccogliere fino a $1.500 miliardi di nuovo debito. I credit default swap a cinque anni di Oracle sono già triplicati da settembre: il mercato sta prezzando il rischio crescente in tempo reale.

Il loop che ne deriva è difficile da interrompere. Più capex, più debito e più interessi significano meno cassa. Meno cassa spinge a tagliare i costi operativi, il principale dei quali è il personale. I licenziamenti non sono legati alla competizione con i nostri colleghi digitali: sono la fonte di finanziamento degli investimenti in AI.

Oracle è il caso limite. gli analisti stimano free cash flow negativo almeno fino al 2029, con una Capex che eccede strutturalmente la generazione di cassa. Ha già accumulato più di $100 miliardi di debito; i creditori hanno alzato i tassi sui finanziamenti per datacenter, le banche americane si stanno ritirando dalla corsa. Secondo gli analisti di TD Cowen tagliare 20–30.000 persone liberi $8–10 miliardi di cassa l'anno. Vale la pena ricordare che nell'ultimo quarter Oracle ha registrato una significativa crescita dell'utile netto e $553 miliardi di ricavi già acquisiti (RPO): è la domanda di mercato a richiedere questi investimenti.

Meta affronta esattamente la stessa logica con $115–135 miliardi di Capex nel 2026 (quasi il doppio del 2025) con flusso di cassa atteso in calo anno su anno. Meta ha pubblicamente annunciato oltre $600 miliardi di investimento in datacenter entro il 2028.

La domanda a cui nessuno può rispondere con sicurezza è quella sui ritorni. Sequoia stima che l'ecosistema AI dovrà generare $600 miliardi di ricavi annui per giustificare l'attuale spesa infrastrutturale: oltre sei volte la stima dei ricavi attuali.

I licenziamenti non sono automazione che sostituisce il lavoro umano: sono un tema di sostenibilità finanziaria e di sostegno delle valutazioni basate sul DCF.

L'AI non ruba il lavoro. Sta ipotecando lavoro per costruire l'infrastruttura che la renderà sempre più pervasiva.

Il progetto si chiama Industrial AI Cloud. È un supercomputer estremamente potente alimentato da 10.000 GPU NVIDIA Blackwell, le più avanzate oggi disponibili sul mercato.

L'impatto sulla capacità computazionale tedesca è immediato: un solo sito aggiunge circa il 50% della potenza AI disponibile oggi in Germania. È un salto di scala che normalmente richiederebbe anni di pianificazione e costruzione. Qui è stato completato in sei mesi, su un datacenter esistente interamente ristrutturato.

Sul piano energetico, l'impianto è alimentato al 100% da energia rinnovabile. Il calore di scarto generato dai server non viene disperso: riscalda l'intero quartiere Tucherpark, il distretto residenziale e commerciale che circonda il datacenter. Un ciclo chiuso che trasforma un costo ambientale in un servizio per la città di Monaco.

L'impianto è già in funzione. Prima ancora del lancio ufficiale, il sistema opera al 40% della sua capacità, con i primi clienti già attivi. La piena operatività arriverà nei prossimi mesi.

L’impianto è principalmente pensato per le imprese manifatturiere, che hanno bisogno di potenza di calcolo AI senza dover trasferire i propri dati su cloud stranieri. La sovranità del dato è il punto centrale: tutto viene processato in Germania, in conformità con il GDPR europeo.

Le applicazioni prospettiche che Deutsche Telekom ha già identificato coprono ambiti molto concreti. I digital twin — repliche virtuali di impianti e fabbriche — permettono di simulare e ottimizzare i processi produttivi senza interrompere la produzione reale. I test di crash virtuale e le simulazioni di galleria del vento sostituiscono procedure fisiche costose.
La robotica industriale può essere sviluppata e addestrata in ambienti simulati prima del deployment reale.

L'investimento complessivo è di un miliardo di euro. Non identificabile come un progetto pilota.

Quando chattiamo con un modello LLM, lui non legge solo il nostro ultimo messaggio.

Tiene traccia dell'intera conversazione in una sorta di memoria di lavoro. Più la conversazione si allunga, più questa memoria cresce. E la memoria costa, in termini di hardware, energia, e denaro.

Google Research ha pubblicato TurboQuant: un algoritmo di compressione che riduce questa memoria di circa 6 volte, senza perdita di accuratezza. Nessun riaddestramente del modello necessario.

Tradotto: lo stesso modello, su hardware molto più leggero, molto più economico da far girare.

Non parliamo ancora di un prodotto, ma di una ricerca (presentata all'ICLR 2026). La community degli sviluppatori si è già messa al lavoro autonomamente, partendo dalle formule matematiche del paper.

Maggiore efficienza sulla stessa scala.

Gli investimenti in tecnologie AI sono oggi miliardari, ma la fase di euforia è terminata. Non assistiamo più ad azioni mosse dalla voglia di prendere una posizione o dalla smania di esserci.

Oggi c'è una domanda forte di risultati concreti: nessuno può permettersi una voce di spesa fuori controllo, ci vuole una strategia con risultati misurabili.
La misurabilità non è una best practice, ma un requisito esistenziale di qualsiasi investimento AI.

Tuttavia, sappiamo che la capacità di misurare gli impatti e il ritorno di questi investimenti è appannaggio di un numero molto contenuto di attori. E quando si misura, lo si fa quasi sempre nella stessa direzione: l'efficienza.

E se provassimo a guardare questo mondo in un modo diverso?

L’AI può avere un impatto determinante anche in ottica espansiva. La narrativa dominante, concentrata esclusivamente su ottimizzazione dei costi e automazione dei processi, offre uno sguardo miope alle potenzialità di questa tecnologia.

Un altro approccio è quello che guarda alla possibilità di indirizzare le risorse liberate dall’automazione alla crescita del business.

In un report dello scorso settembre (“The Widening AI Value Gap”), BCG stima che il 70% del valore creato dall’AI risieda proprio negli interventi effettuati sul core business (Sales&Marketing, Innovazione, Produzione, ecc.).
Non è un tema di budget, ma un tema di approccio e di ambizione.

Possiamo controllare in maniera manicale la disposizione dei tavoli e l’attività dei camerieri, ma rischiamo di perderci tutto il divertimento.

Viene da chiedersi: perché un'azienda al top dovrebbe preoccuparsi così tanto? Questo è il punto.

Lilly è l'azienda che con i suoi prodotti ha ridisegnato la lotta all'obesità e al diabete, portando il suo valore di mercato a livelli che un decennio fa sembravano irrealistici. Ma nel farmaceutico l’approccio è da maratoneta e non da velocista: quello che scopri oggi lo venderai forse nel 2035. E se non costruisci l'infrastruttura giusta adesso, può darsi che nel 2035 avrai meno da offrire al mercato rispetto ai tuoi concorrenti.

La mossa più rilevante si chiama LillyPod: il supercomputer più potente mai costruito e messo in opera da un'azienda farmaceutica, oltre 1.000 GPU di ultima generazione e una potenza di calcolo immensa. Costruito in soli quattro mesi, anche questo è un dato che dice molto.

Adesso che abbiamo un mezzo potente e tutto nuovo, dove andiamo di bello?

Fino a ieri Lilly testava circa 2.000 idee di molecole all'anno in laboratorio fisico. Con questa infrastruttura, il team di ricerca può valutare miliardi di combinazioni molecolari in parallelo, addestrare reti neurali su piccole molecole, modelli genomici, ecc.. Il laboratorio fisico resta indispensabile, ma smette di essere un potenziale collo di bottiglia. Inoltre, agli agenti AI vengono affidate attività trasversali: pianificazione, collaborazione tra team di ricerca, gestione di digital twin dei macchinari di produzione. Insomma, uno strumento a disposizione dell’intera azienda.

Lilly ha lucidamente ridimensionato le attese: non aspettiamoci di scoprire nuovi farmaci in tre mesi. Il valore dell'AI in questo settore non ha un impatto immediato, sta nella compressione sistematica dei tempi: passare da dieci anni a cinque per portare un farmaco in clinica, anche grazie all'automazione del recruiting dei pazienti nei trial clinici non è un'ottimizzazione marginale, ma un vantaggio competitivo strutturale.

Ricks, il CEO di Lilly, non è uno di quelli che vende AI come panacea per la scienza. Ha detto esplicitamente che i modelli linguistici generici non sono addestrati sul linguaggio della chimica e della fisica e non sono particolarmente attrezzati per risolvere i problemi della scoperta scientifica. La direzione giusta è quindi costruire modelli specializzati per problemi di predizione specifici, da qui la realizzazione di LillyPod.

La morale non riguarda solo il farmaceutico. Le aziende più forti investono nell'infrastruttura di lungo periodo esattamente quando non sembrano averne bisogno. hashtag#HealthTech hashtag#AI hashtag#Innovation

Ridateci la Gioconda!

Arthur Mensch, CEO di Mistral AI, ha pubblicato sul Financial Times una proposta che merita una riflessione.

L'idea è semplice: introdurre un prelievo basato sui ricavi per tutte le aziende AI che operano in Europa — inclusi i grandi player americani e cinesi — proporzionale all'utilizzo di contenuti pubblici per il training dei modelli. I proventi andrebbero a un fondo europeo a sostegno del settore creativo. La logica è virtuosa: un contesto competitivo più equo e un meccanismo di risarcimento ai creativi che hanno prodotto i contenuti su cui i modelli sono stati addestrati.

Convincente in teoria, ma inapplicabile nella pratica. I modelli sono già stati addestrati. I contenuti europei già digeriti e incorporati. Il danno è fatto, non esiste una restituzione possibile. Inoltre, fino a quando dipenderemo da stack stranieri, qualsiasi leva fiscale o regolatoria che tocca i grandi player diventa un boomerang: ci troveremmo a ripagarla con gli interessi.

Mistral fa benissimo a sollevare il tema del gap competitivo creato da un framework legislativo europeo frammentato, che ha di fatto svantaggiato i player locali rispetto ad americani e cinesi. È un punto sacrosanto e un modo efficace ed elegante per attirare l'attenzione su questa tematica.

La sensazione è quella di noi italiani che gridiamo "Ridateci la Gioconda!" — una richiesta legittima, storicamente fondata, ma sostanzialmente inutile.

La risposta migliore non è una tassa. È costruire la libertà che oggi ci manca, mettendo insieme cloud, energia, infrastruttura critica e capitali in un progetto paneuropeo.

Gli imprenditori con cui ho occasione di relazionarmi spesso si chiedono se l'AI possa applicarsi anche alla loro azienda. La risposta è senza dubbio affermativa.

Un articolo di Sifted raccoglie dati e casi concreti riferiti alle PMI. Le piccole e medie imprese non solo hanno la possibilità di adottare efficacemente l'AI: possono farlo più velocemente, con meno attrito e con risultati misurabili in settimane anziché in mesi.

Il motivo è strutturale.

Le grandi organizzazioni portano con sé decenni di infrastruttura frammentata: database scollegati, sistemi legacy sovrapposti, organizzazioni complesse.

Il risultato di solito si traduce in un pilot, poi un secondo, poi un terzo. L'AI resta nel purgatorio delle POC, dove tutto è in fase di valutazione e niente arriva mai in produzione.

Le PMI partono da un posto diverso. Hanno processi più indipendenti, con meno interrelazioni da gestire. Partendo dallo stack tecnologico e dai dati già in uso è possibile innestare applicazioni AI senza stravolgimenti particolari.

Le catene decisionali sono più compresse: tra valutazione, autorizzazione e messa in produzione, ci sono meno soggetti coinvolti e meno veti. È possibile scegliere un singolo workflow, dimostrarne il valore, e poi espandere. Non è necessario approcciare l'intera infrastruttura dal principio.

Spesso quando parliamo di applicazioni AI in azienda ci concentriamo sui grandi budget e sulle grandi organizzazioni. Ma l'AI non è solo affare da grandi.

Il problema delle PMI non è legato alla dimensione, ma alla decisione di iniziare.