Il 70% delle startup di IA in India non supera il filtro più basilare del mercato
A metà marzo 2026, Google e Accel hanno pubblicato i risultati di uno dei processi di selezione più competitivi dell'anno nell'ecosistema dell'intelligenza artificiale: oltre 4.000 candidature per cinque posti nel loro programma Atoms AI Cohort 2026. Le cinque startup selezionate —Dodge AI, K-Dense, LevelPlane, Persistence Labs e Zingroll— riceveranno fino a due milioni di dollari in co-investimento più 350.000 dollari aggiuntivi in crediti di calcolo da Google Cloud, Gemini e DeepMind. Il programma, lanciato ufficialmente l'11 marzo a Bengaluru, si concluderà a giugno con una visita a Mountain View per accedere a leader nel campo della IA e investitori globali.
Ma il dato che conta davvero non è in quelle cinque selezionate. È nei 3.995 che non lo sono stati.
Secondo Prayank Swaroop, socio di Accel, circa il 70% delle proposte legate all'India è stato scartato per essere "wrappers": strati superficiali costruiti su modelli di linguaggio esistenti senza alcuna innovazione proprietaria sottostante. E il 62% di tutte le presentazioni mirava a strumenti di produttività; un ulteriore 13% allo sviluppo software. Tre idee su quattro tentavano di vendere software aziendale costruito sopra infrastrutture altrui.
Quando costruire su basi altrui diventa una trappola cognitiva
C'è una logica comprensibile dietro la proliferazione di wrappers. Quando una tecnologia si democratizza all’improvviso —come è avvenuto con i grandi modelli di linguaggio tra il 2023 e il 2025— il primo istinto di molti fondatori è ridurre al minimo la frizione d’entrata: prendere ciò che è già esistente, aggiungere un’interfaccia più amichevole o un'integrazione verticale specifica, e chiamarlo prodotto. Dall'esterno, sembra una decisione razionale. Dall'interno, è una decisione guidata dal magnetismo della velocità e dalla paura di un impegno tecnico profondo.
Il problema non è morale. Non c'è nulla di sbagliato nel voler lanciare rapidamente. Il problema è strutturale: quando il tuo differenziale vive all'interno del modello di un'altra azienda, quel differenziale potrebbe scomparire con il prossimo aggiornamento. Google, OpenAI o Anthropic non hanno bisogno di chiedere il tuo permesso per rendere il tuo strato aggiuntivo obsoleto. Quello che un fondatore percepisce come un vantaggio competitivo —conoscere bene un caso d'uso, progettare un'interfaccia superiore— è esattamente il tipo di funzione che i fornitori di modelli incorporano in modo nativo con ogni nuova versione.
Ciò che rivela il tasso di rifiuto del 70% non è che i fondatori indiani siano meno capaci. Rivela che il magnetismo di costruire rapidamente ha prevalso sull'impulso reale di un problema irrisolto. La maggior parte delle 2.800 startup scartate non è emersa da una frustrazione genuina con i limiti della tecnologia attuale. È emersa dall'osservazione che "l'IA è di moda" e dall’inferenza che qualsiasi prodotto etichettato come IA attirerebbe capitale. Questa è la differenza tra un'azienda trainata dalla domanda e una trainata dalla narrativa di mercato.
Cosa rivelano i cinque selezionati riguardo all'architettura del valore
Non ho accesso ai dettagli tecnici delle cinque startup selezionate, ma la descrizione del processo di selezione è sufficientemente eloquente. Accel e Google hanno filtrato esplicitamente a favore di modelli proprietari, infrastrutture proprie e orchestrazione di agenti, non di interfacce costruite su API di terzi. La frase di Jonathan Silber, co-fondatore e direttore dell'AI Futures Fund di Google, lo sintetizza senza ambiguità: il programma cerca startup che «risolvano problemi difficili più rapidamente e in modo più responsabile» con accesso anticipato ai modelli più avanzati.
Questo non è filantropia tecnologica. È un segnale di mercato molto specifico.
Quando Google decide di co-investire fino a due milioni di dollari per startup e offre anche accesso anticipato a Gemini e DeepMind —senza richiedere l'esclusività dei modelli— sta scommettendo su fondatori che genereranno dati d'uso che Google non riesce a generare internamente. Le cinque startup selezionate sono, di fatto, laboratori di validazione reale per i modelli più avanzati di Google. L'investimento ha un ritorno che va oltre il capitale: è un feedback di alto valore su come i loro modelli si comportano in applicazioni di manifattura, scienze della vita e sistemi ERP. Questi sono ambienti in cui gli errori costano denaro reale, non solo reputazione.
Questo schema rivela anche qualcosa riguardo all'economia del rischio iniziale: trasformando crediti di calcolo in capitale funzionale, Accel e Google stanno convertendo costi fissi di infrastruttura —che normalmente schiaccerebbero una startup pre-seme— in qualcosa che viene consumato solo quando c'è trazione. È un modo per blindare la fase più fragile del ciclo senza richiedere che il fondatore abbia entrate prima di accedere alle risorse.
Il segnale che i leader aziendali dovrebbero leggere in questo rifiuto massivo
Il settore imprenditoriale in India —e in buona parte del mondo— sta riproducendo nei propri dipartimenti di innovazione interna esattamente lo stesso errore commesso da quei 2.800 fondatori rifiutati. La tentazione di "integrare IA" acquistando un abbonamento a un modello di linguaggio e costruendo un chatbot su di esso è l’equivalente aziendale di un wrapper: genera la narrativa di modernizzazione senza costruire alcun attivo differenziante proprio.
Swaroop ha menzionato qualcosa che merita attenzione diretta: voleva vedere più proposte in salute e istruzione, e quasi non ce ne sono state. Il 75% delle idee si è concentrato su software aziendale perché questo è il terreno dove la narrativa di "efficienza con IA" trova il percorso più breve verso una conversazione commerciale. Ma l'efficienza operativa costruita su modelli di terzi ha una vita sempre più breve. Ciò che un fornitore esterno può replicare in dodici mesi non è un attivo; è un affitto.
I leader che oggi stanno valutando come posizionare le loro organizzazioni nella prossima fase dell'intelligenza artificiale affrontano la stessa scelta di quei fondatori. La differenza è che una startup può pivotare in sei settimane. Un'organizzazione di 5.000 persone impiega molto più tempo nel correggere una scommessa errata.
La domanda che dovrebbero farsi —anche se poche giunte direttive la formulano con questa crudezza— è se la loro strategia di IA stia costruendo qualcosa che appartiene a loro o se sta semplicemente affittando capacità che altri controllano. Il rifiuto del 70% in Atoms non è una statistica dell'ecosistema imprenditoriale indiano. È una diagnosi della logica con cui troppi attori, di tutte le dimensioni, stanno prendendo decisioni di investimento tecnologico.
L'attivo più ignorato in una strategia di adozione tecnologica
Dopo aver esaminato questo processo di selezione, ciò che mi colpisce di più non è il rigore del filtro di Accel e Google. È la differenza tra ciò che i fondatori percepiscono come valore e ciò che il mercato del capitale premia come valore.
Un fondatore che costruisce un wrapper lo fa perché riduce la sua ansia di esecuzione: meno tempo di sviluppo, meno rischio tecnico, prototipo funzionante in settimane. Quella riduzione di ansia personale ha un costo che viene pagato più tardi: l'ansia che genera nel suo potenziale investitore quando valuta la difendibilità del modello. Ciò che si risparmia in frizione di costruzione si paga in frizione di finanziamento.
Questa meccanica opera allo stesso modo all'interno delle organizzazioni. Quando un team tecnologico propone una soluzione di IA che in realtà è un'integrazione superficiale di un modello esterno, riduce l'ansia degli esecutivi a breve termine —sembra progresso, può essere mostrata su un cruscotto— ma accumula un debito strategico che nessuno contabilizza nel budget.
I leader che emergeranno meglio posizionati da questo ciclo non saranno quelli che hanno investito di più nel fare sembrare moderni i loro prodotti e processi con l'IA. Saranno quelli che hanno avuto la disciplina di identificare dove risiedeva la vera frizione dei loro utenti e clienti, e hanno costruito qualcosa di proprio per eliminarla, anche se questo ha richiesto più tempo e più capitale rispetto all'acquisto di un'API e al circondarla di un'interfaccia.
