Nel nuovo ciclo dell’intelligenza artificiale, la crescita delle startup AI può apparire eccezionalmente rapida. Prototipi sviluppati in poche settimane, clienti acquisiti grazie all’entusiasmo del momento e ricavi ricorrenti che aumentano prima che l’organizzazione commerciale sia pienamente matura. Tuttavia, questa stessa accelerazione rischia di generare un equivoco fondamentale: confondere le vendite iniziali con un segnale robusto di scalabilità. La questione cruciale non è solo la capacità di generare ricavi, ma di replicarli con un metodo definito, clienti coerenti e processi trasferibili a un team di vendita.
La velocità non è sinonimo di product-market fit
Una discussione emersa a TechCrunch Disrupt, e riportata il 22 ottobre 2026, ha evidenziato come nei primi 90 giorni dopo il lancio commerciale, i founder non dovrebbero interpretare ogni singola vendita come una prova che l’azienda sia pronta a scalare. Esperti del settore, tra cui Luke Arno di Lovable, Ben Broca di Polsia e Tomasz Tunguz di Theory Ventures, sottolineano la necessità di concentrarsi sull’apprendimento approfondito dai clienti e sul riconoscimento di pattern reali, prima di strutturare un go-to-market su larga scala. Arno, in particolare, insiste sulla necessità di sviluppare una densità di apprendimento.
Il concetto chiave è la ripetibilità.
Se dieci clienti vengono acquisiti attraverso dieci canali diversi, per risolvere dieci problemi distinti, l’azienda ha certamente generato ricavi, ma non ha ancora costruito un motore di crescita sostenibile. Al contrario, se tre clienti con profili simili acquistano tramite una dinamica analoga per risolvere un problema comune, il segnale di un potenziale product-market fit è molto più forte. In quest’ottica, la crescita di una startup AI non si misura unicamente dal numero assoluto di contratti chiusi, ma dalla dimostrazione di una domanda stabile e replicabile.
Il caso Lovable e le aspettative irrealistiche
Lovable è spesso citata come un caso eccezionale, con una valutazione superiore a 13 miliardi di dollari, oltre 600 milioni di dollari di ARR dichiarati e più di 700 milioni raccolti.
Sebbene rappresenti un benchmark potente, può anche essere pericoloso se adottato come misura universale. Tomasz Tunguz osserva che le aspettative sulla velocità di esecuzione sono aumentate enormemente, anche a causa della maggiore disponibilità di capitale nel venture capital rispetto agli anni precedenti. Il rischio concreto è che ogni startup AI venga giudicata sulla base di queste eccezioni statistiche, creando pressioni irrealistiche.
Da questa analisi emerge un criterio più pragmatico: la capacità di una startup di mantenere i clienti anche quando l’entusiasmo iniziale si attenua. Ben Broca evidenzia l’importanza della community e di un dialogo costante con gli utenti. Questo non è un semplice accessorio di marketing, ma un sistema di ascolto fondamentale per distinguere la curiosità momentanea da un bisogno strutturale e duraturo.
La trappola dei 10 milioni di ARR
Una prospettiva complementare viene da Sales & Marketing Management, che il 20
