Il vantaggio competitivo nell'AI sta nel processo, non nel modello

La prima domanda che mi fanno quasi tutti è la stessa: “Quale AI dovremmo usare? OpenAI? Claude? Un modello open source?”

È la domanda sbagliata.

Non perché la scelta del modello non conti. Conta. Ma è la parte che conta meno. E soprattutto, è la parte che non ti differenzia da nessuno. Il tuo concorrente può comprare lo stesso modello domani mattina. Stessa API, stesse capacità, stesso prezzo.

La domanda che conta è un’altra: cosa sai fare che gli altri non sanno fare? E come lo stai mettendo dentro l’AI?

Il codice non è mai stato il valore

Questa idea non è nuova. Ma nell’era dell’AI diventa urgente.

A inizio 2026, i titoli delle aziende software americane sono crollati del 30%. Il panico era che l’AI avrebbe reso il software commodity: se un modello può scrivere codice, perché pagare Salesforce? Se un agente può rispondere ai ticket, perché pagare Zendesk?

Andreessen Horowitz ha pubblicato un’analisi che ribalta la narrativa. La tesi: il codice non è mai stato dove risiedeva il valore del software. Il valore è sempre stato nei processi che il software codifica. I template, i flussi di approvazione, le eccezioni gestite, le preferenze istituzionali accumulate in anni di uso. Questo sapere operativo cristallizzato dentro un prodotto è quello che Hamilton Helmer chiama “process power” — potere di processo.

E l’AI non lo dissolve. Lo rende più importante.

Process power: il vantaggio che non si compra

Vediamo cosa significa in pratica.

Harvey è un’azienda di AI legale. Ha raggiunto circa 200 milioni di dollari di fatturato ricorrente in tre anni dalla fondazione. Non perché abbia un modello migliore — usa gli stessi modelli disponibili a chiunque. Ma perché ha passato quegli anni a codificare come lavorano gli studi legali. Template di revisione contrattuale, flussi di due diligence, preferenze specifiche di ogni studio su come formattare un parere.

Un concorrente con un modello tecnicamente superiore dovrebbe ricostruire tutto questo da zero. Il modello si aggiorna in settimane. Il sapere di processo richiede anni.

Palantir è un caso ancora più estremo. Non vende analytics — vende un’ontologia operativa. Un modello digitale dell’organizzazione del cliente dove ogni entità (un ordine, un paziente, un componente) non è un dato passivo ma un oggetto con azioni eseguibili. Airbus ha usato questa architettura per accelerare del 33% la consegna dell’A350. SOMPO, il gruppo assicurativo giapponese, ha 8.000 utenti attivi ogni giorno sulla piattaforma.

AWS, Snowflake, BigQuery offrono infrastruttura dati eccellente. Ma l’ultimo miglio — tradurre i dati in operazioni specifiche per quel cliente, quel settore, quel modo di lavorare — quello lo costruisci tu. È processo, non prodotto.

Perché l’AI rende il processo più importante, non meno

Sembra controintuitivo. Se l’AI diventa sempre più capace, non dovrebbe rendere meno rilevante l’esperienza di processo?

Il contrario. Man mano che l’intelligenza grezza diventa abbondante e accessibile, la differenza competitiva si sposta su cosa fai con quell’intelligenza. E cosa fai è determinato dal sapere operativo accumulato nel tempo.

I modelli migliorano ogni mese. Ma sapere che nel settore alimentare le specifiche di un fornitore vanno verificate contro tre normative diverse, che il report va formattato in un certo modo per il responsabile qualità, che l’eccezione X si gestisce così perché cinque anni fa è successo Y — questo non lo impari da un paper di ricerca. Lo impari lavorandoci.

Le aziende che stanno ottenendo i risultati migliori dall’AI hanno tutte trovato il modo di dare al modello il loro sapere specifico. Il modello, quello lo prendono dallo scaffale come tutti gli altri.

Due moat, non uno

L’analisi di a16z identifica due vantaggi competitivi dominanti nell’era AI. Capirli entrambi è utile per qualsiasi decisione strategica sull’AI.

Process power è il vantaggio degli incumbent. Le aziende che hanno già codificato il loro sapere operativo nei propri sistemi — template, flussi, regole d’eccezione — hanno un asset che l’AI amplifica. Harvey nel legal, Palantir nei dati operativi, Stripe nei pagamenti — ognuna ha accumulato sapere di processo che un concorrente dovrebbe ricostruire da zero. Ogni miglioramento del modello rende il loro layer applicativo più capace.

Counterpositioning è il vantaggio dei nuovi entranti. Le aziende AI-native possono adottare modelli di prezzo basati sul risultato — ti faccio pagare per ogni ticket risolto, ogni lead qualificato, ogni contratto revisionato. Gli incumbent con modelli basati su licenze per utente non possono copiare questo pricing senza cannibalizzare il proprio fatturato. È lo stesso meccanismo che ha permesso a Netflix di battere Blockbuster.

I due vantaggi non si escludono. Anzi, le aziende più difendibili li combinano: processo accumulato e modello di business che gli incumbent non possono replicare.

HubSpot sta testando un approccio interessante: ha aggiunto un pricing per risultato (0,50 dollari per conversazione risolta, 1 dollaro per lead qualificato) come layer aggiuntivo sopra il modello per utente. Non sta cannibalizzando — sta aggiungendo. Se funziona, potrebbe essere un playbook per gli incumbent che vogliono difendersi senza autodistruggersi. Ma è presto per dirlo.

Cosa significa per chi deve decidere adesso

Se stai valutando come investire in AI, parti da qui: dove si trova il tuo sapere di processo?

Chiediti:

• Quali sono i processi dove il nostro modo di fare le cose è diverso dal modo standard? Quelli dove un nuovo assunto impiega mesi a diventare produttivo perché “da noi si fa così”?
• Dove abbiamo documentazione, template, checklist, procedure che codificano questo sapere? Dove invece è tutto nella testa delle persone?
• Se un concorrente adottasse la stessa tecnologia AI domani, quale conoscenza specifica gli mancherebbe per replicare i nostri risultati?

Le risposte ti dicono dove l’AI può creare differenziazione, non solo efficienza. E ti dicono dove investire prima: nel rendere esplicito e strutturato il sapere che oggi è implicito e disperso. Il modello lo scegli dopo.

Il paradosso dell’automazione parziale

C’è un ultimo dato che vale la pena considerare. a16z lo chiama il paradosso dell’automazione parziale: se l’AI riesce ad automatizzare il 50% dei compiti di un ruolo, il restante 50% non vale la metà. Vale di più. Perché i compiti non automatizzati diventano colli di bottiglia, e il loro valore relativo aumenta.

Questo significa che le aziende che automatizzano “un po’ di tutto” senza strategia rischiano di investire molto e ottenere poco. L’impatto arriva quando automazioni l’intera catena — o almeno il segmento critico. E per farlo, serve capire il processo end-to-end. Di nuovo: la tecnologia è il mezzo, il processo è la leva.

Una questione strategica, non tecnologica

La maggior parte delle conversazioni sull’AI in azienda parte dalla tecnologia: quale modello, quale fornitore, quale piattaforma. Ma la tecnologia è la variabile che cambia più in fretta e su cui hai meno controllo. I modelli di oggi saranno obsoleti tra un anno.

Il processo è la variabile su cui hai il massimo controllo e che si apprezza nel tempo. Ogni mese in cui il tuo team usa l’AI con il contesto dei tuoi processi specifici, il vantaggio si accumula. Il modello migliora per tutti. Il tuo sapere operativo migliora solo per te.

Le aziende che vinceranno con l’AI saranno quelle che hanno capito prima dove stava il loro vero vantaggio — e lo hanno messo al centro della strategia.