Un nuovo ecosistema intorno alla morte delle startup
Quando Keelan Miskell ha iniziato a chiudere la sua startup di criptovalute quest'anno, non pensava che i dati dell'azienda valessero molto: gli utenti erano anonimi e l'azienda esisteva da solo pochi anni. Tuttavia, ha trasformato gli archivi digitali dell'azienda in denaro reale. Ha guadagnato circa 25.000 dollari per la sua base di codice e un importo ancora in sospeso, probabilmente intorno ai 15.000 dollari, per i dati dello spazio di lavoro in Google, Notion, Figma e Slack. "Almeno tutto quello che abbiamo fatto per due anni e mezzo vale qualcosa per qualcuno da qualche parte," dice Miskell. La vendita è stata mediata da SimpleClosure, un'azienda che rappresenta un nuovo settore in crescita nel panorama tecnologico: le attività dedicate alle startup in via di estinzione.
Le stime di Carta e AngelList mostrano che le chiusure di startup sono aumentate tra il 26% e il 56% annualmente negli ultimi anni, e un ecosistema di fine vita—che include coach, "doule della morte" e aziende che aiutano a gestire i problemi legali, fiscali e operativi del fallimento—è emerso. Ora i becchini della tecnologia stanno vendendo i resti dei dati ai laboratori di intelligenza artificiale.
SimpleClosure e il commercio dei dati aziendali
SimpleClosure ha aggiunto le vendite di dati ai suoi servizi ad aprile. La sua piattaforma Asset Hub aiuta i fondatori a vendere il loro codice e i dati dello spazio di lavoro—email, chat, documenti. I buyer includono laboratori di intelligenza artificiale fondazionali, fornitori che costruiscono spazi di lavoro simulati per l'addestramento dell'IA e aziende tecnologiche mature che costruiscono i loro modelli proprietari. Asset Hub ha gestito oltre 150 transazioni e si aspetta di restituire oltre 10 milioni di dollari alle startup entro la fine del 2026. Il CEO Dori Yona ha osservato che queste transazioni, una volta rare e "in qualche modo tabù," sono diventate sempre più di routine, con il 47% degli accordi di SimpleClosure che ora includono vendite di codice o dati.
E SimpleClosure non è sola in questo mercato. Sunset, un competitor del settore, ha anche un'attività di rivendita di dati in rapida crescita. Il fondatore e CEO Brendan Mahony dice che Sunset valuta gli asset di un cliente in fallimento in base al numero di dipendenti, agli anni di attività, al volume di dati e a come il team ha utilizzato i suoi strumenti. Il cartone pressato, dice, è una buona analogia: "Questi dati di esaurimento operativo sono come i trucioli di legno che tutti pensavano non avessero valore, ma in realtà hanno un valore enorme."
La domanda improvvisa di dati da aziende defunte
La domanda di dati da aziende defunte è emersa improvvisamente l'anno scorso, quando i laboratori di addestramento dell'IA hanno raggiunto i limiti dei dataset pubblici e sintetici. Surge AI, ad esempio, acquista dati per costruire "palestre di apprendimento per rinforzo" dove gli agenti di intelligenza artificiale dei clienti praticano compiti—pensate al debug di un'architettura IT complessa o alla stesura di ricorsi in appello. Nick Heiner, che guida il lavoro dell'azienda in questi ambienti, dice che cerca archivi di dati che riflettano una varietà di situazioni, dai disaccordi alle difficili decisioni di giudizio. Heiner spiega che una storia di Slack di un'azienda, se cattura conversazioni con varietà e profondità, può valere più dello Slack, delle email e dei calendari di un'altra azienda combinati.
Gli archivi reali evitano errori comuni nei mondi sintetici, come riferimenti a date che non esistono, ma l'entità dei guadagni di prestazioni rimane poco chiara. Nessuna azienda ha ancora rilasciato test che confrontino i risultati dell'addestramento con dati del mondo reale con le alternative. I prezzi riflettono questa incertezza: gli acquirenti citano numeri selvaggiamente diversi, dice Heiner, perché le valutazioni si basano su "tesi di ricerca" che stimano quanti compiti utili provengono da, diciamo, 100.000 righe di codice.
I grandi accordi e i loro prezzi
Tutto questo non ha impedito che accordi più grandi si verificassero. Questo agosto scorso, come parte del fallimento di Spirit Airlines, Google ha superato l'offerta dell'azienda di dati di intelligenza artificiale Mercor per acquistare i dati decennali della compagnia aerea, inclusi 100 milioni di email, 500 milioni di messaggi Teams e 176.000 record dei dipendenti. Il prezzo: 10 milioni di dollari. E Bloomberg ha riferito a settembre che l'unità di intelligenza artificiale di SpaceX sta considerando l'acquisto di dati da startup in difficoltà.
Questi accordi dimostrano come il valore percepito dei dati aziendali sia aumentato significativamente nel contesto dell'addestramento dell'IA. Il caso di Spirit Airlines è particolarmente indicativo: una compagnia aerea in fallimento, con decenni di operazioni, ha accumulato informazioni sufficientemente preziose da giustificare un investimento di 10 milioni di dollari da parte di Google. I 100 milioni di email e 500 milioni di messaggi Teams rappresentano anni di comunicazioni operative che potrebbero contenere preziose intuizioni su processi decisionali, risoluzione di problemi e interazioni complesse nel contesto di un'industria altamente regolamentata come il trasporto aereo.
Le questioni legali e la "zona selvaggia" dell'addestramento dell'IA
Legalmente, tutto questo potrebbe diventare complicato. Il sindacato delle hostess di Spirit si è opposto alla vendita su basi di privacy, e Greg Ewing, un avvocato che consiglia startup di intelligenza artificiale, ha definito tali dati "radioattivi dal punto di vista legale." I fornitori impiegano data scientist per eliminare le informazioni di identificazione personale ed escludere i record delle risorse umane, e gli acquirenti dicono che lo fanno anche loro. Ma Ewing sottolinea alcuni dei dettagli privati che si nascondono nelle email e nei calendari: appuntamenti dal medico, accordi per il ritiro da scuola, piani per cene romantiche. Descrive una "zona selvaggia dell'addestramento dell'IA" che sta solo iniziando a trasformarsi in accordi di licenza appropriati e uso verificato.
I problemi legali sono ulteriormente complicati dal fatto che non esiste attualmente un quadro normativo federale chiaro che regoli specificamente la vendita di dati dei dipendenti una volta che un'azienda cessa le operazioni. Mentre i dati personali sono protetti durante il normale corso del business, il status legale di questi dati nel contesto della chiusura aziendale rimane in gran parte inesplorato. Gli acquirenti affermano di effettuare la propria sanificazione dei dati, ma la profondità e la completezza di questi sforzi variano considerevolmente.
La questione del profitto e della giustizia per i dipendenti
C'è anche la questione di chi trae profitto da questi guadagni inaspettati. I proventi in genere fluiscono verso i creditori senior e gli investitori, non ai dipendenti. Per Ifeoma Ajunwa, professoressa di diritto all'Emory University e autrice di "The Quantified Worker," questo rappresenta una forma di "capitale catturato." Il precedente legale consente il monitoraggio per aiutare i lavoratori a svolgere i loro lavori, ma una volta che un'azienda cessa di operare, questa giustificazione scompare. "I datori di lavoro dovrebbero ottenere il consenso esplicito prima di vendere i dati dei lavoratori," dice Ajunwa, ma aggiunge che non esiste una legge federale che proibisca tali vendite.
Questo rappresenta una lacuna significativa nella protezione dei diritti dei lavoratori. I dipendenti, che hanno contribuito a generare questi dati attraverso il loro lavoro quotidiano, non hanno voce nella decisione di vendere questi archivi né ricevono una quota del ricavato. Le informazioni contenute in email, chat e calendari aziendali possono includere comunicazioni sensibili relative al lavoro, conversazioni confidenziali con i dirigenti, e persino dettagli personali discussi casualmente durante le pause di lavoro. Una volta che l'azienda fallisce, questi dati—che potrebbero contenere informazioni sulla salute, sulla situazione familiare o su altre questioni personali delicate—possono essere venduti senza il consenso di chi ha generato il contenuto.
Visibilità e equità nelle transazioni di dati
Mentre molti vedono questo nuovo mercato come un'opportunità per le aziende in fallimento di recuperare un po' di valore, queste vendite di chiusura hanno anche limitazioni significative. I fondatori hanno poca o nessuna visibilità su chi sta acquistando i dati e cosa pianificano di farne. Inoltre, non c'è alcuna certezza che stiano ricevendo un'offerta equa per i loro beni. Il processo di valutazione rimane largamente opaco e soggettivo, con diversi buyer che forniscono quotazioni selvaggiamente diverse per insiemi di dati simili.
SimpleClosure e Sunset forniscono un servizio di valutazione, ma i criteri utilizzati per determinare il valore dei dati rimangono in gran parte proprietari e non completamente trasparenti. Heiner di Surge AI ha riconosciuto che le valutazioni si basano su "tesi di ricerca" che cercano di stimare come i dati potranno essere utilizzati, ma questi calcoli rimangono altamente speculativi finché non saranno pubblicati i risultati effettivi degli esperimenti di addestramento.
La mancanza di dati comparativi sulle prestazioni
Un aspetto critico di questa situazione è che le prestazioni effettive dei modelli addestrati con dati reali versus dati sintetici rimangono largamente non documentate pubblicamente. Nessuna azienda ha ancora rilasciato test rigorosi che confrontino i risultati dell'addestramento con archivi reali rispetto alle alternative sintetiche. Questo crea un'incertezza significativa riguardo al valore reale di questi dati.
I buyer citano numeri selvaggiamente diversi perché le loro valutazioni si basano su ricerche interne, modelli proprietari e ipotesi sull'utilità dei dati. Un'azienda potrebbe stimare che 100.000 righe di codice avranno un certo valore per l'addestramento, mentre un'altra stima potrebbe essere completamente diversa. Questa falta di standardizzazione significa che i venditori hanno scarsa protezione contro le offerte sottovalutate.
I fornitori di servizi e le loro metodologie di valutazione
SimpleClosure utilizza diverse metriche per valutare gli asset aziendali. La piattaforma Asset Hub valuta i dati sulla base di fattori come il numero di dipendenti, gli anni di operazione, il volume di dati e il modo in cui il team ha utilizzato vari strumenti di produttività. Questa metodologia riconosce che non tutti i dati di aziende della stessa dimensione hanno lo stesso valore.
Sunset ha un approccio simile, con Brendan Mahony che descrive l'analogia del cartone pressato: "Questo dato di esaurimento operativo è come i trucioli di legno che tutti pensavano non avessero valore, ma in realtà hanno un valore enorme." Questa metafora suggerisce che Sunset e altri fornitori vedono valore in ciò che era precedentemente considerato rifiuti—i byproduct del normale funzionamento aziendale.
L'importanza della varietà e della profondità nei dati
Nick Heiner di Surge AI ha sottolineato un punto cruciale: la qualità e l'utilità dei dati dipendono dalla varietà delle situazioni che riflettono. Una storia di Slack da un'azienda che cattura conversazioni con varietà e profondità può valere significativamente più della combinazione di Slack, email e calendari da un'altra azienda.
Questo sottolinea come il valore dei dati non sia semplicemente una funzione della sua dimensione, ma della sua richezza in termini di situazioni decisionali, dibattiti, disaccordi e scambi complessi. Un'azienda che ha affrontato molti problemi tecnici difficili e ha documentato le discussioni su come risolverli potrebbe possedere dati più preziosi di un'azienda con il doppio dei dipendenti ma meno sfide operative variegate.
Il ruolo dei dati reali nel superare i limiti dei dataset sintetici
I laboratori di addestramento dell'IA hanno affrontato una sfida significativa: i dataset pubblici e sintetici hanno limiti intrinseci. I dataset sintetici, anche se generati sofisticatamente, possono contenere errori sistematici, come riferimenti a date che non esistono o modelli di comportamento poco realistici. I dati reali dal mondo operativo aziendale, al contrario, hanno passato il test della realtà: riflettono come le persone realmente comunicano, decidono e risolvono i problemi.
Questo è il motivo per cui Surge AI e altre aziende sono disposte a pagare per accedere a questi archivi. Per addestrare modelli di intelligenza artificiale a compiti come il debugging di architetture IT complesse o la stesura di documenti legali, avere esempi reali di come i professionisti realmente affrontano queste sfide rappresenta un vantaggio competitivo significativo. Una storia email da un'azienda tecnologica che mostra come i team hanno dibattuto e risolto un problema architetturale complesso potrebbe essere più preziosa di mille esempi sintetici.
Le prospettive di stabilizzazione dei prezzi
Anche se attualmente i prezzi dei dati aziendali rimangono volatili e opachi, molti osservatori del settore si aspettano una stabilizzazione nel pross