Quando a stilare la rosa è un agente, cambiano le domande che contano in una due diligence. Esposizione dei ricavi, dipendenza dall’acquisizione, visibilità presso gli agenti e integrità delle misurazioni diventano importanti quanto margini e crescita.
Questo articolo raccoglie la parte pratica del white paper: dieci domande di due diligence per fondi e acquirenti, che cosa cambiare se possedete un’azienda o guidate un’agenzia, e lo Scorecard della prontezza alla selezione, uno strumento di riflessione che potete compilare in questa pagina. Le opinioni sono indicate come “La visione di Monarchy”.
01Implicazioni per gli investitori
Dieci domande di due diligence
- 01Esposizione dei ricavi. Quale quota dei ricavi deriva dalla vendita di ore di produzione o di deliverable che l’IA potrà produrre con una qualità accettabile entro due anni?
- 02Dipendenza dall’acquisizione. Quale quota dei nuovi clienti dipende da attenzione a pagamento o da clic organici dalla ricerca, entrambi sotto pressione 1?
- 03Visibilità presso gli agenti. Quando ai principali assistenti di IA si chiede un’azienda come questa, viene raccomandata? La descrizione è accurata?
- 04Coerenza. Prezzi, specifiche, condizioni, orari e affermazioni coincidono su ogni canale in cui l’azienda è presente?
- 05Prove. Quante prove verificabili di terzi esistono (recensioni, risultati, partner), e qualcuna è a rischio ai sensi della regola della FTC sulle recensioni false e sui falsi indicatori social 2?
- 06Relazioni proprietarie. Quanto sono grandi e attivi i canali proprietari: una lista email, una community, una base clienti con cui l’azienda parla direttamente?
- 07Know-how proprietario. L’azienda ha catturato ciò che sanno le sue persone migliori in una forma utilizzabile dall’IA? Oppure vive nella testa delle persone e nei PDF?
- 08Integrità delle misurazioni. Quali KPI del report al consiglio misurano persone, quali misurano macchine e quali sono sconosciuti?
- 09Economia dell’IA. Per ogni iniziativa di IA: quale problema, quale costo completo (uso, supervisione, errori, dipendenza) e quale risultato misurato? I dati McKinsey indicano che la maggior parte delle organizzazioni non riesce ancora a mostrare un impatto sull’EBIT 3.
- 10Responsabilità umana. Chi, con nome e cognome, approva ciò che l’IA dell’azienda produce e dice ai clienti 4?
Come si riconosce un buon risultato
Un’azienda che ottiene un buon punteggio non è necessariamente la più automatizzata. È un’azienda che possiede la propria verità, le proprie prove, le proprie relazioni e il proprio know-how, e che usa l’IA per amplificarli.
02Implicazioni per operatori e agenzie
Per gli imprenditori
- “L’IA può farlo a meno” è il modo più rapido per diventare indistinguibili. Investite nelle persone che sanno che cosa vi rende diversi, e nella struttura che permette agli agenti di verificarlo.
- Guardate il vostro budget. Quanto compra attenzione e quanto costruisce preferenza? Se quasi tutto è attenzione, state investendo nella parte che si sta erodendo.
- La pubblicità continuerà a esistere, ma amplificherà la preferenza, non la sostituirà.
Per le agenzie di marketing e le società di servizi
- Produrre contenuti non è più il prodotto. Lo sono la differenziazione, la struttura dei dati e la preferenza degli agenti. Le agenzie che vendono volume saranno sostituite dagli stessi strumenti che usano.
- Se il vostro prodotto è l’acquisto di media e la produzione di annunci, l’IA è il vostro concorrente diretto. Spostatevi su strategia, brand e verità.
- I report pieni di metriche di vanità non sopravvivranno alla prossima revisione del budget. I clienti vorranno prove di persone reali e prove di ricavi.
- Il lavoro si sta spostando dall’insegnare ai clienti ad adottare la tecnologia all’aiutarli a distinguersi quando tutti ce l’hanno.
- Valutate il passaggio dalle commissioni alla proprietà: equity o quota dei ricavi dove il vostro lavoro produce risultati, oppure un’attività vostra in un verticale che conoscete.
Per tutti
- Mettete una persona con nome e cognome sul lavoro. L’IA può abbozzare, ordinare e suggerire. Qualcuno deve comunque dire “questo è giusto, e me ne assumo la responsabilità”.
03Autovalutazione: lo Scorecard della prontezza alla selezione
Assegnate un punteggio a ogni affermazione: 0 = non vero, 1 = in parte vero, 2 = del tutto vero. Siate onesti. Lo scorecard è uno strumento di riflessione costruito a partire dagli schemi di questo white paper, non un indice con benchmark.
A. Valore e proprietà
Abbiamo elencato ogni servizio o prodotto che vendiamo e ci siamo chiesti se l’IA potrebbe produrlo con una qualità accettabile entro due anni.
Abbiamo deciso in anticipo dove verranno reinvestiti i risparmi di capacità e di cassa ottenuti con l’IA.
Possediamo una parte del valore che creiamo (equity, quota dei ricavi o un’attività operativa nostra), non solo commissioni.
B. Verità e coerenza
La nostra offerta, la logica di prezzo, ciò che è incluso e le garanzie sono scritti chiaramente in un unico luogo, in una forma leggibile dalle macchine.
I nostri prezzi, le specifiche, le condizioni, gli orari e le affermazioni coincidono ovunque siamo presenti.
C. Prove e preferenza
Abbiamo prove verificabili di terzi (recensioni, risultati, partner) in luoghi che non controlliamo.
Abbiamo canali proprietari (una lista email, una community, una base clienti) che sopravvivrebbero a un cambio di algoritmo.
Se scambiassimo i loghi con il nostro concorrente più vicino, i clienti se ne accorgerebbero.
D. Misurazione e giudizio
Ogni KPI del nostro report al consiglio è etichettato come umano, macchina o sconosciuto, e controlliamo regolarmente se gli assistenti di IA ci raccomandano.
Una persona con nome e cognome approva ciò che la nostra IA produce prima che arrivi a un cliente, e il know-how delle nostre persone migliori è catturato in modo che l’IA possa lavorare secondo il nostro standard.
0 affermazioni su 10 valutate
I punteggi restano su questa schermata: non vengono salvati né inviati.
Adattato dal white paper Monarchy “You are not talking to a human” (2026) di Andrea d’Agostini. Le fonti sono elencate qui sotto; le citazioni sono riportate nella lingua originale, con la traduzione tra parentesi quadre. Le affermazioni indicate come punti di vista sono opinioni.
Fonti
- SparkToro (Rand Fishkin) with Similarweb data, “In 2026, Less than One Third of Google Searches Still Send a Click,” 9 June 2026 (68.01% zero-click Jan-Apr 2026, US; 60.45% in 2024; AI Overviews on 20%+ of searches). https://sparktoro.com/blog/in-2026-less-than-one-third-of-google-searches-still-send-a-click/
- US Federal Trade Commission, “Federal Trade Commission Announces Final Rule Banning Fake Reviews and Testimonials,” 14 August 2024. https://www.ftc.gov/news-events/news/press-releases/2024/08/federal-trade-commission-announces-final-rule-banning-fake-reviews-testimonials
- McKinsey & Company, “The state of AI in 2026: On the road to ROI,” 25 August 2026 (survey of 1,719 participants, fielded 4 May-8 June 2026). https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai
- Moffatt v. Air Canada, 2024 BCCRT 149 (Civil Resolution Tribunal of British Columbia). https://www.canlii.org/en/bc/bccrt/doc/2024/2024bccrt149/2024bccrt149.html
