Dove risiede davvero il vantaggio competitivo dell’IA

L’intelligenza artificiale è parte integrante degli investimenti quantitativi da decenni: apprendimento automatico, elaborazione del linguaggio naturale e dati alternativi sono già in uso al fine di identificare schemi ricorrenti, estrarre segnali e trattare informazioni su una scala impossibile da gestire manualmente. Tuttavia, l’ascesa dell’IA agentica solleva una questione diversa.

Il dibattito iniziale sull’impiego di tale tecnologia negli investimenti si è spesso concentrato sulle capacità del modello: l’IA sarà in grado di prevedere i rendimenti in maniera migliore, di individuare nuovi segnali e di automatizzare la ricerca? Sebbene queste domande restino importanti, man mano che un numero crescente di asset manager accede a modelli di base simili quella più rilevante potrebbe diventare un’altra: dove risiede effettivamente il vantaggio d’investimento? È improbabile che la risposta risieda esclusivamente nell’accesso al modello.

Quando chiunque può ottenere in licenza modelli potenti a condizioni sostanzialmente analoghe, l’accesso agli stessi diventa meno distintivo. Il vantaggio competitivo duraturo, come messo in evidenza nella Figura 1 qui sotto, è più probabile che risieda nel flusso di lavoro costruito intorno al modello, ovvero nelle modalità attraverso cui vengono formulate le domande di ricerca, vengono mappati i dati, vengono registrati i passati insuccessi di convalida, vengono applicati i vincoli di portafoglio e vengono riesaminate le raccomandazioni, nonché nelle persone che si assumono la responsabilità delle decisioni di investimento.

L’IA agentica si differenzia da un tipico assistente o copilota basato sull’intelligenza artificiale. Un copilota di solito risponde a un comando: riassumi questo, redigi quello, completa questo codice, un sistema agentico può perseguire un obiettivo attraverso diversi passaggi, portando ad esempio il contesto da una fase alla successiva, decidendo quali strumenti attivare e producendo un output su cui una persona o un altro sistema possono agire.

In effetti, una volta che l’IA può agire lungo un flusso di lavoro, la questione del controllo evolve: la risposta del modello sembra accurata e il workflow è stato sicuro, verificabile e reversibile?

Ciò è particolarmente importante in ambito finanziario. I mercati forniscono un feedback rumoroso e ritardato e i falsi positivi possono sembrare convincenti, mentre i campioni storici sono spesso brevi rispetto al numero di idee sottoposte a verifica. Una nota ben redatta può generare una fiducia mal riposta più di una nota approssimativa, specialmente se affermazioni prive di fondamento si nascondono dietro una prosa fluida.

Le decisioni di investimento sono inoltre soggette a vincoli che un modello potrebbe non comprendere appieno da solo: i termini del mandato, il budget di rischio, la liquidità, i costi di transazione, l’esposizione al benchmark, le imposte, la capacità di implementazione e la sovrapposizione con i segnali esistenti. Un’idea interessante dal punto di vista statistico non è necessariamente investibile, motivo per cui la promessa dell’IA agenziale negli investimenti non dovrebbe essere presentata come una “generazione autonoma di alfa”. Una formulazione più realistica e utile è che l’IA agentica può contribuire ad ampliare, accelerare e disciplinare la ricerca di idee di investimento, purché il workflow che la circonda sia sufficientemente solido da intercettare gli errori prima che diventino rilevanti.

In una visione dell’IA incentrata sui modelli, l’attenzione è rivolta a quale modello sia il migliore, mentre in una incentrata sul flusso di lavoro l’enfasi si sposta su ciò che il modello è autorizzato a leggere e a fare, su ciò che deve registrare e su dove è richiesto l’intervento di approvazione umana.

Ed è proprio qui che gli asset manager possono costruire qualcosa di più difficile da copiare. Un modello all’avanguardia può essere sostituito, ma lo stesso non vale per le attività di ricerca di una società, le sue mappature di dati proprietarie, i test falliti in passato, le regole di escalation, la disciplina di costruzione del portafoglio o la conoscenza accumulata dei casi in cui segnali apparentemente attraenti tendono a venire meno.

Per gli investitori quantitativi, si tratta di un’idea già nota: la qualità della ricerca dipende non solo dall’individuare un segnale promettente, ma anche dal verificare se è robusto, incrementale, implementabile e allineato con gli obiettivi del portfolio. L’IA agentica non fa che aumentare la necessità di codificare questa disciplina ben nota all’interno del workflow.

Il vantaggio competitivo, quindi, potrebbe spostarsi dalla domanda «chi ha il modello migliore?» a «chi ha il processo di ricerca meglio controllato attorno al modello?».

Un modo pratico di pensare a workflow agenziali controllati è attraverso tre filtri, ossia solidità, stabilità e gestione delle autorizzazioni, che vengono analizzati più in dettaglio nel capitolo su “IA e governance”.

Per solidità si intende che il flusso di lavoro debba dimostrare che le informazioni utilizzate erano disponibili nel momento in cui l’analisi dichiara di essere stata eseguita, in modo che le informazioni future non si infiltrino nel processo di ricerca, mentre la stabilità garantisce che il modello non sembri soltanto sicuro di sé, ma produca anche un risultato sufficientemente stabile da poter essere esaminato; infine, la gestione delle autorizzazioni riguarda la definizione di confini applicati tramite l’infrastruttura e i diritti di approvazione, che non vengano lasciati al giudizio del modello stesso.

Insieme, questi filtri aiutano a trasformare l’IA agentica da assistente intelligente a componente controllata del processo di investimento: invece di garantire l’alfa, contribuiscono ad assicurare che il lavoro supportato dall’IA sia fondato, verificabile e adeguatamente vincolato prima che gli esseri umani decidano come utilizzarlo.

Pensiamo a un tipico workflow di ricerca quantitativa in cui un nuovo articolo accademico propone un fattore candidato. Un flusso di lavoro automatizzato analizza l’articolo, ne estrae la metodologia, mappa gli input richiesti sull’ambiente di ricerca della società, esegue una replica, raffronta il risultato con la suite di modelli esistente e redige un articolo che riassume le evidenze.

Tutto ciò potrebbe far risparmiare tempo; tuttavia, prima che qualunque idea possa influenzare un modello o un portafoglio, il flusso di lavoro deve rispondere a una domanda di alfa più circoscritta, ossia che cosa, esattamente, è stato dimostrato?

Un flusso di lavoro controllato dovrebbe dimostrare se il segnale proposto è stato replicato, se i dati erano relativi a un momento specifico, se il risultato ha resistito a variazioni ragionevoli, se rappresenta un valore aggiunto rispetto alla suite di modelli esistente e se rimane implementabile al netto dei costi, della liquidità, del rischio e dei vincoli del mandato. Se l’idea non superasse queste soglie, il workflow dovrebbe registrare il motivo per cui è stata respinta o perché non è ancora pronta, invece di presentarla come aggiuntiva.

L’agente può predisporre le evidenze e far emergere i punti decisionali, ma non dovrebbe decidere di includere il segnale in un modello o di allocare capitale: queste decisioni restano in capo a specifiche persone.

Il valore immediato dell’IA agentica sta nel fatto che potrebbe contribuire ad alzare lo standard di prova prima che venga rivendicato l’alfa. Ad esempio, è in grado di ridurre le affermazioni non supportate prima della revisione da parte dei senior? Può rendere esplicite le ipotesi? È in grado di evidenziare l’instabilità di un risultato proposto? È in grado di dimostrare se un segnale sia realmente incrementale rispetto a quanto già presente nel portafoglio? È in grado di identificare i vincoli di implementazione che sarebbero rilevanti nell’uso pratico?

Si tratta di esiti di processo misurabili che rendono il percorso dall’idea alla decisione di investimento più disciplinato. Nell’asset management, un processo debole può trasformare una ricerca promettente in una cattiva implementazione, mentre un processo solido aiuta a garantire che le idee vengano portate avanti, riviste o respinte in base ai motivi più appropriati. L’IA agentica può rivelarsi preziosa proprio perché può aiutare a istituzionalizzare parti di tale disciplina, se viene costruita con controlli integrati fin dall’inizio.