Argomenti trattati
Il dibattito esploso dopo l’articolo di Steve Blank del 17 marzo 2026 ha acceso un tema semplice e scomodo: molte startup nate prima dell’esplosione degli strumenti AI odierni rischiano di trovarsi obsolete perché il contesto è cambiato più in fretta del prodotto. Blank racconta il caso di un founder nel campo dell’autonomy che, dopo sei anni di sviluppo, si è ritrovato a competere contro un mercato che si era trasformato radicalmente mentre il team stava ancora perfezionando la tecnologia.
La domanda che emerge è pratica: i criteri tradizionali di valutazione — traction, team, tecnologia — sono ancora sufficienti? In questo articolo propongo di spostare l’attenzione su un quarto criterio, l’AI Resilience, intesa come la capacità di restare rilevanti quando il modello base viene commoditizzato o reso pubblicamente disponibile.
Perché il mercato si sta ristrutturando
Il capitale ha seguito l’AI a ritmi senza precedenti: secondo il Policy Brief OCSE n. 50 di gennaio 2026, i fondi VC dedicati all’AI nel 2026 hanno costituito il 61% del totale globale, pari a 258,7 miliardi di dollari. Allo stesso tempo, ricerche come la NANDA del MIT (agosto 2026) mostrano che solo il 5% dei programmi di adozione di AI generativa produce un’accelerazione misurabile dei ricavi. Il risultato è un paradosso: più capitale, ma anche tassi di fallimento molto elevati per le startup native AI — circa il 90% nel primo anno secondo analisi 2026-2026 che includono dati di Clarifai e CB Insights.
Esempi che dicono tutto
La velocità del cambiamento si vede nelle piattaforme consolidate che assorbono funzionalità: l’integrazione di generazione immagini e logo di Canva con il lancio di Dream Lab nell’ottobre 2026 ha reso molte soluzioni standalone inutili in poche settimane. Un caso ancora più emblematico è Sora, che ha perso utenti in modo drastico dopo il lancio di una versione standalone da parte di OpenAI a settembre 2026 e ha annunciato la chiusura il 24 marzo 2026; la retention riportata da Olivia Moore di a16z era molto bassa, a conferma che avere il modello non basta se mancano motivi strutturali per la permanenza dell’utente. Contemporaneamente, startup come Runway, Pika e Kling resistono perché hanno puntato su workflow professionali difficili da sostituire.
Che cosa significa misurare l’AI Resilience
L’AI Resilience non è un concetto vago: è un insieme di dimensioni verificabili che spiegano perché alcuni prodotti restano utili quando il modello di base diventa replicabile. La prima dimensione è la proprietà dei dati: i migliori moat oggi sono costruiti su dati proprietari non replicabili, non solo su architetture di rete neurale. I VC enterprise interrogati da TechCrunch concordano: se i dati su cui si basa il prodotto possono essere ricostruiti da un modello addestrato su risorse pubbliche, non c’è vantaggio difendibile.
La seconda dimensione riguarda l’embedding nei workflow operativi. Un tool che viene attivato a richiesta è molto più vulnerabile di una soluzione che è parte integrante del processo quotidiano del cliente. Il criterio pratico è il costo di switching: se cambiare sistema costa meno che mantenere l’attuale, la fidelizzazione è instabile. La terza dimensione è la specializzazione verticale: settori regolati o con conoscenze proprietarie profonde (healthcare, legal, operazioni industriali) generano barriere che i grandi lab non inseguono per mancanza di ROI immediato.
Infine esiste la quarta dimensione, spesso sottovalutata: il lock-in regolatorio o da certificazione. Autorizzazioni FDA, omologazioni MDR e certificazioni di settore possono funzionare come un arco temporale di protezione che nessun aggiornamento del modello può cancellare istantaneamente. Blank indica queste approvazioni come sunk cost che, se ben gestite, diventano asset difendibili nel tempo.
Implicazioni per founder e investitori
La metafora dell'”alce morto sul tavolo” usata da Blank descrive l’inerzia cognitiva che impedisce a molte startup di riorientarsi: ritmi di sviluppo pensati per cicli lenti, team sovradimensionati, roadmap fissate su feature anziché su risultati economici conducono a costi irrecuperabili. Per gli investitori, la due diligence deve spostare il baricentro: oltre alla traction occorre chiedersi cosa rimane se il modello diventa commodity; oltre alla qualità del team, occorre valutare la capacità del team di riconfigurare rapidamente l’architettura del prodotto.
I dati di mercato per il 2026 mostrano già una concentrazione del capitale verso aziende late-stage con modelli dimostrati, mentre le applicazioni generiche faticano a raccogliere nuovi round. In Europa questo framework è ancora più rilevante: molti progetti sono “GPT wrapper“, sottovalutano il valore del lock-in regolatorio e soffrono della difficoltà di alzare la testa per fare ricognizione strategica. La domanda finale che Blank pone — se dovessi ricominciare oggi, cosa costruiresti? — è la prova del nove: se la risposta rivela pochissimo cambiamento, allora il vero vantaggio non è nei modelli ma in qualcosa di più solido: l’AI Resilience.