Capital e dati AI: la nuova corsa da 3,2 miliardi

Il precedente: chi vende picconi vince la corsa

Nel 1849, in California, la maggior parte dei cercatori d'oro finì in rovina. Samuel Brannan scelse un mestiere diverso.

Vendeva picconi, pale e setacci ai minatori. Divenne il primo milionario della corsa all'oro, prima di chiunque estraesse il metallo.

Il meccanismo era limpido: fornire lo strumento, evitare il rischio dello scavo. Chi controlla l'infrastruttura cattura il valore a monte. Nel 2026 la medesima struttura torna attiva. Il contesto è l'intelligenza artificiale, lo strumento è il dato di addestramento.

Il fatto: AfterQuery e la velocità del capital

AfterQuery vende picconi digitali. La startup addestra modelli e agenti a operare come professionisti esperti: medici, avvocati, specialisti.

L'azienda codifica decisioni e ragionamenti dei migliori operatori. Secondo TechCrunch^[1], ha raggiunto una valutazione di 3,2 miliardi di dollari, cinque mesi dopo un Series A da 30 milioni che la valutava 300 milioni.

Un incremento superiore a dieci volte in meno di sei mesi. Il partner di Y Combinator Gustaf Alströmer la definisce la startup più rapida di sempre a diventare unicorno nella storia dell'acceleratore.

I fondatori hanno 22 e 23 anni. Ad aprile l'azienda dichiarava un fatturato annualizzato di 100 milioni di dollari, con clienti come Nvidia, Legora e il laboratorio coreano Motif Technologies.

Il pattern: il denaro insegue lo strato dei dati

Tre operatori nello stesso strato bastano per chiamarlo pattern. AfterQuery segue le orme di Mercor e Scale.

Tutte impiegano professionisti umani per addestrare i modelli. Il flusso di finanziamenti conferma la direzione: Andreessen Horowitz ha portato il proprio growth fund a 8,5 miliardi di dollari pochi giorni dopo aver lanciato un fondo da 1,1 miliardi.

Nvidia ha impegnato 3,5 miliardi in MediaTek. Il denaro affluisce verso l'infrastruttura, verso lo strato che alimenta i modelli. Il valore migra dal prodotto finale al fattore scarso.

Il meccanismo: perché i dati battono i modelli

Perché i dati superano i modelli? La risposta risiede nella replicabilità.

Un modello si copia. I pesi migrano, le architetture diventano pubbliche, i costi di training scendono ogni trimestre. La competenza esperta resta scarsa.

Un medico con vent'anni di pratica produce un ragionamento difficile da riprodurre. Codificare quel ragionamento richiede accesso, tempo e fiducia. Qui emerge il rischio: il valore dei dati dipende dalla loro provenienza legale.

Ars Technica^[2] documenta come chat interne di Anthropic elogiassero l'uso di materiale pirata, elemento citato in una causa di Sony. The Verge^[3] osserva che Google dipende da Hollywood più di quanto gli studi dipendano dall'AI. Il potere contrattuale appartiene a chi detiene i dati originali.

Ciclico o strutturale?

Distinguo sempre due categorie: ciclico e strutturale. Confonderle porta a errori di allocazione.

La migrazione del valore verso lo strato dei dati è strutturale, multi-decennale. La velocità delle valutazioni attuali è ciclica, tre-sette anni. La domanda di conoscenza esperta crescerà con costanza.

Le valutazioni cicliche degli intermediari oscilleranno con violenza. Il denaro paziente compra la tendenza strutturale. Il denaro impaziente insegue il picco ciclico e paga il prezzo della correzione.

La mia posizione

La mia posizione è netta: lo strato dei dati di addestramento vive una bolla di valutazione, mentre l'accesso legale ai dati resterà il vero collo di bottiglia.

Le valutazioni corrono più veloci dei ricavi ricorrenti. Un multiplo di dieci volte in cinque mesi riflette scarsità percepita, poco fondamentali verificati. Il fatturato annualizzato misura una fotografia, poco la durata.

I contratti con i grandi laboratori si concentrano su pochi acquirenti. Questa concentrazione crea fragilità.

Cosa cambierebbe la mia lettura? Contratti pluriennali con clausole di esclusività verificabili, margini lordi stabili sopra il 60% documentati in due esercizi, una base clienti allargata oltre i cinque laboratori dominanti. Questi elementi trasformerebbero la scarsità percepita in vantaggio durevole.

Il legame geopolitico

Lo scontro tecnologico tra Stati Uniti e Cina ruota attorno ai semiconduttori. Chi controlla le fabbriche (TSMC, Samsung) controlla l'esito.

I modelli si replicano, le fab restano irriproducibili. I dati di addestramento aggiungono un secondo collo di bottiglia. La capability dei modelli converge, il differenziale competitivo migra verso due fattori scarsi: il silicio e la conoscenza esperta codificata.

Un family office attento leggerà questa doppia scarsità come mappa di allocazione. Il capitale premia i colli di bottiglia, ignora la commodity.

Tre implicazioni per il capitale

1. Family Office e fondi sovrani

Riallocare verso i colli di bottiglia strutturali nei prossimi 36 mesi. Le fabbriche di chip e i fornitori di dati esperti con provenienza pulita offrono rendite di scarsità. Le valutazioni degli strati intermedi restano esposte a compressione.

2. Chief Risk Officer

Introdurre nei modelli lo scenario di contenzioso sui dati di addestramento. Le cause per violazione di copyright possono azzerare il valore di un fornitore. Questo rischio manca dai VAR calibrati sul rischio di mercato tradizionale.

3. CFO e Investor Relations

Verificare la narrativa macro portata agli investitori. Presentare una startup di dati come infrastruttura duratura richiede prove di ricavi ricorrenti. Una valutazione da 3,2 miliardi esige fondamentali all'altezza entro diciotto mesi.

La previsione

Ecco la previsione, con orizzonte e indicatore di verifica espliciti.

Almeno una startup di dati di addestramento valutata oltre un miliardo di dollari nel 2026 registrerà un round al ribasso oppure chiuderà entro il 31 dicembre 2027.

Confidence: Medium (65%). Orizzonte: 31 dicembre 2027. Verifica: annuncio pubblico di down round o cessazione dell'attività riportato da una fonte primaria. Il segnale che smentirebbe la tesi resta l'assenza di qualsiasi down round o chiusura tra gli unicorni del settore entro quella data.

What to watch

Tre indicatori guida confermeranno o smentiranno la lettura nei prossimi trimestri.

• Multipli ricavi/valutazione dei prossimi round nello strato dati
• Numero di cause legali sui dati di addestramento contro i fornitori
• Concentrazione dei ricavi sui primi cinque laboratori clienti

La divergenza tra valutazioni e fondamentali si risolve sempre. La questione resta come. Il capitale intelligente osserva i colli di bottiglia e ignora il rumore.