Come l'IA sta costringendo gli asset manager a ripensare l'esecuzione

In precedenza è stato evidenziato come l’intelligenza artificiale non rappresenti, per gli asset manager, un semplice problema di strumenti, ma una questione di modello operativo. Nell’era dell’IA, infatti, la strategia tende a concretizzarsi sempre più nell’architettura operativa, più che nelle sole ambizioni dichiarate. Questa prospettiva porta inevitabilmente a una domanda più complessa e concreta: in che modo una trasformazione di questo tipo prende realmente forma all’interno di un’organizzazione che non è nativa dell’IA?

Clicca qui per leggere i precedenti articoli della serie: Come l’IA sta costringendo gli asset manager a ripensare i propri modelli operativi e Come l’IA sta costringendo gli asset manager a ripensare la propria strategia.

Questo articolo affronta la questione adottando il punto di vista dei gestori patrimoniali affermati che operano in contesti regolamentati e basati sulla fiducia, piuttosto che quello delle realtà technology-first. L'obiettivo non è la velocità del cambiamento, ma una trasformazione sostenibile, con un'attenzione particolare alla corretta sequenza delle iniziative, al realismo organizzativo e alla disciplina nell'esecuzione.

Executive summary

Il seguente articolo, terzo della serie dedicata, passa dalla strategia all'esecuzione e affronta la questione più complessa per i gestori patrimoniali tradizionali: come si realizza concretamente una trasformazione basata sull'intelligenza artificiale all'interno di un'organizzazione non nativamente AI. Riprendendo l'argomentazione secondo cui l'IA rappresenta soprattutto una sfida di modello operativo e che la strategia si esprime sempre più attraverso l'architettura operativa, l'analisi si concentra su realismo, corretta sequenza delle iniziative e disciplina nell'esecuzione, piuttosto che sulla velocità.

Il presupposto centrale è che la trasformazione legata all’IA sia un processo cumulativo, più che lineare. Non può essere realizzata attraverso iniziative isolate o programmi con un orizzonte temporale definito, ma prende forma grazie a cambiamenti che si rafforzano reciprocamente su dati, architettura, governance e persone. Quando l’IA viene trattata come un semplice programma, le organizzazioni rischiano di ottenere risultati tecnici senza un reale impatto organizzativo: proof of concept che funzionano, ma che non modificano concretamente il modo in cui vengono prese le decisioni

L’articolo propone un percorso di trasformazione pragmatico e articolato per fasi. La Fase 0 e la Fase 1 sono considerate fondamenta imprescindibili: prima di qualsiasi ambizione tecnologica è necessario un solido inquadramento strategico, che ancori le iniziative di intelligenza artificiale alla qualità delle decisioni, alla gestione della complessità e al posizionamento di lungo periodo, piuttosto che all’entusiasmo per i singoli casi d’uso. L’esecuzione prende poi avvio da un approccio realmente data‑centrico, basato su definizioni coerenti, chiara attribuzione delle responsabilità, qualità del dato, tracciabilità e sicurezza. In assenza di questi elementi, l’apprendimento abilitato dall’IA non è in grado di scalare.

Le fasi successive illustrano come un livello operativo abilitato dall’IA renda strutturale l’apprendimento, come gli insight generati dall’IA vengano integrati in modo intenzionale nei processi decisionali e come la governance evolva nel tempo. Lungo tutto l’articolo viene sottolineato che l’IA è chiamata a supportare il giudizio umano, non a sostituire la responsabilità fiduciaria, e che governance e sicurezza rappresentano prerequisiti per una scalabilità sostenibile, non vincoli.

Un rischio critico nella fase di esecuzione riguarda le risorse umane. L’articolo sostiene che la trasformazione basata sull’intelligenza artificiale non possa essere gestita “a margine” dalle strutture esistenti, ma richieda un team dedicato e trasversale, in grado di coordinare strategia, dati, analytics, governance e cambiamento organizzativo. Sebbene il supporto di partner esterni possa accelerare il percorso, la responsabilità strategica e l’apprendimento devono restare all’interno dell’organizzazione. La velocità, se non accompagnata da un reale apprendimento istituzionale, genera dipendenza e riduce la flessibilità di lungo periodo.

Infine, l’articolo spiega perché il percorso di trasformazione sia intenzionalmente non lineare. Dati, governance, architettura e strategia continuano infatti a evolvere in modo interdipendente. I progressi non possono quindi essere valutati esclusivamente attraverso KPI di output tradizionali, ma anche tramite indicatori della capacità di apprendimento dell’organizzazione: riduzione dei tempi decisionali, maggiore riutilizzo degli insight, maggiore coerenza e una più rapida capacità di adattamento.

Il messaggio conclusivo è chiaro. Per i gestori patrimoniali non nativamente AI, la trasformazione legata all’intelligenza artificiale non significa diventare aziende tecnologiche, ma evolvere in organizzazioni capaci di apprendere, in grado di gestire la complessità in modo responsabile e su larga scala. In questa prospettiva, è la capacità organizzativa, più che il singolo modello o applicazione, a rappresentare la vera fonte di vantaggio competitivo duraturo nell’era dell’IA.

Perché la trasformazione dell'IA fallisce quando viene trattata come un programma

Molte iniziative di intelligenza artificiale falliscono non per mancanza di visione o di competenze, ma perché vengono impostate come programmi con un orizzonte temporale definito. Si tracciano roadmap, si allocano budget e si avviano progetti pilota, dando per implicito che la trasformazione seguirà automaticamente.

Questa impostazione fraintende la natura stessa dell’intelligenza artificiale. L’IA non introduce una nuova capacità che possa essere semplicemente implementata; introduce invece nuove dinamiche di apprendimento, che emergono solo nel tempo dall’interazione tra sistemi, dati e organizzazione.

Per i gestori patrimoniali questa distorsione è particolarmente evidente. L’approccio “per programmi” privilegia prevedibilità e controllo, mentre l’apprendimento abilitato dall’IA richiede iterazione continua e meccanismi di feedback. Il risultato è spesso un successo tecnico privo di reale impatto organizzativo: proof of concept che funzionano in isolamento, ma che non modificano in modo strutturale i processi decisionali.

La trasformazione deve quindi essere affrontata come un’evoluzione del modello operativo, e non come un progetto con una data di fine predefinita.

Fase 0: Costruire le basi strategiche prima dell'ambizione tecnica

Prima di qualsiasi investimento tecnologico, le organizzazioni devono chiarire perché vogliono puntare sull'IA. Non si tratta di individuare casi d'uso, ma di definire un chiaro obiettivo strategico. Il supporto del top management è indispensabile. Una comunicazione efficace accelera il percorso.

Quali decisioni l'organizzazione deve imparare a prendere sempre meglio nel tempo? Dove tende ad accumularsi la complessità? In quali punti il processo di apprendimento si sblocca? Quali tipi di giudizio devono restare prerogativa umana e in quali ambiti, invece, i sistemi possono rafforzare coerenza e capacità di analisi?

Per i gestori patrimoniali che non sono nativamente orientati all'IA, questa fase è fondamentale per creare allineamento. In sua assenza, le iniziative di intelligenza artificiale tendono a concentrarsi su ciò che è tecnicamente interessante, più che su ciò che è realmente rilevante dal punto di vista strategico. Le aspettative si frammentano tra i team e la governance finisce per diventare reattiva.

Fase 1: La centralità del dato come vero punto di partenza

Contrariamente alla narrazione più diffusa, la trasformazione basata sull'IA non inizia dai modelli. Essa inizia dai dati.

Come evidenziato nei contributi precedenti, la maggior parte degli asset manager dispone di grandi quantità di dati, ma fatica a tradurli in un reale vantaggio operativo. I dati sono distribuiti tra sistemi di gestione di portafoglio, piattaforme di rischio, feed di mercato, sistemi client e strumenti di reporting, ma risultano frammentati, definiti in modo non coerente e difficili da attivare in modo efficace.

La Fase 1 si concentra quindi sulla centralità del dato:

definire in modo coerente i dati chiave a livello di tutta l'organizzazione;

chiarire responsabilità e ownership sui domini di dati critici;

progettare pipeline dati riutilizzabili, evitando integrazioni punto-punto;

garantire qualità del dato, tracciabilità, lineage e trasparenza lungo l'intero ciclo di vita.

Questo lavoro è tecnicamente complesso, politicamente delicato e spesso poco visibile. Tuttavia, senza queste basi, l'apprendimento guidato dall'IA non può svilupparsi.

La sicurezza e la riservatezza dei dati sono elementi centrali di questa fase. Controlli sugli accessi, crittografia, separazione dei dataset sensibili e conformità ai requisiti normativi devono essere integrati nell’architettura dei dati fin dall’inizio. La sicurezza non è un’aggiunta successiva, ma una condizione necessaria per costruire fiducia e scalabilità

È fondamentale che la data‑centricity sia guidata dal business e abilitata dall’IT. Gli esperti di dominio definiscono significato e rilevanza dei dati; l’IT fornisce l’infrastruttura e garantisce solidità, scalabilità e sicurezza

La Fase 0 e la Fase 1 non sono passaggi preliminari da comprimere o aggirare: rappresentano le fondamenta imprescindibili su cui si basano tutte le successive capacità di intelligenza artificiale.

Fase 2: Costruire il livello operativo abilitato dall'IA

Una volta consolidate le fondamenta dei dati, le organizzazioni possono iniziare a costruire quello che viene spesso definito un livello operativo abilitato dall’IA, o “AI factory”. Per gli asset manager non si tratta di un motore di automazione industriale, ma di un meccanismo per istituzionalizzare l’apprendimento.

Questa fase include tipicamente:

la creazione di ambienti analitici condivisi;

la standardizzazione dei processi di sviluppo, validazione e monitoraggio dei modelli;

l’integrazione di cicli di feedback tra decisioni e risultati;

la diffusione di una cultura orientata ai dati in tutta l’organizzazione;

la possibilità di riutilizzare componenti analitiche tra team diversi.

Questo livello deve convivere con le strutture di governance esistenti. La responsabilità del rischio, gli obblighi fiduciari e l’accountability restano saldamente in capo alle persone. L’IA supporta e rafforza il processo decisionale, ma non lo sostituisce.

Fase 3: Integrare l'IA nei processi decisionali

L'IA crea valore solo quando incide concretamente sulle decisioni. Questa fase è dedicata all'integrazione degli insight abilitati dall'IA nei flussi operativi quotidiani.

Per gli asset manager, tale integrazione deve essere deliberata. Piuttosto che automatizzare le decisioni, le organizzazioni devono definire esplicitamente:

quali decisioni restano interamente di competenza umana;

quali sono supportate da insight generati dall’IA;

e in quali ambiti circoscritti l’AI può operare in autonomia.

Questa fase porta spesso in superficie tensioni culturali. I professionisti possono percepire l’IA come riduttiva o invasiva. Affrontare queste resistenze richiede trasparenza, spiegabilità e chiarezza sui ruoli.

Un’integrazione efficace considera l’IA come un partner nel processo di giudizio, non come un sostituto di expertise.

Fase 4: Governance, etica e controllo su scala

Man mano che l’IA viene integrata nei processi, la governance evolve: da semplice funzione di supervisione diventa un elemento di progettazione. Temi etici come bias, trasparenza e responsabilità si trasformano in requisiti operativi concreti.

Questa fase prevede:

la definizione di confini chiari per l'uso accettabile dell'IA;

la garanzia di spiegabilità e auditabilità delle decisioni supportate dall'IA;

il monitoraggio continuo di derive ed effetti indesiderati;

l’integrazione dell’accountability direttamente nei processi e nei sistemi.

Per gli asset manager europei, questa fase si inserisce in modo naturale all’interno delle tradizioni di governance già consolidate. Se incorporata fin dalle prime fasi, la governance non limita la scalabilità dell’IA, ma ne diventa un fattore abilitante.

Fase 5: Adattamento organizzativo ed evoluzione dei talenti

La trasformazione guidata dall’IA modifica profondamente le responsabilità, senza necessariamente ridurre il personale. Con l’automazione delle attività ripetitive e dell’analisi operativa, il contributo umano si concentra sempre più sull’interpretazione, sulla supervisione e sulle decisioni strategiche.

Questa fase implica:

ridefinire ruoli e aspettative;

investire in profili ibridi che uniscano competenze settoriali e digitali;

rivedere i criteri di valutazione per valorizzare apprendimento continuo e collaborazione.

Presentare l'IA come uno strumento che potenzia il giudizio professionale favorisce il coinvolgimento e l'adesione al cambiamento.

Staffing della trasformazione: perché è fondamentale un team dedicato

Uno degli aspetti più sottovalutati della trasformazione IA riguarda la gestione delle risorse. Spesso si presume che le iniziative IA possano essere integrate nei team esistenti, aggiungendo semplicemente nuove responsabilità. Tuttavia, anche con percorsi di formazione mirati, nella pratica questo approccio genera progetti frammentati e rallenta l’avanzamento.

La trasformazione IA richiede un impegno organizzativo significativo: è necessario mantenere una focalizzazione costante, coordinare competenze trasversali e affrontare contemporaneamente sfide tecniche, normative e culturali. Pensare di gestire tutto ciò come attività accessoria non è realistico

Per gli asset manager che non hanno una cultura AI consolidata, la presenza di un team dedicato alla trasformazione rappresenta una condizione indispensabile per garantire l’efficacia dell’esecuzione.

Ruoli chiave in un tema dedicato alla trasformazione IA

AI / Digital Transformation Lead Guida la direzione strategica e garantisce coerenza tra le iniziative IA e gli obiettivi aziendali, fungendo da punto di raccordo con il top management.

AI / Analytics Lead Supervisiona lo sviluppo e la validazione dei modelli, assicurando rigore metodologico e un forte allineamento con le competenze settoriali.

Business Domain Lead(s) Figure senior che individuano le aree di maggiore complessità e garantiscono che le soluzioni AI rispecchino la logica decisionale reale.

Data Product Owner Definisce la semantica dei dati, gli standard di qualità e le priorità, trattando i dati come asset strategici e non semplici elementi tecnici.

Data Engineering Lead Progetta pipeline dati scalabili, sicure e verificabili, assicurando tracciabilità, trasparenza e conformità normativa .

Governance & Risk Liaison Integra considerazioni regolatorie, etiche e di rischio direttamente nella progettazione dei sistemi, evitando di agire solo come controllore a posterior.

I partner esterni possono accelerare l’esecuzione, ma la proprietà strategica deve restare interna. La trasformazione IA serve a costruire competenze istituzionali e non può essere completamente affidata all’esterno. Tutto ciò che riguarda la conoscenza interna del settore dovrebbe provenire dalle risorse aziendali, anche se sarà comunque necessario un recruiting mirato per implementare la strategia IA in modo credibile. Esiste sempre una tensione tra “acquistare” o “sviluppare” internamente. Di fatto, la maggior parte degli asset manager tradizionali si affiderà, almeno in parte, a partner esterni per accelerare la trasformazione IA. Si tratta di una scelta razionale e spesso indispensabile: le competenze esterne possono ridurre i tempi di apprendimento, minimizzare i rischi operativi e introdurre best practice consolidate.

Tuttavia, questo comporta un compromesso fondamentale tra velocità e apprendimento istituzionale. Acquisire competenze dall’esterno permette di accelerare i risultati, ma rischia di esternalizzare proprio quel processo di apprendimento che la trasformazione IA dovrebbe radicare all’interno dell’organizzazione. Se le decisioni architetturali, la semantica dei dati o la logica dei modelli rimangono fuori dall’azienda, aumenta la dipendenza dai fornitori e si riduce la flessibilità strategica.

Perché il percorso non è lineare per natura

Sebbene le fasi siano presentate in modo sequenziale, si sovrappongono e si rafforzano reciprocamente. Il lavoro sui dati prosegue mentre i modelli si evolvono. La governance si adatta con l’espansione dei casi d’uso. La strategia viene affinata man mano che si accumula esperienza.

Questa non linearità non è un limite, ma la vera cifra distintiva della trasformazione abilitata dall’IA. Cercare di imporre una progressione lineare rischia di generare stagnazione. Per gli asset manager, pazienza e disciplina architetturale sono virtù strategiche.

Infine, per misurare i progressi, dalla produzione alla capacità di apprendimento, servono nuovi KPI legati all’apprendimento. I KPI tradizionali si concentrano sui risultati: efficienza, riduzione dei costi o miglioramento delle performance. Pur essendo rilevanti, non colgono il contributo fondamentale dell’IA. Indicatori più significativi includono:

riduzione della latenza decisionale;

maggiore riutilizzo delle conoscenze tra i team;

miglior coerenza nelle decisioni e nella qualità delle previsioni;

adattamento più rapido alle nuove informazioni.

Queste metriche riflettono la capacità di apprendimento, piuttosto che i risultati di breve termine.

Conclusioni

La trasformazione IA nell’asset management non è né rapida né lineare. Richiede progettazione attenta, investimenti continuativi e un forte focus organizzativo.

Il percorso inizia dai dati, si consolida attraverso l’architettura operativa e si sviluppa grazie alle persone. Governance e sicurezza non sono ostacoli, ma punti di riferimento fondamentali.

Per gli asset manager che non hanno una cultura IA consolidata, l’obiettivo non è diventare una società tecnologica, ma evolvere verso organizzazioni capaci di apprendere e gestire la complessità in modo responsabile e su larga scala.

Questa è la vera promessa - e la vera sfida - dell'IA.