Nel mondo del venture capital, l'intelligenza artificiale è diventata il nuovo mantra: chi non la abbraccia, si dice, viene lasciato indietro. Eppure, in mezzo alla corsa ad adottare LLM per lo scouting di startup, l'analisi di documenti legali e la previsione delle tendenze di mercato, pochi si fermano a chiedersi se la tecnicia stia davvero migliorando le decisioni di investimento. Come ha osservato di recente un'analisi critica, i VC sono sotto una pressione simile a quella che loro stessi esercitano sulle startup: muoversi velocemente, senza forse comprendere a fondo gli strumenti che stanno implementando. La domanda scomoda è: stanno solo bevendo il Kool-Aid dell'AI?

Molti fondi di investimento hanno iniziato a integrare modelli linguistici di grandi dimensioni nei propri flussi di lavoro. Gli use case vanno dall'analisi automatica dei pitch deck alla due diligence assistita, dove un LLM può scorrere centinaia di contratti e segnalare clausole rischiose. Tuttavia, la maggior parte di queste implementazioni si appoggia a servizi cloud di terze parti: API di modelli proprietari come GPT-4 o Claude, che processano i dati al di fuori del perimetro aziendale. Il problema, in un settore dove la riservatezza delle informazioni è tutto, è evidente: ogni documento inviato a un endpoint cloud potrebbe contenere dettagli su strategie di investimento, valutazioni di startup non ancora pubbliche o dati finanziari sensibili. La sovranità dei dati viene compromessa, e con essa il vantaggio competitivo che quelle informazioni dovrebbero garantire.

La decisione di deployment è quindi tutt'altro che banale. Per chi valuta un approccio on-premise esistono trade-off precisi: l’inference di LLM su hardware proprio richiede GPU con capacità di VRAM adeguate (come le NVIDIA A100 o le più recenti H100) e una pipeline di serving ottimizzata con framework come vLLM o TGI. Non è solo una questione di costo iniziale (CapEx), ma anche di gestione operativa (OpEx) e di competenze interne per il fine-tuning e la quantization dei modelli. Un LLM da 70 miliardi di parametri, se eseguito in FP16, può richiedere oltre 140 GB di VRAM, spingendo molte organizzazioni a considerare configurazioni multi-GPU o a scendere a compromessi con modelli più piccoli e quantizzati in INT8 o INT4. L'alternativa cloud sembra più semplice, ma nasconde costi di inference ricorrenti, latenza variabile e il rischio concreto di esporre i gioielli di famiglia.

Chi invece sceglie di investire in un’infrastruttura self-hosted può non solo proteggere i propri dati, ma anche costruire un sistema su misura, addestrato con fine-tuning su documenti interni, valutazioni storiche e metriche proprietarie. Questo non significa che sia la strada giusta per tutti: il TCO di un cluster on-premise per un fondo di medie dimensioni può lievitare rapidamente, e senza un team tecnico dedicato la complessità di manutenzione può diventare insostenibile. È qui che la pressione ad adottare l'AI si scontra con la realtà ingegneristica: la velocità può portare a scelte architetturali che, nel lungo periodo, si rivelano inefficaci o addirittura dannose.

C'è poi un altro aspetto: l'illusione che i modelli generalisti possano sostituire una vera analisi di investimento. Un LLM, per quanto potente, non ha esperienza di settore, non conosce le dinamiche relazionali di un board, né può valutare l'intangibile “fiuto” dell'investitore. Se usato come scorciatoia, rischia di produrre segnalazioni false positive e di appiattire il processo decisionale su metriche quantitative insufficienti. Alcuni VC lo hanno capito e mantengono un sano scetticismo, preferendo investire in talento umano e in strumenti che amplifichino la loro capacità di giudizio, anziché delegarla.

In conclusione, non bere il Kool-Aid dell'AI significa per i venture capitalist riconoscere che la tecnicia è un mezzo, non un fine. Chi vorrà davvero differenziarsi dovrà guardare oltre l'hype e prendere decisioni di deployment informate, in cui la sovranità dei dati, l'efficienza dell'inference e la qualità del fine-tuning contano più della semplice adozione. Forse il prossimo unicorno non nascerà da un algoritmo, ma da un investitore che ha saputo scegliere le giuste infrastrutture per coltivare il proprio intuito.