Il centro di ricerca agentico

La ricerca sugli investimenti è sempre stata una corsa contro la complessità: i mercati generano sempre più dati, articoli, informazioni societarie, notizie, dataset alternativi e narrazioni concorrenti di quante un singolo team possa elaborare manualmente. La sfida odierna non riguarda semplicemente trovare informazioni, ma nel determinare cosa sia rilevante, quanto sia affidabile, se apporti qualcosa di nuovo e se possa essere tradotta in una domanda di ricerca o in un’intuizione di investimento. È qui che l’IA agenziale può cambiare il processo di ricerca. La prima ondata di IA generativa ha aiutato gli esperti a lavorare più velocemente riassumendo documenti, redigendo testi, scrivendo codice e rispondendo alle domande, il che ha permesso loro di risparmiare tempo; tuttavia, il processo si basava ancora perlopiù su singoli compiti. L’IA agentica va oltre tutto ciò supportando flussi di lavoro a più fasi, trasferendo il contesto da una fase all’altra, utilizzando strumenti, monitorando le attività e producendo output strutturati che possono essere rivisti da esseri umani.

La Figura 1 qui sotto illustra come potrebbe presentarsi oggi, o come potrebbe apparire nel prossimo futuro, la modalità di funzionamento di questa tecnologia.

Nella ricerca sugli investimenti, questo cambiamento è importante perché la ricerca è una catena di attività: generare idee, raccogliere evidenze, testare ipotesi, confrontare segnali, documentare risultati, mettere in discussione conclusioni e decidere se un’idea merita di essere approfondita. Tuttavia, invece di automatizzare il giudizio, l’obiettivo dell’IA agentica è quello di fornire ai ricercatori un motore di ricerca migliore.

Un punto di partenza pratico è il triage della ricerca. I team di investimento devono gestire un flusso costante di articoli accademici, commenti di mercato, trascrizioni dei risultati finanziari, documenti depositati, note interne e domande dei clienti. Gran parte dell’attività di investimento parte ancora da questo tipo di narrativa: flusso di notizie, cambiamenti di politica, dibattiti tra analisti, commenti del management e mutamenti del sentiment di mercato.

Molti di questi elementi possono essere rilevanti; la maggior parte, però, non può essere letta per intero. Il tempo a disposizione di un analista umano è limitato e questi input sono stati tradizionalmente difficili da utilizzare in modo sistematico perché sono qualitativi, contestuali e spesso disordinati.

Un flusso di lavoro di ricerca automatizzato può aiutare a separare i segnali dal rumore fin dalle prime fasi: analizzando grandi volumi di materiale, identificando ciò che potrebbe meritare un’analisi più approfondita, estraendo le affermazioni chiave e segnalando dove una nuova idea si sovrappone alla ricerca esistente. Un agente dedicato all’analisi degli articoli, ad esempio, non decide se un’idea debba entrare in portafoglio, ma aiuta i ricercatori a decidere dove concentrare la propria attenzione.

In questo modo, l’interpretazione può diventare più scalabile e più disciplinata: è ancora il ricercatore a decidere se una narrativa sia economicamente significativa, se sia già riflessa nei prezzi e se aggiunga qualcosa di nuovo. Ma l’IA può aiutare a far emergere modelli trasversali alle aziende o ai settori e rendere più facile verificare se una narrativa abbia valore di segnale.

Ciò è particolarmente rilevante per gli investitori che intendono combinare l’intuizione fondamentale con la disciplina sistematica, spesso descritta come approccio “quantamentale”. L’opportunità non è scegliere tra giudizio umano e analisi sistematica, ma collegarli in modo più efficace: utilizzando l’IA per elaborare su larga scala informazioni di tipo narrativo e mantenendo i ricercatori umani responsabili delle domande, dell’interpretazione e della decisione di procedere con ulteriori test.

Una volta strutturate le informazioni narrative, la sfida successiva è la disciplina della ricerca. L’IA può aiutare a vagliare le idee candidate, estrarre metodologie, mappare gli input di dati necessari e supportare il lavoro di replicazione. Può anche aiutare a confrontare le scelte progettuali e a documentare i compromessi che ne stanno alla base.

Questa ampiezza di possibilità crea tuttavia un rischio: l’AI in grado di ampliare la ricerca non solo di idee promettenti, ma anche di falsi positivi. Un risultato plausibile può sembrare convincente prima di essere stato testato in modo sufficientemente approfondito. Il valore di un flusso di lavoro agenziale è quindi rendere il percorso dall’idea all’evidenza più sistematico e più facile da mettere in discussione, registrando che cosa è stato testato e perché, quali ipotesi erano determinanti, dove i risultati erano fragili e il motivo per cui una linea di ricerca è stata approfondita, sospesa o respinta.

In questo senso, l’IA agentica può rafforzare la memoria della ricerca: i test falliti non sono inutili se vengono registrati in modo corretto. Entrano a far parte del sapere istituzionale dell’azienda, aiutando i futuri ricercatori a evitare di riscoprire lo stesso risultato nullo in una forma leggermente diversa.

Una grande opportunità riguarda la documentazione. La ricerca d’investimento spesso dipende dal fatto che le persone ricordino perché è stata presa una decisione, ossia quale dataset è stato utilizzato, che tipo di ipotesi sono state respinte, perché un determinato segnale non è stato adottato o i motivi alla base della decisione di modificare un modello.

I flussi di lavoro agenziali possono aiutare in tal senso creando una traccia di evidenze intorno alla ricerca supportata dall’IA, che può includere i documenti di origine utilizzati, le informazioni di accesso con data e ora, la versione del modello o del flusso di lavoro, l’esecuzione degli strumenti, le modifiche degli analisti, i controlli di stabilità, i risultati di convalida e i revisori umani. Piuttosto che essere mera burocrazia, ciò rende la ricerca supportata dall’IA verificabile.

Un articolo generato dall’IA ben rifinito può essere pericoloso se nessuno è in grado di distinguere ciò che ha prodotto il modello, che cosa è stato modificato dall’analista, quali affermazioni sono documentate e che conclusioni sono state messe in discussione. Tanto più l’IA viene utilizzata per preparare la ricerca, quanto più diventa importante separare l’output grezzo del modello dal lavoro d’investimento approvato dalla società.

In definitiva, la ricerca del futuro potrebbe funzionare con un approccio più, e non meno, documentato; più, e non meno, sistematico; più trasparente sull’incertezza, e non più di per sé fiducioso.

Se l’IA può raccogliere informazioni, riassumere articoli, scrivere codice e testare varianti più rapidamente, il ricercatore umano può dedicare meno tempo a mettere insieme le evidenze e più tempo a valutarle. Ciò richiede competenze diverse: porre domande migliori, riconoscere le evidenze deboli, comprendere l’origine dei dati, mettere in discussione gli output dei modelli, individuare i problemi di implementazione e capire quando non approfondire un’idea,

il che, soprattutto per i ricercatori più giovani, può essere particolarmente importante. L’IA può certamente appiattire parte della curva di apprendimento, rendendo le informazioni più facilmente accessibili; tuttavia, può anche creare una falsa sensazione di padronanza. Leggere un riassunto non equivale a comprendere un metodo e replicare un risultato non equivale a sapere se possa essere inserito in una strategia attiva. Nell’era dell’IA agenziale, la cultura della ricerca resta centrale come e più di prima, perché può amplificare sia le buone abitudini che quelle cattive.

Sono gli esseri umani a decidere se una domanda merita di essere posta, se un risultato ha senso dal punto di vista economico, se un’idea è sufficientemente solida per essere ulteriormente testata, approfondita o accantonata e se le evidenze sono abbastanza solide da entrare in un processo d’investimento. Il valore dell’IA agenziale nella ricerca riguarda quindi meno la sostituzione delle competenze e più la connessione tra diverse forme di competenza: contesto fondamentale, test sistematici, disciplina dei dati e giudizio umano.