RAG su due diligence
Indicizzare anni di DD, IC memo, target profile. Query semantiche cross-document, citazione delle fonti, filtri per anno, settore, deal owner. ROI tipico: 60-70% di riduzione del tempo di ricerca informazioni storiche.
Settore · Finance & Fondi
AI per fondi di investimento: piattaforme custom per asset manager italiani
Decine di migliaia di documenti, decine di gestori, decisioni a milioni di euro. I tool generici di finance AI non bastano: serve infrastruttura proprietaria. Ecco come la costruiamo.
Posizionamento
Cosa cerca davvero un fondo dall'AI
Il mercato finance AI in Italia è dominato da due famiglie di prodotti. Da un lato strumenti generalisti come Bloomberg AI, FactSet AI o S&P Capital IQ: ottimi sui dati di mercato, ma ciechi sui vostri documenti privati. Dall'altro fondi tematici AI come Allianz Global Artificial Intelligence o BlackRock Next Generation Technology: prodotti finanziari, non infrastruttura.
Quello che manca è ciò che davvero serve a un fondo medio o a un family office italiano: infrastruttura custom on-premise o cloud EU che indicizzi gli asset documentali proprietari, faccia parlare modelli pricing interni con LLM moderni e mantenga tutto sotto compliance MiFID II, AIFMD e AI Act. Non è un prodotto comprabile a scaffale. Va costruito.
FinanceAtena è uno dei rarissimi player italiani che si muove in questa direzione, ma il mercato è sostanzialmente vuoto. Le software house generaliste non hanno il dominio finanziario, le boutique finance non hanno la profondità di software engineering, le big tech vendono SaaS. In mezzo c'è spazio, ed è dove operiamo.
Contesto di mercato
I principali gestori internazionali stimano che l'AI assorba il 15-20% dei nuovi flussi verso fondi tematici globali nel 2026. Ma quasi nessuno sviluppa AI interna che sia un asset proprietario, distintivo, difendibile sul lungo periodo. È esattamente lo spazio in cui un fondo costruisce vantaggio.
Quando custom è necessario
Quando un SaaS finance AI non basta (e serve sviluppo custom)
Cinque scenari in cui un abbonamento mensile a un tool generico non risolve, e in cui scegliere il SaaS sbagliato significa esporre asset competitivi che andrebbero protetti.
Asset documentale enorme e privato
Avete 50.000+ documenti tra DD, ricerche, IC memo, ratings interni e analisi settoriali. È un asset competitivo, costruito in anni. Non andrà mai dentro un SaaS condiviso o multitenant.
Modelli proprietari di pricing e scoring
Pricing model, scoring rischio, allocation framework sono vostri. Un sistema custom li serve e li valorizza; un SaaS, nella migliore delle ipotesi, li espone, nella peggiore li impara.
Vincoli regolatori UE
MiFID II, AIFMD, Regolamento UE 2024/1689 (AI Act). Servono audit trail completo, decisione tracciabile lato umano, supervisione documentata. Pochi SaaS lo coprono nativamente.
Residenza dati EU obbligata
Molti LP istituzionali europei impongono che i documenti confidenziali non lascino l'Unione. Per fondi che servono family office italiani la residenza UE non è una preferenza, è un vincolo contrattuale.
Integrazione con stack legacy
Usate Bloomberg Terminal, Murex, Avaloq, AlphaSense, FactSet. Serve uno strato AI che si integri via API a ciò che già funziona, non l'ennesima app separata che obbliga l'analista a un nuovo workflow.
Specificità del dominio italiano
Documenti in italiano tecnico-finanziario, regolazione Consob, fiscalità OICR, dialoghi con CDP, SACE, Banca d'Italia. I tool USA generici non parlano questo linguaggio. Va costruito.
Casi d'uso prioritari
Cinque casi d'uso ad alto ROI per fondi italiani
Non li elenchiamo perché suonano bene in slide. Li abbiamo messi qui perché sono i casi in cui il ROI è misurabile, il perimetro tecnico è gestibile e la compliance è progettabile fin dall'inizio.
Agente analytics di portafoglio
Agente che monitora costantemente le partecipate, intercetta segnali (earnings call, news, M&A, eventi regolatori) e prepara report giornalieri strutturati. Il PM apre un brief al mattino, non passa due ore a leggere feed.
Intelligence pre-IC
Bot che prepara bozze di IC memo prefilled estraendo dati da target screening, database settoriali, financials pubblici, regulatory filings. L'analista parte da un memo già al 70%, si concentra sul giudizio.
ESG document mining
Estrazione strutturata di metriche ESG da prospetti, sustainability report, annual report. Bypassa data provider costosi, fornisce metriche normalizzate sul perimetro reale del portafoglio, non sull'universo investibile generico.
Drafting LP communication
Assistente che redige bozze di quarterly letter, capital call notice, partner update, mantenendo il tone-of-voice del fondo. L'IR director rivede e firma; non parte da pagina bianca ogni trimestre.
Deal screening accelerato
Pipeline di pre-screening su lead in entrata: parsing teaser, scoring rispetto a tesi di investimento, prima nota sintetica al deal team. Riduce il rumore in pipeline e protegge il tempo del partner.
Architettura
L'architettura che usiamo per un fondo medio italiano
Non è la sola architettura possibile, ma è quella che bilancia costo, time-to-value e compliance per fondi italiani da 200M€ a 5Mld€ di AUM. La adattiamo sui vincoli reali del cliente, non al contrario.
- Ingestione. PDF scraping con OCR per documenti scansionati, parsing feed Bloomberg/Reuters, integrazione SharePoint o SFTP, connettori data room (Intralinks, Datasite, Drooms).
- Anonimizzazione e classificazione. Classificazione automatica del livello di confidenzialità (Public, LP-only, Internal, Restricted) e masking di PII e dati sensibili dove necessario.
- Embedding multilingue. Modelli embedding financial-domain (FinBERT-based o proprietary fine-tuned) per coprire italiano, inglese, e gergo finanziario specifico senza degradare la qualità del retrieval.
- Vector DB on-premise. pgvector dentro Postgres o Qdrant in deployment EU, ridondati, cifrati at-rest. Backup giornalieri, retention configurabile.
- LLM layer. Anthropic Claude tramite AWS Bedrock EU per qualità top, oppure Llama 3.3 70B o Mistral Large self-hosted su GPU on-premise per fondi con compliance estrema. Routing dinamico tra modelli per ottimizzare costo e privacy per query.
- API gateway. Rate limit per utente, RBAC granulare, audit log full di ogni prompt e risposta. Tutto firmato, immutabile, esportabile per auditor.
- Human-in-the-loop. Qualsiasi output destinato a LP, regolatori o decisioni di investimento passa da revisione umana esplicita, con tracciatura del revisore e timestamp.
- Integrazioni esistenti. Bridge verso Murex, Bloomberg, AlphaSense, FactSet, sistemi proprietari di pricing. L'AI vive nel vostro stack, non a fianco.
Compliance
Compliance regolatorio (MiFID II, AIFMD, AI Act)
Tre famiglie regolatorie convergono su qualsiasi sistema AI che tocchi un fondo italiano. Vanno gestite by design, non ripatchate quando arriva l'auditor.
MiFID II / AIFMD
Ogni decisione di investimento deve avere catena di responsabilità umana documentabile. L'AI non decide: l'AI prepara. Il portfolio manager firma, e quella firma resta tracciabile dentro il sistema.
AI Act (Reg. UE 2024/1689)
Sistemi che fanno valutazione creditizia automatizzata, scoring rischio o tariffazione assicurativa rientrano fra i sistemi ad alto rischio. Documentazione tecnica, gestione del rischio, monitoraggio post-market, audit. Obblighi pesanti, ma pianificabili.
Privacy & data residency
Alcuni LP istituzionali europei impongono residenza dati EU e audit certificati. Serve infrastruttura conforme by design, con DPA firmati lato fornitori, cifratura end-to-end e zero trasferimenti extra-UE non documentati.
Numeri
Quanto costa, quanto serve
Range basati sui progetti reali, non listini di facciata. La forbice copre la variabilità di scope, integrazioni e livello di compliance richiesto.
| Scope | Costo | Tempo |
|---|---|---|
| POC su 1 caso d'uso (RAG DD) | 15-25K€ | 4-6 settimane |
| MVP produttivo su 1 caso d'uso | 35-60K€ | 10-14 settimane |
| Piattaforma multi-funzione (RAG + analytics agent) | 80-150K€ | 4-6 mesi |
| Piattaforma enterprise on-premise compliant | 150-300K€ | 6-9 mesi |
Costi ricorrenti tipici: 500-3.000€ al mese, fra GPU on-premise o cloud EU, licenze modelli, manutenzione evolutiva e SLA di supporto. Range che dipende dal volume di query e dalla scelta cloud vs on-prem.
Onestà
Cosa NON vi venderemo
Cinque cose che troverete su qualche slide deck di competitor e che da noi non sentirete dire. Se ne cercate almeno una, siamo i fornitori sbagliati.
- Non vi diremo che «l'AI prende decisioni di investimento». L'AI prepara, l'uomo decide. MiFID e AIFMD non sono opinioni.
- Non vi proporremo modelli predittivi sui prezzi di mercato. È matematicamente impossibile garantirne l'accuratezza, e chiunque lo prometta sta vendendo fumo o si sta dando la zappa sui piedi.
- Non vi venderemo lock-in con un solo LLM provider. Layer di astrazione standard, possibilità di switch fra Claude, GPT, Llama, Mistral senza riscrivere il sistema.
- Non vi metteremo dati su provider USA se la vostra compliance lo vieta. Le alternative europee o self-hosted esistono e sono tecnicamente competitive.
- Non lavoreremo se i requisiti MiFID, AIFMD o AI Act vengono trattati come «opzionali» o «li vediamo dopo». Si vedono prima, o non si fa.
FAQ
Domande frequenti
Le domande che ci fanno davvero CFO, partner e compliance officer in prima call. Risposte oneste, anche quando significa dire «no, non vi serve».
Dipende dallo scope. Un POC focalizzato su un singolo caso d'uso, ad esempio un RAG sulle due diligence storiche, parte da 15-25K€ e si completa in 4-6 settimane. Un MVP produttivo, con autenticazione, audit log e integrazione documentale reale, costa fra 35K€ e 60K€ in 10-14 settimane. Una piattaforma multi-funzione che unisce RAG, agenti analytics e draft assistant per LP communication si colloca fra 80K€ e 150K€ in 4-6 mesi. Un'installazione enterprise on-premise compliant MiFID e AIFMD, con GPU dedicate e audit trail certificabile, richiede 150-300K€ e 6-9 mesi. I costi ricorrenti tipici stanno fra 500€ e 3.000€ al mese.
No, se non lo decidete voi. Le opzioni sono tre. Prima opzione: Claude tramite AWS Bedrock in regione europea, con zero retention contrattuale e DPA firmato. Seconda opzione: modelli aperti come Llama 3.3 70B o Mistral Large self-hosted su GPU on-premise o in colocation italiana. Terza opzione: configurazione ibrida in cui i dati sensibili passano solo dai modelli locali e il cloud serve solo per task pubblici. La scelta dipende da cosa accetta il vostro compliance officer e dai vincoli imposti dai vostri LP. Per family office e fondi con LP istituzionali europei, la seconda opzione è spesso obbligata.
Sì. È tecnicamente fattibile e per alcuni fondi è l'unica strada accettabile. Servono GPU adeguate, tipicamente NVIDIA H100 o L40S in cluster da 2 a 8 unità a seconda del carico, un vector database come pgvector o Qdrant on-premise, un orchestratore tipo Kubernetes o Docker Swarm, monitoring e backup. L'investimento hardware iniziale parte da circa 60K€ e arriva oltre 200K€ per setup ridondati. In cambio ottenete indipendenza totale dai provider USA, residenza dati garantita e nessun rischio di policy change unilaterale lato vendor.
No, e chi vi dice il contrario sta vendendo aria. MiFID II, AIFMD e il Regolamento UE 2024/1689 impongono catena di responsabilità umana sulle decisioni di investimento e di rischio. L'AI prepara, sintetizza, accelera la ricerca, redige bozze. Il portfolio manager e il comitato investimenti decidono e firmano. Tecnicamente saremmo anche in grado di automatizzare ordini su segnali quantitativi, ma è un terreno regolatorio diverso, con vincoli MiFID specifici sull'algorithmic trading e requisiti di stress testing che vanno oltre lo scope di una piattaforma di intelligence documentale.
Bloomberg Terminal espone le sue API tramite BLPAPI e Bloomberg Server API, integrabili lato server per estrarre prezzi, news e dati corporate. Murex, Avaloq e altri sistemi front-to-back office hanno API REST o connettori file-based che possiamo orchestrare. AlphaSense, FactSet e i data provider istituzionali offrono integrazioni standard. L'approccio tipico è non sostituire questi sistemi ma metterci sopra uno strato AI che li interroga, aggrega e contestualizza. L'analista resta nel suo workflow Bloomberg, ma quando deve cercare un IC memo del 2022 lo trova in tre secondi invece di mezz'ora.
I numeri che vediamo nei progetti reali, non quelli del marketing: ricerca cross-document su archivi storici da 30 minuti a 30 secondi, drafting di IC memo prefilled risparmia 2-4 ore per memo, monitoring portafoglio passa da revisione manuale settimanale a alert giornaliero strutturato. In aggregato un analista senior recupera 8-15 ore a settimana, tempo che si redistribuisce su giudizio, relazioni con management e contatti col mercato. Non è sostituzione, è leva. Se un fondo è felice del proprio analyst headcount attuale, l'AI diventa capacità extra senza assumere.
Distinzione importante. Con RAG il modello non si addestra sui vostri documenti: li indicizza, li recupera al volo e li passa nel contesto della query. Nessun apprendimento, nessuna contaminazione di pesi, nessun rischio che un competitor sui nostri stessi modelli veda dati vostri. Se invece scegliete di fare fine-tuning su un modello aperto, quel modello risultante è un vostro asset proprietario, ospitato sulla vostra infrastruttura, mai condiviso. Lavoriamo quasi sempre in modalità RAG perché è più sicura, più economica e più aggiornabile, e il fine-tuning lo riserviamo a casi specifici dove il dominio è davvero ristretto.
Dipende dalla classificazione di rischio. Un sistema RAG che aiuta gli analisti a trovare documenti è quasi sempre rischio limitato: obblighi di trasparenza, niente più. Un sistema che fa scoring creditizio, valutazione rischio assicurativo o decisioni automatizzate su clienti finali è ad alto rischio: servono gestione del rischio, governance dei dati, documentazione tecnica, supervisione umana, monitoraggio post-market. Le scadenze AI Act sono scaglionate dal 2025 al 2027. Conviene mappare oggi cosa avete, classificarlo correttamente e pianificare gli adeguamenti per evitare di trovarsi indietro sulle scadenze GPAI di agosto 2026.
Sì, ed è quello che consigliamo sempre. Un POC a scope chiuso, tipicamente RAG su un set definito di documenti, costa 15-25K€ e dura 4-6 settimane. L'obiettivo non è produzione: è validare che la tecnologia regga sui vostri dati reali, misurare ROI percepito dagli utenti chiave e identificare i veri colli di bottiglia. Dopo il POC avete tre opzioni: scartare, iterare, o passare a MVP. Circa due progetti su tre proseguono in MVP, uno si ferma e quei 20K€ vi hanno evitato di buttarne 150K€. Onestà che paga, anche se ci toglie fatturato.
Lo preventiviamo dall'inizio. Tutta l'infrastruttura va costruita audit-ready: log strutturati di ogni inferenza, tracciabilità della catena documenti-prompt-risposta, versioning dei modelli e dei prompt, snapshot delle policy di accesso. Quando arriva l'auditor, esterno o regolatore, gli forniamo dataset di test riproducibili, documentazione tecnica conforme AI Act articolo 11 e accesso ai log in formato analizzabile. Abbiamo esperienza di audit ISO 27001 e SOC 2 lato Cardinal e la stessa rigorositá la applichiamo qui. Se serve, supportiamo i vostri consulenti compliance durante la fase di assessment, senza addebitarvi una giornata in più.
Approfondisci
Articoli correlati
Tre letture utili prima di una call: contesto tecnico, regolatorio e geografico per chi sta valutando un investimento AI serio.
Insight
Sviluppare applicazioni AI in Italia
Approccio, stack, vincoli regolatori e benchmark di costo per progetti AI reali nel mercato italiano.
Leggi l'approfondimentoComplianceAI Act per PMI: guida 2026
Classificazione del rischio, scadenze, obblighi documentali e come prepararsi alle deadline GPAI di agosto 2026.
Leggi la guidaGeoSviluppo applicazioni AI a Milano
Ecosistema fintech milanese, banche, asset manager e SGR: come operiamo nel capoluogo lombardo.
Vai alla pagina geoProgetto AI per fondi
Costruiamo l'intelligence che i vostri LP non hanno.
Una call di 30 minuti per capire se il problema è davvero AI, e se è AI custom o se basta un SaaS. Onesti anche quando la risposta non genera fatturato per noi.
Discutiamo il progettoFederico Costa risponde personalmente. NDA prima di entrare nel merito.