Il boom dell'IA cinese e il tavolo di design che nessuno audita
Nel gennaio 2026, sei aziende cinesi nel settore dell'intelligenza artificiale e dei semiconduttori sono state quotate alla Borsa di Hong Kong, raccogliendo complessivamente 3,6 miliardi di dollari, quasi il 60% in più rispetto al totale delle IPO del primo trimestre del 2025 in quel mercato. Le azioni di MiniMax e Z.ai hanno visto raddoppiare il proprio prezzo di apertura. I fondi retail hanno sovrascritto entrambe le emissioni più di mille volte. IDG Capital, uno dei grandi sostenitori di MiniMax, ha accumulato plusvalenze superiori a 300 milioni di dollari. HongShan, il gestore che precedentemente operava come Sequoia Capital China, ha partecipato a tre delle sei quotazioni.
I titoli di giornale celebrano la velocità. Io preferisco audire l'architettura.
Cosa premiano i mercati senza vedere
L'argomento alla base di questo afflusso di capitale è seducente nella sua semplicità: la Cina dispone di modelli linguistici propri, ha chip in fase di sviluppo, un mercato domestico su scala continentale e un governo che spinge da dietro. Baidu ha riportato una crescita del 48% su base annua nei ricavi del proprio core business guidato dall'IA nel quarto trimestre del 2025. Alibaba ha lanciato Qwen 3.5 con 397 miliardi di parametri, supporto per 201 lingue e oltre 700 milioni di download su Hugging Face. Cambricon prevede di triplicare la propria produzione di acceleratori di IA nel 2026, raggiungendo 500.000 unità. Apollo Go, il servizio di robotaxi di Baidu, ha completato 17 milioni di viaggi globali e già opera a Dubai, con accordi in corso per Londra.
Queste metriche sono reali. Ma i mercati di capitale hanno una storia documentata di premiare la scala senza audire la fragilità delle ipotesi su cui essa è costruita. E l'ipotesi più fragile di questo boom non risiede nei chip né nei parametri dei modelli. Si trova in chi decide quali problemi meritano di essere risolti, per quali utenti e secondo quali criteri di successo.
Quando un modello linguistico di grande dimensione viene addestrato su corpus massivi di testo, i pregiudizi non compaiono come errori evidenti. Appaiono come decisioni di design che sembrano neutrali fino a quando il prodotto non incontra mercati dove le ipotesi del team creatore non si applicano. Qwen 3.5 supporta 201 lingue, un dato ingegneristico impressionante. Ma supportare una lingua e comprendere i quadri culturali, le strutture di potere e le reali esigenze economiche di chi la parla sono due fenomeni distinti. La copertura linguistica non sostituisce la diversità al tavolo di design.
L'architettura sociale dietro i 3,6 miliardi di dollari
Quello che questo boom rivela, con una chiarezza che raramente viene analizzata, è il modello di capitale sociale su cui opera l'ecosistema dell'IA in Cina. HongShan in tre quotazioni, Qiming Venture Partners e IDG Capital in due ciascuno. La stessa rete di fiducia, gli stessi circuiti di validazione, gli stessi profili di investitore che approvano gli stessi profili di fondatore. Shen Meng, direttore di Chanson & Co., ha spiegato che i regolatori cinesi preferiscono Hong Kong per IPO di alta valutazione e alta incertezza perché gli investitori istituzionali assorbono meglio la volatilità rispetto ai minoristi della borsa continentale. È un argomento di gestione del rischio finanziario perfettamente ragionevole.
Ma c'è un altro rischio che questa logica non cattura: il rischio che una rete chiusa di validazione intervenga nelle decisioni di prodotto. Quando gli stessi fondi sostengono gli stessi tipi di team, che costruiscono per gli stessi utenti immaginati, il capitale non solo finanzia tecnologie. Finanza una visione particolare di per chi è quella tecnologia. E questa visione, quando viene codificata in modelli con 2,4 trilioni di parametri come ERNIE 5.0 di Baidu, o in sistemi di guida autonoma come Apollo Go che già operano su strade pubbliche di Dubai e si prepara a entrare a Londra, non è un dettaglio operativo. È una decisione di governance con conseguenze di scala globale.
Le reti omogenee hanno una proprietà ben documentata: sono straordinariamente efficienti nel muoversi rapidamente all'interno del territorio conosciuto. E sono strutturalmente cieche ai territori che non conoscono. Il problema non è l'efficienza. Il problema è che i modelli di IA non operano solo nel territorio conosciuto dai loro creatori. Operano nel mondo intero.
Il prezzo reale dei punti ciechi a scala
Permettetemi di essere specifica sulle meccaniche. Quando un modello di IA viene addestrato con pregiudizi di rappresentanza, quei pregiudizi non scompaiono nel tempo. Si amplificano. Un sistema di guida autonoma addestrato principalmente su schemi di traffico di città cinesi e poi dispiegato a Dubai o Londra non è solo una sfida ingegneristica di adattamento. È un sistema che prenderà decisioni in frazioni di secondo basate su assunzioni implicite di comportamento veicolare e pedonale che non sono state validate in quegli ambienti da persone che conoscono quegli ambienti.
E questo non è un argomento contro l'espansione globale di Apollo Go. È un argomento per esigere che i team che progettano tali sistemi siano sufficientemente diversi da rilevare i punti ciechi prima che il sistema li incontri in una strada pubblica. La diversità di pensiero e origine in un team di ingegneria di IA non è un valore simbolico. È un meccanismo di rilevamento degli errori. Un team omogeneo condivide gli stessi punti ciechi, il che significa che gli errori del team diventano gli errori del sistema, e gli errori del sistema si amplificano a milioni di utenti.
Lo stesso analisi si applica ai modelli di linguaggio. Qwen 3.5 è stato scaricato 700 milioni di volte su Hugging Face e ha generato più di 180.000 modelli derivati. Ogni modello derivato eredita i pregiudizi del modello base, amplificati o attenuati a seconda delle decisioni del team che lo adatta. La domanda su chi fosse seduto attorno al tavolo quando sono stati definiti i criteri di qualità del corpus di addestramento di Qwen 3.5 non è una questione di responsabilità sociale d'impresa. È una questione di ingegneria finanziaria: i modelli derivati con pregiudizi non rilevati generano passività reputazionali e regolatorie che prima o poi finiscono nei risultati.
I 3,6 miliardi raccolti a Hong Kong si basano, in gran parte, sulla scommessa che ciò non accadrà. O almeno, che non accadrà prima che i fondi trovino la loro uscita.
Il capitale sociale che questo boom non sta costruendo
Esiste un tipo di capitale che non appare in alcun prospetto di IPO e che determina la resilienza a lungo termine di qualsiasi azienda tecnologica operante su scala globale: la capacità di costruire fiducia autentica con comunità che non somigliano ai fondatori. Quel capitale non si costruisce assumendo un team di diversità e inclusione dopo l’IPO. Si costruisce quando i criteri di chi progetta, chi convalida e chi prende decisioni di prodotto includono prospettive che rilevano i problemi prima che arrivino al mercato.
La narrativa dominante sul boom dell'IA cinese parla di geopolitica, chip, parametri e controlli delle esportazioni statunitensi. Tutte queste variabili sono importanti. Ma la variabile che determinerà quali aziende di questo gruppo rimarranno rilevanti nel 2030 non è quanti acceleratori produce Cambricon né quanti parametri ha ERNIE. È se i team che costruiscono questi sistemi sono sufficientemente eterogenei da identificare i propri errori prima che quegli errori raggiungano la scala.
I mercati stanno valutando il potenziale di questi modelli con un premio del 40% rispetto al Nasdaq 100. Quel premio sconta che la tecnologia funzionerà. Non sconta il costo di un funzionamento errato per gli utenti che nessuno nel team di design ha immaginato.
La prossima volta che un dirigente esamina il pipeline di investimenti in IA della propria azienda, l’analisi di due diligence dovrebbe includere una domanda che oggi non è presente in alcun questionario standard: chi compone il team che definisce i criteri di successo del modello. Se tutti provengono dallo stesso tipo di istituzione, dallo stesso circuito di finanziamento e dallo stesso mercato di origine, il prodotto non ha un problema di diversità. Ha un problema di superficie di rischio non audita. E quel problema non scompare quando il modello scala. Si moltiplica con esso. Il dirigente che osserverà il proprio tavolo nella prossima riunione strategica e scoprirà che tutti pensano allo stesso modo, hanno vissuto esperienze simili e convalidano le stesse ipotesi, ha già trovato la risposta su perché la sua azienda arriverà in ritardo a rilevare il prossimo fallimento di prodotto che il mercato non perdonerà.
