Crescita globale delle analisi di gestione patrimoniale basate sull'intelligenza artificiale

L'intelligenza artificiale sta diventando parte integrante dell'infrastruttura analitica della gestione patrimoniale. Le aziende la utilizzano per elaborare più informazioni, monitorare i portafogli e personalizzare i consigli per i singoli clienti. PwC prevede che l’adozione dell’IA nei servizi finanziari crescerà del 30% all’anno. Tuttavia, il successo della tecnologia dipenderà meno dalla potenza di elaborazione che dalla qualità dei dati, dai controlli e dal giudizio professionale che la circonda.

La gestione patrimoniale ha tradizionalmente combinato i dati storici di mercato con l'esperienza dei consulenti e dei gestori di portafoglio. Questo modello rimane valido, ma è messo a dura prova dalla mole e dalla rapidità delle informazioni oggi disponibili.

I team di investimento devono tenere d'occhio gli indicatori economici, le informazioni divulgate dalle società, i prezzi di mercato, gli sviluppi politici e le variazioni nei portafogli dei clienti. Nessun singolo analista è in grado di analizzare ogni segnale rilevante in tempo reale.

I sistemi di intelligenza artificiale promettono di colmare tale divario. I modelli di apprendimento automatico sono in grado di elaborare grandi quantità di dati, individuare modelli anomali e aggiornare le valutazioni man mano che arrivano nuove informazioni. Gli strumenti di elaborazione del linguaggio naturale possono analizzare relazioni aziendali, articoli di stampa e studi che in passato avrebbero richiesto un'approfondita revisione manuale.

Il risultato non è la certezza. È una base più ampia e più rapida su cui fondare le decisioni.

Dall'analisi storica al monitoraggio continuo

L'analisi tradizionale del portafoglio è spesso di natura retrospettiva. I gestori esaminano i rendimenti passati, le correlazioni e la volatilità per capire come potrebbero comportarsi gli investimenti in condizioni diverse.

L'intelligenza artificiale può ottimizzare questo processo combinando i dati storici con quelli di mercato attuali. I portafogli possono essere monitorati costantemente, anziché essere valutati solo in occasione delle revisioni periodiche.

Ciò consente alle imprese di individuare concentrazioni emergenti o variazioni nel profilo di rischio. Gli investimenti che sembrano diversificati per classe di attività possono, ad esempio, dipendere dallo stesso contesto dei tassi di interesse, dal prezzo delle materie prime o dal mercato geografico.

I modelli di apprendimento automatico sono in grado di individuare tali correlazioni tra migliaia di posizioni. Possono inoltre aiutare i gestori a valutare come i portafogli potrebbero reagire all'inflazione, alle fluttuazioni valutarie o a un calo della liquidità di mercato.

Queste funzionalità sono preziose, ma non vanno confuse con previsioni affidabili. I mercati finanziari sono influenzati dal comportamento umano, dalle decisioni politiche e da eventi imprevisti. I modelli addestrati sulla base di condizioni passate potrebbero dare risultati insoddisfacenti quando tali condizioni cambiano.

L'intelligenza artificiale è in grado di calcolare i possibili esiti con maggiore rapidità. Tuttavia, non può eliminare l'incertezza che li caratterizza.

BlackRock dimostra il valore dell'integrazione

BlackRock viene spesso citata come esempio di gestione degli investimenti basata sulla tecnologia. La sua piattaforma Aladdin integra dati di portafoglio, analisi dei rischi, operazioni di trading e funzioni operative.

L'importanza della piattaforma non risiede in un singolo algoritmo predittivo, bensì nella sua capacità di fornire una visione d'insieme delle esposizioni d'investimento. I gestori di portafoglio possono analizzare il rischio nelle diverse classi di attività, simulare diversi scenari e monitorare l'impatto dei movimenti di mercato sulle diverse posizioni.

L'apprendimento automatico può potenziare queste funzioni individuando modelli o anomalie che l'analisi tradizionale potrebbe trascurare.

Il sistema evidenzia inoltre il vantaggio di cui godono le grandi istituzioni. BlackRock può avvalersi di una vasta base di dati, di team specializzati e di ingenti investimenti tecnologici. È improbabile che i gestori patrimoniali di dimensioni più ridotte riescano a creare internamente un'infrastruttura paragonabile.

Possono invece avvalersi di piattaforme esterne che offrono analisi di portafoglio basate sull'intelligenza artificiale, strumenti di conformità e reportistica per i clienti. Ciò consente alle società più piccole di accedere a funzionalità più sofisticate, ma aumenta anche la loro dipendenza da fornitori terzi.

La questione strategica non è quindi solo se un'azienda utilizzi l'intelligenza artificiale, ma chi controlli la tecnologia e i dati su cui essa si basa.

I robo-advisor hanno ampliato il mercato

I robo-advisor sono stati tra le prime applicazioni concrete dell'analisi automatizzata nel settore della gestione patrimoniale.

Aziende come Betterment e Wealthfront hanno utilizzato questionari digitali e modelli algoritmici per costruire portafogli diversificati, ribilanciare gli investimenti e gestire le operazioni fiscali. I loro servizi potevano essere offerti a costi inferiori rispetto ai tradizionali rapporti di consulenza.

Questo modello ha reso accessibile la gestione del portafoglio anche ai clienti con importi di investimento più modesti. Ha inoltre definito standard in termini di rapidità nell'apertura dei conti, trasparenza delle commissioni e accesso digitale costante.

La prossima generazione di consulenza basata sull'intelligenza artificiale sarà probabilmente più complessa. Anziché classificare i clienti in generiche categorie di rischio, i sistemi potrebbero tenere conto del reddito, delle spese, delle esigenze di liquidità, della situazione fiscale e degli impegni finanziari a lungo termine.

Ciò offre la possibilità di adottare strategie più personalizzate. Richiede però anche una maggiore quantità di dati personali e una valutazione più approfondita.

Un portafoglio costruito appositamente sulla base di informazioni incomplete o inesatte non è realmente personalizzato. È semplicemente un errore commesso con maggiore sicurezza.

I risparmi sui costi attraggono le istituzioni

Secondo le stime di Deloitte, in alcune aziende l'analisi dei dati basata sull'intelligenza artificiale ha consentito di ridurre i costi operativi fino al 301%.

I risparmi derivano da diverse fonti. I sistemi consentono di automatizzare la raccolta dei dati, la rendicontazione del portafoglio e la revisione dei documenti. I team di investimento possono vagliare una gamma più ampia di attività senza aumentare il personale allo stesso ritmo. I consulenti possono dedicare meno tempo alla preparazione delle analisi di routine.

Ciò non significa che l'implementazione dell'intelligenza artificiale sia economica.

Gli istituti finanziari devono investire in infrastrutture per i dati, integrazione dei sistemi, sicurezza informatica e formazione del personale. I modelli richiedono test e un monitoraggio costante. I fornitori di tecnologia esterni comportano costi di licenza e creano dipendenze operative.

Il business case risulta più solido quando l'intelligenza artificiale sostituisce attività ripetitive o ottimizza un processo che dispone già di dati affidabili. Risulta invece meno solido quando le aziende cercano di applicare analisi avanzate a sistemi frammentati e a dati incoerenti.

Il fatto che una tecnologia sia connessa a un sistema non basta a eliminarne la complessità operativa.

Il mercato è in rapida espansione

Si prevedeva che il mercato globale dell'intelligenza artificiale nei servizi finanziari avrebbe raggiunto i 26,67 miliardi di dollari entro il 2024. Circa il 70% degli istituti finanziari aveva già implementato soluzioni di intelligenza artificiale o aveva in programma di farlo.

Questi dati riflettono un ampio interesse, ma il termine "adozione" può assumere molti significati diversi.

Un'istituzione può utilizzare l'intelligenza artificiale per classificare i documenti. Un'altra può applicarla all'individuazione delle frodi, alla segmentazione della clientela o alla costruzione di portafogli. Sia un progetto pilota che un sistema analitico completamente integrato costituiscono un caso di adozione, sebbene il loro impatto sull'attività sia molto diverso.

La distinzione più utile è quella tra sperimentazione e impiego operativo.

L'intelligenza artificiale assume un'importanza strategica solo quando viene integrata nelle decisioni quotidiane, supportata da dati affidabili e compresa dai dipendenti chiamati a utilizzarla.

Molte società finanziarie si trovano ancora in una fase intermedia. Hanno acquisito gli strumenti necessari, ma non hanno ancora riorganizzato i propri processi in base a essi.

L'individuazione delle frodi offre un quadro più chiaro

L'intelligenza artificiale si è già dimostrata utile nell'individuare attività sospette. I sistemi sono in grado di analizzare un gran numero di transazioni, individuare modelli insoliti e confrontare i comportamenti tra i vari conti.

Alcune società di gestione patrimoniale segnalano un aumento dei tassi di individuazione delle frodi fino al 50%.

Questa tecnologia può aiutare le istituzioni a individuare cambiamenti che le regole convenzionali potrebbero trascurare. Una transazione può sembrare legittima se considerata isolatamente, ma diventare sospetta se confrontata con l'attività precedente del cliente o con la rete più ampia.

I falsi positivi continuano a rappresentare una sfida. Una transazione insolita non è necessariamente fraudolenta, soprattutto nel settore della gestione patrimoniale privata, dove i clienti possono trasferire ingenti somme tra società, trust e giurisdizioni diverse.

I sistemi automatizzati devono quindi distinguere tra le attività che possono essere risolte rapidamente e i casi che richiedono un intervento umano.

L'obiettivo non dovrebbe essere quello di eliminare la revisione umana, bensì di gestirla in modo più intelligente.

La personalizzazione mette alla prova i limiti dei dati

I consigli basati sull'intelligenza artificiale hanno portato a un aumento della soddisfazione dei clienti fino al 40%.

Una consulenza più mirata può rafforzare il rapporto con il cliente. Un consulente in grado di comprendere le esigenze di liquidità, l'esposizione al rischio e gli obiettivi finanziari del cliente può offrire un servizio che risulta più personalizzato rispetto a un portafoglio modello standard.

L'intelligenza artificiale può contribuire a questo obiettivo consolidando le informazioni e individuando cambiamenti che altrimenti potrebbero passare inosservati.

Un sistema potrebbe segnalare che le riserve di liquidità di un cliente sono scese al di sotto di un livello concordato, che un portafoglio è diventato eccessivamente concentrato o che un impegno finanziario imminente richiede una modifica nell'allocazione degli attivi.

L'analisi acquista maggiore profondità man mano che diventa più personale.

Le aziende devono disporre di regole chiare che stabiliscano quali dati possono essere raccolti e come possono essere utilizzati. I clienti devono poter capire se i consigli ricevuti si basano su informazioni da loro fornite direttamente, su comportamenti osservati o su ipotesi generate da un modello.

La personalizzazione, se priva di trasparenza, può sembrare più una forma di sorveglianza che un vero e proprio servizio.

I consulenti hanno bisogno di un diverso tipo di competenza

L'intelligenza artificiale sta cambiando il ruolo dei professionisti della gestione patrimoniale.

Gli analisti dovranno comprendere in che modo i modelli giungono alle loro conclusioni e quali sono i loro limiti. I consulenti devono essere in grado di tradurre i risultati automatizzati in consigli comprensibili per i clienti.

Ciò non significa che ogni consulente debba diventare un data scientist. Richiede invece una conoscenza tecnica sufficiente per mettere in discussione un risultato, anziché accettarlo acriticamente.

Il ruolo dell'uomo assume particolare importanza quando gli obiettivi finanziari sono in conflitto tra loro. Un cliente potrebbe desiderare contemporaneamente rendimenti elevati, un rischio contenuto, liquidità immediata e un orizzonte di investimento a lungo termine. Nessun modello è in grado di conciliare tali preferenze senza stabilire delle priorità.

I consulenti devono inoltre gestire il comportamento dei clienti in periodi di volatilità dei mercati. Un algoritmo può stabilire che un portafoglio sia ancora adeguato, ma un cliente preoccupato potrebbe comunque aver bisogno di un colloquio prima di decidere di mantenere il proprio investimento.

Il valore della consulenza umana risiede in parte nell'interpretazione dei dati e in parte nella comprensione della persona che si cela dietro di essi.

I modelli possono accentuare le debolezze già esistenti

I sistemi di intelligenza artificiale apprendono dai dati generati dalle decisioni precedenti. Se tali decisioni presentano pregiudizi, ipotesi incomplete o classificazioni errate, il modello potrebbe riprodurli su scala più ampia.

Ciò è rilevante ai fini della segmentazione della clientela, delle valutazioni di adeguatezza e della selezione degli investimenti.

Un sistema potrebbe dedurre che i clienti con caratteristiche demografiche o finanziarie simili desiderino prodotti simili. Tali modelli possono essere statisticamente plausibili senza però essere adeguati alle esigenze di un singolo individuo.

I modelli di investimento si trovano ad affrontare un problema analogo. I dati storici possono favorire strategie che hanno dato buoni risultati in un determinato contesto monetario o normativo. Quando tale contesto cambia, le conclusioni potrebbero non essere più valide.

Gli istituti finanziari devono testare i modelli in diversi scenari e verificare se i risultati siano spiegabili. Dovrebbero inoltre monitorare le prestazioni dei sistemi dopo la loro implementazione, anziché dare per scontato che l'accuratezza migliori automaticamente.

L'apprendimento continuo è utile solo quando il sistema apprende da informazioni pertinenti.

La governance determina se la crescita diventa un rischio

Man mano che l'intelligenza artificiale acquista sempre più importanza, le istituzioni devono assumersi chiare responsabilità riguardo al suo utilizzo.

I comitati di investimento dovrebbero sapere quali decisioni sono supportate dall'intelligenza artificiale e quali sono automatizzate. I team di conformità devono poter accedere alla logica alla base delle classificazioni dei clienti e degli avvisi di rischio. Il top management deve comprendere in quali casi sono coinvolti fornitori esterni.

Le linee guida etiche da sole non bastano. La governance richiede controlli concreti.

Le aziende devono disporre di procedure per l'approvazione dei modelli, la verifica dei dati, la registrazione delle modifiche e l'intervento nei casi in cui un sistema si comporti in modo imprevisto. I dipendenti devono sapere in quali casi è possibile ignorare un risultato generato automaticamente e come tale decisione debba essere documentata.

I clienti devono inoltre avere la possibilità di impugnare le decisioni che li riguardano.

Un istituto non può trasferire la propria responsabilità fiduciaria o normativa a un algoritmo. L'azienda rimane responsabile, anche quando la tecnologia è fornita da terzi.

I dati diventano la risorsa competitiva fondamentale

Gli istituti finanziari descrivono spesso i modelli di intelligenza artificiale come una fonte di vantaggio competitivo. In realtà, molte aziende avranno accesso a tecnologie simili.

Il vantaggio più duraturo deriverà probabilmente dai dati.

Un gestore patrimoniale che disponga di informazioni complete, accurate e ben strutturate può avvalersi dell'intelligenza artificiale per generare analisi più pertinenti. Un concorrente con dati frammentari otterrà risultati meno efficaci dallo stesso modello.

La qualità dei dati rappresenta una sfida particolarmente complessa nel settore della gestione patrimoniale privata. Gli asset possono essere detenuti presso diverse banche, società e strutture giuridiche. Gli investimenti privati vengono valutati con scarsa frequenza. Le informazioni possono pervenire in diversi formati e valute.

Prima di poter offrire analisi avanzate, le aziende devono risolvere il problema fondamentale di creare una visione coerente del patrimonio dei clienti.

Questo lavoro è meno visibile rispetto al lancio di un assistente basato sull'intelligenza artificiale. Ma è anche più importante.

Il valore può essere elevato, ma distribuito in modo non uniforme

McKinsey stima che entro il 2028 l'intelligenza artificiale potrebbe generare fino a 1.000 miliardi di dollari di valore aggiunto per il settore bancario mondiale.

Tale valore non sarà distribuito in modo uniforme. Le grandi istituzioni possono investire ingenti risorse in sistemi proprietari, dati e personale specializzato. Le aziende più piccole potranno trarre vantaggio da piattaforme esterne a basso costo, ma avranno un controllo minore sulla propria infrastruttura tecnologica.

Alcuni dei vantaggi si tradurranno in una riduzione dei costi operativi. Altri potrebbero derivare da una migliore gestione dei rischi, da un più efficace sistema di individuazione delle frodi o dalla possibilità di servire clienti che in precedenza non erano redditizi.

Ci saranno anche investimenti falliti. Le aziende potrebbero acquistare strumenti che i dipendenti non utilizzano, sistemi che non possono essere integrati o modelli i cui risultati si rivelano troppo inaffidabili per prendere decisioni importanti.

La spesa per l'intelligenza artificiale dovrebbe quindi essere valutata come qualsiasi altro investimento. Le istituzioni devono definire un problema preciso, stabilire risultati misurabili e predisporre un piano di attuazione credibile.

La semplice presenza dell'intelligenza artificiale non è di per sé indice di innovazione.

Un'analisi più accurata richiede decisioni più oculate

L'intelligenza artificiale continuerà a diffondersi nel settore della gestione patrimoniale a livello globale. L'apprendimento automatico, l'elaborazione del linguaggio naturale e l'analisi dei dati in tempo reale diventeranno caratteristiche standard delle piattaforme di investimento.

Man mano che ciò accadrà, la tecnologia stessa perderà la sua peculiarità.

Le aziende più competitive saranno quelle che sapranno coniugare rapidità analitica, governance rigorosa e capacità di giudizio maturata dall'esperienza. Utilizzeranno l'intelligenza artificiale per individuare i rischi, organizzare le informazioni e mettere in discussione i presupposti, anziché considerare i suoi risultati come istruzioni da seguire.

È improbabile che i clienti si preoccupino di sapere quale algoritmo stia alla base del loro portafoglio. Ciò che conta per loro è che il loro consulente comprenda la loro situazione, tuteli i loro dati e prenda decisioni che possano essere spiegate.

L'intelligenza artificiale può rendere la gestione patrimoniale più efficiente e reattiva. Può ampliare l'accesso ad analisi sofisticate e offrire ai professionisti degli investimenti una visione più chiara dei portafogli complessi.

Non è in grado di stabilire a cosa serva il patrimonio, quali rischi una famiglia debba assumersi o come risolvere eventuali conflitti tra priorità finanziarie.

Queste domande rimangono di natura umana. Una tecnologia migliore ha senso solo se aiuta a rispondere a tali domande in modo più intelligente.