L’intelligenza artificiale sta entrando sempre più velocemente nel mondo della finanza e degli investimenti. Negli ultimi anni strumenti come ChatGPT, Gemini, Claude o Grok sono diventati parte della quotidianità di milioni di persone e, inevitabilmente, la domanda che molti investitori hanno iniziato a porsi è sempre la stessa: l’AI riuscirà davvero a battere il mercato?

La narrativa dominante sembra suggerire di sì. Ogni settimana emergono nuovi strumenti “AI-driven”, piattaforme che promettono di individuare i migliori titoli, chatbot che dichiarano di poter aiutare a fare market timing o algoritmi presentati come la nuova frontiera della gestione patrimoniale. Tuttavia, quando si passa dal marketing ai dati reali, il quadro cambia radicalmente.

Negli ultimi mesi diversi esperimenti pubblici hanno cercato di mettere concretamente alla prova alcuni dei modelli di intelligenza artificiale più avanzati al mondo nel trading finanziario. Uno dei casi più discussi è stato il progetto Alpha Arena, in cui vari modelli AI sono stati chiamati a gestire un portafoglio reale operando sul comparto tecnologico americano. Il risultato è stato sorprendente, ma non nel modo che molti si aspettavano. Nel complesso, il portafoglio aggregato ha perso circa un terzo del capitale iniziale in poche settimane. Alcuni modelli effettuavano pochissime operazioni, altri centinaia o addirittura oltre mille trade nello stesso arco temporale. Alcuni erano costantemente rialzisti, altri estremamente aggressivi, altri ancora molto più difensivi. E questo aspetto è probabilmente il più interessante di tutti.

Molti investitori tendono infatti a confondere due mondi completamente diversi. Da una parte esistono i grandi fondi quantitativi, come Renaissance Technologies, Two Sigma o D.E. Shaw, che utilizzano da decenni modelli matematici addestrati direttamente sui dati di mercato: prezzi, volumi, volatilità, correlazioni, fattori statistici e dati alternativi. Questi sistemi non “parlano” dei mercati, ma cercano pattern probabilistici all’interno dei numeri. Sono costruiti esattamente per risolvere quel problema specifico. Dall’altra parte esistono invece gli LLM generalisti, cioè i grandi modelli linguistici come ChatGPT o Gemini, addestrati principalmente su enormi quantità di testo provenienti da libri, articoli, forum, Wikipedia o codice. Sono strumenti straordinari per sintetizzare informazioni, leggere documenti, creare contenuti, interpretare testo e velocizzare il lavoro umano. Ma prevedere il mercato è un’altra cosa.

Un chatbot può spiegare perfettamente cosa sia una recessione, come funzionano i tassi di interesse o quali siano i rischi di un investimento, ma questo non significa che sappia prevedere il prossimo movimento dell’S&P 500 o individuare con continuità i titoli migliori da acquistare. È un po’ come confondere un telecronista con un calciatore professionista: parlare molto bene di calcio non significa automaticamente saper giocare una partita ad alto livello.

Il problema più profondo è che questi modelli sviluppano una sorta di “personalità statistica”. Sotto lo stesso identico input, modelli differenti possono produrre decisioni completamente opposte. Alcuni tendono naturalmente ad assumere più rischio, altri preferiscono approcci prudenti, altri ancora cercano continuamente conferme narrative. Ma questa personalità non è ottimizzata per generare rendimento. È ottimizzata per produrre risposte convincenti agli occhi dell’utente. E qui nasce una delle differenze fondamentali tra un modello linguistico e un vero processo di investimento professionale.

C’è poi una considerazione ancora più importante. Se un chatbot accessibile a centinaia di milioni di persone fosse davvero in grado di dire sistematicamente quali titoli saliranno, quell’informazione smetterebbe immediatamente di essere un vantaggio competitivo. Nei mercati finanziari l’alpha esiste proprio perché è scarso. Se tutti avessero accesso alla stessa previsione vincente, il vantaggio verrebbe arbitrato in tempi rapidissimi. Ed è infatti quello che molti esperimenti pubblici stanno mostrando: i suggerimenti generati dai chatbot tendono spesso a sottoperformare il benchmark, a seguire il consenso dominante e a produrre stock picking estremamente “mainstream”.

Ma il punto più affascinante, e forse anche il più pericoloso, non riguarda tanto il fatto che l’intelligenza artificiale sappia o meno investire bene. Il vero tema è capire cosa potrebbe accadere quando milioni di investitori inizieranno a seguire contemporaneamente gli stessi suggerimenti generati dagli stessi modelli.

Immaginiamo uno scenario in cui milioni di persone chiedano agli stessi chatbot quali siano i migliori titoli da comprare per il prossimo anno. I modelli, essendo addestrati su dati molto simili e ottimizzati per fornire risposte coerenti, tenderanno inevitabilmente a convergere sugli stessi nomi, sugli stessi settori e sulle stesse narrative. A quel punto il mercato potrebbe iniziare a muoversi non tanto per i fondamentali economici o per gli utili aziendali, ma semplicemente perché una massa enorme di investitori sta ricevendo contemporaneamente input simili dagli stessi sistemi.

In pratica, l’intelligenza artificiale potrebbe smettere di essere uno strumento di previsione per trasformarsi direttamente in una fonte di flusso. I prezzi salirebbero perché abbastanza persone stanno comprando gli stessi titoli nello stesso momento. È una dinamica molto simile a quella osservata nelle meme stocks, nei gamma squeeze o nelle grandi bolle speculative del passato, con la differenza che questa volta il motore del consenso potrebbe essere un algoritmo linguistico distribuito su scala globale.

Questo scenario potrebbe rendere i mercati ancora più veloci, più instabili e più pro-ciclici. L’AI non eliminerebbe le emozioni dai mercati finanziari. Potrebbe addirittura amplificarle. Perché paura, euforia, FOMO, consenso e narrativa collettiva restano elementi profondamente umani, anche quando vengono filtrati attraverso una macchina.

Tutto questo non significa che l’intelligenza artificiale sia inutile nel mondo degli investimenti. Anzi, probabilmente diventerà uno degli strumenti più importanti per i professionisti della finanza. Ma il suo ruolo reale sarà molto diverso da quello che il marketing racconta oggi. L’AI può diventare uno straordinario acceleratore di produttività per leggere filing SEC, sintetizzare earnings call, monitorare news e sentiment, analizzare grandi quantità di dati testuali e supportare il lavoro degli analisti. In pratica, può diventare un ottimo “junior analyst”. Ma oggi non può sostituire il giudizio di un portfolio manager esperto.

Perché investire non significa soltanto elaborare informazioni. Significa gestire rischio, probabilità, volatilità, correlazioni, liquidità e soprattutto psicologia degli investitori. Tutte variabili che difficilmente possono essere ridotte a una semplice risposta generata da un chatbot.

Forse la vera lezione di tutta questa evoluzione è che il valore, oggi più che mai, non sta semplicemente nell’accesso all’informazione. Quello ormai ce l’hanno tutti. Il vero valore continua a essere la capacità di distinguere il segnale dal rumore, la probabilità dalla narrativa, il processo dalla moda del momento. Ed è proprio qui che continua a fare la differenza un approccio serio, disciplinato e strutturato alla gestione del capitale.

L’articolo prende spunto da analisi e approfondimenti pubblicati da Bloomberg, Wall Street Journal, Nof1 / Alpha Arena, Flat Circle, Intelligent Alpha, NX1 Capital e da studi di microstruttura e comportamento dei mercati sviluppati nel corso del 2026.