Un robot gelato vale 220 miliardi: la mano dextera diventa la stamperia di denaro dell’intelligenza incarnata

Nel negozio DQ di via Wujiang a Shanghai, un robot sta facendo qualcosa che sembra piuttosto stupido.

Prende il cono dallo sterilizzatore, estrae il bicchiere di carta, lo allinea sotto il erogatore del gelato, sparge i pezzi di Oreo, mescola, pulisce il bordo e infine capovolge il bicchiere per verificare il famoso “non gocciola quando lo capovolgi”. Sono 55 passi, tutti eseguiti in autonomia; il commesso accanto non muove nemmeno un dito.

Un impiegato impiega 2‑3 minuti per un cono; il robot ne impiega 6. È più lento, ma nessuno lo sollecita.

Perché DQ e l’azienda dietro il robot, Sharpa, non stanno cercando efficienza. Stanno cercando qualcos’altro: dati.

Alla fine ti mostrerò tre modi concreti per entrare in questo business e guadagnare.

Questo non è un attacco al ribasso, è un allenamento di livello superiore

La prima reazione di molti alla notizia è: “Un’azienda da cento miliardi che va a lavorare in una gelateria? È un spreco di talento.”

Chi parla così non ha capito la logica di competizione dell’intelligenza incarnata.

I cosiddetti “robot” che vedi nei ristoranti oggi sono essenzialmente vassoi su ruote: portano piatti, spostano oggetti, fanno avanti e indietro. Sono semplicemente dispositivi di trasporto a basso grado di libertà. Non hanno bisogno di mani, solo di capacità di movimento, evitamento ostacoli e posizionamento preciso. Il valore tecnico tende a zero e il fossato competitivo è inesistente.

Sharpa invece sceglie di infilarsi nella cucina, usando le stesse attrezzature, gli stessi ingredienti e gli standard globali, eseguendo l’intero processo dall’inizio alla fine.

Il fondatore Li Yifan ha detto una cosa dura: “Se un umanoide a molte libertà, con vista e controllo di forza, finisce per fare soltanto ciò che un semplice braccio meccanico potrebbe fare – tipo passare un caffè – allora il suo costo non sarà mai giustificato.”

Il punto è che il robot non può pretendere che l’ambiente si adatti a lui, né può lasciare l’ultimo passo a un umano per sistemare le cose. Così non si crea produttività, si dà al robot un lavoro di ripiego.

Ecco perché la scena DQ è difficile: i 55 passi sono interconnessi. Il cono di carta si deforma, il gelato cambia consistenza con la temperatura, le tre aggiunte sembrano quasi identiche a occhio nudo e un piccolo errore rovina tutto.

Ed è proprio questo che Sharpa vuole: i dati degli errori.

Il vero muro non è il silicio, è il database delle “cadute”

Qual è la più grande barriera dell’intelligenza incarnata?

Non è imparare la traiettoria guardando video. Puoi far vedere a GPT cento volte qualcuno che prepara un gelato, ma non imparerà mai con quale forza afferrare il bicchiere senza schiacciarlo. I video mancano di tatto, di forza, e di logica di correzione dopo un errore.

Guardando una persona fai un gesto, sai quanto solleva la mano, ma non sai con quale pressione afferrare il cono per non schiacciarlo, non sai se una fuoriuscita è dovuta a un errore di posizionamento o a una mescolata troppo veloce, non sai come varia il risultato se l’angolo di rasatura cambia di due gradi.

Queste informazioni si ottengono solo facendo sbagliare il robot nel mondo reale, raccogliendo gli errori, aggiustando il modello e ripetendo. Questi “dati di fallimento” alimentano il modello così che nello scenario successivo eviti gli stessi sbagli.

Sharpa ha allenato questo flusso DQ per meno di cinque mesi; in laboratorio il tasso di successo è già alto. Ma quel numero non conta. La vera prova sono le variabili imprevedibili del negozio reale: ore di punta con folla, variazioni di temperatura delle macchine, differenze di lotto degli ingredienti.

Oggi il robot impara presa, sollevamento, mescolata e capovolgimento da DQ; domani quelle stesse abilità potranno essere trasferite a riordino sugli scaffali di un minimarket, servizio in camera d’albergo o persino faccende domestiche. Se per ogni nuovo contesto dovesse ricominciare da zero con centomila ore di addestramento, l’intero progetto sarebbe un esperimento monouso senza valore commerciale.

Questa è la vera ambizione di Sharpa: trasformare un singolo punto vendita DQ in una base di dati trasferibile per abilità manuali sofisticate.

Valutazione 220 miliardi, più della vecchia casa madre

Sharpa è nata alla fine del 2024; oggi ha meno di due anni. Ha appena chiuso un nuovo round di finanziamento per oltre 4,5 miliardi di yuan (circa 580 milioni di euro), portando la valutazione post‑money a 220 miliardi di yuan (circa 28 miliardi di euro).

È interessante notare che i tre co‑fondatori provengono direttamente dal team originale di Hesai, leader nei lidar. Eppure Hesai stessa oggi ha una market cap rispettabile.

Perché una neonata, nata da un’azienda di lidar, riesce a superare la valutazione della casa madre? È un classico gioco industriale.

Prima, i settori sono diversi e quindi le logiche di valutazione divergerebbero. Il lidar segue la logica della produzione matura: si guarda al volume di vendite, al margine lordo e al controllo dei costi. L’uomo meccanico è ancora in fase di crescita esplosiva: si valuta la barriera tecnologica, l’accumulo di dati e la capacità di immaginare nuovi scenari. Spin‑out permette di ottenere un tetto di valutazione molto più alto.

Secondo, gli incentivi al team diventano più flessibili. Una società indipendente può ridisegnare la propria equity senza diluire gli azionisti di Hesai e dare al nucleo fondatore proprietà e autonomia differenti.

Guarda chi ha investito in questo round: Alibaba, Meituan, il capitale industriale di JD, più Sequoia e Capital Today. In pratica stanno scommettendo su una cosa sola: Sharpa riuscirà a replicare il percorso di successo di Hesai nei lidar, ma applicandolo al mondo degli umanoidi.

Prima si conquista il componente chiave, poi si chiude il ciclo grazie ai dati di scena, infine si costruisce uno stack completo.

Nota: tutti i riferimenti a piattaforme locali sono stati adattati al mercato italiano (es. Amazon al posto di Taobao, eBay al posto di Xianyu, TikTok per Douyin, Substack per gli account WeChat, Temu per Pinduoduo, Pinterest per Xiaohongshu).