Domande & Risposte

Passando da un controllo a campione a un controllo esaustivo, in cui l’operatore umano si occupa ormai solo delle eccezioni. L’IA non convalida nulla: stabilisce una gerarchia, ed è proprio questo che manca ai team.

Tre contributi concreti. Innanzitutto il rilevamento: variazioni anomale da un trimestre all’altro, incongruenze tra le fonti, campi incompleti, su tutte le righe e non solo su un campione. Poi la spiegazione: ogni allarme deve essere motivato, indicando la regola che lo ha attivato e i valori in questione, altrimenti il team smette di leggere gli allarmi. Infine, la tracciabilità: chi ha risolto l’eccezione, su quale base, con quale documento giustificativo, affinché sia l’autorità di regolamentazione che il valutatore possano ricostruire il filo conduttore.

Il modulo Middle Office di Bodic Apps applica questa logica ai dati condivisi con il resto della piattaforma, evitando così i controlli di coerenza tra i diversi strumenti. La definizione stessa del piano di controllo, delle soglie, delle priorità e delle responsabilità rientra nell’ambito della definizione delle linee guida condotta con Bodic Conseil.

Risposta breve: sì, ma a condizione di automatizzare l’intera catena dei dati, e non solo la formattazione del documento finale. La maggior parte dei progetti di automazione fallisce perché si concentra sull’ultimo miglio (la presentazione PowerPoint per il comitato, il rapporto annuale LP), mentre il costo reale si trova molto a monte, nella raccolta e nella verifica dell’affidabilità delle informazioni fornite dalle partecipate.

Perché questo tema è rimasto irrisolto per così tanto tempo

Il reporting delle partecipazioni è uno dei rari processi di una società di gestione che dipende quasi interamente dai dati prodotti da terzi: i dirigenti delle società in portafoglio. Ogni partecipazione ha il proprio sistema contabile, il proprio calendario, la propria definizione di EBITDA rettificato, il proprio modo di denominare un KPI. Il middle office riceve quindi un flusso eterogeneo di file Excel, PDF scansionati, allegati di e-mail e fascicoli fiscali, che devono essere reinseriti, riconciliati e ricalcolati prima di poterne ricavare qualsiasi informazione.

A ciò si aggiungono tre vincoli strutturali:

- La temporalità. I dati arrivano in ordine sparso, spesso in ritardo, e la chiusura del reporting dipende dall’anello più lento.
- La tracciabilità. Un dato comunicato a un LP deve poter essere spiegato e ricostruito dodici mesi dopo, cosa che una catena di file Excel successivi non consente.
- La molteplicità degli output. Lo stesso dato alimenta il reporting trimestrale per gli LP, la valutazione, la relazione annuale, il comitato di investimento, gli obblighi extra-finanziari e, sempre più spesso, le richieste ad hoc degli investitori istituzionali.

Automatizzare la produzione del documento senza affrontare questi tre punti equivale ad accelerare l’ultima fase di un processo il cui sforzo principale risiede altrove.

Ciò che è realmente automatizzabile oggi

È utile distinguere tre livelli, il cui valore cresce con la profondità.

> Livello 1: la raccolta. Sostituire il ciclo di e-mail con un portale di inserimento dati strutturato, messo a disposizione dei dirigenti delle partecipate, con schede identiche di trimestre in trimestre, solleciti automatici e monitoraggio dello stato di avanzamento. Questo singolo livello elimina la necessità di reinserire i dati e rende prevedibile la data di chiusura. Si tratta quasi sempre della fonte di guadagno più importante, eppure la più sottovalutata.

> Livello 2: controllo e standardizzazione. Una volta inseriti i dati, questi devono essere confrontati con se stessi: coerenza rispetto al trimestre precedente, scostamenti rispetto al budget, variazioni anomale, completezza dei campi obbligatori. I controlli automatici non sostituiscono l’analista, ma gli segnalano le venti righe da esaminare anziché le duemila da scorrere. È anche a questo livello che si costruisce la traccia di audit, ovvero la capacità di rispondere alla domanda «da dove proviene questa cifra?».

> Livello 3: la restituzione. Quando i dati sono univoci, datati e convalidati, la generazione dei risultati finali diventa un semplice problema tecnico: reporting LP in formato per gli investitori, board pack, tabelle di valutazione, indicatori extra-finanziari, estratti per la data room. La stessa base serve per diversi output, il che elimina il rischio di incoerenze tra due documenti che dovrebbero esprimere lo stesso concetto.

Il principio guida si riassume in una frase: un dato inserito una sola volta, alla fonte, e riutilizzato ovunque.

Ciò che non va assolutamente automatizzato

L’automazione ha un limite ben definito, e superarlo è controproducente.

La valutazione rimane un esercizio di responsabilità: la scelta dei comparabili, la gestione di un evento eccezionale, la valutazione di un piano aziendale rivisto al ribasso rientrano nella decisione del gestore, non in una regola di calcolo. Allo stesso modo, il commento qualitativo rivolto agli LP, quello che spiega perché una partecipazione si discosta dal proprio percorso, trae proprio il suo valore dal fatto di non essere automatico.

L’obiettivo non è quindi quello di eliminare la componente umana dal processo, ma di spostarla: dedicare meno tempo a elaborare il dato e più tempo a spiegarlo e a trarne decisioni.

Le quattro condizioni per il successo
- Iniziare dal quadro di riferimento, non dallo strumento. Finché il termine «fatturato» non avrà una definizione univoca e condivisa all’interno dell’azienda, nessun software produrrà un reporting consolidato affidabile.
- Coinvolgere gli utenti. Lo strumento sarà utilizzato dai dirigenti delle PMI che non hanno né il tempo né la voglia di imparare un sistema complesso. La semplicità del processo di inserimento dati determina il tasso di utilizzo, e quindi il successo del progetto.
- Accettare un percorso graduale. Un ambito ristretto (un fondo, una decina di partecipazioni, quindici indicatori) che funzioni davvero è preferibile a un modello esaustivo che non viene mai aggiornato.
- Considerare la sovranità dei dati come un criterio di selezione. Le informazioni finanziarie e operative relative alle partecipazioni sono tra le più sensibili di un portafoglio. La loro archiviazione, la loro ubicazione e le condizioni del loro trattamento da parte dei sistemi di IA sono ormai questioni sollevate dagli stessi LP durante le due diligence operative.

Da dove iniziare concretamente

Un percorso realistico su un trimestre potrebbe essere il seguente: mappare gli indicatori effettivamente utilizzati (ed eliminare quelli che nessuno legge), definire un riferimento comune, aprire un portale di raccolta su un sottoinsieme di partecipazioni volontarie, quindi collegare i report una volta che i dati si sono stabilizzati. Il passaggio completo del portafoglio avviene nel trimestre successivo, una volta che il meccanismo è stato collaudato.

Il punto di vista di Bodic

È esattamente la logica che abbiamo adottato nella progettazione di Bodic Apps: i moduli Portfolio Portal, Middle Office e Golden Source formano una catena continua che va dall’inserimento delle partecipazioni da parte dei dirigenti fino alla restituzione agli investitori, su un’infrastruttura francese e con un livello di IA sovrana. I dati non vengono copiati da un modulo all’altro, ma condivisi.

Resta il fatto che lo strumento da solo non è mai sufficiente. Il quadro di riferimento degli indicatori, la definizione dei controlli, il coordinamento con i team di investimento e la gestione del cambiamento presso le partecipate sono attività metodologiche prima ancora che di configurazione. È questo il ruolo di Bodic Conseil, che affianca le società di gestione in questa fase di definizione del quadro di riferimento, indipendentemente dal fatto che il progetto venga poi realizzato sulla nostra piattaforma o su un’altra.

Se vi state ponendo questa domanda per il vostro portafoglio, il miglior punto di partenza rimane un'analisi della situazione della durata di mezza giornata sul vostro processo attuale. Saremo lieti di discuterne con voi.

La questione di dove iniziare con l'IA in un fondo è spesso affrontata dal punto di vista sbagliato. Il problema non è scegliere uno strumento, ma individuare dove l'IA può concretamente migliorare l'efficienza operativa, la qualità dei dati o la qualità del processo decisionale.
Nella maggior parte delle società di gestione patrimoniale, i primi vantaggi non si riscontrano in applicazioni complesse o "spettacolari". Si tratta invece di attività ripetitive e dispendiose in termini di tempo, con scarso valore aggiunto intellettuale: consolidamento di rapporti, preparazione di sintesi, ricerca di informazioni nei documenti, produzione di report, strutturazione di dati provenienti da file eterogenei o elaborazione di e-mail ricorrenti.
Il primo passo è quindi l'analisi dei processi esistenti. Dobbiamo capire come lavorano effettivamente i team: dove fluiscono i dati, quali strumenti vengono utilizzati, dove ci sono doppi inserimenti, rielaborazioni manuali, perdita di informazioni o dipendenze da Excel.
Questa fase di mappatura è essenziale, in quanto ci permette di identificare le aree di attrito operativo e i punti in cui l'IA può apportare benefici immediati senza modificare radicalmente l'organizzazione.
La seconda fase prevede la strutturazione della catena dei dati al minimo. Anche l'IA ad alte prestazioni produce scarsi risultati se si basa su dati incoerenti, dispersi o non governati. Non è necessario costruire subito un'architettura complessa, ma occorre una base affidabile: dati centralizzati, definizioni comuni e regole minime di convalida.
Una volta gettate queste basi, è possibile lanciare alcuni casi d'uso mirati, con tre caratteristiche: portata limitata, valore misurabile e basso rischio operativo.
I progetti più efficaci sono spesso molto pragmatici: automatizzare i riepiloghi dei promemoria, estrarre informazioni da una data room, preparare report LP, assistere nella ricerca di documenti o strutturare KPI partecipativi.
L'errore classico è quello di voler implementare una strategia globale di IA prima di aver stabilizzato i dati e i fondamenti operativi. Al contrario, i fondi che compiono i progressi più efficaci sono quelli che costruiscono gradualmente: strutturazione dei dati, primi casi d'uso aziendali, costruzione delle competenze dei team, quindi industrializzazione.
L'IA deve essere vista come uno strato di accelerazione in cima a un'organizzazione che ha già imparato l'arte. Senza basi solide, amplifica le debolezze esistenti. Con una catena di dati strutturata e usi ben definiti, diventa una leva operativa estremamente potente.

L'introduzione dell'IA e dei dati in un fondo non comporta un cambiamento repentino delle linee di business, ma dà origine a nuovi ruoli per quanto riguarda la strutturazione, la governance e l'utilizzo operativo dei dati.
Il primo ruolo chiave è quello del Data Owner aziendale. È responsabile di un perimetro critico di dati, come le partecipazioni, gli investitori o la pipeline. Definisce gli indicatori, le regole di gestione, i formati previsti e gli standard di qualità. Senza questo ruolo, i dati rimangono diffusi e difficili da sfruttare.
Il secondo ruolo è quello di Data / AI Lead. Guida la roadmap dei dati e dell'IA del fondo, stabilisce le priorità dei casi d'uso, arbitra la scelta degli strumenti e garantisce la coerenza generale. Agisce come punto di convergenza tra i team di investimento, il Middle Office, l'IR e le funzioni di supporto.
Un terzo ruolo sta emergendo intorno all'Operational Data Manager. Si trova nel cuore delle operazioni, spesso nel Middle Office, e garantisce che i flussi di dati siano raccolti, controllati, consolidati e diffusi correttamente. È responsabile della qualità operativa e della fluidità della catena dei dati.
Con l'IA, sta emergendo anche un ruolo più specifico di Business AI Champion. Non si tratta necessariamente di un profilo tecnico, ma di uno che padroneggia gli strumenti e il loro utilizzo. Aiuta i team ad adottare l'IA, a identificare i casi d'uso rilevanti e a formalizzare le best practice, in particolare per quanto riguarda la supervisione e i limiti degli agenti di IA.
Infine, sta diventando essenziale un ruolo interfunzionale per la governance dei dati e dell'IA. Ciò riguarda la tracciabilità, la sicurezza, la conformità e il controllo. In un contesto LP e normativo, la capacità di spiegare i dati o le decisioni sta diventando importante quanto la loro produzione.
Non è necessario creare immediatamente un team dedicato. Nella maggior parte dei fondi, questi ruoli emergono gradualmente dai team esistenti. La sfida consiste nell'individuare le responsabilità, chiarire gli ambiti e strutturare uno sviluppo mirato delle competenze.
Il punto chiave è garantire che siano radicati nell'azienda. Questi ruoli non devono essere isolati in una logica puramente tecnica, ma integrati nel cuore dei processi di investimento e di gestione. È questa vicinanza che permette di trasformare i dati in un vero e proprio motore di performance.