Platform Kill Zone nell’era dell’AI generativa

Tra la fine di gennaio e l’inizio di febbraio 2026, una parte del mercato ha iniziato a scontare con crescente durezza un rischio che fino a pochi mesi prima restava confinato al dibattito teorico: la possibilità che i grandi laboratori di intelligenza artificiale non si limitino a fornire modelli fondazionali tramite API, ma si espandano progressivamente anche nei livelli applicativi costruiti sopra quei modelli.

Il punto di svolta si è cristallizzato attorno al rafforzamento della spinta enterprise di Anthropic. Dopo la presentazione pubblica di Claude Cowork e il successivo ampliamento delle sue capacità operative, il mercato ha reagito con un selloff ampio e rapido su software, servizi professionali e comparti esposti all’automazione cognitiva. Bloomberg ha collegato il primo shock di mercato a una correzione di circa 285 miliardi di dollari in una sola giornata; Reuters ha poi ricostruito una perdita cumulata vicina a 1 trilione di dollari nell’arco di circa una settimana, con circa 830 miliardi bruciati in sei sedute. Questi numeri non dimostrano da soli una trasformazione irreversibile del settore, ma segnalano con chiarezza che una parte degli investitori considera ormai concreto il rischio di compressione del valore applicativo da parte dei provider del layer fondazionale.

È questo il nodo centrale della questione. OpenAI, Anthropic e, più in generale, i grandi player che presidiano i layer dei modelli non vengono più considerati esclusivamente come infrastrutture abilitanti. Sempre più spesso sono valutati come piattaforme capaci di estendersi rapidamente verso workflow, strumenti verticali e funzioni operative. Non più solo motori cognitivi, in altri termini, ma soggetti capaci di incorporare, replicare o marginalizzare parte del valore generato dall’ecosistema digitale che intorno e sui loro modelli si è costruito.

In questa prospettiva, la metafora più efficace non è quella della “distruzione automatica” delle startup AI da parte dei grandi player, ma quella della forza gravitazionale. I grandi laboratori non annullano ogni spazio competitivo in modo uniforme. Esercitano invece una pressione selettiva e crescente su quei segmenti in cui il valore aggiunto di terzi risulta troppo sottile, poco integrato o facilmente replicabile. Il rischio, quindi, non riguarda indistintamente ogni startup AI. Coinvolge soprattutto quelle realtà che occupano un livello intermedio dello stack senza disporre del controllo sui propri dati, di workflow strutturati in modo autonomo o di una relazione di fiducia sufficientemente solida con il cliente finale.

Lo scenario

La tesi di fondo di questa analisi è semplice, ma va contestualizzata. Non stiamo assistendo alla prova definitiva che ogni startup AI sia destinata ad essere assorbita o resa irrilevante; stiamo però osservando un fenomeno condizionato da una struttura di mercato più instabile e severa di quanto molte narrative ottimistiche abbiano lasciato intendere negli ultimi due anni. Una struttura nella quale il principale fornitore tecnologico può diventare, in tempi rapidi, anche il concorrente più insidioso.

Questa configurazione non è del tutto nuova. L’economia delle piattaforme la conosce da tempo e la descrive attraverso logiche già note di envelopment: la piattaforma incentiva l’ecosistema a costruire sopra il proprio layer, ma conserva al contempo un interesse strutturale a inglobare le categorie applicative che diventano abbastanza strategiche, redditizie o comunque prossime al rapporto diretto con il cliente. Nell’AI generativa, tuttavia, questa dinamica sembra accelerare in modo marcato per almeno tre ragioni: la rapidità dei cicli di prodotto, la profonda integrazione tra modello e interfaccia operativa e la possibilità di distribuire nuove capacità su una base utenti vasta e già acquisita.

Da qui nasce l’interrogativo centrale. Se il provider del modello può espandersi a valle con crescente facilità, quali startup restano davvero difendibili? E, soprattutto, quale tipo di vantaggio competitivo continua a reggere quando il layer fondazionale non è più soltanto un’infrastruttura neutra, ma un attore che tende a ridurre l’intermediazione tra sé e il cliente finale?

In questo approfondimento quindi utilizzeremo il concetto di Platform Kill Zone non come slogan, ma come chiave di lettura analitica. L’obiettivo non è stabilire se ogni strato applicativo verrà inevitabilmente travolto, ma capire quali meccanismi economici stanno comprimendo lo spazio di manovra delle startup AI, quali segmenti risultano più esposti e quali condizioni possono ancora rendere una posizione credibilmente difendibile.

Contesto storico e concettuale

Il fenomeno descritto si fonda su basi teoriche già note nell’economia delle piattaforme. Nel 2002, Joel Spolsky formulò il principio della Commoditization of Complements: una piattaforma ha spesso un incentivo strutturale a rendere economici, standardizzati o inclusi nell’offerta di base i prodotti complementari al proprio core business, perché ridurne il costo tende ad accrescere la domanda per lo stack tecnologico che essa controlla. Questa logica è stata osservata in più fasi del settore tecnologico; oggi tende a ripresentarsi in un contesto radicalmente diverso, nel quale il livello strategico non è più rappresentato soltanto dall’interfaccia o dalla distribuzione, ma dal motore cognitivo sul quale vengono costruite applicazioni, workflow e servizi orientati all’AI.

Un secondo pilastro interpretativo è la Platform Kill Zone, un’espressione divenuta ricorrente nel dibattito su piattaforme digitali, concorrenza e venture financing. Il concetto descrive lo spazio di vulnerabilità nel quale alcune startup faticano a crescere non perché il prodotto sia privo di qualità, ma perché il platform provider può estendere progressivamente il proprio perimetro competitivo verso mercati adiacenti. Se in passato questa dinamica veniva discussa soprattutto in relazione agli App Store, ai marketplace o ai sistemi operativi, l’AI generativa la rende potenzialmente più incisiva: il fornitore della piattaforma non presidia solo la distribuzione e l’interfaccia, ma anche il modello fondazionale dal quale dipende una quota consistente del valore applicativo costruito da terzi.

Infine, occorre considerare quello che può essere definito Layer Commoditization Cycle: il processo per il quale ciò che oggi appare come una funzione premium e differenziante rischia, nel giro di pochi cicli di prodotto, di diventare una capacità standard inclusa nell’offerta del fornitore sottostante. Nel modello SaaS tradizionale questa dinamica poteva richiedere anni; nell’ecosistema AI, almeno in alcuni segmenti, i tempi sembrano essersi contratti significativamente. Una startup può impiegare molti mesi per validare una proposta di valore, mentre un grande laboratorio, individuata sufficiente domanda e adiacenza strategica, può incorporarne parte delle funzionalità core in una release successiva e distribuirle immediatamente su una base utenti incomparabilmente più ampia. È in questa asimmetria di velocità, distribuzione e costo marginale che risiede il cuore del rischio competitivo.

I tre vettori del fenomeno

La pressione esercitata dai grandi laboratori non si manifesta in modo uniforme. Non esiste un meccanismo universale attraverso il quale lo stack tecnologico comprima lo spazio delle startup AI che lo utilizzano. Si possono distinguere, più correttamente, almeno tre vettori ricorrenti: acquisizione diretta, replica nativa e marginalizzazione progressiva. Tre dinamiche che non operano sempre con la stessa intensità né producono ovunque gli stessi effetti, ma tendono a convergere su un punto preciso: restringere il margine di autonomia di quelle realtà che costruiscono valore troppo vicino al baricentro operativo della piattaforma fondante.

Il primo vettore è l’acquisizione. Si manifesta quando il laboratorio, invece di limitarsi ad osservare l’evoluzione dell’ecosistema, sceglie di incorporare direttamente team, competenze, prodotti o snodi funzionali già consolidati.

Negli ultimi mesi OpenAI ha fornito diversi segnali in questa direzione: l’acquisizione di Statsig, presentata come un rafforzamento delle capacità di experimentation, feature management e decisioning in ambito prodotto; quella di Neptune, giustificata come un passo per migliorare l’osservabilità del training e il monitoraggio del comportamento dei modelli; quella di Software Applications Incorporated, creatrice di Sky, letta come un’espansione verso un uso più integrato dell’AI su desktop. Considerati singolarmente, questi movimenti possono sembrare operazioni mirate. Nel loro insieme, mostrano invece una traiettoria coerente: il laboratorio non presidia soltanto il modello, ma tende a spingersi negli spazi nei quali il valore prodotto da terzi viene misurato, orchestrato, reso operativo e distribuito.

Il significato strategico di questo vettore non risiede soltanto nell’aggiungere nuove capacità, ma anche nel ridurre la probabilità che alcuni complementi critici si consolidino come controparti indipendenti. In termini economici, acquisire può essere più rapido che costruire internamente; in termini competitivi, può risultare ancora più conveniente quando il target occupa uno snodo adiacente al rapporto con sviluppatori, team di prodotto o clienti enterprise.

L’acquisizione, quindi, non va letta soltanto come crescita per linee esterne. In un ecosistema di piattaforma, può essere anche una forma di controllo preventivo dei perimetri, nonché il modo più efficiente per evitare che un complemento strategico diventi, nel tempo, un centro di valore autonomo.

Il secondo vettore è la replica nativa, probabilmente quello che più influenza la percezione del mercato. Il laboratorio non acquista il complemento: ne assorbe direttamente una parte rilevante delle funzioni all’interno del proprio stack, offrendo al cliente una soluzione integrata, sufficientemente completa e distribuita su scala molto più ampia.

OpenAI ha compiuto un passaggio significativo in questa direzione già nel marzo 2025, con il lancio della Responses API e dell’Agents SDK, presentati come strumenti per semplificare la costruzione di applicazioni agentiche. La loro introduzione ha operato una disintermediazione radicale: integrando nativamente layer di orchestrazione, gestione dello stato e tool-use, questi strumenti hanno assorbito funzionalità che fino a quel momento costituivano il core business di un intero mercato di soluzioni terze e framework intermedi.

Anthropic ha seguito una direzione simile, con maggiore evidenza sul fronte enterprise. Il 13 gennaio 2026 ha annunciato Labs come spazio di sperimentazione di nuove esperienze di prodotto; il 30 gennaio ha presentato pubblicamente Cowork come evoluzione orientata a flussi di lavoro più agentici e operativi. Nelle settimane successive, il rafforzamento di strumenti e plug-in verticali è stato letto dagli investitori come un segnale di crescente sovrapposizione con categorie software già quotate, contribuendo a un selloff significativo nel comparto. Reuters ha collegato a questa dinamica una perdita di circa 830 miliardi di dollari in sei sedute e, successivamente, quasi 1 trilione nell’arco di circa una settimana; Bloomberg ha attribuito al primo shock una correzione di circa 285 miliardi in una sola giornata. Questi numeri non provano che ogni segmento verrà assorbito, ma segnalano che il mercato considera ormai concreto il rischio di bundling e compressione del valore applicativo.

Vale qui una precisazione importante. La minaccia competitiva non richiede che la piattaforma replichi il 100% del prodotto della startup. In molti mercati software è sufficiente incorporare una quota abbastanza ampia della funzione percepita come utile dal cliente medio, combinandola con distribuzione integrata, costo marginale basso e accesso diretto alla base utenti. Il rischio nasce non tanto dalla superiorità assoluta del prodotto nativo, quanto dalla sua cosiddetta “sufficienza bundlizzata”: abbastanza funzione, abbastanza convenienza, abbastanza prossimità al workflow da rendere meno razionale il ricorso a un fornitore separato.

È questa la forma contemporanea della Commoditization of Complements applicata all’AI. Non sempre annulla il mercato dei terzi, ma può ridefinirne rapidamente prezzo, centralità e spazio di crescita.

Il terzo vettore è più sottile e, proprio per questo, spesso più indicativo. Non tutte le startup vengono acquisite né tutte vengono replicate frontalmente: molte vengono semplicemente spinte verso uno spazio competitivo più ristretto. Restano presenti, talvolta crescono anche, ma lo fanno spostandosi lateralmente rispetto al baricentro operativo occupato dalla piattaforma.

Il caso di LangChain è emblematico in tal senso: smentisce la narrativa del collasso imminente. Nata come infrastruttura di riferimento per connettere modelli, strumenti e dati esterni, l’azienda ha visto nel tempo parte delle funzioni originarie del proprio framework convergere verso il perimetro delle capacità native offerte dai provider di LLM. La risposta non è stata il ritiro, ma il riposizionamento strategico: una maggiore enfasi sull’osservabilità, sull’evaluation e sulla gestione dello stato attraverso prodotti proprietari come LangSmith e LangGraph. Una strategia premiata dal mercato, che nell’ottobre 2025 ha permesso all’azienda di raccogliere altri 125 milioni di dollari, raggiungendo una valutazione di 1,25 miliardi.

Più che un’eliminazione sistematica degli operatori intermedi, stiamo assistendo ad una spinta verso la ridefinizione della loro proposta di valore. Le startup sono chiamate a presidiare aree meno aggredibili dalle piattaforme: l’osservabilità, la governance operativa, l’evaluation, la gestione dello stato e l’integrazione profonda dei processi. In questo scenario, la sopravvivenza non dipende dalla difesa dello spazio originario, ma dalla capacità di compiere uno spostamento laterale verso funzioni più specifiche, difendibili e meno esposte a una replica immediata da parte dei grandi laboratori.

Questo rende il terzo vettore particolarmente rilevante sul piano analitico, perché dimostra che la Platform Kill Zone non coincide necessariamente con una distruzione netta. Coincide più spesso con una riduzione della centralità economica. Il prodotto non scompare, ma cessa di occupare il cuore del valore percepito, scivolando verso segmenti più marginali dove diventa complemento specializzato, strumento di secondo livello o infrastruttura di supporto.

Sintesi del quadro

Considerati insieme, i tre vettori delineano una dinamica di notevole coerenza. Con l’acquisizione, il laboratorio incorpora strutture e sistemi già consolidati. Con la replica nativa, riassorbe funzioni che il mercato aveva iniziato a monetizzare separatamente. Con la marginalizzazione progressiva, spinge gli operatori intermedi verso segmenti meno centrali, dove il valore resta possibile ma più difficile da difendere e più lontano dal rapporto diretto con il cliente.

È importante, tuttavia, evitare conclusioni affrettate. Questi tre vettori non dimostrano che ogni startup AI sia destinata, per sua stessa natura, ad essere assorbita o neutralizzata; evidenziano piuttosto un aspetto circoscritto: lo spazio competitivo di chi costruisce sopra i grandi modelli non può più essere valutato solo in termini di qualità del prodotto o rapidità di esecuzione. La solidità di un progetto va misurata sulla distanza strategica dalla piattaforma, sulla profondità dell’integrazione e sull’unicità degli asset. Conta, in definitiva, la capacità di presidiare un layer che il provider sottostante non possa incorporare facilmente senza stravolgere la propria struttura, sostenere costi organizzativi elevati o affrontare una complessità di dominio che oggi non controlla ancora.

Il meccanismo economico sottostante

I tre vettori descritti non sono fenomeni isolati: derivano da una struttura di incentivi relativamente chiara. Un laboratorio fondazionale ha interesse ad aumentare l’utilizzo dei propri modelli perché l’espansione dell’uso produce ricavi, rafforza la relazione con il cliente finale, genera dati di prodotto e consolida il proprio ruolo come punto di accesso privilegiato all’intelligenza artificiale. Quando una startup costruita sopra quel layer intercetta una quota crescente del valore economico, smette di essere soltanto un complemento utile e rischia di diventare una forma di disintermediazione.

È qui che si sviluppa una prima pressione strutturale rilevante. Nella fase iniziale, la piattaforma ha tutto l’interesse a favorire lo sviluppo dell’ecosistema: più sviluppatori, più integrazioni, più casi d’uso, più domanda per il modello. Man mano che alcune categorie applicative si consolidano, però, il laboratorio può iniziare a vederle in modo diverso. Non più soltanto come domanda indiretta per il proprio core business, ma come segmenti troppo vicini al rapporto con il cliente, troppo ricchi di margine o troppo strategici per restare interamente esterni.

In questo quadro, la soglia della minaccia competitiva non coincide necessariamente con la replica perfetta del prodotto di terzi. In molti mercati, al software di piattaforma non serve offrire il 100% della capacità della startup per comprimerne lo spazio economico. Può bastare una combinazione sufficientemente ampia di funzionalità, distribuzione integrata, convenienza economica e accesso diretto alla base utenti per rendere meno razionale, per una parte del mercato, ricorrere a un fornitore separato.

Il rischio nasce quindi non tanto dalla superiorità assoluta del prodotto nativo, quanto da quella che si potrebbe definire una “sufficienza implementabile”. La piattaforma incorpora una quota abbastanza ampia del valore percepito dal cliente medio da ridurre il pricing power del layer specializzato. In questa configurazione, la startup non viene necessariamente eliminata; anzi, può continuare a esistere, a crescere in nicchie specifiche o a mantenere clienti complessi. Il suo spazio di monetizzazione, la sua centralità nel workflow e la sua narrativa di inevitabilità, tuttavia, possono ridursi rapidamente.

Questo spiega perché i segnali di mercato vengano letti con tanta sensibilità. Quando nel marzo 2025 OpenAI ha presentato la Responses API e l’Agents SDK come strumenti per aiutare sviluppatori e imprese a costruire agenti utili e affidabili, ha reso ancora più evidente una strategia già intuibile: il provider del modello non intende restare confinato al ruolo di puro motore sottostante, ma tende ad avvicinarsi alle logiche di orchestrazione e di esecuzione agentiche. Lo stesso vale per Anthropic, che nel gennaio 2026 ha aperto Labs come spazio per sperimentare nuove esperienze di prodotto intorno a Claude, rendendo visibile lo spostamento dal modello come capacità astratta, al modello come interfaccia operativa.

Questa struttura di incentivi non implica, naturalmente, un esito uniforme. Non ogni startup viene assorbita, non ogni funzione viene commercializzata e non ogni mercato premia l’integrazione verticale. Il punto di fondo, però, resta il medesimo: quando il provider del layer fondazionale controlla insieme capacità tecnica, distribuzione e relazione con il cliente, il vantaggio di una startup non può più appoggiarsi soltanto sulla rapidità di esecuzione o su un’interfaccia migliore. Deve far perno su un elemento che la piattaforma non possa integrare agevolmente senza incrementare, in parallelo, la propria complessità operativa, i costi organizzativi, l’esposizione normativa o la profondità di dominio necessaria.

Trend strutturale: il “Service as a Software”

Un fattore che amplifica questa dinamica è il progressivo slittamento da una logica Software as a Service (SaaS) classica a una logica più orientata all’output. Il termine “Service as a Software” non ha ancora lo status consolidato di categorie mature come SaaS o PaaS, ma nel dibattito di mercato viene utilizzato con crescente frequenza per descrivere un passaggio concreto: il cliente valuta sempre meno il possesso dello strumento e sempre più il risultato operativo prodotto dal sistema. Alcuni investitori e osservatori descrivono il 2026 come la fase in cui molte aziende AI tentano di passare da copilot ad autopilot, ossia da software che assistono il lavoro a sistemi che ne eseguono porzioni crescenti.

Nel paradigma SaaS tradizionale, il valore economico risiede soprattutto nell’accesso continuativo a un software composto da interfaccia, workflow, database, funzioni di coordinamento e reportistica. Il cliente paga per usare lo strumento. Nel paradigma emergente, il centro di gravità si sposta verso il risultato. Il cliente non cerca soltanto un sistema per svolgere un’attività: inizia a cercare un sistema che produca direttamente una quota significativa dell’esecuzione. Non solo supporto all’analisi legale, ma un’analisi predisposta. Non solo supporto al ciclo commerciale, ma l’avanzamento concreto delle fasi del processo.

Questo slittamento ha due conseguenze rilevanti. La prima è economica: il valore tende a concentrarsi più vicino al risultato finale e meno nell’accesso allo strumento. La seconda è competitiva: i layer intermedi che vivevano di orchestrazione, middleware o interfaccia rischiano di diventare più vulnerabili se non controllano anche contesto, dati, integrazione o ruolo fiduciario nel processo reale del cliente.

È proprio in questo spazio che molte startup layer risultano più esposte. Non perché il loro ruolo sia già scomparso, ma perché una parte del valore che offrivano come strato intermedio può essere progressivamente inglobata dal laboratorio fondazionale o dai grandi incumbent software che distribuiscono capacità AI dentro piattaforme già diffuse. Il problema non risiede nella scomparsa immediata del layer, ma nella compressione del suo spazio economico: meno differenziazione percepita, più pressione sul prezzo, maggiore difficoltà a giustificare un fornitore separato.

Detto in termini diretti: quando il mercato si sposta dal “dammi uno strumento migliore” al “dammi il risultato con meno attrito”, il vantaggio competitivo non può restare un fattore di superficie. Deve consolidarsi in elementi capaci di resistere a questa traslazione del valore: dati proprietari, integrazione profonda nei sistemi del cliente, compliance di settore, memoria di processo, ruolo di system of record e accesso privilegiato al contesto operativo. Sono questi gli asset che diventano determinanti quando il software cessa di essere un’interfaccia di servizio per trasformarsi in una forma di esecuzione.

Il passaggio dal modello SaaS al “Service as a Software” non va quindi interpretato come un semplice slogan, ma come un moltiplicatore di pressione competitiva. Se il cliente acquista sempre più l’output e sempre meno lo strumento, il provider che controlla il motore cognitivo, la distribuzione e la relazione diretta con l’utente parte con un vantaggio strutturale ancora più marcato. Le startup costruite sopra quel motore devono dimostrare con crescente chiarezza quale parte del loro valore non possa essere riassorbita, semplificata o resa marginale dal layer sottostante.

Vulnerabilità strutturali e rischi

La dipendenza dalle API dei grandi laboratori fondazionali non è una semplice dipendenza tecnica. È una dipendenza multidimensionale che agisce almeno su tre livelli: accesso alla capacità cognitiva, accesso alla distribuzione e accesso alla credibilità di mercato. Una startup può costruire il proprio prodotto sopra un modello terzo, ma nel farlo accetta che prezzo, disponibilità, priorità di accesso, policy di utilizzo e roadmap del layer sottostante restino in larga misura fuori dal proprio controllo. In ambito enterprise, questa asimmetria pesa ancora di più: l’associazione con un provider riconosciuto funziona spesso anche come segnale reputazionale di continuità tecnologica e affidabilità.

A questa esposizione infrastrutturale si aggiunge una fragilità finanziaria. Il capitale di rischio continua a fluire verso il segmento agentico, ma in modo più selettivo e meno lineare di quanto suggeriscano le narrative ottimistiche. PitchBook, nel suo Emerging Space Brief sugli LLM agents, mostrava già nel 2024 un forte aumento del numero di deal rispetto agli anni precedenti, ma con volumi ancora frammentati e con una struttura di mercato in cui non tutte le startup disponevano del medesimo margine per sostenere cicli lunghi di riposizionamento. In questo contesto, quando il provider fondazionale incorpora una parte crescente di orchestrazione, tool use o workflow di base, i player meno capitalizzati rischiano di vedere indebolirsi la propria tesi di investimento più rapidamente del previsto.

Va tuttavia precisato che la tendenza all’envelopment non equivale automaticamente, in ogni singola fattispecie, a una prova conclamata di condotta predatoria o di abuso di posizione dominante. Sul piano economico, tale dinamica descrive innanzitutto una struttura di incentivi: il laboratorio ha interesse a ridurre l’intermediazione tra il proprio modello e il cliente finale nel momento in cui tale passaggio acquisisce una valenza strategica. Sul piano giuridico la questione è più complessa. Nel contesto europeo, il riferimento più rilevante per i fornitori di modelli di IA per finalità generali è l’AI Act, i cui primi obblighi sono già applicabili dal 2 agosto 2025. Parallelamente, il Digital Markets Act (DMA) è attualmente in fase di riesame alla luce delle sfide poste dai servizi di intelligenza artificiale, non essendo ancora stato esteso in modo esplicito ai modelli fondazionali. Tenere distinti questi due livelli conferisce all’analisi una solidità strutturale maggiore.

C’è infine un rischio più sottile e forse più decisivo: la compressione del valore non richiede necessariamente il collasso del mercato. In molti casi è sufficiente che una startup perda centralità, pricing power o la capacità di accreditarsi come fornitore indispensabile. È a questo punto che la Platform Kill Zone smette di essere una metafora drammatica per diventare una diagnosi operativa: il problema non è stabilire se l’azienda sopravviva, ma capire se riesca ancora a presidiare uno snodo sufficientemente vicino al risultato, al workflow e alla memoria di processo del cliente da giustificare una relazione commerciale e un posizionamento di prezzo autonomi.

Le condizioni per la difendibilità

La risposta più rigorosa a questa dinamica non risiede nel negarla, ma nel comprendere quali asset siano realmente in grado di resistere alla pressione. L’envelopment non può essere ignorato, ma è possibile dimostrare che non colpisce ogni realtà allo stesso modo. Alcuni casi recenti suggeriscono che una resistenza relativa è possibile quando il prodotto non si limita a rifinire una singola capacità del modello, ma presidia un livello operativo più complesso e difficilmente riassorbibile.

Cursor, azienda focalizzata su un IDE agent-first integrato nei workflow di sviluppo, offre un esempio pratico. Il suo valore non risiede esclusivamente in un’interfaccia di generazione di codice: si fonda sulla comprensione operativa della codebase, sull’indicizzazione, sulla navigazione semantica e sull’integrazione nel flusso di lavoro reale. Reuters riporta che nel novembre 2025 la società ha quasi triplicato la propria valutazione, raggiungendo i 29,3 miliardi di dollari; sul piano del prodotto, Cursor continua a proporsi come un ambiente capace di interpretare codebase complesse e di operare in profondità sul contesto del progetto. Questo caso non attesta un’immunità strutturale, ma illustra il tipo di presidio che accresce la difendibilità: non una funzionalità superficiale, ma un legame stretto con il contesto operativo del cliente.

Harvey, società specializzata in strumenti AI per studi legali e dipartimenti aziendali, mostra un’ulteriore forma di resistenza. Il suo vantaggio non deriva dal possesso di un modello fondazionale autonomo, ma dalla specializzazione di dominio: workflow legali, integrazione con il lavoro professionale, esigenze documentali e operative di studi e dipartimenti corporate. Reuters riporta che nel marzo 2026 la società ha raggiunto una valutazione di 11 miliardi di dollari dopo un nuovo round da 200 milioni. Questo conferma che quando il prodotto si consolida in un ambito regolamentato, ad alta intensità di contesto e con forti esigenze di affidabilità, la replica generica da parte del provider sottostante diventa meno immediata e meno efficiente sotto il profilo economico.

Un terzo caso rilevante è Perplexity, il metamotore di ricerca AI, considerato qui non tanto come esempio di verticalità pura, quanto come modello di posizionamento costruito sulla ricerca, sulla sintesi documentata da citazioni, sull’accesso a fonti interne e sulla gestione di file in ambiti professionali. La sua offerta enterprise punta su questi pilastri: risposte verificate da citazioni, indicizzazione di fonti interne, integrazione di file e ricerca della conoscenza a livello organizzativo. Anche in questo caso non si tratta di immunità strutturale; emerge, tuttavia, un posizionamento in cui il valore percepito non si esaurisce nell’essere “l’ennesimo chatbot”, ma coincide con un punto di accesso fiduciario per la ricerca e la verificabilità dei risultati.

Da questi casi emerge un minimo comun denominatore. Le startup meno esposte non sono necessariamente quelle con la tecnologia più spettacolare, ma quelle che accumulano asset che il provider fondazionale non può riassorbire facilmente senza modificare la propria natura. Il primo asset è la proprietà dei dati o, più precisamente, l’accesso privilegiato al contesto. Nei domini complessi il vantaggio nasce raramente dalla sola interfaccia: nasce dall’accesso continuativo a documenti, feedback, procedure, stati e conoscenza operativa che il laboratorio generalista non possiede in modo nativo e non può replicare ovunque con la stessa efficienza.

Il secondo asset è la profondità dell’integrazione nei workflow. Uno strumento che vive davvero dentro CRM, ERP, sistemi documentali, processi approvativi o ambienti di sviluppo non vende solo “funzioni AI”: vende continuità operativa, adattamento locale e riduzione dell’attrito. È qui che si formano gli switching cost più robusti. Replicare astrattamente una funzione è relativamente semplice; replicare la sua presenza capillare dentro un processo reale richiede organizzazione, supporto, compliance e conoscenza di dominio.

Il terzo asset è il presidio del punto fiduciario del processo, che spesso coincide con il ruolo di system of record o con infrastrutture ad alta osservabilità e valutazione. Il caso di LangChain è istruttivo: quando parte del valore originario del framework si è avvicinata al perimetro delle capacità native dei provider, l’azienda ha spostato l’enfasi su LangSmith e LangGraph, ossia su osservabilità, tracciamento, stato ed evaluation. Non è una fuga dal problema; è il tentativo di riposizionarsi in uno spazio nel quale il valore non dipende solo dalla generazione, ma dal controllo affidabile del comportamento del sistema in produzione.

La distinzione decisiva resta quella tra startup layer e startup verticali. Le prime occupano spesso uno strato intermedio dello stack senza detenere dati unici, integrazioni profonde o una relazione fiduciaria abbastanza solida con il processo finale del cliente: per questo risultano più esposte alla compressione. Le seconde non sono immuni, ma dispongono di un margine difensivo più credibile: non vendono soltanto una capacità del modello, ma un’infrastruttura operativa di dominio. È in questa densità del moat — non nella sola etichetta “AI startup” — che si gioca la loro tenuta reale.

Possibili percorsi evolutivi

Nel breve e medio periodo il mercato sembra avviarsi verso una fase di selezione più severa, nella quale non basterà più dichiararsi “AI-native” per risultare credibili. Il selloff di febbraio non ha certificato la fine del software applicativo, ma ha costretto investitori e operatori a una distinzione più netta: da un lato i prodotti che aggiungono un layer sottile sopra capacità facilmente replicabili; dall’altro le realtà che controllano workflow, dati, contesto operativo o snodi fiduciari più difficili da assorbire. Lo stesso rimbalzo parziale osservato alcune settimane dopo, in seguito ai plug-in sviluppati da Anthropic con partner software già affermati, suggerisce che il mercato non sta scegliendo tra “distruzione totale” e “nessun rischio”, ma sta ricalibrando in modo più selettivo le condizioni di sopravvivenza e di pricing.

Guardando ai prossimi 12-24 mesi, è possibile ipotizzare tre traiettorie principali. Non si escludono a vicenda e potrebbero combinarsi in misura diversa a seconda del settore, della geografia regolatoria e della velocità con cui i laboratori continueranno a muoversi nei layer applicativi.

La prima traiettoria è la coesistenza stratificata. In questo scenario si consolida una divisione del lavoro relativamente stabile: i grandi laboratori presidiano compiti orizzontali, generalisti e ad alta scala; le realtà verticali mantengono il controllo dei workflow di dominio più complessi, regolati o ad alta intensità di contesto. L’ipotesi non presuppone una pace competitiva, ma che il valore si distribuisca lungo strati diversi dello stack e che una parte delle startup riesca a restare difendibile perché radicata in dati, integrazione e processi reali — come mostrano i casi di Harvey nel legale e di Cursor nello sviluppo software.

La seconda traiettoria è una concentrazione oligopolistica più marcata. I grandi laboratori sfruttano il vantaggio combinato di capitale, distribuzione, visibilità e rapporto diretto con clienti e sviluppatori per assorbire o neutralizzare una quota crescente delle applicazioni adiacenti. In questo scenario, molte startup promettenti si troverebbero davanti a un bivio ricorrente: essere acquisite prima di raggiungere piena autonomia o convivere con una pressione competitiva crescente da parte del layer sottostante. Le acquisizioni recenti di OpenAI e la progressiva estensione del perimetro dei suoi strumenti per agenti indicano che questa traiettoria non è teorica, ma già visibile in alcuni segmenti.

La terza traiettoria è una frammentazione regolatoria e industriale tra aree geografiche. In Europa, gli obblighi già applicabili ai provider di modelli GPAI ai sensi dell’AI Act e il riesame in corso del DMA possono contribuire a rendere più onerosa o più sorvegliata un’integrazione verticale completa tra modello fondazionale, distribuzione e applicazioni enterprise. Questo non garantisce automaticamente più concorrenza, ma potrebbe aprire spazi di manovra relativamente maggiori per operatori verticali o specializzati, soprattutto nei domini ad alta compliance. In contesti meno regolati, al contrario, il bundling tra modello, interfaccia e funzione operativa potrebbe avanzare più rapidamente.

Tra queste tre traiettorie, la più plausibile non è probabilmente la vittoria netta di una sola logica, ma una loro combinazione instabile. Alcuni segmenti potrebbero convergere verso una concentrazione più forte; altri potrebbero mantenere una divisione del lavoro più equilibrata; altri ancora potrebbero differenziarsi soprattutto per effetto del quadro normativo o della densità regolatoria del dominio. Il punto decisivo resta invariato: la distanza strategica dal layer fondazionale conta sempre di più. Più una startup costruisce vicino al risultato finale, al contesto operativo del cliente e alla memoria del processo, più aumenta la propria capacità di resistere. Più invece il suo valore resta prossimo a funzioni facilmente riassorbibili, più il suo spazio tende a restringersi.

Tirando le somme

La Platform Kill Zone nell’era dell’AI generativa non va letta né come slogan né come fatalismo. Non descrive la fine inevitabile delle startup AI. Descrive una struttura economica più severa, nella quale i laboratori fondazionali operano entro incentivi che li spingono, in misura variabile ma riconoscibile, ad avvicinarsi ai layer intermedi nei quali si concentra una parte crescente del valore generato dai loro stessi modelli. Il punto non è stabilire se lo faranno sempre, ovunque e con successo uniforme. Il punto è riconoscere che possono farlo molto più rapidamente di quanto molte categorie software abbiano sperimentato nelle fasi precedenti.

La logica della Commoditization of Complements trova nell’AI un acceleratore particolarmente efficace. I cicli di prodotto sono brevi, il costo marginale di distribuzione di nuove capacità tende a ridursi e il rapporto diretto con il cliente enterprise sta diventando, per i grandi laboratori, un obiettivo sempre più esplicito. Quando il provider del modello smette di essere soltanto infrastruttura e diventa anche interfaccia operativa, la domanda strategica per chi costruisce sopra di esso cambia radicalmente. Non è più sufficiente chiedersi se il prodotto funzioni: occorre chiedersi quale parte del suo valore il layer sottostante non possa replicare facilmente senza aumentare la complessità, sostenere costi organizzativi superiori o penetrare una profondità di dominio che oggi non controlla.

È qui che la distinzione tra startup layer e startup verticali diventa decisiva. Le prime restano più esposte quando il loro vantaggio competitivo coincide soprattutto con interfaccia, orchestrazione leggera o confezionamento di capacità già presenti nel modello. Le seconde, pur non essendo immuni, dispongono di una base di resistenza più credibile quando controllano dati, integrazioni, compliance, memoria di processo o ruolo fiduciario nel workflow del cliente. La tenuta, in altri termini, non dipende dall’etichetta “AI startup”, ma dalla densità del moat accumulato attorno al punto in cui l’AI entra nel lavoro reale.

Il selloff osservato tra la fine di gennaio e il mese di febbraio 2026 non va interpretato come la certificazione della fine dell’ecosistema applicativo. Va letto, più sobriamente, come il segnale che il mercato ha iniziato a distinguere con maggiore severità tra imprese che aggiungono un layer sottile sopra capacità facilmente riassorbibili e imprese che hanno costruito una posizione strutturalmente più resistente. È in questa distinzione, più che nella corsa alla novità, che si giocherà una parte decisiva della prossima fase dell’AI enterprise.

Glossario

ARR (Annual Recurring Revenue): metrica tipica del modello SaaS che misura i ricavi ricorrenti annualizzati generati da contratti di abbonamento o servizi continuativi.

Commoditization of Complements: principio economico secondo cui un’impresa ha incentivo a rendere più economici, standardizzati o abbondanti i prodotti complementari al proprio core business, così da rafforzare la domanda per il layer che controlla direttamente.

Document Processing: insieme di tecnologie e workflow usati per estrarre, classificare, strutturare e analizzare informazioni contenute in documenti non strutturati, come PDF, contratti, fatture o allegati.

Envelopment: dinamica competitiva attraverso la quale una piattaforma estende il proprio perimetro in mercati adiacenti, incorporando progressivamente funzioni prima offerte da operatori specializzati.

Fine-tuning: fase di addestramento aggiuntivo di un modello già pre-addestrato su dati più specifici, finalizzata a migliorarne il comportamento in un dominio, in un compito o in uno stile particolare.

Handoff: trasferimento ordinato di compito, stato o contesto tra agenti, strumenti o livelli diversi di un sistema, senza perdita sostanziale di continuità operativa.

IDE agent-first: ambiente di sviluppo progettato fin dall’origine per integrare capacità agentiche profonde, non come semplice estensione accessoria, ma come parte centrale del flusso di lavoro di programmazione.

Incumbent: Termine che indica le aziende consolidate e dominanti che già occupano una posizione di rilievo in un determinato mercato (nel contesto AI, ci si riferisce ai grandi player tecnologici come Google, Microsoft o AWS). Rappresentano i soggetti che possiedono già infrastrutture, capitali e una vasta base utenti, e che spesso integrano le nuove tecnologie generative nei propri prodotti esistenti per neutralizzare la minaccia delle startup emergenti.

Layer Commoditization Cycle: processo attraverso cui funzionalità inizialmente percepite come distintive e premium tendono, col tempo, a essere assorbite dal layer infrastrutturale o di piattaforma, perdendo parte del loro valore autonomo di mercato.

Middleware di automazione: software intermedio che connette applicazioni, dati e servizi diversi per coordinare automazioni, passaggi di stato e workflow multi-sistema.

Moat: Termine mutuato dal gergo finanziario (letteralmente “fossato”) che indica il vantaggio competitivo difendibile di un’azienda. Nel contesto AI, si riferisce a barriere all’entrata — come dati proprietari, integrazioni profonde nei flussi di lavoro o algoritmi specifici — che proteggono la startup dalla concorrenza dei grandi laboratori (come OpenAI o Google) e dei nuovi entranti.

Retrieval-Augmented Generation (RAG): tecnica che combina generazione testuale e recupero di informazioni da fonti esterne, così da migliorare pertinenza, aggiornamento e verificabilità delle risposte prodotte dal modello.

SaaS (Software as a Service): modello di distribuzione del software in cui l’applicazione viene erogata come servizio, di norma via cloud e tramite abbonamento.

Service as a Software: etichetta usata in parte del dibattito di mercato per descrivere un modello in cui il cliente valuta sempre meno il possesso dello strumento e sempre più l’output o il risultato operativo prodotto dal sistema.

Startup Layer: startup che operano in uno strato intermedio dello stack AI, spesso offrendo orchestrazione, interfaccia, automazione o middleware, senza necessariamente controllare dati proprietari o un rapporto diretto forte con il workflow finale del cliente.

Startup Verticali: startup focalizzate su uno specifico dominio operativo o industriale, nelle quali il valore deriva soprattutto da contesto, dati, integrazioni, compliance e conoscenza di settore.

Stranded Asset: investimento che perde rapidamente valore economico o strategicità a causa di un cambiamento strutturale del mercato, della tecnologia o della regolazione.

Switching Cost: insieme dei costi economici, operativi, temporali e organizzativi che un cliente deve sostenere per sostituire un fornitore con un altro.

System of Record: sistema riconosciuto come fonte autorevole e stabile di una determinata informazione all’interno di un’organizzazione.

Workflow Tools: strumenti progettati per gestire, coordinare, monitorare o automatizzare sequenze di attività operative.

Wrapper Startup: termine usato per indicare startup che costruiscono una parte rilevante del proprio prodotto sopra API o modelli di terzi; la loro vulnerabilità competitiva dipende da quanto valore proprietario aggiungono oltre al layer di interfaccia o orchestrazione.