Il nostro recente viaggio di investimento, basato su un’approfondita attività di ricerca, ha confermato come l’AI stia già generando concreti miglioramenti in termini di efficienza e produttività, ma con risultati disomogenei. I player più forti stanno emergendo non grazie al semplice accesso ai modelli, bensì per la capacità di implementazione: qualità dei dati, progettazione dei flussi di lavoro e capacità di giudizio nel capire quando fidarsi di un output e quando invece scartarlo. Questa disomogeneità rende la selettività un elemento chiave per gli investitori.
All’inizio dell’estate, un gruppo dei nostri analisti e gestori ha trascorso alcuni giorni a San Francisco nell’ambito della nostra continua attività di ricerca sull’intelligenza artificiale (AI) e sul suo impatto sulle opportunità di investimento.
Questa esperienza ha confermato un punto semplice: l’AI sta oggi generando risultati concreti per le aziende — ma in modo ancora fortemente disomogeneo.
Abbiamo incontrato diverse aziende nei settori software, sanitario, industriale e dei beni di consumo, da cui è emerso un messaggio chiaro e coerente. La fase sperimentale sta lasciando spazio a guadagni di produttività misurabili in specifici processi, ma una trasformazione su larga scala rimane più lenta, complessa e dipendente dalle singole realtà aziendali di quanto l’entusiasmo del mercato suggerisca. Per gli investitori, questa distinzione è fondamentale: la prossima fase di adozione dell’AI è destinata a rafforzare il valore della selettività rispetto a un’esposizione generalizzata.
L’AI come motore di efficienza operative
I benefici più evidenti dell’adozione dell’AI si stanno manifestando nei contesti in cui le attività sono ripetitive, ricche di dati e facilmente valutabili. Presso una piattaforma consumer che abbiamo incontrato, uno strumento di assistenza basato sull’intelligenza artificiale è già in grado di gestire circa il 40% delle richieste dei clienti senza intervento umano, con implicazioni evidenti in termini di riduzione dei costi di servizio.
Nel settore delle scienze della vita, gli strumenti di AI generativa per la progettazione di molecole stanno ampliando il numero di farmaci candidati per la ricerca nelle fasi iniziali, aumentando nel tempo le probabilità di successo nello sviluppo.
Altrove, l’AI sta consentendo anche a profili non specializzati nello sviluppo software di creare autonomamente semplici strumenti interni, riducendo tempi e attività che in precedenza richiedevano il supporto di fornitori esterni o team altamente specializzati.
Non si tratta di possibilità astratte, ma di miglioramenti operativi concreti, con un chiaro potenziale economico.
Considerazione principale:
- I prossimi vincitori dell’AI saranno le aziende che sapranno applicarla a flussi di lavoro specifici e misurabili, con benefici di produttività comprovati, sostenibili e scalabili.
L’AI nel coding sta guadagnando terreno
Lo sviluppo software è un ambito in cui osserviamo progressi particolarmente rapidi. Diversi management team hanno descritto una marcata accelerazione nella produttività degli sviluppatori nell’ultimo anno, grazie al miglioramento degli strumenti di coding e a una più ampia adozione.
In alcuni casi, una quota significativa del nuovo codice viene oggi scritta in modo autonomo o generata con un forte supporto dell’AI. Un’azienda ha indicato che circa il 10% del codice in produzione è scritto dall’AI, mentre un’altra ha evidenziato che circa il 75% del nuovo codice è generato dall’intelligenza artificiale — in aumento rispetto al 50% di 12 mesi prima.
Le funzioni corporate stanno evolvendo più lentamente, ma la direzione è la stessa. Anche l’automazione in ambito finance è emersa come tema ricorrente: reportistica ordinaria e sintesi settimanali delle performance, che in passato richiedevano giorni, possono oggi essere completate in poche ore. I risparmi rimangono per ora circoscritti, ma i segnali sono sempre più concreti e credibili.
Considerazione principale:
Le evidenze suggeriscono che l’AI possa generare significativi guadagni di produttività nello sviluppo software e nelle funzioni di back office. Le aziende in grado di scalare e implementare efficacemente queste soluzioni sono ben posizionate per trasformare l’automazione in un miglioramento dei margini.
I benefici dell’AI: dalla teoria alla pratica
Quasi nessuna azienda ha dichiarato di disporre di un framework pienamente maturo per misurare i ritorni dell’AI. Si tratta ancora di un processo in evoluzione. Tuttavia, il dibattito si è spostato oltre la questione se l’investimento sia giustificato in linea di principio.
Un anno fa, molti progetti venivano finanziati sulla base della sola convinzione. Oggi, i management team iniziano a vedere sufficienti evidenze per ritenere che i ritorni siano positivi, pur senza essere ancora in grado di quantificarli con precisione. L’approccio è passato da “crediamo che funzionerà” a “sappiamo che funziona — non sappiamo ancora esattamente quanto”.
Si tratta di un cambiamento rilevante. L’AI non è più un salto nel vuoto, ma nemmeno una leva universale di profitto. I risultati dipendono da dove viene applicata, da quanto efficacemente viene integrata e dalla capacità dell’organizzazione di adattarsi. Questo porta a una considerazione ancora più importante per gli investitori: il vantaggio competitivo dipenderà sempre meno dall’accesso ai modelli e sempre più dalla capacità di implementazione.
Gli operatori più solidi non erano concentrati esclusivamente sulle performance dei modelli, ma su qualità dei dati, progettazione dei flussi di lavoro, metriche di valutazione e supervisione umana. Nei settori ad alta intensità di ricerca, questo elemento è risultato particolarmente evidente: saper porre le domande giuste, definire correttamente i criteri di successo e riconoscere quando un output va scartato stanno diventando competenze fondamentali.
L’AI modifica il ruolo dell’expertise, ma non lo elimina. In molti casi, rende il giudizio ancora più cruciale, non meno.
Considerazione principale:
- C’è una crescente visibilità sui ritorni degli investimenti in AI, ma i benefici non sono uniformi. I primi adottanti in grado di eseguire e integrare efficacemente l’AI sono verosimilmente destinati a beneficiare di un vantaggio competitivo.
Il cambiamento strutturale nel modello SaaS
Il viaggio ha inoltre evidenziato come gli investimenti in AI stiano imponendo scelte più rigorose in altri ambiti. Le aziende stanno finanziando queste iniziative attraverso un rallentamento delle assunzioni, un controllo più stringente dei costi e una maggiore attenzione ai budget software.
Questo è particolarmente rilevante nel settore del software enterprise. Molti management team hanno sottolineato la distinzione tra i sistemi che custodiscono dati critici e le soluzioni verticali che vi si affiancano. Le piattaforme che fungono da “fonte unica di verità” appaiono relativamente più protette, poiché è lì che risiedono i dati. Le applicazioni più circoscritte affrontano invece prospettive più incerte, soprattutto nei casi in cui risultati simili possano essere ottenuti attraverso workflow più ampi, abilitati dall’AI e costruiti sopra i sistemi core.
Questo scenario apre alla possibilità di crescenti pressioni su prezzi, ampiezza dell’offerta e capacità di retention dei clienti in diverse componenti della catena del valore del software.
Considerazione principale:
Le piattaforme che integrano dati al proprio interno risultano meglio posizionate nel contesto di una ridefinizione del software guidata dall’AI, mentre le soluzioni puntuali appaiono più vulnerabili.
I costi orientano la scelta dei modelli
Un altro elemento rilevante emerso riguarda il livello di pragmatismo nella scelta dei modelli. I provider leader mantengono vantaggi evidenti, ma le aziende non si limitano automaticamente ai nomi più affermati. Valutano i modelli in base a costo, velocità e performance per specifiche applicazioni, e sono disposte a scegliere alternative meno costose quando il divario qualitativo è contenuto.
Un’azienda, ad esempio, ha selezionato un modello meno noto per la sintesi delle recensioni, ritenendo che le differenze qualitative non giustificassero il premio di prezzo. Questo è significativo, perché suggerisce che il mercato potrebbe non convergere verso un’unica struttura di pricing dominante.
Piuttosto, il valore potrebbe distribuirsi su una gamma più ampia di fornitori e strumenti, a seconda dell’economicità dei singoli casi d’uso. Per gli investitori, ciò rende il contesto più articolato rispetto a una semplice logica in cui vince chi scala di più.
Considerazione principale:
La domanda si sta spostando verso modelli di AI “best‑fit”, con gli utenti che privilegiano utilità e costo rispetto alle capacità più avanzate. L’ampliarsi del numero di provider di AI rafforza ulteriormente l’importanza della selezione titoli.
Conclusioni
Il nostro viaggio e il confronto con le aziende hanno evidenziato come l’AI stia diventando sempre più rilevante dal punto di vista economico. Tuttavia, i benefici si stanno rivelando più circoscritti, operativi e specifici per singola realtà aziendale rispetto a quanto suggerisca la narrativa più ampia. Mentre alcune aziende saranno limitate da qualità dei dati, debolezza dei processi, budget più contenuti e una limitata preparazione organizzativa, i veri vincitori saranno quelli in grado di unire dati, disciplina e capacità di esecuzione per trasformare l’adozione in ritorni duraturi. In questo contesto, riteniamo che emergano opportunità per un approccio di investimento selettivo.
