Poolside AI raccoglie 400 milioni di dollari con una valutazione di 2 miliardi di dollari per LLM di codice-dati

Poolside AI è vicina a un accordo per raccogliere circa 400 milioni di dollari (https://www.bloomberg.com/news/articles/2024-06-27/ai-coding-startup-poolside-is-raising-400-million-at-2-billion-valuation) in un nuovo round di finanziamento che valuterebbe l'azienda 2 miliardi di dollari (https://www.bloomberg.com/news/articles/2024-06-27/ai-coding-startup-poolside-is-raising-400-million-at-2-billion-valuation). Il round, guidato da Coatue Management e Dragoneer Investment Group (https://techcrunch.com/2024/06/27/poolside-the-latest-genai-startup-to-move-to-france-is-nearing-a-400m-raise-at-a-2b-valuation/), segnala una massiccia scommessa sui dati specializzati necessari per spostare i Large Language Models (LLM) dalla conversazione generale all'ingegneria del software autonoma. Concentrando le sue operazioni a Parigi, Poolside si posiziona nel cuore dell'ecosistema europeo di talenti e dati per l'IA, mirando specificamente ai codebase proprietari e ai flussi di lavoro degli sviluppatori che definiscono la prossima frontiera degli strumenti di produttività.

Il fossato dei dati specializzati: oltre gli LLM generali

L'iniezione di capitale in Poolside AI evidenzia un più ampio pivot di mercato verso asset di dati specifici del dominio. Mentre i modelli generici hanno raggiunto un plateau di utilità, le startup che si concentrano su dataset specializzati ad alta fedeltà stanno ottenendo valutazioni premium. La strategia di Poolside ruota attorno all'addestramento di modelli su repository di codice massicci e strutturati, che richiedono una precisione significativamente maggiore rispetto ai dataset standard basati su testo. Questa tendenza si riflette nel settore biologico, dove EvolutionaryScale ha recentemente rivelato un round seed da 142 milioni di dollari (https://www.reuters.com/technology/ai/ai-biology-startup-evolutionaryscale-raises-142-million-2024-06-25/) per commercializzare il suo modello ESM3. ESM3 è stato addestrato su uno sbalorditivo numero di 2,7 miliardi di sequenze proteiche (https://techcrunch.com/2024/06/25/evolutionaryscale-is-biologys-ai-frontier-lab/), illustrando che gli asset di dati più preziosi oggi sono quelli che mappano i blocchi fondamentali della scienza e dell'ingegneria.

Guerre di licenza: archivi vs. accesso in tempo reale

Mentre le startup raccolgono fondi per costruire modelli, i giganti consolidati dell'IA stanno bloccando aggressivamente gli archivi di dati storici. OpenAI ha finalizzato un accordo di licenza di contenuti pluriennale con Time (https://openai.com/index/time-partnership/), ottenendo l'accesso a 101 anni di contenuti d'archivio (https://www.theverge.com/2024/6/27/24187515/openai-time-magazine-licensing-deal-ai-training) per perfezionare i suoi modelli e fornire risposte citate all'interno di ChatGPT. Questo accordo segue un modello di partnership di alto valore con editori come News Corp e Axel Springer, stabilendo un chiaro prezzo di mercato per i dati testuali di alta autorità. Per i proprietari di dati, questi accordi rappresentano un passaggio dall'hosting passivo alla gestione attiva degli asset, poiché la domanda di informazioni verificabili e curate dall'uomo cresce in risposta diretta alla proliferazione di "schifezze" generate dall'IA online.

La stretta normativa e l'integrità dei dati

Tuttavia, la corsa ai dati sta incontrando significative frizioni legali e normative. La Recording Industry Association of America (RIAA) ha intentato cause contro i generatori di musica AI Suno e Udio (https://www.reuters.com/legal/major-record-labels-sue-ai-firms-suno-udio-over-copyright-infringement-2024-06-24/), chiedendo danni statutari fino a 150.000 dollari per opera violata (https://www.billboard.com/business/legal/labels-sue-suno-udio-ai-copyright-infringement-1235716182/). Contemporaneamente, il gigante del design Figma ha affrontato critiche per le sue politiche sui dati di addestramento AI (https://www.theverge.com/2024/6/27/24187315/figma-ai-tools-config-2024-training-data), costringendo l'azienda a chiarire i suoi meccanismi di opt-out per gli utenti enterprise. Questi eventi suggeriscono che, sebbene il capitale per l'IA data-intensive sia abbondante, l'era del "far west" dello scraping non compensato sta finendo. Aziende come Glean, che è in trattative per raccogliere 250 milioni di dollari (https://www.reuters.com/technology/ai-startup-glean-talks-raise-250-mln-45-bln-valuation-source-says-2024-06-25/) con una valutazione di 4,5 miliardi di dollari (https://www.reuters.com/technology/ai-startup-glean-talks-raise-250-mln-45-bln-valuation-source-says-2024-06-25/), stanno avendo successo concentrandosi su dati aziendali interni sicuri e autorizzati piuttosto che su contenuti estratti dal web pubblico.

Perché è importante per i proprietari di dati

La valutazione di Poolside AI e le cause contro le startup musicali dimostrano che il mercato si sta biforcando: i dati generali vengono commoditizzati, mentre gli asset di dati specializzati e ad alta integrità stanno diventando la principale fonte di alpha. Per i proprietari di dati, l'opportunità risiede nella transizione da licenze una tantum a modelli ricorrenti di data-as-a-service (DaaS). Con l'entrata in vigore dell'AI Act dell'UE che impone trasparenza nei set di addestramento, la provenienza dei dati diventerà preziosa quanto i dati stessi, trasformando la conformità in un vantaggio competitivo per i detentori di dati istituzionali.