CASE-06 · Tech / AI — fare o comprare
Costruire in casa la nostra piattaforma di AI: 40 milioni e 18 mesi
77
Tech/AI
Tech/AI
In diciotto mesi il modello è commodity: il fossato sono dati e distribuzione.
In una riga Recuperati 12+ mesi di vantaggio sul mercato ed evitata una spesa su una parte destinata a diventare merce comune.
Il CTO di una società di software B2B con una base clienti consolidata, chiamato a decidere se internalizzare l'AI o affidarsi a fornitori terzi. Il board ha già inserito «AI nativa» nella pitch per il prossimo round.
Un'azienda software verticale con diecimila clienti enterprise, forte su dati di processo in un dominio specifico. Ha risorse di ingegneria di medio livello e una roadmap di prodotto già affollata. Il «progetto AI» è partito come iniziativa interna di un gruppo di ricercatori e ha acquisito vita propria.
Il campo dei modelli linguistici e dei sistemi AI general-purpose si è trasformato da barriera all'ingresso a infrastruttura condivisa nel giro di ventiquattro mesi. I principali fornitori di API (modelli, embedding, retrieval) hanno ridotto i costi di un ordine di grandezza in due anni e continuano a iterare ogni tre-sei mesi. Le aziende che hanno investito in sviluppo di modelli proprietari nel 2022-2023 si sono trovate a competere contro fondamenta gratuite nel 2024. In questo contesto, il vantaggio competitivo reale si è spostato su chi accumula dati esclusivi e su chi costruisce integrazioni di prodotto difficili da replicare — non su chi addestra il modello più grande.
La narrativa interna è convincente: «Il modello è il nostro vantaggio, dobbiamo possederlo.» Ma la domanda giusta non è «chi possiede il modello?» — è «cosa paga il cliente?». Le interviste ai clienti mostrano che il valore percepito è nei dati di processo, nella velocità di integrazione e nel supporto verticale — non nell'algoritmo sottostante. Costruire il modello in casa richiede diciotto mesi e quaranta milioni; comprarlo richiede tre mesi e margine operativo. Nei quindici mesi di differenza, il mercato si muove, i concorrenti escono, e la tecnologia che stai costruendo potrebbe essere già disponibile come API a un centesimo del costo.
Stima del tempo necessario per avere una funzionalità AI in produzione nelle due strategie — la differenza è il tempo in cui i concorrenti possono consolidarsi (dati illustrativi).
Quota di clienti enterprise che cita ogni fattore come «principale motivo di rinnovo» — il modello AI in sé è quasi irrilevante rispetto a dati e integrazione (dati illustrativi).
In un campo che cambia ogni tre mesi, 18 mesi di sviluppo interno significano lanciare qualcosa già vecchio. Il modello sta diventando una commodity, una merce che hanno tutti: il vero vantaggio difendibile (il «fossato») sono i dati proprietari e i canali di vendita. Costruire il modello brucia il tuo tempo prezioso sulla parte sbagliata.
Provenienza: piani pubblici dei fornitori · interviste ai clienti · confronti sui tempi di lancio · base red-team.
Casi compositi, nel metodo della Harvard Business Review: ricostruzioni basate su situazioni reali e ricorrenti in ciascun settore, fuse e anonimizzate per tutelare la riservatezza. Le dinamiche decisionali sono autentiche; nomi, cifre e dettagli sono modificati e non riferibili a un singolo cliente o caso. Le indicazioni di «provenienza» descrivono la tipologia di evidenza che il motore cita con tracciabilità in produzione. I valori Δ-CSI illustrano l'intensità della pressione esercitata dal contraddittorio sulle assunzioni.