Firm Valuation When AI Shapes the Business Model: A Milestone-Based Real-Options Framework for the AI Valuation Uncertainty Problem

Valutare un'azienda è tradizionalmente una questione di osservazione del proprio passato per prevedere il proprio futuro. Se un'impresa ha una lunga storia di vendita di prodotti, pagamento di fatture e generazione di profitti, gli esperti possono usare quei numeri per stimare quanto l'azienda varrà domani. Calcolano i soldi che l'impresa probabilmente guadagnerà negli anni a venire e adeguano tale cifra per tenere conto del rischio che le cose possano andare male. Questo metodo funziona bene per le attività stabili, come una panetteria che è aperta da vent'anni o una fabbrica che opera regolarmente da decenni. Tuttavia, le regole cambiano completamente quando un'azienda è costruita attorno all'intelligenza artificiale. Queste imprese spesso non hanno una storia di profitti, i loro modelli di business vengono risccritti in tempo reale e il loro valore dipende interamente dalla capacità di raggiungere con successo una serie di difficili obiettivi futuri. Quando un'azienda sta cercando di costruire qualcosa che non è mai esistito prima, i vecchi strumenti per misurare il valore spesso falliscono perché non riescono a vedere i rischi e le opportunità specifici nascosti nel piano.

Uno studio recente dell'Istituto Svizzero per l'IA e dell'Università di Scienze Applicate di Nürtingen-Geislingen propone un modo diverso di guardare a queste aziende. I ricercatori sostengono che i metodi standard siano troppo vaghi quando applicati all'intelligenza artificiale perché comprimono tutte le complesse incertezze in un unico numero opaco. Invece di indovinare un tasso di crescita generale, il team ha sviluppato un protocollo strutturato che scompone il valore di un'azienda in una serie di passi specifici e verificabili. Trattano il percorso di integrazione dell'intelligenza artificiale non come una linea continua, ma come un sentiero con dei cancelli. Ad ogni cancello, l'azienda deve dimostrare di poter fare qualcosa di specifico — come far funzionare un nuovo sistema software, superare un controllo normativo o trovare il suo primo cliente pagante. Se l'azienda supera il cancello, avanza e il suo valore aumenta. Se fallisce, il percorso termina e il potenziale valore svanisce. Mappando questi cancelli e assegnando a ciascuno una probabilità di successo realistica, i ricercatori hanno creato un modo per vedere esattamente da dove proviene il valore e dove risiede il rischio.

Il nucleo di questo nuovo approccio è un'idea semplice ma potente: non tutte le aziende che usano l'intelligenza artificiale sono uguali. I ricercatori hanno creato un sistema di classificazione che separa le imprese in due gruppi principali. Il primo gruppo è composto da aziende che usano l'intelligenza artificiale come uno strumento per migliorare il proprio lavoro esistente, come una banca che usa un programma informatico per controllare i punteggi di credito più velocemente. Il secondo gruppo è composto da aziende il cui prodotto intero è l'intelligenza artificiale stessa, come una società che costruisce un nuovo tipo di software intelligente da vendere ad altri. All'interno del primo gruppo, i ricercatori hanno ulteriormente suddiviso le aziende in base a quanto profondamente hanno integrato la tecnologia. Alcune la usano solo un po', come aggiungere un chatbot a un sito web, mentre altre hanno ricostruito l'intera operatività attorno ad essa. Lo studio ha rilevato che più profonda è l'integrazione, più il valore dell'azienda dipende dalle possibilità future piuttosto che dai profitti attuali. Un'azienda che ha solo bagnato i piedi nell'intelligenza artificiale ha un valore prevedibile basato sulle sue vendite attuali. Ma un'azienda che ha completamente ricostruito il proprio business attorno alla tecnologia è essenzialmente una collezione di opzioni future, dove il vero valore risiede in ciò che potrebbe essere in grado di fare in seguito.

Per capire quanto sia probabile che un'azienda abbia successo in ogni fase, i ricercatori hanno introdotto un metodo che sostituisce le congetture con una conversazione strutturata tra esperti. Hanno chiesto a un panel di persone, inclusi i leader dell'azienda stessa e specialisti esterni, di confrontare diversi fattori che determinano il successo. Questi fattori includevano se la tecnologia funziona effettivamente, se l'azienda ha le persone giuste per gestirla e se le regolamentazioni governative permetteranno di procedere. Facendo sì che questi esperti confrontassero i fattori tra loro a coppie, il sistema genera un punteggio che riflette quanto l'azienda sia pronta a passare alla fase successiva. Questo punteggio viene poi calibrato rispetto a dati del mondo reale provenienti da progetti tecnologici simili per trasformarlo in una probabilità specifica. Questo processo assicura che la valutazione finale non sia una singola opinione, ma un calcolo trasparente dove ogni numero può essere ricondotto a un'ipotesi specifica. Se due esperti sono in disaccordo sul valore di un'azienda, possono ora individuare esattamente dove risiede il loro disaccordo: riguarda la possibilità di superare un test specifico o la quantità di denaro che quel test genererà?

I ricercatori hanno testato il loro nuovo framework su una vera startup svizzera che costruisce software per gestire portafogli energetici. Questa azienda, che vende il suo prodotto di intelligenza artificiale direttamente ai clienti, era nelle prime fasi di sviluppo senza una storia di ricavi al momento dello studio. Usando i vecchi metodi, la valutazione di un'azienda simile avrebbe richiesto una grande ipotesi inspiegabile sulla sua crescita futura. Usando il nuovo framework, i ricercatori hanno mappato quattro traguardi principali che l'azienda doveva raggiungere nei due anni successivi. Questi traguardi includevano la stabilizzazione del sistema per i test iniziali, la conquista di clienti pilota paganti, la generazione del primo reddito ricorrente e, infine, la prova che l'azienda potesse vendere il prodotto a molti clienti contemporaneamente. Calcolando il valore di ogni fase e la probabilità di raggiungerla, sono arrivati a un valore totale dell'azienda di 100 milioni di franchi svizzeri. Questo numero corrispondeva alla stima interna dell'azienda, ma il nuovo metodo ha rivelato qualcosa di cruciale: più della metà di quel valore dipendeva interamente dal traguardo finale, che era il più difficile da raggiungere.

Questo risultato evidenzia un importante cambiamento nel modo in cui viene compreso il rischio nel settore dell'intelligenza artificiale. Lo studio mostra che per le aziende che vendono la propria intelligenza artificiale, il rischio non è distribuito uniformemente lungo il percorso. Al contrario, il rischio si concentra pesantemente nelle fasi successive. I primi passi, come la costruzione di un prototipo funzionante, sono relativamente sicuri e hanno un'alta probabilità di successo. Ma i passi successivi, che comportano la prova che il mercato desideri il prodotto e che l'azienda possa scalare, portano con sé la maggiore incertezza. Il framework rende chiarezza mostrando che, se l'ultimo traguardo fallisce, l'azienda perde circa la metà del suo valore totale. Questo è diverso dalle imprese tradizionali, dove il rischio è spesso distribuito in modo più uniforme. Il nuovo metodo tiene conto anche dei costi che altri strumenti di valutazione spesso nascondono. Separa il denaro speso per costruire la tecnologia dal denaro speso per conformarsi alle leggi e alle regolamentazioni, assicurando che questi costi siano contati chiaramente anziché essere sepolti in una stima generale.

Lo studio affronta anche un problema comune nel modo in cui le aziende riportano i propri bilanci. In molti paesi europei, le regole contabili richiedono che il denaro speso per sviluppare nuova tecnologia sia trattato come un costo, il che fa apparire l'azienda come se stesse perdendo denaro sulla carta. In altri luoghi, le aziende possono registrare questa spesa come un asset, facendole apparire più preziose. Questa differenza nelle regole contabili può far apparire due aziende identiche completamente diverse agli occhi degli investitori. Il nuovo framework evita questa confusione guardando alla reale realtà economica dell'attività piuttosto che alle etichette contabili. Tratta il denaro speso per lo sviluppo come un costo reale indipendentemente da come viene registrato nei libri contabili, consentendo un confronto equo tra aziende in diversi paesi o sotto regole diverse. Questo approccio assicura che la valutazione rifletta il vero potenziale dell'azienda, non solo il modo in cui viene trascritta in un registro.

Sebbene lo studio fornisca un modo chiaro e logico per valutare queste aziende, gli autori sottolineano con cautela che questa è una dimostrazione di un nuovo metodo, non una prova definitiva della sua perfezione. Hanno testato il framework su un'unica azienda con informazioni molto chiare, il che rende più facile applicare il metodo. Riconoscono che le situazioni del mondo reale possono essere più disordinate, con aziende che hanno livelli misti di integrazione tecnologica o dati meno chiari. I ricercatori suggeriscono che il passo successivo sia testare questo metodo su molte altre aziende per vedere se funziona nella pratica così come nella teoria. Evidenziano inoltre che le regole per l'intelligenza artificiale stanno cambiando rapidamente e che il framework dovrà adattarsi man mano che vengono approvate nuove leggi. Tuttavia, l'idea centrale rimane solida: scomponendo il complesso viaggio dell'intelligenza artificiale in passi più piccoli e misurabili, possiamo smettere di indovinare e iniziare a capire esattamente cosa guida il valore di queste moderne aziende.

Le implicazioni di questo lavoro vanno oltre il semplice calcolo di un numero. Cambiano la conversazione tra investitori e fondatori. Invece di discutere su una singola cifra vaga, possono ora discutere dei passi specifici che un'azienda deve compiere per avere successo. Se un investitore ritiene che un'azienda sia troppo rischiosa, può indicare un traguardo specifico che ritiene improbabile da raggiungere. Se un fondatore ritiene che la sua azienda sia sottovalutata, può mostrare come il suo piano per raggiungere il traguardo successivo sia più solido di quanto l'investitore realizzi. Questa trasparenza aiuta entrambe le parti a comprendere la vera natura del rischio e dell'opportunità. Aiuta anche i regolatori e i decisori politici a vedere dove si trovano i veri colli di bottiglia. Identificando quali passi sono i più difficili e dove viene creato la maggior parte del valore, il framework può guidare le decisioni su dove investire risorse e come sostenere la crescita di queste nuove tecnologie.

In definitiva, questa ricerca offre un modo per portare chiarezza in un campo che è stato spesso avvolto nel mistero. Per decenni, valutare un'azienda è stato un mix di arte e scienza, basato sull'esperienza e l'intuizione. Con l'ascesa dell'intelligenza artificiale, la vecchia intuizione non è più sufficiente perché le regole del gioco sono cambiate. Il nuovo framework fornisce una mappa per navigare in questo nuovo territorio. Non promette di prevedere il futuro con certezza, ma promette di rendere visibili le incertezze. Mostrando esattamente dove risiedono i rischi e cosa occorre per superarli, permette a tutti i soggetti coinvolti di prendere decisioni migliori. Che tu sia un investitore alla ricerca della prossima grande opportunità, un fondatore che cerca di costruire una nuova azienda o un decisore politico che cerca di comprendere l'economia, questo approccio offre un modo per vedere la reale struttura del valore nell'era dell'intelligenza artificiale. Trasforma una scatola nera in una serie di passi chiari e comprensibili, rendendo il futuro del business un po' meno opaco e un po' più conoscibile.