Come l’IA sta costringendo gli asset manager a ripensare la propria strategia

Nell’articolo precedente è stato evidenziato come l’intelligenza artificiale non rappresenti principalmente un problema di strumenti per gli asset manager, ma una sfida di modello operativo. La sua rilevanza risiede nell’impatto sul modo in cui le organizzazioni apprendono, scalano le decisioni e integrano la responsabilità nei processi.

Clicca qui per leggere l’articolo precedente di questa serie: ‘Come l’IA sta costringendo gli asset manager a ripensare i propri modelli operativi'.

Questo secondo contributo parte da qui: se l’IA trasforma i modelli operativi, la strategia nell’asset management va necessariamente ripensata. Il punto chiave è che la strategia oggi è inseparabile dalla capacità di organizzare i dati, apprendere su larga scala e governare responsabilmente una complessità in aumento.

Executive summary

In questo secondo articolo viene ulteriormente sviluppata l’idea che l’intelligenza artificiale stia ridefinendo in modo profondo modelli operativi e strategia nell’asset management. Se l’IA trasforma il modo in cui le organizzazioni apprendono, scalano le decisioni e gestiscono la complessità, allora la strategia non può più essere separata dal modo in cui i dati vengono organizzati e dall’architettura operativa su cui l’organizzazione si fonda.

L’articolo propone una prospettiva diversa sul cambiamento tecnologico, interpretandolo come una collisione piuttosto che come una tradizionale dinamica di disruption. Le organizzazioni AI‑first operano secondo logiche economiche e organizzative profondamente diverse, che ne plasmano il modo di competere. Queste differenze strutturali spesso restano invisibili per lunghi periodi, soprattutto in settori regolamentati e basati sulla fiducia come l’asset management, per poi emergere improvvisamente nei risultati competitivi.

La distintività strategica dei modelli operativi AI‑first viene analizzata attraverso tre dimensioni che si rafforzano a vicenda: scala digitale, ampiezza digitale ed effetti di apprendimento. L’IA non modifica la scalabilità finanziaria dell’asset management, ma trasforma il modo in cui scala la complessità operativa, incorporando supporto decisionale e attività di monitoraggio nei sistemi digitali. Consente inoltre di riutilizzare dati e insight tra prodotti informativi e team diversi senza compromettere la governance e istituzionalizza l’apprendimento, rendendo il miglioramento continuo e diffuso a livello organizzativo.

Al centro di questo sistema ci sono i dati. Per gli asset manager incumbent, il vero vincolo alla strategia IA non risiede tanto nella tecnologia quanto nell’organizzazione dei dati. La maggior parte delle organizzazioni dispone di grandi volumi di dati che, nella pratica, restano difficili da attivare. Architetture frammentate, definizioni incoerenti e scarsa riusabilità impediscono alle iniziative di IA di andare oltre la fase sperimentale. Di conseguenza, il livello di maturità dell’IA è oggi più strettamente legato ai data engineering che alla sofisticazione degli algoritmi.

È fondamentale chiarire che il dato non è “solo IT”. Incorpora conoscenza di business, come assunzioni di investimento, interpretazioni del rischio e scelte di governance. Modelli operativi realmente AI‑first richiedono quindi una responsabilità del business sul dato, supportata e abilitata dall’IT sul piano tecnico, piuttosto che una gestione dei dati guidata esclusivamente dalla funzione IT.

Infine, l’articolo colloca la governance come una variabile strategica a tutti gli effetti. Trasparenza, tracciabilità e responsabilità non rappresentano un ostacolo, ma costituiscono il fondamento di una crescita sostenibile abilitata dall’IA. In un contesto guidato dall’intelligenza artificiale, la strategia emerge sempre più dall’architettura operativa: dal modo in cui i dati fluiscono, le decisioni vengono coordinate e l’apprendimento si accumula all’interno dell’organizzazione.

La conclusione è chiara. Nell’era dell’intelligenza artificiale, il vantaggio competitivo nell’asset management dipende dalla capacità delle organizzazioni di progettare un’architettura operativa che consenta a apprendimento, governance e responsabilità di scalare insieme, poggiando su una piattaforma dati solida e performante.

Dalla disruption alla collisione: una prospettiva strutturale

Il cambiamento tecnologico viene spesso descritto come disruption: nuovi operatori innovano, gli incumbent reagiscono. Questa lettura enfatizza velocità e sorpresa come fattori decisivi. Tuttavia, non riesce a cogliere ciò che accade quando imprese costruite su logiche operative profondamente diverse iniziano a competere tra loro.

Ciò che stiamo osservando oggi è descritto più accuratamente come una collisione. Le organizzazioni AI‑first si distinguono grazie a principi economici e organizzativi radicalmente diversi, che vanno ben oltre prodotti migliori o prezzi più bassi. Le loro strutture di costo, i meccanismi di apprendimento e le dinamiche di scala differiscono in modo strutturale rispetto a quelle delle imprese tradizionali.

La storia mostra che collisioni di questo tipo raramente portano a uno spiazzamento immediato. Piuttosto, determinano cambiamenti graduali nella struttura del settore. Le imprese possono rimanere competitive per lunghi periodi, mentre le basi della competizione si trasformano silenziosamente sotto la superficie. Quando gli esiti iniziano a divergere, spesso lo fanno in modo improvviso.

Anche l’asset management non è immune a questa dinamica. Regolamentazione, orizzonti di investimento di lungo periodo e relazioni con i clienti basate sulla fiducia possono mascherare i cambiamenti strutturali, ma non impedirli.

Cosa rende un’impresa AI‑first strategicamente diversa

Per comprendere le implicazioni strategiche, è utile allontanarsi dalle singole tecnologie e concentrarsi sui meccanismi economici sottostanti. Le organizzazioni AI‑first si differenziano da quelle tradizionali lungo tre dimensioni che si rafforzano reciprocamente: scala digitale, ampiezza digitale ed effetti di apprendimento. Tutte e tre poggiano in modo fondamentale su come i dati vengono organizzati e messi a valore.

Scala digitale: gestire la complessità, non l’organico

Nell’asset management, la crescita non è meccanicamente legata all’aumento dell’organico. Gestire 10 milioni di euro o una cifra dieci volte superiore non richiede automaticamente dieci volte più professionisti. Si tratta, per sua natura, di un business scalabile.

Tuttavia, questa scalabilità non è assoluta. Con l’aumentare delle masse gestite cresce anche la complessità operativa: più strumenti, più mercati, maggiori obblighi regolamentari, requisiti di reporting più articolati e un coordinamento interno più intenso. Questi fattori introducono elementi meno scalabili all’interno di un modello di business che, per il resto, è intrinsecamente scalabile.

I modelli operativi AI‑first lasciano sostanzialmente invariata la scalabilità dell’asset management, ma trasformano in modo profondo il modo in cui scala la complessità operativa. Integrando supporto decisionale, monitoraggio e logiche di processo nei sistemi digitali, riducono il costo marginale della gestione di una complessità aggiuntiva. La crescita rimane quindi scalabile, mentre l’attenzione umana viene sempre più indirizzata verso attività di giudizio, supervisione e gestione delle eccezioni.

Questo cambiamento è possibile solo se i dati sono accessibili, coerenti e affidabili in tutta l’organizzazione.

Ampiezza digitale: dalla ripetizione al riuso

Nell’asset management, l’ampliamento dello scope è avvenuto tradizionalmente attraverso prodotti, mandati e asset class, più che tramite piattaforme. Conoscenze, modelli e insight vengono spesso sviluppati all’interno di team specifici e restano strettamente legati a quei contesti. Questo approccio ha favorito accountability e chiarezza fiduciaria, ma al tempo stesso limita le possibilità di riuso.

I modelli operativi AI‑first mantengono strutture organizzative basate sui prodotti, aggiungendo al contempo un ulteriore livello di riuso organizzativo. Dati, componenti analitiche e capacità di supporto alle decisioni sono progettati per essere condivisi tra strategie diverse, ove appropriato, senza annullare le necessarie distinzioni in termini di ownership del rischio e responsabilità.

Il cambiamento strategico riguarda il passaggio dalla ripetizione al riuso sistematico, senza rinunciare alla specializzazione. Lo scope si amplia nella misura in cui l’apprendimento generato in un contesto inizia a informare sempre più le decisioni in altri ambiti. In un settore già finanziariamente scalabile ma operativamente complesso, questa forma di scope abilitata dall’AI diventa un elemento di differenziazione rilevante.

Anche in questo caso, ciò presuppone che i dati possano essere riutilizzati sia dal punto di vista tecnico sia organizzativo, senza compromettere la governance.

Effetti di apprendimento: istituzionalizzare l’apprendimento

Nell’asset management, gli effetti di apprendimento mirano a rafforzare il giudizio, più che ad automatizzare o sostituire l’expertise di investimento. Si tratta di rendere sistematico il modo in cui le organizzazioni apprendono dalla propria attività.

Tradizionalmente, l’apprendimento è episodico e centrato sulle persone. Gli insight emergono attraverso analisi ex post, comitati di investimento ed esperienza maturata nel tempo dagli esperti. Questo modello può essere efficace, ma scala in modo imperfetto: l’apprendimento resta distribuito in modo disomogeneo, difficile da codificare e lento a diffondersi all’interno dell’organizzazione.

I modelli operativi AI‑first introducono un meccanismo complementare. Decisioni, risultati e dati di contesto vengono acquisiti in modo continuo e reinseriti nei sistemi analitici. In questo modo emergono pattern che sarebbero difficili da individuare attraverso processi umani isolati. L’approccio preserva discrezionalità e accountability, estendendone al contempo l’efficacia.

Il valore strategico degli effetti di apprendimento si manifesta in una maggiorecoerenza e capacità di adattamento nel tempo. L’apprendimento si accumula a livello istituzionale, anziché risiedere prevalentemente nelle competenze dei singoli esperti.

Scala, perimetro operativo e apprendimento come sistema strategico coerente

Nel loro insieme, scala digitale, ampiezza digitale ed effetti di apprendimento costituiscono un sistema strategico coerente, piuttosto che vantaggi separati.

La gestione patrimoniale è finanziariamente scalabile, ma la complessità operativa aumenta con la dimensione. La scala digitale determina l’efficienza con cui tale complessità viene assorbita. L’ampiezza digitale stabilisce se le competenze sviluppate in una parte dell’organizzazione possano essere riutilizzate altrove senza compromettere la governance. Gli effetti di apprendimento determinano se l’organizzazione migliori con la crescita, anziché limitarsi a diventare semplicemente più grande.

I modelli operativi AI‑first allineano queste dimensioni all’interno di un sistema coerente. La scala, in assenza di apprendimento, genera fragilità. L’ampiezza, senza adeguata governance, comporta rischi. L’apprendimento, privo di una struttura solida, porta a incoerenza. Al centro di questo sistema si colloca il dato.

dati come vincoli nascosti (e fattori abilitanti) della strategia di intelligenza artificiale

Molte discussioni sull’IA danno implicitamente per scontato che i dati siano facilmente disponibili e utilizzabili. Per i gestori patrimoniali già affermati, questa ipotesi raramente trova riscontro nella realtà.

La maggior parte delle organizzazioni dispone di grandi volumi di dati che, nella pratica, risultano difficili da mobilitare. I dati sono distribuiti tra sistemi di portafoglio, piattaforme di rischio, flussi di dati di mercato, sistemi clienti e strumenti di reporting. Tuttavia, sono spesso frammentati, definiti in modo non uniforme e complessi da attivare su larga scala.

Nella pratica, il vincolo risiede più nel modo in cui i dati sono organizzati che nella loro disponibilità. In assenza di dati ben strutturati, adeguatamente governati e facilmente accessibili, i modelli di intelligenza artificiale non possono essere addestrati, validati o implementati in modo affidabile. Non esiste un modello operativo AI‑first senza uno sforzo deliberato volto a rendere i dati utilizzabili a livello dell’intera organizzazione. Molte iniziative in ambito IA si arrestano perché il lavoro preliminare sui dati viene sottovalutato.

Ingegneria dei dati prima dell’ingegneria dell’intelligenza artificiale

Le strategie di intelligenza artificiale falliscono spesso perché affrontano i problemi troppo tardi nella catena del valore. Le organizzazioni investono in modelli, proof of concept o soluzioni di fornitori prima di intervenire sull’architettura dei dati sottostante.

Nella pratica, la parte più complessa della trasformazione legata all’IA non è lo sviluppo dei modelli, bensì l’ingegneria dei dati, che richiede:

la definizione coerente e condivisa dei dati,

la progettazione di pipeline di dati, anziché integrazioni punto‑punto,

la garanzia di qualità, tracciabilità e lineage dei dati,

la messa a disposizione dei dati senza compromettere controllo e conformità normativa.

Questo lavoro è tecnicamente complesso, richiede tempo ed è spesso poco visibile. Raramente genera benefici immediati per il business, rendendo difficile attribuirgli priorità. Eppure, è proprio questo livello a determinare se l’intelligenza artificiale possa andare oltre la fase di sperimentazione.

Per i gestori patrimoniali, la maturità nell’adozione dell’intelligenza artificiale risulta quindi molto più strettamente legata al livello di preparazione dei dati che non alla sofisticazione degli algoritmi.

I dati incorporano la conoscenza business

Una seconda sfida, più sottile, riguarda la titolarità dei dati.

In molte organizzazioni già affermate, la gestione dei dati è affidata principalmente all’IT. Ciò è comprensibile dal punto di vista infrastrutturale e della sicurezza. Tuttavia, questo approccio rischia di oscurare una realtà fondamentale: una parte significativa del patrimonio di conoscenze e del capitale intellettuale di un gestore patrimoniale è incorporata nei dati.

I dati incorporano assunzioni di investimento, interpretazioni del rischio, logiche di costruzione dei portafogli, criteri di segmentazione della clientela e comprensione dei requisiti regolamentari. Questi elementi riflettono competenze specialistiche e intenzionalità strategica.

I modelli operativi AI‑first richiedono quindi un passaggio da una gestione dei dati in capo all’IT a una titolarità dei dati in capo al business, con l’IT nel ruolo di abilitatore tecnologico. Gli esperti di dominio devono contribuire attivamente alla definizione della semantica dei dati, delle soglie di qualità e dei vincoli di utilizzo. In assenza di questo coinvolgimento, i sistemi di intelligenza artificiale rischiano di essere tecnicamente solidi ma strategicamente disallineati.

Perché gli operatori affermati incontrano difficoltà e perché questo non rappresenta un fallimento

Per i gestori patrimoniali non nativi dell’IA, riorganizzare i dati è spesso più complesso che adottare nuove tecnologie.

I sistemi legacy sono stati progettati per garantire stabilità, reporting e controllo, non per il riutilizzo e l’apprendimento. I modelli di dati riflettono confini organizzativi storici. I requisiti regolamentari hanno inoltre rafforzato la frammentazione più che l’integrazione.

Di conseguenza, gli operatori storici si trovano spesso di fronte a un paradosso: dispongono di decenni di dati di elevata qualità, ma faticano a mobilitarli a supporto di processi di apprendimento guidati dall’intelligenza artificiale. Questo risultato riflette i vincoli di modelli operativi ottimizzati per un’epoca diversa.

È fondamentale sottolineare che nessuno dei fattori strategici di accelerazione discussi di seguito può concretizzarsi senza considerare innanzitutto i dati come un asset organizzativo condiviso, governato e riutilizzabile.

Acceleratori strategici (una volta organizzati i dati)

Una volta che i dati sono stati organizzati e resi utilizzabili, i modelli operativi abilitati dall’intelligenza artificiale attivano diversi acceleratori:

maggiore velocità di apprendimento, grazie a cicli di feedback più rapidi;

maggiore rapidità di sperimentazione, poiché le ipotesi possono essere testate a costi contenuti;

difendibilità architetturale, in quanto il vantaggio competitivo diventa strutturale;

maggiore opzionalità strategica, rendendo possibili nuovi servizi e partnership.

Questi acceleratori si rafforzano reciprocamente e, nel loro insieme, ridefiniscono le dinamiche competitive.

La governance come variabile strategica

Con la diffusione su larga scala dei sistemi di intelligenza artificiale, considerazioni etiche quali bias, trasparenza, tutela della privacy e inclusione diventano rischi operativi. La governance determina se la crescita abilitata dall’IA possa essere sostenibile nel tempo.

Anche in questo caso, i dati sono centrali. La governance è efficace solo se lineage, utilizzo e responsabilità dei dati sono trasparenti. Per i gestori patrimoniali europei, le solide tradizioni di governance rappresentano un asset strategico, a condizione che siano integrate fin dalle fasi iniziali e non aggiunte successivamente.

Perché oggi l’architettura operativa definisce la strategia

In un contesto abilitato dall’intelligenza artificiale, la strategia non può più essere considerata esclusivamente come una questione di visione o di ambizioni di lungo periodo; essa emerge sempre più dall’architettura operativa, che determina il modo in cui i dati circolano, le decisioni vengono prese e l’apprendimento si accumula all’interno dell’organizzazione.

Storicamente, la strategia nell’asset management si è concentrata sul posizionamento: offerta di prodotti, segmenti di mercato, canali distributivi e differenziazione delle performance. Queste scelte restano rilevanti, ma non sono più sufficienti a spiegare gli esiti competitivi in un contesto in cui la velocità di apprendimento e la capacità di gestire la complessità contano quanto l’intenzionalità strategica.

L’architettura operativa traduce la strategia in realtà. Determina se i dati possono essere mobilitati all’interno dell’organizzazione, se le conoscenze possono essere riutilizzate senza compromettere la governance e se l’apprendimento rimane episodico oppure diventa strutturale.

Nell’era dell’intelligenza artificiale, questa distinzione diventa decisiva. Ambizione priva di allineamento architetturale porta a sperimentazioni senza impatto. Al contrario, un’architettura operativa ben progettata genera spesso opzioni strategiche che non erano state esplicitamente pianificate.

Per i gestori patrimoniali, ciò non implica l’abbandono della visione di lungo periodo né della disciplina fiduciaria. Implica piuttosto riconoscere che il vantaggio competitivo dipende sempre più da come l’organizzazione è strutturata per apprendere, piuttosto che da ciò che intende raggiungere.

Conclusioni

L’intelligenza artificiale pone una sfida all’asset management principalmente per il suo impatto sul modo in cui le organizzazioni gestiscono la complessità e rendono strutturale l’apprendimento, più che per l’automazione delle singole attività.

Il vero vincolo di una strategia di intelligenza artificiale è raramente la tecnologia. È piuttosto la capacità dell’organizzazione di trattare i dati come un asset strategico, condiviso e integrato nel business, e di progettare un’architettura operativa che consenta a apprendimento, governance e responsabilità di crescere in modo coordinato.

Nel prossimo articolo verrà descritto il passaggio dalla strategia all’esecuzione, illustrando come si configura un percorso di trasformazione realistico per i gestori patrimoniali non nativi dell’IA e quali siano, nella pratica, i passaggi più rilevanti.