Da copilota a modello operativo

La prima ondata di IA generativa ha riguardato soprattutto la produttività individuale, aiutando gli esperti a redigere bozze, riassumere, effettuare ricerche, programmare o preparare il resoconto di una riunione. Sebbene queste modalità d’uso siano sono preziose, di solito restano legate ai singoli compiti: un utente, un prompt, un output.

L’IA agentica preannuncia un cambiamento più ampio: quando la tecnologia può supportare una sequenza di passaggi, usare strumenti, preservare il contesto e consegnare output strutturati a una persona o a un altro sistema, la domanda rilevante passa da “questo strumento può aiutarmi a lavorare più velocemente?” a “di che flusso di lavoro fa parte questo sistema, che cosa è autorizzato a fare e come viene revisionato il risultato generato?”

Questa distinzione è importante nell’asset management perché le decisioni di investimento raramente avvengono in modo isolato, inserendosi invece in una catena di lavoro più ampia: preparazione della ricerca, monitoraggio del portafoglio, revisione del rischio, rendicontazione alla clientela, due diligence, controlli di conformità, qualità dei dati, operazioni e documentazione. L’IA può supportare molti di questi passaggi, ma solo se il processo che la circonda è progettato in maniera mirata.

Passare da essere un copilota a un modello operativo è quindi una questione di capacità, scala e controllo. Un singolo assistente di IA può essere utile anche se il processo che lo circonda è informale, ma quando l’IA viene incorporata in workflow ripetibili, gli asset manager devono riflettere su coerenza, visibilità dei costi, registrazione delle attività operative, percorsi di escalation e approvazione umana.

L’infografica seguente illustra questo cambiamento in tre fasi.

È importante notare che non tutti i processi devono necessariamente diventare “agentici”, ma piuttosto che i flussi di lavoro supportati dall’IA devono guadagnarsi il diritto di essere scalati. Ciò significa sapere cosa il sistema è autorizzato a fare, a quali dati può accedere, quanto costa il suo funzionamento, con quale frequenza si verificano errori, quando effettua un nuovo tentativo, quali prove utilizza e quando passa il controllo a un operatore umano. Significa anche mantenere un inventario dei flussi di lavoro: responsabili umani, fonti di dati approvate, strumenti approvati, stadio del ciclo di vita, cadenza di revisione e percorsi di escalation ed è proprio questo il punto in cui la discussione sui flussi di lavoro entra in connessione diretta con la governance.

Solidità, stabilità, gestione delle autorizzazioni, tracciabilità e supervisione umana non sono elementi separati dal modello operativo¹, ma esattamente ciò che consente ai workflow supportati dall’IA di passare dalla sperimentazione all’uso istituzionale.

In questo senso, la progettazione dei workflow diventa parte integrante della disciplina di investimento. Le società che trarranno maggior beneficio dall’IA agenziale potrebbero non essere quelle che effettuano l’automazione più velocemente, bensì quelle che costruiscono processi ripetibili, revisionabili, attenti ai costi e responsabili. Di fatto, più che limitarsi a usare l’IA in misura maggiore, il passo successivo consiste nel progettare workflow migliori intorno ad essa.

Nota in calce

¹Si veda l’insight di Mike Chen “IA agenziale e governance”