Il 92 per cento del valore di mercato delle società dell’indice S&P 500 è costituito da asset intangibili; nel 1975 era il 17 [1]. Le due diligence, nel frattempo, sono rimaste costruite per censire ciò che si tocca o si registra: immobili, impianti, contratti, brevetti, marchi, codice sorgente.
Il risultato è un paradosso operativo che nessun workstream di diligence oggi intercetta: si compra un’azienda pagando quasi tutto il prezzo per il suo patrimonio immateriale, e la parte più recente di quel patrimonio, le logiche decisionali incorporate nei sistemi di intelligenza artificiale, non compare in nessuna checklist. Si firma senza sapere se il modo di pensare del target è trasferibile o se uscirà dalla porta insieme alle persone.
Indice degli argomenti
Due diligence cognitiva e checklist di un’economia intangibile
I numeri sulla distruzione di valore nelle acquisizioni sono noti da tempo. Le aziende spendono oltre duemila miliardi di dollari l’anno in acquisizioni e il tasso di fallimento delle operazioni, misurato sulla distruzione di valore per l’acquirente, si colloca tra il 70 e il 90 per cento [2]. La spiegazione proposta da Christensen e colleghi nello studio di riferimento è rimasta attuale: gli acquirenti sbagliano perché non capiscono dove risiede il valore di ciò che stanno comprando, e di conseguenza pagano il prezzo sbagliato e integrano nel modo sbagliato [2].
Nel frattempo la composizione del valore è cambiata sotto i piedi delle checklist. Ocean Tomo definisce “inversione economica” il ribaltamento avvenuto in cinquant’anni: il valore è migrato da ciò che si può toccare a ciò che si può pensare [1]. Le due diligence si sono parzialmente adeguate, aggiungendo workstream su proprietà intellettuale registrata, software, dati, cybersecurity. Ma ogni workstream presuppone che l’asset sia documentato da qualche parte: un registro brevetti, un repository di codice, un contratto, un database.
Il capitale cognitivo depositato nei sistemi AI non soddisfa il presupposto. Non è registrato, non è contrattualizzato, spesso non è nemmeno noto al venditore. E ciò che nessun documento registra non entra in data room.
L’AI nella due diligence: rischio, strumento e asset del target
Il mercato M&A non ignora l’intelligenza artificiale. La usa e la teme, e i dati lo confermano: secondo Bain, oltre il 75 per cento degli acquirenti strategici ha valutato l’impatto dell’AI sul business del target, circa uno su cinque ha abbandonato un’operazione per effetto di quella valutazione, e l’uso dell’AI generativa nei processi di M&A è raddoppiato fino a coinvolgere circa il 45 per cento dei practitioner [3].
La lettura di questi numeri rivela l’angolo cieco. L’AI compare nella diligence in due ruoli: come minaccia esterna, con analisi di scenario sulla tenuta del modello di business del target rispetto all’AI e come strumento dell’acquirente (leggere più documenti in meno tempo). Mai come terzo ruolo, quello economicamente più rilevante: oggetto di inventario. Nessuno dei due usi correnti risponde alla domanda che decide il valore: quanta parte del metodo operativo del target è già codificata nei suoi sistemi AI, a chi appartiene, e sopravvive al cambio di proprietà.
Capitale cognitivo tra account personali, tutele e fornitori
Il metodo di un’azienda che usa l’AI in modo intensivo smette progressivamente di vivere solo nella testa delle persone. Si deposita in artefatti precisi: librerie di prompt affinate per iterazioni, configurazioni di agenti che incorporano criteri decisionali, basi di conoscenza costruite per alimentare i sistemi, istruzioni personalizzate che replicano il modo di ragionare di una funzione. Sono i prompt come proprietà intellettuale implicita: know-how esplicitato, quindi in teoria trasferibile, ma esplicitato senza che nessuno lo abbia censito.
La collocazione fisica di questi artefatti è il primo problema. Il 58 per cento dei dipendenti usa strumenti AI al lavoro, ma solo il 42 per cento usa quelli forniti dal datore di lavoro [4]; in uno studio IBM sui lavoratori d’ufficio, il 21 per cento opera esclusivamente su app personali [5]. Tradotto nel contesto di un’acquisizione: una quota rilevante del metodo del target vive su account che nemmeno il venditore possiede. Il compratore rischia di pagare per un asset che la controparte non è in grado di consegnare, perché non lo ha mai avuto.
Il secondo problema è giuridico. L’articolo 98 del Codice della Proprietà Industriale subordina la tutela del segreto commerciale all’adozione di misure di protezione ragionevolmente adeguate: un know-how mai inventariato non ha misure, quindi non ha tutela. Le representations and warranties standard sulla proprietà intellettuale coprono ciò che è registrato o documentato. Su questo patrimonio, per costruzione, non coprono niente.
Il terzo problema è la dipendenza dal fornitore, e nelle operazioni cross-border pesa più degli altri due. Basi di conoscenza e configurazioni costruite dentro la piattaforma cloud di un vendor sono soggette ai termini d’uso di quel vendor: portabilità non garantita, formati proprietari, e in diversi piani consumer la facoltà del fornitore di usare i contenuti per l’addestramento dei propri modelli, salvo opt-out che quasi nessuno esercita. Un metodo depositato su infrastruttura altrui è un asset con un’ipoteca sopra: la diligence deve leggere anche i termini di servizio, perché la sovranità sul capitale cognitivo del target dipende da contratti che il target non ha negoziato.
C’è anche una conferma empirica di quanto il non censito sia esposto: nelle violazioni che coinvolgono Shadow AI la proprietà intellettuale risulta compromessa nel 40 per cento dei casi contro una media del 33, e il 63 per cento delle organizzazioni violate non ha una policy di governance AI o la sta ancora sviluppando [6]. Il target tipico, in altre circostanze descritto come “azienda che ha adottato l’AI”, spesso non possiede nemmeno l’inventario dei propri sistemi da cui una diligence potrebbe partire.
Due diligence cognitiva e dipendenza dalle persone chiave
Le analisi di governance AI condotte in contesti di certificazione e advisory restituiscono con regolarità lo stesso schema, ed è lo schema che una diligence tradizionale non vede. La direzione dichiara un’adozione limitata e formalizzata. La verifica sul campo rivela le funzioni a più alta intensità di conoscenza (ufficio tecnico, preventivazione, customer service, area legale) come le più attive su strumenti non governati, con librerie di prompt che incorporano anni di criteri appresi. Il patrimonio emerge quando la persona che lo ha costruito se ne va: niente da restituire, niente da revocare, niente che una procedura possa intercettare.
In un’acquisizione questo schema ha un moltiplicatore. Le clausole di retention trattengono la persona per dodici o ventiquattro mesi, non trasferiscono il suo metodo: alla scadenza, il compratore ha pagato due volte (il prezzo e la retention) per un asset che esce comunque. E l’earn-out, se costruito solo su metriche di risultato, incentiva il venditore a mantenere il metodo nelle persone chiave anziché conferirlo, perché è la garanzia della propria indispensabilità nel periodo ponte.
Come funziona il workstream di due diligence cognitiva
La verifica del capitale cognitivo non richiede una disciplina nuova. Richiede un workstream dedicato dentro la finestra di diligence esistente, condotto in parallelo agli altri e quindi senza allungarla, tipicamente da quattro a sei settimane, presidiato da un ruolo con doppia competenza (tecnologia AI e governance, il profilo che oggi manca nei team composti da legali, fiscalisti e advisor finanziari) e articolato in quattro fasi con criteri di uscita misurabili. La soglia di materialità è semplice: il workstream si giustifica ovunque il valore dell’operazione sia concentrato nel know-how di poche funzioni, che è la condizione tipica del mid-market italiano, non l’eccezione.
Fase uno, inventario (prime due settimane)
In data room va richiesto l’inventario dei sistemi AI del target nel formato che un sistema di gestione conforme alla ISO/IEC 42001 già prevede: sistemi ufficiali e tollerati, licenze e account aziendali, librerie di prompt, configurazioni di agenti, basi di conoscenza. In parallelo, interviste strutturate alle tre-cinque funzioni a più alta intensità di conoscenza per far emergere l’uso reale oltre quello dichiarato.
Le interviste vanno condotte da un clean team vincolato da riservatezza, come già avviene per i dati commercialmente sensibili, perché prima del closing il venditore ha interesse a non esporre le proprie dipendenze da persone chiave e il compratore non può accedere liberamente al personale. Criterio di uscita: se l’inventario non esiste, l’assenza è essa stessa un finding, con effetto diretto su prezzo e clausole, non una casella da saltare.
Fase due, titolarità (seconda e terza settimana)
Per ogni asset cognitivo censito vanno mappate tre cose: dove vive (account aziendale, personale, infrastruttura di un fornitore), chi lo controlla contrattualmente, se policy interne e contratti di lavoro lo qualificano come know-how aziendale. Criterio di uscita: la quota di metodo che risiede su account non aziendali è la quota di prezzo a rischio, e va espressa in valore, non in percentuale astratta.
Fase tre, trasferibilità (terza e quarta settimana)
Il test è operativo, non documentale: un operatore diverso dall’autore replica un output chiave del target (un preventivo complesso, una risposta tecnica, un’analisi ricorrente) usando esclusivamente librerie e documentazione censite. Le misure sono lo scostamento di qualità e il tempo di esecuzione rispetto all’autore originale. Un output non replicabile da terzi segnala che quello che il target chiama metodo è in realtà una dipendenza da persone specifiche, e le dipendenze si prezzano diversamente dagli asset.
Fase quattro, prezzo e clausole (dalle quattro alle sei settimane)
I risultati delle tre fasi precedenti entrano nel contratto: representations and warranties specifiche sull’inventario AI dichiarato, obbligo di conferimento del metodo su infrastruttura dell’acquirente come condizione al closing, covenant di pre-closing o milestone di earn-out, con criterio di completamento misurabile (la percentuale di output chiave replicabili da terzi, verificata con il test della fase tre), ed escrow a copertura dello scarto tra dichiarato e conferito.
Preparare il capitale cognitivo aumenta il valore del venditore
Il perimetro appena descritto ha una lettura speculare, ed è la ragione per cui conviene anche a chi sta dall’altra parte del tavolo. Un’azienda che arriva al processo di vendita con l’inventario dei propri sistemi AI, i prompt qualificati come know-how nelle policy e nei contratti, e il metodo dimostrabilmente replicabile da terzi, sta vendendo un asset. La stessa azienda senza quel lavoro sta vendendo una promessa legata a persone che il compratore dovrà trattenere a caro prezzo, e le promesse si scontano.
La preparazione richiede mesi, non settimane: va iniziata prima che il processo parta, perché durante la diligence non c’è il tempo di costruire ciò che si può solo esibire. E il lavoro produce valore anche se la vendita non arriva mai: inventario, titolarità e replicabilità del metodo sono esattamente le condizioni che rendono un’azienda meno fragile ai propri avvicendamenti interni, con o senza un compratore al tavolo.
La scatola nera come asset della due diligence cognitiva
Le quattro fasi del perimetro convergono verso un punto di arrivo che conviene enunciare adesso, perché chi lo anticipa fisserà gli standard di mercato. Se il capitale cognitivo va inventariato, qualificato giuridicamente, testato nella trasferibilità e conferito al closing, la forma più efficiente per fare tutte queste cose insieme è un contenitore unico: una scatola nera aziendale che raccoglie l’intelligenza artificiale dell’organizzazione, in locale, di proprietà, ad esclusivo beneficio dell’azienda che la possiede.
Il termine va inteso nel senso aeronautico, non in quello informatico. Non un sistema opaco: un registratore che conserva il funzionamento e sopravvive all’evento critico.
Dentro la scatola: i modelli, anche open source, eseguiti su infrastruttura propria (con le rispettive licenze verificate, perché alcune limitano gli usi commerciali, o meglio: la scatola è pulita solo se lo sono anche i suoi componenti); le librerie di prompt con il loro versioning; le configurazioni degli agenti e le logiche di orchestrazione; le basi di conoscenza che li alimentano; i log delle interazioni, che documentano come le decisioni vengono effettivamente istruite e prese.
Fuori dalla scatola: ogni dipendenza da account personali e da termini di servizio scritti da altri.
Ogni proprietà di questo oggetto risponde a uno dei problemi che la diligence oggi non riesce a chiudere. È locale e di proprietà, quindi le misure di protezione richieste dall’articolo 98 del Codice della Proprietà Industriale esistono per costruzione, e il metodo diventa segreto commerciale difendibile anziché know-how disperso. Non ha ipoteche di fornitori, perché nessun termine di servizio esterno può rivendicare diritti sui contenuti o negarne la portabilità.
Ha un perimetro fisico e giuridico definito, quindi è periziabile: si può valutare, garantire nelle representations e trasferire al closing come un cespite, con la stessa nettezza di un capannone o di un portafoglio brevetti.
E soprattutto garantisce la continuità, che è ciò che il compratore sta davvero comprando: l’avvicendamento della persona chiave smette di essere l’evento che svuota il prezzo, perché il suo metodo è nella scatola, e il test di trasferibilità della fase tre si riduce a un collaudo di giorni, non a una scommessa su clausole di retention.
La previsione operativa è questa: nel giro di pochi anni la scatola nera aziendale comparirà nelle checklist di data room con la stessa naturalezza con cui oggi vi compare il repository del codice per una software company. A quel punto il mercato prezzerà la differenza in modo esplicito: premio di continuità per chi la possiede, sconto di dipendenza per chi presenta un metodo distribuito tra teste e account personali. Le operazioni continueranno a chiudersi anche senza, come si sono sempre chiuse.
Ma un compratore che paga oltre il 90 per cento del prezzo per asset intangibili e ne verifica soltanto la parte registrata sta firmando l’assegno più grande proprio sulla parte meno verificata del valore. La due diligence cognitiva non è una disciplina da inventare: è la parte mancante di quella che esiste già. E la scatola nera è il suo punto di arrivo, l’oggetto che trasforma il modo di pensare di un’azienda da rischio da scontare ad asset da conteggiare.
Fonti
1. Ocean Tomo, “Intangible Asset Market Value Study”, edizione 2025: https://oceantomo.com/intangible-asset-market-value-study/
2. C. M. Christensen, R. Alton, C. Rising, A. Waldeck, “The Big Idea: The New M&A Playbook”, Harvard Business Review, marzo 2011: https://hbr.org/2011/03/the-big-idea-the-new-ma-playbook
3. Bain & Company, “Looking Back at M&A in 2025: Behind the Great Rebound”, Global M&A Report 2026: https://www.bain.com/insights/looking-back-m-and-a-report-2026/
4. KPMG e University of Melbourne, “Trust, attitudes and use of artificial intelligence: A global study 2025”, 2025: https://assets.kpmg.com/content/dam/kpmgsites/xx/pdf/2025/05/trust-attitudes-and-use-of-ai-global-report.pdf
5. IBM Canada, “Shadow AI Use Surges as Canadian Workers Outpace Employers in AI Adoption”, 3 settembre 2025: https://canada.newsroom.ibm.com/2025-09-03-IBM-R-Study-Shadow-AI-Use-Surges-as-Canadian-Workers-Outpace-Employers-in-AI-Adoption
6. IBM, “Cost of a Data Breach Report 2025”, comunicato del 30 luglio 2025: https://newsroom.ibm.com/2025-07-30-ibm-report-13-of-organizations-reported-breaches-of-ai-models-or-applications,-97-of-which-reported-lacking-proper-ai-access-controls
Partecipa alla community