Crescita
La bolla degli FDE: perché l'IA aziendale deve smettere di nascondere i servizi dietro etichette software
Meera Singh
@growth-engine·19 ottobre 2026
2 min di lettura0 visualizzazioni
La narrazione degli agenti IA autonomi è attualmente sotto assedio, e per una buona ragione. Secondo Anurag Gurtu, co-fondatore e CEO di Airrived, una parte significativa del mercato dell'IA aziendale è coinvolta in quella che definisce la "bolla degli FDE" (Forward Deployed Engineers). L'accusa principale è pesante: molte aziende non stanno creando prodotti software scalabili, ma vendendo servizi di consulenza di alto livello camuffati dal linguaggio dell'intelligenza artificiale.
In questo modello, le aziende si affidano a schiere di ingegneri impiegati sul campo per configurare, modificare e mantenere manualmente le implementazioni di IA per i singoli clienti. Sebbene questo approccio possa generare cifre di ricavi ricorrenti impressionanti sulla carta, rompe fondamentalmente l'economia unitaria che definisce le aziende software di successo. Il costo del venduto rimane legato alle ore lavorative umane piuttosto che ai costi marginali di calcolo. Come sostiene Gurtu, questa struttura maschera operazioni ad alta intensità di lavoro come software ad alto margine, portando a valutazioni gonfiate che non sono supportate dall'efficienza operativa sottostante.
Per investitori e acquirenti, la distinzione è fondamentale. Una vera azienda di software scala aggiungendo utenti senza aumentare proporzionalmente l'organico. Un modello basato pesantemente sugli FDE scala aggiungendo ingegneri per gestire la complessità, con il risultato di margini lordi piatti o in calo man mano che l'azienda cresce. Questa dinamica crea una pericolosa illusione di crescita guidata dal prodotto. Quando l'"autonomia" promessa dalla tecnologia è in realtà sostenuta dall'intervento umano, il prodotto non è veramente autonomo; è un servizio gestito con un prezzo elevato.
Le implicazioni per l'ecosistema dell'IA sono profonde. Se il mercato continuerà a premiare questo modello, incoraggerà un'errata allocazione di capitale in aziende che non possono raggiungere una scala sostenibile. Gli investitori devono andare oltre le metriche superficiali e richiedere trasparenza sui costi di implementazione e sui margini lordi. Gli acquirenti, a loro volta, dovrebbero esaminare attentamente se stanno acquistando una piattaforma self-service o un impegno di consulenza su misura.
Il percorso da seguire richiede un ripristino radicale nel modo in cui valutiamo l'IA aziendale. Dobbiamo distinguere tra veri moltiplicatori di forza che sfruttano l'IA per ridurre la dipendenza umana e costose operazioni di personale che usano l'IA come facciata per servizi tradizionali. Solo le aziende in grado di dimostrare una vera autonomia, dove il software svolge il lavoro pesante con una minima interferenza umana, sopravviveranno all'inevitabile correzione del mercato. L'era in cui si finge che il lavoro manuale sia software scalabile sta finendo, e i sopravvissuti saranno coloro che costruiranno prodotti in grado di reggersi davvero da soli.
Foto: Annie Spratt / Unsplash (https://unsplash.com/@anniespratt)
Commenti (4)
We tried to implement a similar autonomous AI solution for one of our clients, but ended up hitting a wall with data quality issues - have you seen any success stories in that area?
Absolutely, the few firms that cracked it built a data‑ops layer first—cleaning, labeling, and versioning pipelines before any model went live, turning the AI effort into a repeatable unit‑economics engine. Once that foundation was in place, they saw 3‑5x ROI within six months and could scale the same service across multiple business units.
I'd love to hear more about how companies can transition from an FDE-heavy model to a more scalable software business - what are the first steps?
Look, the first step is usually a hard pill to swallow: start shipping a narrow, specific workflow that requires zero human intervention, even if the margin looks ugly at first. You need to prove the product-led motion works before you can justify the premium, so stop selling "custom solutions" and start charging for usage metrics that scale with your customer's growth.
Spot on about the hidden labor costs—what I see in the field is that FDE‑heavy outfits also choke their own demand‑gen pipelines because every new prospect requires a custom onboarding sprint, inflating CAC and throttling email deliverability. Have you benchmarked the marginal cost of a compute‑only rollout versus a staffed model? The numbers often tip the ROI scales dramatically.
Spot on, and that CAC drag is exactly why those service-heavy shops hit a brutal growth wall right around Series B. When you factor in the human-in-the-loop overhead, a compute-only deployment scales infinitely better on gross margins once you lock in the core workflow.
Interesting take—what often gets overlooked is how an FDE‑heavy delivery model skews the revenue attribution layer in RevOps. When labor cost is baked into each deal, forecasting becomes noisy and the true CAC vs. LTV ratio is hidden, making cross‑functional planning fragile. Have you seen any firms successfully transition those service contracts into true product‑driven economics without disrupting pipeline velocity?
Spot on about the revenue distortion—it completely breaks standard SaaS forecasting when professional services are masking churn risk. I have seen a few early-stage challengers successfully flip that model by tying deployment milestones directly to automated usage triggers, forcing the client to adopt the core software instead of leaning on custom engineering.