Nel 2024 gli investimenti di venture capital in intelligenza artificiale hanno raggiunto negli Stati Uniti circa 67 miliardi di dollari, in Cina circa 8 miliardi, in Europa poco meno di 6 miliardi. Il rapporto è più di dieci a uno rispetto agli USA, e continua ad ampliarsi trimestre dopo trimestre. Non è un dato congiunturale, è una tendenza strutturale che dura da almeno cinque anni.
La reazione più comune a questi numeri, in Italia come altrove, oscilla fra due estremi: il catastrofismo (“l’Europa è fuori dalla partita, arrenditi”) e il negazionismo (“abbiamo le regole migliori, il resto è dettaglio”). Entrambe le posizioni sono comode e sbagliate. La realtà è più interessante e più difficile: l’Europa ha problemi strutturali seri, ma ha anche asset che pochi analisti fuori dal continente riescono a vedere.
Questo pezzo prova a fare tre cose. Prima, mettere in fila i numeri veri, senza edulcorarli. Poi, spiegare le cause del gap in modo che si capiscano anche senza background tecnico. Infine, guardare cosa sta funzionando in Europa e in Italia, per proporre una tesi netta su dove conviene investire tempo, capitale e attenzione politica nei prossimi tre anni.
I numeri veri del gap, senza sconti
Partiamo dai brevetti. Secondo il World Intellectual Property Organization, nel triennio 2021-2023 la Cina ha depositato circa il 61% dei brevetti mondiali in AI generativa, gli Stati Uniti circa il 12%, l’Unione Europea nel suo insieme meno del 4%. Il dato dei brevetti va letto con cautela (la Cina brevetta anche molto rumore), ma la scala è chiara.
Sui ricercatori la situazione è più sfumata. L’Europa forma un numero notevole di PhD in machine learning: Politecnico di Milano, ETH Zurigo, EPFL, INRIA francese, Oxford e Cambridge producono ogni anno centinaia di ricercatori di livello mondiale. Il problema è la ritenzione. Uno studio del Digital Strategy della Commissione Europea stima che oltre il 40% dei PhD europei in AI lasci il continente entro cinque anni dalla laurea, quasi sempre per gli Stati Uniti. Salari, accesso al calcolo, densità dell’ecosistema: le ragioni sono note e non facili da correggere.
Sull’infrastruttura di calcolo il divario è forse il più preoccupante. Un cluster di training per un modello di frontiera richiede oggi decine di migliaia di GPU NVIDIA H100 o H200. Il costo unitario di una H100 supera i 30.000 dollari, e l’accesso è limitato da quote decise a Santa Clara, non a Bruxelles. Nessun operatore europeo ha oggi la capacità di allenare da zero un modello da 400 miliardi di parametri senza dipendere da fornitori americani (Microsoft Azure, AWS, Google Cloud) o senza partnership dirette con NVIDIA.
Cause del gap: mercato frammentato e cultura del rischio
La spiegazione più onesta del gap non è una sola, sono tre che si rinforzano a vicenda. La prima è la frammentazione del mercato. L’Europa parla 24 lingue ufficiali, ha 27 sistemi fiscali, 27 sistemi di procurement pubblico, 27 autorità di protezione dati che interpretano il GDPR in modo leggermente diverso. Una startup di San Francisco che raggiunge il product-market fit in California scala su un mercato omogeneo da 330 milioni di persone. Una startup di Milano deve rifare l’onboarding legale in ogni paese in cui vuole vendere.
La seconda causa è culturale, e riguarda i fondi. Il venture capital europeo è mediamente più conservativo, con ticket più piccoli e aspettative di rendimento più basse. Un round Series B da 200 milioni di dollari, che in Silicon Valley è normale per una AI company promettente, in Europa è ancora un evento raro che di solito coinvolge investitori americani o mediorientali. Senza capitale paziente e paziente in quantità, non si compete su modelli di frontiera che costano centinaia di milioni solo di training.
La terza causa è l’assenza di hyperscaler europei. Amazon, Microsoft, Google, Meta, ByteDance, Alibaba e Tencent hanno miliardi di margine operativo da reinvestire in AI senza dover convincere nessuno. In Europa non esiste un’azienda con quel profilo di cash flow, e i tentativi di crearne uno (Gaia-X su tutti) hanno prodotto molta governance e poca infrastruttura utilizzabile.
EU AI Act: freno o vantaggio competitivo?
Il dibattito sull’EU AI Act è polarizzato in modo poco utile. Da un lato chi sostiene che sia un freno che scoraggia gli investimenti, dall’altro chi lo vede come un vantaggio competitivo basato sulla fiducia. La verità sta nel mezzo e dipende dal tipo di prodotto.
Per un modello di frontiera generalista, l’AI Act aggiunge costi di compliance e obblighi di trasparenza che non pesano sui concorrenti americani finché non entrano nel mercato europeo. Per un prodotto verticale destinato a settori regolamentati (sanità, finanza, pubblica amministrazione), avere un framework legale chiaro e stabile è invece un vantaggio commerciale reale: il cliente enterprise europeo compra più volentieri qualcosa che è già conforme che qualcosa che potrebbe diventare illegale fra due anni. Sui dettagli operativi dell’implementazione rimando ai temi regolatori europei che seguiamo con continuità.
Casi europei che funzionano davvero
L’esempio più citato, giustamente, è Mistral AI. Fondata a Parigi nel 2023 da ex ricercatori di Meta e DeepMind, ha raccolto oltre un miliardo di euro in meno di due anni e ha rilasciato modelli open weights (Mistral 7B, Mixtral 8x7B, Mistral Large) che competono con Llama di Meta e in alcuni benchmark superano modelli chiusi molto più grandi. Il loro approccio, ben spiegato nel blog ufficiale di Mistral, unisce ricerca di frontiera e rilasci open che generano ecosistema. Il prodotto commerciale Le Chat e le API di Mistral sono usate da centinaia di aziende europee che vogliono un’alternativa non americana a OpenAI e Anthropic.
Il caso Mistral dimostra due cose. Primo, che con il capitale giusto e un team giusto anche in Europa si possono costruire modelli competitivi. Secondo, che la strategia open weights, criticata da molti come regalare valore, è in realtà uno strumento molto efficace per costruire posizionamento in un mercato dominato da incumbent chiusi.
Un altro caso interessante è Aleph Alpha in Germania, che dopo un pivot difficile ha smesso di inseguire i grandi modelli generalisti e si è specializzata su applicazioni enterprise per pubblica amministrazione e industria tedesca. Non fa più titoli sui giornali generalisti, ma sta costruendo un business sostenibile su un verticale dove il committente pubblico paga bene e ha bisogno di controllo sui dati.
Focus Italia: iGenius e Almawave
In Italia due aziende meritano attenzione seria. iGenius, fondata da Uljan Sharka, ha annunciato nel 2024 Colosseum-355B, un modello di grande scala sviluppato in partnership con NVIDIA su un supercomputer installato in Sicilia. Il posizionamento è chiaro: modelli sovrani per settori regolamentati, con focus su finanza e servizi pubblici. La domanda vera non è se Colosseum sarà tecnicamente allo stato dell’arte al lancio (probabilmente non lo sarà rispetto a GPT-5 o Gemini 3), ma se il pacchetto complessivo (modello + infrastruttura italiana + garanzie di sovranità dei dati) sarà appetibile per il cliente istituzionale italiano ed europeo. Se lo sarà, è un business molto difendibile.
Almawave ha seguito una strada diversa. Con la famiglia di modelli Velvet, sviluppati e addestrati su hardware italiano, ha puntato sulla lingua italiana e sulle esigenze specifiche della pubblica amministrazione. I modelli Velvet non competono con Claude o GPT-4 sui benchmark generalisti, ma su compiti verticali in italiano (analisi documentale, supporto al cittadino, elaborazione di testi normativi) offrono un profilo prezzo/prestazioni molto interessante per il committente pubblico. È esattamente il tipo di specializzazione che tiene conto degli studi di ricerca europei più recenti sull’efficienza dei modelli medio-piccoli fine-tuned rispetto a modelli enormi generalisti.
Entrambe queste aziende hanno capito una cosa importante: il gap non si chiude su Twitter facendo demo che stupiscono i venture capitalist della Bay Area. Si chiude vendendo contratti pluriennali a Poste, INPS, Cassa Depositi e Prestiti, banche italiane, aziende sanitarie regionali. È un mercato meno glamour ma molto più solido, e in cui la vicinanza culturale e regolamentare è un asset difficilmente replicabile da un fornitore californiano.
La mia opinione netta: specializzarsi, non imitare
Qui esce l’opinione, e voglio essere chiaro perché la scrivo in prima persona. L’Europa non chiuderà mai il gap sui modelli generalisti di frontiera imitando la strategia americana. Non abbiamo la scala di capitale, non abbiamo l’infrastruttura di calcolo, non abbiamo la cultura del rischio dei fondi VC americani, e non li avremo nei prossimi cinque anni per quanti summit e piani strategici la Commissione produca.
La strategia che ha senso è specializzarsi in modo aggressivo su tre dimensioni. La prima è la verticalizzazione settoriale: modelli medio-grandi fine-tuned su domini regolamentati (sanità, farmaceutica, finanza, PA) dove la conformità normativa e la conoscenza di dominio contano più della dimensione del modello. La seconda è la lingua e la cultura: modelli che capiscono davvero italiano, francese, tedesco, polacco, greco, e non sono solo traduzioni approssimative dell’inglese. La terza è la regolamentazione come prodotto: vendere non solo AI ma AI-più-garanzie-legali che un cliente enterprise europeo non trova nei fornitori americani.
Questo significa smettere di misurare il successo dell’AI europea sul numero di posizioni nelle classifiche di benchmark generalisti, e iniziare a misurarlo sul valore economico generato in settori dove la specializzazione paga. Significa anche accettare che alcuni pezzi della catena (il calcolo di frontiera, i chip) resteranno per un decennio dipendenti da fornitori non europei, e che va bene così se il valore aggiunto si costruisce sopra, non sotto.
Cosa cambia per te
Se lavori in una PMI italiana, il consiglio operativo è banale ma poco praticato: non aspettare che arrivi il fornitore europeo perfetto, inizia a sperimentare adesso con quello che c’è. Prova Le Chat di Mistral per capire cosa funziona in produzione, tieni d’occhio i rilasci di iGenius e Almawave quando toccano il tuo settore, ma soprattutto forma internamente qualcuno che capisca sia la tecnologia sia il tuo processo di business. Il vantaggio competitivo dell’AI, per te, non è nel modello, è nell’integrazione.
Se lavori nella pubblica amministrazione o in un settore regolamentato, la finestra di scelta si sta stringendo. Fra due anni le decisioni di procurement sui modelli linguistici saranno prese, i contratti pluriennali firmati, gli ecosistemi di fornitori consolidati. Se vuoi che i tuoi dati e i tuoi processi passino attraverso infrastruttura europea, i tempi per pilotare, valutare e negoziare sono adesso, non nel 2028.
Se sei un investitore o un decisore politico, il messaggio è ancora più semplice. Smettere di inseguire l’OpenAI europea è liberatorio. Mettere capitale su verticalizzazione, dati di dominio, integrazione enterprise e talento che resti in Europa è meno spettacolare ma molto più efficace. Il gap con USA e Cina resterà largo sui numeri assoluti. Ma sul valore economico catturato nei settori giusti, l’Europa può ancora giocare una partita seria. A patto di smettere di giocarne una che non può vincere.
