Il problema dell'acquisizione di valore dell'IA

L'IA potrebbe essere una delle tecnologie di creazione di valore più potenti della storia e avere comunque un problema di cattura del valore.

Alex Karp dice che le aziende che acquistano IA rischiano di perdere la loro proprietà intellettuale in Anthropic e OpenAI. Satya Nadella chiama la risposta sovranità: un'impresa che mantiene il controllo della propria intelligenza invece di noleggiarla un query alla volta. Dicono cose simili ma le comunicano in modo leggermente diverso: l'asset scarso non è più solo il modello, ma anche il contesto e il know-how che il modello apprende dagli schemi aggregati nella tua azienda e nei suoi concorrenti.

Prendi le assicurazioni. Immagina State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual e oltre 100 compagnie più piccole che gestiscono tutte i sinistri tramite lo stesso modello. Ogni compagnia alimenta lo stesso flusso di contesto: la descrizione dell'incidente, le foto, la stima di riparazione, la nota del perito, l'approvazione borderline, il flag di frode, l'annullamento, il pagamento, il ricorso, l'esito del recupero.

All'inizio è ovviamente utile. Il modello gestisce i sinistri più velocemente, segnala i casi sospetti, impara quali stime di riparazione sono gonfiate, quali schemi medici sono strani e quali annullamenti si trasformano poi in perdite.

Ma se lo stesso modello impara da ogni compagnia, il tuo giudizio sui sinistri è ancora il tuo vantaggio? L'eccezione sottoscrittiva che proteggeva il tuo loss ratio diventa un benchmark. Lo schema di frode che il tuo team ha individuato presto diventa una funzionalità venduta al mercato.

Nota cosa mantieni e cosa perdi. L'assicuratore possiede ancora il rischio, la relazione con il cliente, il regolatore e il loss ratio. Il modello condiviso possiede sempre più la curva di apprendimento. I tuoi errori, annullamenti e l'intuizione sui sinistri duramente guadagnata diventano segnale di addestramento.

Quell'intuizione fa parte della tua vera proprietà intellettuale. Non quella registrata, i brevetti e il marchio, ma quella operativa: come la tua gente valuta il rischio, individua le frodi, legge l'ambiguità e usa tutto ciò che l'azienda sa. Il modello può dissolvere uno dei tuoi fossati rendendo riproducibile quel giudizio scarso.

Ecco perché le imprese concentrate solo sulla protezione dei dati pensano in modo troppo ristretto. L'asset più profondo è il contesto istituzionale e il know-how: il giudizio nelle teste delle persone sul duro lavoro professionale.

I laboratori lo capiscono. OpenAI e Anthropic stanno apparentemente scalando i dati 10x anno su anno e spendendo miliardi per mobilitare esperti di dominio per creare i compiti che addestrano gli agenti. Un compito è un lavoro esperto confezionato in qualcosa da cui un modello può imparare: prompt, ambiente, azione, rubrica, verificatore, punteggio.

Ora prendi le scienze della vita. Anthropic ha reso chiara la sua direzione: strumenti per i ricercatori oggi, scoperta più autonoma nel tempo. Claude for Life Sciences e Claude Science mettono letteratura, agenti, artefatti scientifici, riproducibilità e calcolo in un unico "banco di lavoro". Se migliaia di biotech usano quel sistema attorno a target, saggi, sicurezza, endpoint e decisioni kill-or-continue, l'incubo non è che Anthropic veda la scoperta specifica di qualche biotech; è che Anthropic impari cosa sono le domande serie di drug discovery e il giudizio in migliaia di aziende mentre entra anche in quello spazio.

I prodotti di prima parte sono il modo per catturare questo "apprendimento" su larga scala. Nelle assicurazioni, il modello dissolve il tuo vantaggio nella baseline del settore. Nella farmaceutica, può farlo e poi competere con te usando ciò che molti gli hanno insegnato. Rende anche i tuoi veri fossati più esposti (ne parleremo più avanti).

Penso che nessuno discuterebbe sul fatto che l'IA crea valore rendendo il know-how privato utilizzabile su larga scala. Ma rende anche il "know-how" meno scarso. Se ogni assicuratore, banca o biotech può accedere alla stessa capacità tramite lo stesso modello, quello che era il tuo vantaggio diventa la baseline del settore. Il valore non scompare; viene suddiviso: i clienti ottengono prezzi più bassi o un servizio migliore, il fornitore del modello ottiene l'apprendimento, e tu ottieni un guadagno di produttività iniziale che la concorrenza consuma.

Ecco perché così poco del valore duraturo rimane a te.

1. Se tutti ottengono lo stesso vantaggio, i clienti lo tengono. Immagina un produttore di automobili che usa un modello per negoziare semiconduttori, resina, trasporto merci, capacità di produzione a contratto e parti sostitutive. Il vantaggio è comprare meglio del prossimo produttore: sapere quale carenza di fornitore è reale, quale preventivo nasconde margine eccessivo e quando preservare la fornitura è più importante che spremere il prezzo. Se ogni produttore gestisce gli acquisti tramite lo stesso modello, il modello non solo abbassa i costi. Rende gli acquisti più "simili". Il miglior acquirente perde lo spread tra il suo processo e quello di tutti gli altri. Anche i fornitori si adattano: una volta che ogni acquirente arriva con la stessa analisi del costo dovuto, la mappa delle fonti alternative e il copione di negoziazione, il manuale diventa prezzato nel mercato.
2. Il modello cattura anche ciò che si accumula. Immagina 1.000 biotech con risorse limitate che usano Claude for Life Sciences perché non hanno la piattaforma interna di una grande azienda farmaceutica. Ogni azienda possiede il suo composto, il costo di laboratorio, il programma fallito e il percorso normativo. Ma il banco di lavoro può vedere lo schema attraverso tutti loro: quale segnale tossicologico ha ucciso il programma, quale saggio ha dato falsa fiducia, quale endpoint era debole e quale sottogruppo di pazienti non era quello giusto. Se si siede davanti a abbastanza biotech e farmaceutiche, può vedere schemi di fallimento che nessuna singola azienda può vedere. Mentre il vantaggio dei dati è nell'esclusività, un banco di lavoro condiviso rompe l'esclusività tramite aggregazione. E poiché Anthropic intende sviluppare farmaci propri, lo strumento che adotti per l'efficienza è costruito dall'entità il cui obiettivo finale potrebbe essere fare ciò che fai tu, usando ciò che ha imparato guardando il campo fare.
3. Tu contribuisci con l'unico e ricevi la media. Contribuisci con giudizio differenziato, dati, contesto e decisioni: lo schema di frode che il tuo team da solo ha individuato, il bluff del fornitore che il tuo acquirente ha ignorato, l'operazione che il tuo PM ha ucciso prima che il mercato la vedesse. Ricevi la miscela di tutti. Citadel non vorrebbe mai che ogni pod nel mondo fosse addestrato sui criteri di kill del suo miglior PM. Per la migliore azienda, questo è lo scambio perdente: dai via un giudizio superiore alla media e ricevi la media.
4. I diritti sui dati non sono diritti di apprendimento. Le aziende sanno come negoziare conservazione, riservatezza, sicurezza, controlli di accesso e opt-out di addestramento. Ma la domanda più importante è chi possiede il giudizio derivato: compiti, cicli di feedback, valutazioni, tracce del flusso di lavoro, correzioni, modalità di fallimento, schemi decisionali, competenze degli agenti e intuizioni di prodotto. Una volta che l'azienda del modello conosce il problema difficile, può acquisire la logica del lavoro in un altro modo. Può ingaggiare esperti per creare casi che testano le stesse decisioni: il modello dovrebbe aumentare i tassi, inasprire la sottoscrizione, segnalare frodi, escludere un segmento o accettare un loss ratio peggiore per mantenere un cliente redditizio? Il ragionamento diventa addestrabile.
5. Il guadagno è iniziale; la dipendenza si accumula. La prima adozione crea un vero salto di produttività. Ma una volta che i concorrenti eseguono lo stesso modello, quel salto diventa la baseline, e ciò che rimane non è il tuo vantaggio, è la tua dipendenza dal prossimo aggiornamento. Tutti cattureranno il primo miglioramento, ma il fornitore cattura la curva di apprendimento ricorrente. Anno uno, il modello di fabbrica riduce i tempi di inattività, ma poi ogni rivale ha lo stesso flusso di lavoro di manutenzione predittiva e il fornitore possiede l'intuizione di processo da cui ora dipendi.

Niente di tutto ciò significa cattura zero. Il primo arrivato intasca un profitto reale nella finestra prima che i rivali adottino. L'unico problema è che il valore duraturo va a chi possiede l'apprendimento, e per impostazione predefinita non sei tu. Il che trasforma l'intera cosa in decisioni prese flusso di lavoro per flusso di lavoro, compito per compito. Dove il tuo lavoro è generico, mettilo in comune e prendi il guadagno, perché lì stai proteggendo la mediocrità. Dove il giudizio della tua gente è il prodotto, tienilo lontano dal modello condiviso.

Ecco il modo più semplice per vederlo. Pensa a TikTok, YouTube e Google: pensi di essere il cliente, ma sei la materia prima. Ogni video che finisci insegna all'algoritmo cosa funziona, e quell'apprendimento è il vero prodotto, venduto al prossimo inserzionista e usato per agganciare il prossimo utente.

Ecco come i CEO dovrebbero pensare ad Anthropic e OpenAI: TikTok per i dati aziendali, tranne che il feed è il tuo lavoro e il segnale di coinvolgimento è il tuo giudizio. I fornitori di modelli sono quella macchina puntata al know-how più costoso della tua azienda. I tuoi esperti si presentano per aiuto con sinistri, operazioni, clausole, fornitori, studi clinici, decisioni di rischio e problemi di produzione. Ogni esitazione, annullamento, escalation, approvazione, rifiuto e secondo sguardo insegna al modello come pensa la tua azienda.

Su TikTok, il creatore almeno viene pagato. Qui, tu fornisci i dati, il contesto e l'apprendimento ("know-how") dai dati, e la piattaforma può vendere il prodotto finito a tutta la tua industria, o eventualmente scegliere di competere con te nel caso della farmaceutica.

Quindi la domanda per i dirigenti è semplice: vuoi il tuo TikTok aziendale, o vuoi usare quello condiviso? Probabilmente devi passare attraverso entrambi.

Prima di mettere qualsiasi flusso di lavoro di alto valore in Anthropic, OpenAI o un altro modello condiviso, fatti una domanda: se ogni concorrente imparasse come gestiamo questa decisione, saremmo ancora migliori di loro?