Il settore del software e dei servizi digitali sta attraversando una svolta senza precedenti per velocità e profondità. Per oltre vent’anni il modello del Software-as-a-Service (SaaS) è stato il punto di riferimento per fondi di investimento, analisti e mercati finanziari. La valutazione delle aziende tecnologiche ha seguito regole chiare e codificate, basate su metriche come i ricavi ricorrenti annui (ARR), il tasso di fidelizzazione dei clienti e i multipli dell’EBITDA.
Indice degli argomenti
Dal software a licenza al lavoro completato
Oggi questo schema appare superato. L’arrivo dell’intelligenza artificiale generativa e la rapida diffusione degli agenti autonomi hanno innescato quella che gli operatori chiamano “SaaSpocalypse”: un rimescolamento profondo delle quotazioni e dei modelli di business, che colpisce prima di tutto il software tradizionale, i system integrator e chi fornisce servizi in outsourcing. Fino a ieri il valore di una software house cresceva con il numero di licenze vendute o di utenti attivi sulla piattaforma; oggi conta la capacità di produrre risultati concreti automatizzando il lavoro.
Il punto di svolta è un cambio di aspettativa da parte delle imprese clienti. Non vogliono più pagare un fornitore per il semplice uso di un applicativo o per le ore impiegate da sviluppatori e consulenti per risolvere un problema. Si sta passando dalla logica “Copilot”, in cui la tecnologia affianca la persona nello svolgimento di un compito, alla logica “Autopilot”, in cui il sistema porta a termine l’attività da solo, entro limiti fissati in anticipo e verificabili.
Questo passaggio sta cambiando la modalità di vendita al cliente: nascono modelli di prezzo outcome-based, legati al risultato consegnato al cliente anziché al canone periodico. Alcune realtà internazionali lo mostrano già: Eudia, nei servizi legali, lavora a prezzo fisso per incarico invece che a ore; Crescendo, nell’assistenza clienti, si fa pagare per ogni richiesta risolta. Entrambe hanno abbandonato le tradizionali metriche a tempo o a licenza per legare il prezzo al lavoro effettivamente portato a termine.
C’è però una condizione che spesso resta implicita: per farsi pagare un risultato bisogna poterlo dimostrare. Il cliente deve sapere che cosa ha fatto il sistema, sulla base di quali informazioni e con quale autorizzazione. Senza questa prova, il prezzo a risultato resta una promessa commerciale; con questa prova, diventa un contratto.
La produttività dell’IA cambia le metriche, ma non cancella i costi
Insieme al prodotto cambia anche l’analisi economico-finanziaria. Nelle operazioni di M&A e nelle due diligence del mid-market, i parametri tradizionali non bastano più a cogliere il reale potenziale di crescita o la fragilità di un’impresa. La metrica che sta assumendo un ruolo centrale per misurare l’efficienza operativa è la Revenue Per Employee (RPE), ovvero i ricavi generati per dipendente.
Il divario tra l’era SaaS e la nuova era “AI-Native” si vede chiaramente nei numeri: le migliori aziende SaaS tradizionali esprimono mediamente una RPE compresa tra i 200 mila e i 600 mila dollari annui per dipendente. Le società nate sui Large Language Models giocano in un’altra categoria. ElevenLabs, con circa 600 milioni di dollari di ricavi annualizzati a metà 2026, si colloca tra 1 e 1,5 milioni di dollari per dipendente, a seconda delle stime sull’organico, mentre Cursor (Anysphere), oggi parte di SpaceX, ha superato i 4 miliardi di dollari di ricavi annualizzati con un organico mai reso pubblico: le stime indicano un valore nell’ordine dei 10 milioni di dollari per dipendente.
Questo scarto mostra la leva operativa che l’IA offre: la crescita non si lega più all’aumento lineare dell’organico, ma alla capacità dell’architettura tecnologica di sostenere volumi di lavoro crescenti.
Il dato va però letto con cautela: l’RPE misura quanto un’impresa incassa per persona, non quanto trattiene. Per molte società AI-Native una parte rilevante dei ricavi va ai fornitori dei modelli, e Gartner prevede che la spesa complessiva per l’inferenza continui a crescere, perché un agente consuma da 5 a 30 volte più token di un chatbot per ogni compito. Il costo marginale del lavoro svolto dall’IA non è quindi vicino allo zero, ma dipende dall’efficienza dell’architettura sottostante e da quanto lavoro già verificato il sistema riesce a riutilizzare.
Agenti IA, il valore dipende da controlli e tracciabilità
Nonostante l’entusiasmo dei mercati, l’integrazione dell’IA nei processi aziendali critici resta difficile. Gartner prevede che oltre il 40% dei progetti basati su agenti IA verrà cancellato entro la fine del 2027, per costi crescenti, valore di business poco chiaro o controlli del rischio inadeguati. Nei settori regolati è la terza causa a pesare di più. Un modello probabilistico, per quanto accurato, non può garantire da solo un tasso di errore pari a zero, e i controlli applicati a valle intercettano l’errore quando il danno è già fatto. Dove l’errore non è ammesso, va impedito prima che l’azione venga eseguita, non scoperto dopo.
Per questo la tecnologia si sta muovendo su due direttrici: da un lato i modelli verticali addestrati su settori specifici (Domain-Specific Language Model) destinati, secondo le stime di Gartner, a rappresentare oltre la metà dei modelli aziendali entro il 2028; dall’altro, l’affiancamento ai modelli di componenti deterministiche, dove il modello propone e un insieme di regole esplicite stabilisce che cosa può essere eseguito, con una traccia verificabile lasciata da ogni azione. Nei settori ad alta regolamentazione è questo che garantisce la certezza dell’output aziendale.
In questo contesto gioca un ruolo determinante la governance. Anche con i nuovi rinvii dell’AI Act europeo introdotti dal Digital Omnibus in vigore dal 27 luglio 2026 (con gli obblighi per i sistemi ad alto rischio che slittano a fine 2027) le aziende che delegano decisioni operative agli algoritmi dovranno comunque dotarsi di stringenti procedure di audit e trasparenza. La compliance passa così da vincolo burocratico a requisito d’accesso al mercato.
Investimenti e acquisizioni premiano l’integrazione dell’IA
La consapevolezza di questa trasformazione sta cambiando l’approccio dei grandi investitori internazionali e dei fondi di Private Equity. Se in passato le strategie di add-on e il modello buy-and-build puntavano a sommare fatturato ed EBITDA tramite acquisizioni tradizionali, oggi l’obiettivo primario è l’innesto tecnologico. Sta prendendo forma la strategia degli “AI Rollup” o di transizione in cui gli investitori individuano aziende tradizionali con una solida posizione di mercato ma processi operativi superati, le acquisiscono a multipli contenuti e ne ridisegnano l’operatività integrando piattaforme di IA.
L’obiettivo è generare un forte arbitraggio di valutazione all’exit, riposizionando la società come impresa guidata dall’IA. Il mercato sembra premiare questa scelta: l’indagine 2026 di Software Equity Group evidenzia che l’83% degli acquirenti riconosce già un premio di prezzo a target nativamente integrati con l’IA, anche se solo il 26% delle aziende esaminate nel 2025 risulta davvero guidato dall’intelligenza artificiale. Il premio va a chi supera la due diligence tecnica, non a chi aggiunge un chatbot alla presentazione.
Tuttavia, esiste un rischio che molti modelli di valutazione trascurano. Se tutti automatizzano, l’automazione smette di essere un margine e diventa uno sconto: il costo per pratica scende in tutto il settore e, ai rinnovi, i clienti chiedono la loro parte del risparmio. L’investitore esce allora con un’azienda più efficiente, ma in un mercato che vale meno. L’arbitraggio per gli investitori regge solo se il margine sopravvive ai rinnovi, e a difenderlo è la prova di cui si parlava sopra: dimostrare che cosa hanno fatto le macchine e con quale autorizzazione.
Questa prova è infrastruttura, e la concorrenza la erode molto meno della semplice capacità produttiva, perché è ciò che rende l’automazione ammissibile. Senza di essa, la tecnologia rischia di diventare un elemento ordinario, soggetto a rapida svalutazione.
Imprese italiane, la finestra per recuperare il ritardo
Nel panorama nazionale il quadro mostra un ritardo che può tuttavia trasformarsi in opportunità. Secondo il Report 2026 dell’Osservatorio AI4Innovation del Politecnico di Milano, solo il 24% delle imprese italiane ha una roadmap pienamente formalizzata per l’adozione dell’IA. Sebbene il mercato italiano tenda a recepire le innovazioni con tempi più lunghi rispetto a quello nordamericano, la velocità di evoluzione dell’IA offre alle nostre imprese una finestra per recuperare il ritardo.
Per i produttori di software italiani, per i system integrator, per i fornitori di servizi e per la media industria nazionale, il consolidamento non può più basarsi unicamente sulla crescita dei volumi o sulla riduzione dei costi tradizionali.
Anche il timore di un impatto solo negativo sull’occupazione va analizzato con i dati. Uno studio della Banca d’Italia sulle imprese italiane con almeno 50 addetti (Questioni di Economia e Finanza n. 1005, marzo 2026) rileva che chi adotta l’IA vede crescere il valore aggiunto per dipendente di circa il 5% e il margine operativo per dipendente di circa il 12%, senza effetti negativi sull’occupazione complessiva ma con uno spostamento verso profili più qualificati.
Il quadro non è uguale in tutti i settori: dove il lavoro è il prodotto stesso, come nell’assistenza clienti e nel back office, la pressione sarà più diretta, e la transizione va governata, non subita. Come accaduto durante le precedenti transizioni tecnologiche, dal personal computer all’avvento di Internet, il mercato del lavoro è destinato a ricomporsi attorno a nuove competenze: supervisione, gestione delle eccezioni, decisione su che cosa le macchine possono fare.
L’evoluzione in atto non è un semplice aggiornamento tecnologico, ma un cambio di modello economico in cui aziende e investitori sono chiamati a guidare la trasformazione prima che l’integrazione dell’intelligenza artificiale cessi di essere un fattore di differenziazione competitiva per diventare un requisito minimo di sopravvivenza. A quel punto il vantaggio non sarà usare l’IA, ma saper dimostrare che cosa fa.
Partecipa alla community