Valutare gli Investimenti in IA: Un Framework per Venture Capital e Private Equity
Di Dirk Röthig | CEO, VERDANTIS Impact Capital | 07 marzo 2026
Il mercato globale degli investimenti in IA ha raggiunto nel 2025 un volume superiore a 110 miliardi di dollari USA — più di tre volte rispetto al 2022. Chi oggi vuole entrare come investitore di Venture Capital o Private Equity in questo settore affronta un problema fondamentale: i framework di valutazione classici semplicemente non funzionano. Un'azienda senza ricavi, valutata a 8 miliardi di dollari. Un team di 250 persone che sfida Google. Come valutare ragionevolmente tutto questo?
Tag: IA, Venture Capital, Private Equity, Strategia di Investimento, Due Diligence
Il fallimento dei modelli di valutazione classici
Gli investitori tradizionali di VC e PE operano con strumenti consolidati: modelli di flusso di cassa attualizzato, multipli EBITDA, tassi di crescita dei ricavi, analisi di churn. Questi strumenti sono costruiti per mercati in cui la scalabilità procede linearmente e i vantaggi competitivi sono tangibili attraverso quote di mercato, canali di distribuzione o brevetti.
Le aziende di IA rompono questi presupposti su più livelli contemporaneamente.
In primo luogo, la crescita non è lineare, ma esponenziale e discontinua. Cursor, l'editor di codice assistito da IA, ha aumentato i ricavi annuali da 100 milioni a 1,2 miliardi di dollari USA entro un singolo anno — un tasso che nessun modello di flusso di cassa attualizzato classico avrebbe previsto (Sacra, 2025). Questo tipo di dinamica di crescita rende i benchmark storici inutili.
In secondo luogo, i vantaggi competitivi decisivi sono di natura immateriale. Dataset, architettura del modello, pipeline di training e talento in IA sono difficili da valutare, facili da sovrastimare e non sono iscritti in bilancio. Il "fossato dei dati" di un'azienda potrebbe essere un vantaggio duraturo o un'illusione di breve durata — dipende da quanto velocemente i modelli foundation di OpenAI, Anthropic o Google chiudono il divario.
In terzo luogo, il contesto normativo è in movimento. L'AI Act dell'UE, che entra gradualmente in vigore dal 2024, ridefinisce le applicazioni di IA ad alto rischio e può rendere interi modelli di business non redditizi entro mesi (Parlamento Europeo, 2024).
La conseguenza è chiara: gli investitori hanno bisogno di un framework di valutazione appositamente sviluppato per l'IA — uno che combini l'analisi finanziaria classica con la due diligence tecnica, l'analisi della struttura di mercato e la valutazione dei rischi normativi.
Il Framework delle Cinque Dimensioni
Dopo aver analizzato la ricerca disponibile e le esperienze dalla pratica di investimento, si possono identificare cinque dimensioni fondamentali che devono essere analizzate sistematicamente nella valutazione delle aziende di IA.
Dimensione 1: Technology Moat e Vantaggio dei Dati
La domanda più importante nella parte tecnica della due diligence non è "Quanto è buono il modello?" — bensì "Perché questo modello sarà ancora competitivo tra dodici mesi?"
I modelli di IA diventano rapidamente una commodity. Ciò che rimane è l'infrastruttura dei dati: dati di training proprietari, feedback loop dall'utilizzo reale e la capacità di migliorare continuamente i modelli. Le aziende che hanno accesso a dataset esclusivi e difficili da replicare godono di un premio di valutazione tra il 15 e il 20 percento superiore rispetto ai concorrenti comparabili senza questo vantaggio (Aventis Advisors, 2025).
Punti di controllo concreti in questa dimensione:
- I dati di training sono correttamente e legittimamente concessi in licenza? Le cause legali contro gli sviluppatori di grandi modelli mostrano il rischio legale significativo in caso di diritti sui dati non chiariti (researchly.at, 2025).
- L'azienda ha accesso ai dati che i concorrenti non possono acquistare o sintetizzare?
- Quanto è elevata la dipendenza da modelli foundation esterni (OpenAI API, Claude, Gemini)? Un'elevata dipendenza aumenta i rischi di margine e di interruzione del servizio.
Dimensione 2: Economia Unitaria e Scalabilità
Le aziende native di IA hanno una struttura dei costi radicalmente diversa rispetto alle aziende software tradizionali. La differenza decisiva risiede nei costi di inference: ogni richiesta al modello costa denaro — e questi costi si scalano con il volume di utilizzo, non sempre più economicamente del ricavo.
Secondo i dati di PitchBook, le valutazioni medie di Series A per startup di IA negli USA nel 2025 erano comprese tra 40 e 150 milioni di dollari USA per aziende con un ARR (Annual Recurring Revenue) tra 0,5 e 3 milioni di dollari USA, corrispondenti a multipli di 25x fino a 60x (PitchBook / Metal.so, 2025). Questi multipli sono alti rispetto al SaaS tradizionale — ma giustificano un investimento solo se il margine lordo si attesta su un livello sostenibile.
Un benchmark critico: le aziende di IA dovrebbero mirare a breve termine a margini lordi superiori al 60 percento. Molte prime aziende di IA hanno margini lordi negativi, perché i costi di inference superano i ricavi — uno stato insostenibile che escalata con il crescente volume di utilizzo, non scompare.
Il ricavo per dipendente è un altro indicatore chiave. Gli startup nativi di IA raggiungono in media 3,48 milioni di dollari USA di ricavi per dipendente — rispetto a 580.000 dollari USA nel settore SaaS classico (Deepstar Strategic, 2025). Questo indicatore mostra se un'azienda realmente opera come nativa di IA o semplicemente utilizza strumenti di IA superficialmente.
Dimensione 3: Team e Competenza nell'Esecuzione
In pochi settori il team è decisivo per il successo dell'investimento come nell'IA. Il mercato del talento di IA di primo livello è estremamente ristretto. Un singolo ricercatore senior con rilevante expertise specialistica può accelerare il vantaggio tecnologico di un'azienda di anni — o, se lascia l'azienda, svalutarlo entro mesi.
Gli investitori dovrebbero verificare:
- Il team fondatore ha expertise provata nel machine learning, nell'architettura dei sistemi e nella conoscenza del dominio?
- Quale è la densità di talento in IA rispetto alla concorrenza?
- Esistono strutture chiare di retention per le persone chiave (vesting, bonus, partecipazione alla PI)?
- Il team ha già provato di poter trasferire l'eccellenza nella ricerca in prodotto e mercato?
Un team fondatore tecnico senza competenza go-to-market è uno schema frequente nel settore dell'IA — e un rischio frequente. Vale anche il contrario: un forte team di vendita senza profonda competenza tecnica è praticamente privo di valore in un mercato in cui la differenziazione del prodotto è algoritmica.
Dimensione 4: Dimensione di Mercato, Timing e Struttura Competitiva
La domanda sul Total Addressable Market (TAM) è particolarmente insidiosa negli investimenti in IA. Molte aziende di IA affrontano mercati che nella loro forma attuale non esistono ancora — perché il prodotto di IA crea il mercato in primo luogo. Harvey (legal AI) non affronta un "mercato del software legale" — crea un nuovo mercato per servizi decisionali giuridici, scalato attraverso throughput di IA anziché ore di avvocati (TechCrunch, 2025).
Questa definizione di mercato rende le analisi TAM top-down largamente insignificanti. Gli investitori dovrebbero invece procedere bottom-up:
- Quanti clienti paganti esistono oggi?
- Qual è il valore medio del contratto (ACV) e in quale direzione si evolve?
- Qual è la Net Revenue Retention (NRR)? Valori superiori al 120 percento segnalano che i clienti esistenti spendono di più — un segno di creazione di valore strutturale.
L'ambiente competitivo merita attenzione particolare. Gli investitori di private equity, che tradizionalmente si focalizzano su fasi tardive con KPI chiari, devono intervenire più presto nel mondo dell'IA — o rischiano che i loro potenziali portfolio company siano già stati acquisiti dal capitale di rischio a valutazioni non riproducibili (Cambridge Associates, 2026).
Dimensione 5: Rischio Normativo e Conformità all'AI Act dell'UE
Dal progressivo entrata in vigore dell'AI Act dell'UE a partire dal 2024, il panorama dei rischi normativi per gli investimenti in IA si è fondamentalmente trasformato. Le applicazioni nella categoria "IA ad alto rischio" — incluse diagnosi mediche, decisioni creditizie, riconoscimento biometrico e IA in infrastrutture critiche — sono soggette a rigorosi requisiti di trasparenza, supervisione umana e robustezza tecnica (Parlamento Europeo, 2024).
Gli investitori devono valutare:
- In quale categoria di rischio dell'AI Act dell'UE opera l'azienda?
- Quali costi di conformità emergono e sono incorporati nel modello di business?
- L'azienda ha un Chief AI Ethics Officer o strutture di governance equivalenti?
- Quanto è vulnerabile il modello di business alle nuove normative negli USA, in Cina o in altri mercati chiave?
Devoteam, un'azienda di consulenza IT europea, ha dimostrato che audit tecnici precisi proteggono gli investitori da investimenti sbagliati indotti da normative — soprattutto nelle transazioni M&A, dove i rischi di IA sono spesso sottovalutati nella due diligence (Devoteam, 2026).
Le 10 Domande Critiche per la Due Diligence in IA
Al di là delle cinque dimensioni, nella pratica si è dimostrata utile una checklist di dieci domande che gli investitori dovrebbero porre prima di concludere ogni decisione di investimento in IA:
- Diritti sui dati: Tutti i dati di training sono legalmente correttamente concessi in licenza, documentati e protetti da cause di diritto d'autore?
- Dipendenza dal modello: Quanto è forte la dipendenza dell'azienda dai fornitori di API esterni, e cosa succede con aumenti di prezzo o interruzioni di API?
- Gestione del rischio di allucinazioni: Quali misure tecniche e procedurali esistono contro gli errori del modello nelle applicazioni critiche per la produzione?
- Traiettoria di margine lordo: La percentuale di margine lordo si sviluppa positivamente con volumi crescenti — o negativamente attraverso costi di inference scalati?
- Net Revenue Retention: La NRR è superiore al 100 percento e perché i clienti esistenti acquistano di più?
- Retention del talento: Quali persone chiave potrebbero lasciare l'azienda e quali assicurazioni esistono?
- Timeline del competitive moat: Perché il prodotto è ancora leader tra 24 mesi, nonostante i modelli foundation si migliorino?
- Categoria AI Act dell'UE: L'azienda è normativamente conforme e quali costi emergono per i requisiti futuri?
- Percorso verso EBITDA: Esiste una linea chiara e validabile verso la positività di EBITDA entro 18-24 mesi?
- Strategia di exit: Quali acquirenti strategici potrebbero essere interessati e con quali multipli erano state conclude transazioni comparabili?
Multipli di Valutazione: Un Quadro Realistico per il 2026
Dopo l'eccesso di valutazione del 2021-2023, il mercato ha subito una significativa correzione. Gli startup di IA raggiungono nel 2025 multipli di valutazione mediani di 20x fino a 30x sul ricavo annuale — con una considerevole dispersione a seconda del grado di differenziazione, della posizione di mercato e del tasso di crescita (Aventis Advisors, 2025).
Le aziende con fossati di dati proprietari e margini lordi stabili superiori al 70 percento possono continuare a giustificare multipli da 40x a 50x. I puri wrapper di API senza modello proprio o infrastruttura di dati differenziata vengono sempre più valutati da 8x a 15x — il livello delle aziende software tradizionali (Qubit Capital, 2025).
Secondo i dati dell'industria, oltre l'80 percento di tutte le aziende PE e VC utilizza ora strumenti di due diligence assistiti da IA — rispetto al 47 percento ancora un anno prima (Brightwave.io, 2025). L'ironia è notevole: gli investitori usano l'IA per valutare le aziende di IA.
Earnout, compensi basati su milestone e clausole di performance vengono utilizzati sempre più frequentemente per colmare il divario di valutazione tra l'hype dell'IA e i flussi di cassa provati (Morrison Foerster, 2025). Questi meccanismi hanno particolare senso quando l'azienda mostra forti metriche operative, ma non ancora un chiaro ponte verso l'EBITDA.
Red Flag e Green Flag: Una Verifica Veloce
Red Flag — Cautela è consigliata quando:
- Gli argomenti di valutazione si basano esclusivamente su stime di TAM e "tecnologia trasformativa", senza unit economics misurabili
- Si registra un margine lordo negativo nonostante ricavi esistenti
- I team fondatore mancano di esperienza provata nello sviluppo di prodotti di IA
- C'è dipendenza completa da un singolo fornitore di API esterno
- Mancano dichiarazioni sulla conformità all'AI Act dell'
Über den Autor: Dirk Röthig ist CEO von VERDANTIS Impact Capital, einer Impact-Investment-Plattform für Carbon Credits, Agroforstry und Nature-Based Solutions mit Sitz in Zug, Schweiz. Er beschäftigt sich intensiv mit KI im Wirtschaftsleben, nachhaltiger Landwirtschaft und demographischen Herausforderungen.
Kontakt und weitere Artikel: verdantiscapital.com | LinkedIn
Top comments (0)