Il dibattito pubblico sull’intelligenza artificiale generativa è ancora dominato da slogan, timori astratti e promesse salvifiche.
Ma parlare di IA senza partire da come funziona realmente e da quali limiti strutturali presenta significa produrre narrazioni inutili, se non dannose.
È proprio da questa consapevolezza che prende le mosse il progetto promosso dagli analisti AIAF (Associazione Italiana per l’Analisi Finanziaria) sul tema degli agenti LLM (large language model) e dell’agent engineering.
L’esperienza concreta degli analisti finanziari mostra che l’uso conversazionale dell’IA – il semplice “dialogo con il chatbot” – sta esaurendo il suo potenziale incrementale per chi ne ha avuto una esperienza professionale.
Inoltre, errori silenziosi perché nascosti, mancanza di tracciabilità delle fonti, scarsa replicabilità dei risultati e dipendenza eccessiva dall’abilità individuale nel formulare prompt rendono questo approccio fragile, soprattutto nei momenti ad alta pressione operativa. In altre parole: utile, ma insufficiente.
L’evoluzione verso sistemi ad agenti rappresenta un cambio di paradigma netto. Non si tratta solamente di “fare domande migliori”, ma di trasformare l’IA da interlocutore a processo controllato.
Gli agenti LLM combinano modelli linguistici, strumenti operativi (ricerca documentale, calcolo, interrogazione di basi dati), regole di controllo e verifiche incrociate. Il compito viene scomposto, assegnato, controllato, codificato e documentato. È un approccio ingegneristico, non narrativo.
Dove l’LLM è solo una delle componenti, centrale ma non totalizzante, e che utilizza il/i modello/i LLM come materia prima tra altre materie prime. Paradossalmente, una componente tra quelle che si sostituiscono con maggior facilità.
Il Gruppo di Lavoro AIAF nasce con un obiettivo chiaro: portare questo paradigma dentro il lavoro professionale, definendo un metodo e non una occasionalità. Il progetto non mira a celebrare la tecnologia, ma a governarla per ottenere utilità concrete.
L’attenzione è posta su accuratezza, affidabilità, gestione dell’incertezza, tracciabilità e verificabilità delle fonti e responsabilità professionale. Elementi imprescindibili per chi opera in ambiti ad alto impatto decisionale.
Le architetture multi-agente, i pattern operativi, i meccanismi di controllo qualità e le checklist di governance costituiscono un patrimonio metodologico replicabile in tutto il mondo delle professioni intellettuali: avvocati, consulenti, ingegneri, ricercatori.
Attribuendo alla specificità, all’esperienza e alla verticalità del ruolo un valore aggiunto prima non ipotizzabile con software standard.
COME FUNZIONA
L’Executive overview di sistemi agentici già oggi disponibili in letteratura mostra che questo approccio è già in corso di veloce maturazione: workflow end-to-end, ruoli specializzati, separazione tra advisory e automazione, integrazione progressiva nei processi esistenti.
Ma senza una cornice culturale e professionale, il rischio serio è quello di una nuova forma di delega opaca alla macchina, senza strumenti di governo e controllo.
Ecco un esempio concreto di come si possa passare a un uso adulto e responsabile della tecnologia.
Esemplificazione sintetica
Executive Overview – Valutazione economico-finanziaria di una società quotata supportata da sistemi agentici.
Finalità dell’analisi
L’analisi mira a formulare un giudizio economico-finanziario sul titolo di una società quotata, integrando lettura dei fondamentali, contesto competitivo e prospettive di medio termine.
Il lavoro è stato svolto dall’analista responsabile con il supporto di un sistema di agenti LLM coordinati, progettato per aumentare profondità, coerenza e controllo del processo analitico, senza sostituire il giudizio professionale.
Impostazione generale e ruolo degli agenti
Il sistema agentico è stato strutturato come un processo organizzato, non come una semplice interazione conversazionale.
Ogni agente opera con un ruolo definito, un perimetro informativo circoscritto e specifici criteri di qualità. L’analista mantiene una funzione di regia, controllo, validazione e sintesi finale.
L’Agente di Analisi dei Fondamentali è incaricato della lettura strutturata della documentazione societaria: bilanci, relazioni finanziarie, comunicazioni ufficiali e informazioni di contesto settoriale.
Il suo compito non è produrre valutazioni, ma ricostruire in modo puntuale e coerente l’evoluzione del modello di business, delle dinamiche operative e della struttura economico-finanziaria, segnalando discontinuità, punti di forza e aree di attenzione.
L’Agente di Scenario e Contesto lavora su un piano differente: integra elementi macroeconomici, trend di settore, fattori regolatori e competitivi, traducendoli in ipotesi qualitative sugli sviluppi futuri dell’impresa.
Questo agente non fornisce previsioni puntuali, ma costruisce diversi scenari narrativi alternativi, utili a stressare le assunzioni dell’analista e a evitare una lettura lineare o eccessivamente ottimistica.
L’Agente di Valutazione opera come strumento di supporto metodologico. Non “decide” il valore del titolo, ma aiuta a esplorare la coerenza tra le caratteristiche economiche dell’impresa e i principali approcci valutativi comunemente utilizzati dagli analisti.
Il suo contributo consiste nel mettere in evidenza relazioni, sensibilità e implicazioni qualitative, facilitando un confronto critico tra valore implicito e percezione di mercato.
L’Agente di Controllo Critico e Rischi svolge una funzione deliberatamente antagonista. Il suo compito è individuare fragilità argomentative, assunzioni implicite, possibili bias e fattori di rischio non sufficientemente esplicitati.
Questo agente non propone soluzioni, ma solleva obiezioni motivate, contribuendo a rendere l’analisi più robusta e difendibile in sede di confronto professionale.
L’Agente di Valutazione Montecarlo svolge la funzione valutativa scegliendo le variabili stocastiche (input) e assegnando loro le dimensioni probabilistiche coerenti alle informazioni ricevute dagli altri agenti, per poi effettuare una valutazione complessiva, appunto Montecarlo, di un numero sufficientemente vasto di scenari (solitamente 10.000 – 100.000) adatto a determinare come risultato (output) curve di probabilità delle variabili sufficientemente definite in base, appunto, alle assunzioni stocastiche delle variabili input.
Sintesi e responsabilità professionale
L’output finale non è, però, il risultato automatico del sistema, ma una sintesi ulteriore costruita dall’analista sulla base dei contributi agentici al modulo Montecarlo, opportunamente filtrati, verificati e ricondotti a un quadro coerente.
Il valore del sistema risiede nella capacità di rendere il processo più strutturato, tracciabile e replicabile, riducendo il rischio di errori silenziosi e migliorando la qualità del ragionamento e del risultato complessivo.
L’utilizzo coordinato di agenti LLM consente di trasformare l’IA da strumento reattivo a infrastruttura di supporto al pensiero analitico.
In questo modello, la tecnologia non sostituisce la responsabilità dell’analista, ma ne rafforza il ruolo, rendendo l’analisi più consapevole, più controllabile e più allineata agli standard di professionalità richiesti nel lavoro intellettuale ad alto impatto decisionale.
Chi è interessato ad approfondire può scrivere all’attenzione di Alfonso Scarano a info@aiaf.it
(Estratto da Appunti di Stefano Feltri)
