Deccan AI raccoglie 25M: sfida a Mercor dal cuore dell’India

Nel mercato del machine learning e dell’AI training, uno dei fattori più critici ma spesso sottovalutato è la qualità dei dati con cui si “insegnano” gli algoritmi. È proprio su questo terreno che si muove Deccan AI, una startup indiana che ha appena chiuso un round di finanziamento da 25 milioni di dollari, posizionandosi direttamente come competitor di realtà come Mercor. Un risultato che segnala come il valore della manodopera qualificata nel settore tech non è più un privilegio esclusivo della Silicon Valley.

La mossa è significativa perché arriva in un momento in cui i grandi modelli di linguaggio – da ChatGPT a Claude – hanno fame insaziabile di dati etichettati e verificati. E mentre molte aziende cercano soluzioni globali e frammentate, Deccan AI ha scelto una strada differente: concentrare tutta la propria workforce in India, dove il talento tech è abbondante e i costi operativi permettono margini più interessanti. Una strategia che sfida le convenzioni del settore e che potrebbe rivelarsi vincente nel 2026.

Perché il data labeling è diventato un business da miliardi

Per capire il valore di quello che fa Deccan AI, bisogna partire da un’evidenza: ogni modello di intelligenza artificiale moderno è fondamentalmente una macchina affamata di dati. Non dati a caso, però – dati di qualità, verificati, etichettati correttamente. Se insegni a un’IA a riconoscere tumori in radiografie ma i dati di training sono mediocri, il modello fallirà quando verrà usato in clinica. È qui che entra in gioco il training data.

Negli ultimi tre anni, questo segmento è esploso. Mercor ha tracciato la strada, diventando uno dei principali marketplace per il sourcing di talento AI. Ma il mercato è ancora fragile e frammentato: molte aziende ricorrono a freelancer sparsi ovunque, piattaforme cinesi poco trasparenti, o team interni difficili da scalare. La qualità soffre. E così i tempi di consegna. E così i costi.

Deccan AI ha colto questa inefficienza. La sua tesi è semplice ma potente: se concentri un team qualificato in un unico luogo, con una cultura aziendale ben definita e processi rigorosi, otterrai data labeling di qualità superiore, a costi competitivi. Un modello più simile a quello di una software house tradizionale che a un marketplace di freelancer.

La strategia dell’India come hub globale di AI training

Non è un caso che Deccan AI abbia scelto di basarsi completamente in India. Il paese ha accumulato negli anni una massa critica di talento tech eccezionale, con centinaia di migliaia di ingegneri e data scientist di altissimo livello. I salari, pur crescendo rapidamente, rimangono inferiori a quelli occidentali – consentendo margini di profitto più ampi. E la cultura del lavoro meticcoloso, preciso, orientato ai dettagli è radicata nel tessuto industriale indiano.

Quello che rende davvero interessante questa mossa è il timing. Siamo nel 2026, e le aziende occidentali stanno iniziando a realizzare che scalare l’AI non è più una questione di ricerca accademica, ma di operazioni solide e ripetibili. OpenAI, Google DeepMind, Meta – tutti questi player hanno capito che il valore non sta più (solo) negli algoritmi, ma nella qualità dei dati con cui addestri quell’algoritmo. E per questo, i servizi come quelli di Deccan AI diventano mission-critical.

Il finanziamento da 25 milioni, secondo fonti vicine all’azienda, sarà utilizzato per espandere il team, migliorare i processi QA (quality assurance), e costruire un’infrastruttura tecnologica proprietaria che automatizzi parti del workflow di labeling – riducendo ancora tempi e costi.

Come cambia il mercato per le startup europee

Qui arriviamo al punto interessante per il panorama italiano e europeo. L’ascesa di player indiani come Deccan AI crea pressione sui fornitori locali, ma apre anche opportunità. Se sei una startup di AI in Italia o in Europa, puoi scegliere di collaborare con Deccan AI per il data labeling, oppure puoi costruire un tuo moat (un fossato competitivo) offrendo qualcosa che l’India non può facilmente replicare: expertise di dominio locale, comprensione culturale, velocità di turnaround per progetti europei.

Pensiamo al machine learning nel settore medico, nel legal tech, nel manufacturing – settori dove la conformità normativa locale (GDPR, standard europei) è critica. Un team che capisce sia l’AI che il contesto europeo vale di più di un puro costo per token. E infatti, startup come Anthropic e altre stanno costruendo relazioni con provider europei proprio per questi motivi.

Il pericolo, naturalmente, è che il mercato si commoditizzi completamente e vinca chi offre il prezzo più basso. Ma la storia della software outsourcing insegna che questo non accade: rimane sempre uno strato di servizi ad altissimo valore che comanda premi significativi.

Il 2026 come anno chiave per il data labeling

Guardando al quadro generale, il successo di Deccan AI (e il capitale che riesce ad attrarre) segnala che gli investor riconoscono il data labeling come un’infrastruttura essenziale dell’economia dell’AI. Non è un servizio marginale – è core infrastructure. Nel 2026, aziende di ogni dimensione che costruiscono o affinano modelli di AI non possono permettersi di improvvisare sui dati di training.

Il prossimo anno vedrà probabilmente un’ondata di consolidamento: i piccoli player verranno acquisiti dai grandi, le startup di AI inizieranno a stringere partnership formali con provider di data labeling, e il mercato si polarizzerà tra giganti globali e specialisti di nicchia. Deccan AI, con questo finanziamento e la sua strategia focalizzata, potrebbe benissimo diventare uno di quei giganti.

Per l’Italia, il messaggio è chiaro: il valore aggiunto non sta nel competere su volume e prezzo, ma nell’offrire expertise, velocità e qualità dove conta davvero. È una lezione che vale non solo per il data labeling, ma per tutta la catena del valore dell’AI.

Fonte: TechCrunch