Strategia di IA per i servizi finanziari: cosa funziona davvero nel 2026

Parte 1: Il momento mitico — Quando un modello era troppo pericoloso per essere lanciato sul mercato

Lillian Freiberg: Ciao a tutti. Benvenuti. Mi chiamo Lillian Freiberg. Sono la responsabile per il Nord America di Clarity AI. Con me c'è il mio collega Austin Ritzel, il nostro responsabile senior della strategia IA e dei progetti strategici. In pratica, è la persona a cui mi rivolgo quando nel mondo dell'IA succede qualcosa di imprevisto e ho bisogno di capire quali saranno le ripercussioni su di me e sui miei clienti.

Affronteremo diversi argomenti. La velocità con cui questa tecnologia sta effettivamente evolvendo. Cosa comporta tutto ciò per le aziende che cercano di stare al passo, e le decisioni strategiche che distingueranno i vincitori da coloro che stanno ancora cercando di districarsi tra le scelte fatte due anni fa.

Austin Ritzel: Grazie, Lillian. Non potrei aver fatto un'introduzione migliore. Mi hai preparato il terreno alla perfezione. So che oggi abbiamo molte cose di cui parlare. Al momento, nel mondo dell'intelligenza artificiale non mancano certo gli argomenti affascinanti.

Lillian Freiberg: Cominciamo con una notizia che, qualche mese fa, ha davvero sconvolto l'opinione pubblica. E se non ne avete sentito parlare, ve ne darò una breve sintesi.

Anthropic — il team che ha creato Claude, uno dei principali laboratori di IA — ha lanciato un modello chiamato Mythos. I lanci di modelli di IA sono all’ordine del giorno. Ma questo ha avuto un impatto molto diverso. Mythos è stato progettato per eccellere nella programmazione. Ciò che nessuno aveva previsto era che le stesse capacità che lo rendevano eccezionale nella scrittura di codice lo rendessero anche, di fatto, lo scanner di vulnerabilità di sicurezza più potente mai visto. Solo in Firefox sono stati scoperti quasi 200 bug gravi. Per fare un confronto, il modello precedente ne aveva trovati circa 20, appena due mesi prima.

Ecco la parte che ha davvero attirato l’attenzione di tutti. Anthropic ha scelto volontariamente di non renderla pubblica. Ha concesso l'accesso a circa 40 istituzioni — grandi società finanziarie, aziende tecnologiche, infrastrutture critiche — proprio per consentire ai difensori di prepararsi prima che questa capacità si diffondesse. Un simile autocontrollo su quella scala non si era mai verificato prima. Ha fatto scattare l'allarme a Washington e a Bruxelles, e ha costretto a un dibattito concreto su dove si trovi effettivamente la corsa all'IA.

La mia prima impressione è che siamo ben lontani dall'aver raggiunto un accordo. Qual è la tua?

Austin Ritzel: In un contesto in cui sembra che ogni due settimane si verifichino eventi di grande rilevanza, momenti senza precedenti, questo è stato davvero un momento di grande importanza per il panorama dell'intelligenza artificiale. E i motivi sono diversi.

In primo luogo, come hai sottolineato, Mythos è straordinariamente efficace nell’individuare le vulnerabilità di sicurezza e, ovviamente, ciò solleva preoccupazioni relative al doppio uso. Da un lato, per chi lo utilizza a fini legittimi, rappresenta uno scudo molto solido. Dall’altro, per chi lo impiega a fini illeciti, Mythos è un’arma offensiva molto potente: una spada, per chiudere la metafora.

Il secondo motivo per cui è stato così significativo è proprio quell’idea che hai accennato: i modelli vengono “coltivati”, non “costruiti”. Si tratta di un modo completamente diverso di concepire la tecnologia. Non è un'idea che ho inventato io. In realtà, è così che Dario Amodei, CEO di Anthropic, descrive il processo di creazione di un modello. Mythos non è stato ottimizzato specificamente per la scansione della sicurezza informatica. È stato ottimizzato per la programmazione, come molti modelli linguistici di grandi dimensioni. Ma le stesse capacità, le stesse caratteristiche che lo hanno reso davvero eccezionale nella programmazione, lo hanno reso anche assolutamente prolifico nell'individuazione delle vulnerabilità.

All'inizio c'era chi sosteneva che si trattasse della più grande campagna pubblicitaria di sempre, un modello troppo potente per essere messo sul mercato. Ma ben presto abbiamo scoperto che in realtà non era affatto una trovata di marketing. Si tratta di un salto di qualità rispetto a ciò che Opus 4.6, il modello precedente, era in grado di fare in termini di scansione delle vulnerabilità di sicurezza. Un cambiamento epocale.

Per inciso, vorrei sottolineare che questa idea di trasferibilità delle competenze da un ambito all'altro è un fenomeno che stiamo osservando nel settore finanziario. Molti degli elementi che rendono i grandi modelli linguistici particolarmente efficaci nella programmazione, come la logica, li rendono altrettanto efficaci in numerose attività finanziarie.

Il terzo motivo per cui la questione ha assunto tanta rilevanza è che Anthropic, di propria iniziativa, ne ha ritardato la diffusione al pubblico e l'ha concesso a quelle 40 — credo che ora siano 70 — istituzioni per consentire loro di rafforzare le proprie difese. Inoltre , in parte a causa di alcune preoccupazioni relative alla potenza di calcolo. Mythos è un modello di dimensioni molto grandi.

Ciò ha suscitato una reazione molto interessante da parte dell'amministrazione Trump. Dal punto di vista ideologico, l'amministrazione si è sempre opposta alla regolamentazione, in particolare nel campo dell'IA: uno dei primi decreti presidenziali è stato proprio quello di abrogare un regolamento introdotto dall'amministrazione Biden. Ora, però, è stata avanzata l'idea di un decreto presidenziale che imponga ai laboratori di IA di sottoporre i propri modelli alle autorità federali prima del loro rilascio al pubblico. È stato descritto come una sorta di FDA per il settore dell'IA. Un grande cambiamento per il panorama normativo.

Ciò ha suscitato anche una reazione da parte dell'UE, poiché si è trovata con le spalle al muro: nemmeno le istituzioni con sede nell'Unione avevano accesso. Ci sono inoltre dubbi riguardo alla possibilità per tutti i governi di accedere liberamente e in modo equo a tali misure per rafforzare le proprie difese.

Detto questo, per quanto riguarda il primo aspetto della tua domanda: la corsa all'intelligenza artificiale è ancora lungi dall'essere conclusa? Assolutamente sì. Gli esperti generalmente sostengono — e questo viene dai CEO di queste aziende — che i laboratori statunitensi siano solo da 1 a 3 mesi avanti o indietro l'uno rispetto all'altro al giorno d'oggi. I laboratori cinesi come DeepSeek sono indietro di circa 6-12 mesi. Sono molto, molto vicini tra loro. E penso che dovremmo aspettarci, di conseguenza, di vedere il campo in continuo mutamento e riorganizzazione.

Parte 2: Perché il settore dei servizi finanziari è il punto nevralgico

Lillian Freiberg: Interessante. Quindi, anche se Anthropic sta vivendo un momento di grande successo, non si può ancora parlare di un vincitore definitivo. La gara è ancora in pieno svolgimento. E uno dei settori in cui questa competizione si sta svolgendo in modo più evidente è proprio quello dei servizi finanziari, come hai sottolineato prima. Tutti i principali fornitori di IA stanno compiendo un massiccio sforzo per entrare in questo settore. Diresti che si tratta di un fenomeno strutturale, o è semplicemente perché è lì che si trovano i soldi?

Austin Ritzel: Credo entrambe le cose. Dal punto di vista strutturale, molte delle caratteristiche che rendono i modelli linguistici di grandi dimensioni particolarmente efficaci nella programmazione li rendono altrettanto efficaci nei flussi di lavoro finanziari, o in molti di essi, anche se certamente non in tutti. La stessa Anthropic stima che la finanza sia indietro di circa 6-12 mesi rispetto a dove si trova attualmente la programmazione sulla curva di automazione. E chiunque abbia prestato anche solo un minimo di attenzione al settore dell'IA sa cosa sta succedendo con la programmazione in questi giorni.

È sicuramente anche lì che si trovano i soldi. I principali laboratori stanno generando ingenti entrate nel settore finanziario. Per Anthropic — e li cito perché hanno appena pubblicato una grande quantità di dati al riguardo — in termini di fatturato, il settore finanziario è al secondo posto tra tutti i settori. È superato solo dal settore tecnologico, e il 40% dei loro 50 principali clienti sono istituzioni finanziarie.

Lillian Freiberg: Ha perfettamente senso. Ma un ritardo di sei-dodici mesi rispetto allo sviluppo del codice… mi sembra che sia davvero più vicino di quanto la maggior parte delle persone creda. Eppure il settore dei servizi finanziari è noto per essere un settore che si muove con estrema lentezza. I cicli di approvazione degli acquisti, le autorizzazioni relative ai rischi, le approvazioni di conformità. Il ritmo dello sviluppo dell’IA rappresenta un problema temporaneo per il settore, o c’è forse un disallineamento più profondo?

Austin Ritzel: Credo che dovremmo partire dai principi fondamentali. Da dove derivano gli attriti? Sembra che vi siano attriti sia di natura procedurale che strutturale.

Gli attriti procedurali — cicli di documentazione, inserimento dei fornitori e simili — potrebbero probabilmente essere ridotti in gran parte grazie all’IA. Gli attriti strutturali sono invece probabilmente più duraturi. E per attriti strutturali intendo la normativa, i doveri fiduciari e la responsabilità personale per le decisioni prese in ambiti altamente regolamentati. Nel mondo della finanza è probabilmente più corretto considerarli come caratteristiche positive piuttosto che come difetti, soprattutto ora che tale settore è messo alla prova dall’IA, dove il costo di un errore è molto elevato.

Il vincolo strutturale potenzialmente più impegnativo è un concetto di cui ho scritto in precedenza, denominato «Silicon Ceiling»: il limite della capacità di un’azienda di assorbire nuove competenze. Cose come la gestione del cambiamento, il colmare le lacune di competenze tra i dipendenti e la formazione dei dipendenti. C'è un disallineamento tra la velocità delle competenze all'avanguardia e la velocità di assorbimento organizzativo. E questo non è un fenomeno esclusivo delle istituzioni finanziarie. Il sondaggio di Deloitte del 2026 sullo stato dell'IA nelle imprese ha rilevato che il divario di competenze in materia di IA è percepito come il principale ostacolo all'integrazione aziendale. Quindi quel lato più sfuggente della barriera strutturale è di fondamentale importanza per comprendere la velocità con cui tutte le aziende possono muoversi.

Mi aspetto che questo divario probabilmente si allarghi prima di ridursi. Ma si noterà una divergenza tra le aziende che stanno investendo nella capacità di assorbimento — il che significa, in sostanza, investire nelle persone e nei processi come risorsa strategica — e quelle che non lo fanno. Prevedo che le prime prenderanno il largo.

Lillian Freiberg: Mi piace questa visione più sfumata. E il concetto di "Silicon Ceiling" è davvero utile perché non è necessariamente la tecnologia il problema. Sono le persone, l’organizzazione, l’integrazione. E questo si ricollega direttamente a un argomento che voglio assicurarmi di affrontare prima di proseguire, perché è molto importante e mi viene posta questa domanda continuamente. Si tratta della sicurezza informatica. Mythos l’ha resa tangibile. Quando i modelli vengono implementati più rapidamente, cosa succede effettivamente alla superficie di attacco per un istituto finanziario?

Austin Ritzel: È una domanda davvero importante e, in realtà, mette in luce la lentezza delle istituzioni finanziarie sotto una luce molto positiva. Anziché come lentezza, la si può interpretare come ponderatezza.

La rapidità di implementazione dei modelli sta modificando la superficie di attacco attraverso due vettori principali. Il primo è l’asimmetria tra capacità offensive e difensive. Il ciclo che va dall’emergere di una nuova capacità, alla sua diffusione sul campo, fino alla sua diffusione in ambiente reale si sta accorciando. E quando questo intervallo di tempo si riduce, non solo i difensori hanno meno tempo per correggere le falle, ma hanno anche meno tempo per capire contro cosa stanno intervenendo. La decisione di Anthropic di trattenere Mythos è il miglior esempio che abbiamo avuto finora di un'azienda che tira il freno, cercando di separare la capacità dalla distribuzione e concedendo a tutti un po' di tempo per prepararsi.

Il secondo aspetto è che i perimetri di sicurezza tradizionali stanno cambiando, soprattutto ora che l’IA sta assumendo un ruolo attivo, iniziando a compiere azioni concrete. Un’IA dotata di “mani” rappresenta una sfida ben diversa rispetto a un “cervello in provetta”. Ogni integrazione dell'IA implica l'implementazione di un nuovo perimetro. Un agente con accesso al calendario, alla posta elettronica, al file system... Non si adatta perfettamente ai modelli "least-privileged" su cui abbiamo fatto affidamento. Le pratiche di sicurezza probabilmente devono cambiare radicalmente per rispecchiare quel ritmo di cambiamento. Piuttosto che aggiornare la postura di sicurezza annualmente, è necessario che assuma una cadenza mensile per cercare di stare al passo con il ritmo di sviluppo dell'IA.

Parte 3: La decisione sbagliata al livello sbagliato

Lillian Freiberg: Per alcune aziende sarà un cambiamento enorme. Cambiamo quindi leggermente argomento e parliamo di un problema che, immagino, molte persone stanno affrontando in silenzio in questo momento.

Ipoteticamente: 18 mesi fa, la vostra azienda ha completato l'intero processo: revisione IT, approvazione dei rischi, avallo della conformità e approvazione di un modello di base. Sono state investite risorse. E ora il panorama è cambiato e vi guardate intorno chiedendovi: abbiamo puntato sul cavallo giusto?

Ciò che ha peggiorato notevolmente la situazione è che molte di queste decisioni sono state prese al livello sbagliato. I reparti Risk o IT hanno approvato qualcosa prima che il reparto operativo capisse davvero cosa stava acquistando, come lo avrebbe utilizzato o persino chi lo avrebbe utilizzato. Ora ci si ritrova con un contratto, flussi di lavoro basati su di esso, mentre il resto del mondo è andato avanti.

Austin, c'è una soluzione? O il settore dovrà semplicemente continuare a fare i conti con queste decisioni prese in una fase iniziale ancora per un po'?

Austin Ritzel: Quando il terreno è in continuo mutamento, la risposta più appropriata è garantire che le fondamenta siano sufficientemente flessibili da adattarsi. Quello che abbiamo osservato durante la prima ondata dell’IA, quando l’entusiasmo era in crescita ma la tecnologia era ancora piuttosto nuova, diciamo nel 2024, è che erano le unità non operative a prendere molte di queste decisioni per conto degli utenti aziendali: i team IT, di gestione dei rischi e degli acquisti.

Probabilmente le unità aziendali hanno rimandato la loro decisione proprio perché si trattava di una novità assoluta. Non avevano ancora sviluppato preferenze personali. Non avevano ancora familiarizzato con le potenzialità di questi strumenti. E, francamente, le funzionalità erano molto diverse. Nel 2024 si parlava di chatbot. Ora si parla di persone in grado di creare agenti in un paio d’ore. È un cambiamento enorme.

Detto questo, mi aspetto che l'agnosticismo dei modelli diventi l'approccio dominante, sia tra le aziende che sviluppano soluzioni specializzate sia tra coloro che acquistano tali soluzioni. Ma l'agnosticismo dei modelli non è solo una decisione da prendere. Non basta dire «siamo agnostici rispetto ai modelli». Richiede un investimento enorme in termini di architettura.

Clarity AI un esempio calzante. Fin dall’inizio abbiamo adottato una struttura indipendente dal modello. La piattaforma di estrazione dati che abbiamo sviluppato, sia per uso interno che per i clienti, consente di passare senza difficoltà da un modello all’altro, che si tratti di Anthropic, OpenAI, Gemini o molti altri. Se si includono i modelli open-weight, si parla di accesso a oltre un migliaio di modelli di base. Un nuovo modello può essere integrato in appena un paio di giorni. Questo ci garantisce di non dipendere mai da un unico laboratorio e di non essere mai vulnerabili al rischio di diventare obsoleti a causa di una nuova versione o di rimanere a piedi a causa di un'interruzione del servizio.

Gli acquirenti, dal canto loro, dovrebbero prendere spunto da un esempio fornito di recente da Apple. Apple utilizzerà Gemini come base per i propri modelli di base, ma con il rilascio di iOS 27 consentirà agli utenti di scegliere il fornitore di terze parti che preferiscono — Gemini, OpenAI, Anthropic — per alimentare le funzionalità dei propri software. Una risposta di Siri generata tramite Claude sarà diversa da una generata con Gemini. Potresti fare questa scelta in base alla preferenza per il tono o la personalità del modello, alla sua reputazione per compiti specifici, alla tua fiducia nel laboratorio o alla tua familiarità con esso in contesti professionali.

Apple non scommette sui cavalli. Sta costruendo l'ippodromo. È lo stesso approccio che adottiamo Clarity AI anni in Clarity AI , e mi aspetto che venga adottato sempre più spesso sia dai creatori che dagli acquirenti, man mano che si rendono conto che l'esclusività comporta un rischio enorme.

Lillian Freiberg: Costruisci l'ippodromo, non scommettere sul cavallo. Mi piace molto questo concetto. Non solo perché amo scommettere, ma perché a posteriori sembra ovvio. Ma è chiaro che non tutti ci sono arrivati subito. Hai accennato al fatto che le decisioni vengono prese al livello sbagliato. Questo schema si verifica effettivamente in tutto il mercato?

Austin Ritzel: Credo di sì. E questa responsabilità non ricade esclusivamente sul settore finanziario. È una situazione che si verifica in tutti i settori. Le funzioni centrali di IT, rischio e approvvigionamento hanno avuto la prima occasione di valutare i fornitori di IA, quando era ancora una novità assoluta, mentre le aziende hanno in qualche modo rinviato la loro influenza. È così che ci si ritrova con aziende che hanno approvato un modello nel 2024 e ora ne sono vincolate. Ed è proprio questo che entrambi sentiamo dai clienti nel nostro lavoro quotidiano.

La mossa più intelligente è stata, ed è sempre, quella di procedere dal basso verso l'alto. Bisogna prima comprendere il caso d'uso, poi passare alla selezione del fornitore. Si parte dalle funzioni più vicine al lavoro. Se state pensando di adottare uno strumento di IA per gli ingegneri del software, fareste meglio a parlare con gli ingegneri del software. Se state pensando di adottare uno strumento per i relationship manager, dovete parlare con i relationship manager per capire quali funzionalità sono importanti e quali no. Andate oltre le belle demo e concentratevi sul valore reale.

A questo livello deve ancora aggiungersi una valutazione centrale: i reparti IT, gestione dei rischi e approvvigionamenti devono tutti mettere alla prova questi strumenti dal punto di vista della sicurezza, come abbiamo già discusso. Tuttavia, dovrebbero essere aperti all'influenza delle unità aziendali. Gli utenti delle unità aziendali stanno acquisendo competenze sufficienti per esercitare un'influenza sulle valutazioni dei team tecnici.

Lillian Freiberg: E questo ci porta direttamente a un fenomeno distinto ma correlato. Credo che sia molto più diffuso di quanto le aziende vogliano ammettere: chi lavora all’interno di queste istituzioni sa che esistono strumenti migliori e li utilizza comunque in segreto, che siano approvati o meno. Quali sono, alla fine, le conseguenze di questa pressione a livello istituzionale?

Austin Ritzel: Credo che questo uso nascosto sia sintomatico di un problema molto radicato. Ethan Mollick, della Wharton, che scrive molto sull’IA in ambito aziendale, ha soprannominato questo tipo di figura il «Cyborg Segreto». Il Cyborg Segreto è silenzioso e timoroso. È un dipendente che usa l’IA per superare i colleghi nell’ombra, ma non vede alcun vantaggio né alcun incentivo a rivelare tale utilizzo. Teme di essere giudicato o teme che l’IA possa sostituirlo. Qualunque sia il motivo che lo spinge a tenere nascosto il proprio uso dell'IA, è un problema. E indica che l'azienda stessa non ha costruito il giusto rapporto interno con l'IA. Questa è la malattia di cui questo personaggio è sintomatico.

Le conseguenze sono gravi. Si verificano problemi come la fuga di dati attraverso la cronologia dei prompt: se si utilizzano versioni non aziendali e non protette degli strumenti, si rischia di trasmettere informazioni sensibili a sistemi che potrebbero utilizzarle per il proprio addestramento, e tali informazioni potrebbero poi riapparire nelle risposte fornite ad altri utenti. Ciò genera risultati incoerenti tra i vari team. Ma forse il problema più costoso è che crea lacune nelle competenze. Riduce l'efficienza della forza lavoro e crea un divario crescente tra le aziende in cui questi "cyborg segreti" sono prevalenti e quelle che hanno costruito ambienti di IA permissivi e ben governati, dove le persone utilizzano i propri strumenti senza subire ritorsioni.

La soluzione consiste nel garantire che si definiscano delle linee guida su come — e non se — i dipendenti utilizzano l'IA, perché è inevitabile che la utilizzino. E occorre cambiare prospettiva partendo dall'alto: l'IA è un acceleratore del lavoro degli esperti, non un suo sostituto. Un dipendente che si avvale dell'IA ottiene risultati molto migliori rispetto a uno che viene sostituito dall'IA. Le aziende che ottengono di più con le stesse risorse, anziché accontentarsi di ottenere lo stesso risultato con meno risorse, saranno davvero le vincitrici.

Lillian Freiberg: Capito. Il cyborg segreto. Silenzioso e timoroso. Mi sembra di intravedere un nuovo segmento di mercato per le terapie che si sta aprendo per loro.

Austin Ritzel: Esatto. O una serie di fantascienza.

Lillian Freiberg: Potremmo venderlo a Star Wars.

Austin Ritzel: È un episodio di Star Wars davvero triste, ma sì.

Parte 4: Costruire o acquistare — E quanto costa davvero quell’elefante bianco

Lillian Freiberg: Alcune aziende, osservando lo svolgersi di tutto questo, hanno optato per una risposta che a prima vista sembra ragionevole: «Se non riusciamo a trovare il fornitore giusto, lo svilupperemo da soli». Possedere lo stack, controllare la roadmap, non dipendere da un fornitore esterno. Ho sentito questo argomento esposto in modo convincente in molte sale del consiglio. Ma metterlo in pratica è molto diverso da come viene presentato. Cosa ne pensi di questo compromesso?

Austin Ritzel: Quando si parla di "costruire" o "acquistare", occorre distinguere tra due livelli. Il primo riguarda i modelli di base: ciò che DeepMind di Google sta sviluppando in Gemini, ciò che Anthropic sta sviluppando in Claude e ciò che OpenAI sta sviluppando in ChatGPT. Quasi nessun istituto finanziario sta prendendo seriamente in considerazione l'idea di costruire un modello di base. Il divario in termini di competenze è enorme, gli investimenti necessari sono enormi e i limiti di potenza di calcolo sono enormi. Ma lo sviluppo di strumenti e applicazioni specializzati che sfruttano l'IA come capacità centrale — piattaforme di estrazione dati, generatori di report, co-piloti — è un argomento più interessante, ed è lì che si trovano i veri compromessi.

Con gli strumenti odierni, in teoria potresti creare il tuo Gmail, il tuo Slack, il tuo HubSpot. Pochissimi lo fanno davvero a livello aziendale. Non perché non ne abbiano le capacità tecniche, ma perché il costo necessario per farlo bene — e poi mantenerlo in funzione e gestirlo — supererebbe di gran lunga qualsiasi vantaggio immaginabile derivante dal possedere l’intero stack. Diventa un elefante bianco maledetto. Hai comprato questo elefante e ora devi capire come nutrirlo e farlo funzionare.

Ci sono tre ragioni per cui il percorso interno tende a non dare i risultati sperati:

• In primo luogo, c'è un evidente costo opportunità. Ogni ingegnere incaricato di sviluppare uno strumento di IA interno è un ingegnere che non lavora sulle competenze chiave dell'istituzione.
• In secondo luogo, gli strumenti specializzati sono accompagnati da specialisti: esperti che conoscono a fondo il problema e ne sono parte integrante. Noi di Clarity AI abbiamo dedicato un decennio alla raccolta, alla convalida, all’arricchimento e alla curatela di un vasto corpus di dati sulla sostenibilità provenienti da centinaia di clienti, utilizzando metodologie proprietarie sviluppate appositamente per questo scopo. Questa competenza si accumula nel tempo. Un team interno che parte da zero avrebbe difficoltà a riprodurre tale profondità.
• Terzo — e questo è un aspetto su cui il nostro CTO insiste particolarmente — la manutenzione è silenziosa ma estremamente costosa. Ci occupiamo di mantenere aggiornate oltre 400 metodologie metriche e 20 metodologie a livello di prodotto, valutiamo e integriamo nuovi modelli e supportiamo il flusso di lavoro man mano che i modelli di base cambiano e i regimi normativi si evolvono. Possiamo ripartire questo onere su centinaia di clienti. Un team interno, invece, deve sopportarne il peso da solo, per sempre.

JP Morgan ne è un chiaro esempio. Dispone di più capitale e di più ingegneri rispetto a molte aziende tecnologiche. Jamie Dimon ha affermato: «Siamo un’azienda tecnologica che, per caso, si occupa anche di finanza». Eppure sta collaborando con Anthropic a livello di modelli e acquisendo fornitori specializzati a livello di flussi di lavoro e strumenti. Acquistare il nucleo e sviluppare i contorni.

Lillian Freiberg: C'è anche la questione della stabilità finanziaria che si cela dietro tutto questo e che, a mio avviso, non viene presa sufficientemente in considerazione dalle aziende. Nessuno dei principali fornitori di modelli di base è redditizio. Alcuni hanno un indebitamento notevole. Se uno di loro dovesse trovarsi in gravi difficoltà, cosa succederebbe a tutti coloro che hanno sviluppato prodotti basati sui loro modelli? È un rischio che le persone stanno effettivamente valutando?

Austin Ritzel: È davvero un'ottima domanda. E vorrei chiarire che Alphabet rappresenta in questo caso un potenziale caso a sé stante: Alphabet è estremamente redditizia. Ma se si considera solo DeepMind, il laboratorio interno che sviluppa Gemini, DeepMind di per sé non è redditizia. Probabilmente, se si considerano tutti i costi, la situazione è molto simile a quella di Anthropic o OpenAI.

Affidarsi eccessivamente a un unico modello rappresenta un rischio, anche tralasciando le preoccupazioni di natura finanziaria. Ritengo che il modello economico stia iniziando a dare i suoi frutti dal punto di vista dell'inferenza. Tuttavia, l'addestramento è molto costoso e tali preoccupazioni sono concrete. Inoltre, nessuno di questi laboratori delle fondazioni è una certezza.

Ne abbiamo avuto un chiaro esempio di recente: Elon Musk ha affittato il suo più grande data center, situato nei pressi di Memphis, il Colossus Data Center, alla Anthropic. Nel frattempo, Musk possiede anche Grok. E sembra che abbia di fatto abbandonato l’idea di fare di Grok un modello di punta, affittando tutta quella capacità di calcolo alla Anthropic. Le aziende devono essere in grado di resistere a qualsiasi shock esogeno, che si tratti di un fallimento o semplicemente di qualcuno che resta indietro.

È proprio questa l'importanza dell'approccio basato su un'architettura aperta: creare una base che consenta di adattarsi e cambiare rotta quando qualcuno rimane indietro o esce del tutto dal progetto. In Clarity AI, la nostra piattaforma di estrazione dati utilizza tutti i modelli che ho citato, non solo perché modelli diversi si adattano meglio a compiti diversi, ma anche perché non vogliamo correre il rischio di concentrazione che deriva dall'affidarsi a un unico laboratorio.

C'è anche una questione filosofica più ampia su cui sto riflettendo. La dipendenza che abbiamo sviluppato negli ultimi anni dai grandi laboratori delle fondazioni è tale da indurci a considerarli «troppo grandi per fallire»?

Lillian Freiberg: Vedo molti punti di vista diversi. Vedo molte persone che sostengono entrambe le posizioni. Ma ciò che è assolutamente certo è che nessun istituto finanziario — nessuna impresa — dovrebbe mettersi nella situazione di subire in prima persona le conseguenze di una risposta che suona come un «no» a quella domanda.

Parte 5: Chi vince davvero

Lillian Freiberg: Quando parliamo di tutto questo, in particolare per le società finanziarie, stiamo parlando di perdita di vantaggio competitivo, di perdita di alfa. Il che mi porta a quella che ritengo sia la tesi alla base di tutta questa discussione. Come si evolverà effettivamente questo mercato? Il mio istinto, basandomi su ciò che sento dai clienti e dagli opinion leader, mi dice che gli operatori specializzati, quelli con una reale profondità in un settore specifico, in grado di operare con qualsiasi modello già approvato dal cliente, finiranno per trovarsi nella posizione più forte. La vede anche lei così?

Austin Ritzel: Sì. E credo che siano proprio i fattori economici a determinare questa realtà. Il livello di base finirà probabilmente per diventare, in una certa misura, un prodotto di massa. Lo stesso Sam Altman ha paragonato lo stato finale di OpenAI a un servizio di pubblica utilità. E, come conseguenza della massificazione di quel livello, è probabile che il valore differenziale si sposti verso i livelli dello stack in grado di fare ciò che un modello generico non può fare.

Pensate all'LLM come al motore. Le aziende che si distinguono sono quelle in grado di costruirvi attorno un telaio: competenze settoriali concrete, conoscenze selezionate con cura, metodologie deterministiche che trasformano quello che è fondamentalmente uno strumento probabilistico. Due persone che pongono la stessa domanda devono ottenere la stessa risposta. Servono valutazioni. Servono revisioni da parte di esperti che intervengano nel processo. Le persone in grado di costruire il telaio — lo sterzo, i freni, la carrozzeria — trarranno un valore molto speciale da questo ecosistema.

Anche l'infrastruttura di verifica sarà fondamentale, in particolare per gli istituti finanziari o qualsiasi altro ente operante in un settore regolamentato. La spiegabilità, la provenienza da un database curato, la tracciabilità della trasformazione dai dati grezzi e dalla metodologia fino al risultato finale: è questo che rende tali risultati effettivamente utilizzabili in contesti regolamentati.

Lillian Freiberg: Assolutamente sì. E soprattutto per i clienti del settore finanziario — tracciabilità, fiducia, soluzioni pronte per l'IC e per gli audit — è fondamentale. Quindi, tenendo conto di tutto ciò, cosa distingue effettivamente i fornitori specializzati che ne escono rafforzati da quelli che invece non riescono a sopravvivere?

Austin Ritzel: Alcune cose. Flessibilità architettonica, indipendenza dal modello. Profonda conoscenza del settore: mettere in campo dati proprietari e metodologie per trasformare i risultati probabilistici in deterministici. In futuro, i dati costituiranno un vero e proprio vantaggio competitivo.

Inoltre, i fornitori specializzati che si distinguono dalla massa richiederanno anche un'infrastruttura di tracciabilità davvero solida. Non solo i numeri di pagina, ma anche la geometria delle citazioni: dove si trova esattamente l'informazione all'interno della pagina, la sua posizione esatta. La provenienza delle fonti. Trasformazioni verificabili: come si è passati dai dati grezzi presenti sulla pagina a un output trasformato in un report generato automaticamente? Come si riduce al minimo possibile il carico di verifica, ovvero il tempo necessario a qualcuno per confermare che l'IA abbia prodotto qualcosa di accurato?

Le aziende che si limitano a creare interfacce utente accattivanti basate su modelli generici, privi di quella profondità di conoscenza del settore, rischiano probabilmente di essere fagocitate. Ciò che permette di distinguersi sono i dati curati o proprietari, i risultati verificabili e trasparenti che riducono l'onere della verifica, e la capacità di fare ciò che quei modelli generici semplicemente non riescono a fare.

Lillian Freiberg: «Involucri sottili che vengono divorati». Credo che questa sia la frase del giorno. Austin, grazie. È stato davvero fantastico. Hai quasi fatto centro per la terza volta di fila con il «model agnosticism», ma sei riuscito a rendere tutto comprensibile, e non è un'impresa da poco.

Austin Ritzel: Grazie, Lillian.