Valutare gli Investimenti in IA: Un Framework per VC e PE

Von Dirk Röthig  ·  17. March 2026  ·  ia, venturecapital, privateequity, strategiainvestimento

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:

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:

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:

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:

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:

  1. Diritti sui dati: Tutti i dati di training sono legalmente correttamente concessi in licenza, documentati e protetti da cause di diritto d’autore?
  2. 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?
  3. Gestione del rischio di allucinazioni: Quali misure tecniche e procedurali esistono contro gli errori del modello nelle applicazioni critiche per la produzione?
  4. Traiettoria di margine lordo: La percentuale di margine lordo si sviluppa positivamente con volumi crescenti — o negativamente attraverso costi di inference scalati?
  5. Net Revenue Retention: La NRR è superiore al 100 percento e perché i clienti esistenti acquistano di più?
  6. Retention del talento: Quali persone chiave potrebbero lasciare l’azienda e quali assicurazioni esistono?
  7. Timeline del competitive moat: Perché il prodotto è ancora leader tra 24 mesi, nonostante i modelli foundation si migliorino?
  8. Categoria AI Act dell’UE: L’azienda è normativamente conforme e quali costi emergono per i requisiti futuri?
  9. Percorso verso EBITDA: Esiste una linea chiara e validabile verso la positività di EBITDA entro 18-24 mesi?
  10. 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:

iaventurecapitalprivateequitystrategiainvestimento