Il management del dato nella consulenza finanziaria automatizzata: il ruolo delle reti di consulenza nella governance delle informazioni

⁠1. Introduzione

Nel panorama contemporaneo, la progressiva digitalizzazione dei servizi finanziari e il crescente impiego di sistemi di intelligenza artificiale (AI) a supporto dei processi decisionali, hanno innescato una trasformazione strutturale dell’attività di consulenza finanziaria, ridefinendo i confini tra l’automazione operativa e il giudizio professionale fondato su competenze ed esperienza umana. In tale contesto, la qualità, l’integrità e l’interpretabilità del dato assumono un ruolo fondamentale per garantire la stabilità ed efficienza dei processi decisionali.
La crescente capacità dei sistemi di AI di elaborare grandi quantità di informazioni consente di migliorare l’accuratezza delle analisi e di ampliare il supporto decisionale fornito agli operatori del settore. Tuttavia, emerge un potenziale disallineamento tra la capacità computazionale e la selezione, nonché comprensione contestuale delle informazioni, che rende necessaria una funzione di supervisione critica, capace di validare gli output algoritmici alla luce delle specificità patrimoniali, comportamentali e degli obiettivi del cliente.
In tale contesto, le reti di consulenza agli investimenti svolgono dunque una funzione di garanzia fiduciaria e di supervisione del processo informativo. Assumendo un ruolo centrale nella gestione e nella governance delle necessità patrimoniali del cliente, esse assicurano che le decisioni supportate da sistemi di AI rimangano coerenti con il profilo dell’investitore e con i principi di adeguatezza che regolano la consulenza finanziaria.
Il presente lavoro si propone di analizzare il ruolo delle reti di consulenza agli investimenti quali garanti della gestione della qualità del dato nel contesto della consulenza assistita da intelligenza artificiale, evidenziando come la dimensione umana rimanga elemento imprescindibile per assicurare adeguatezza degli input dati in pasto alla macchina, al fine di garantire l’affidabilità degli output in termini di coerenza e personalizzazione delle raccomandazioni di investimento.
Il resto dell’elaborato è organizzato come segue: il secondo paragrafo analizza le principali opportunità e criticità connesse all’impiego dell’intelligenza artificiale nei servizi di investimento, evidenziandone implicazioni e rischi emergenti; il terzo paragrafo approfondisce il ruolo del data management e della qualità dell’informazione nei processi decisionali, soffermandosi sulle principali dimensioni qualitative del dato e sui relativi impatti; il quarto paragrafo analizza la complementarità tra automazione e supervisione umana, soffermandosi sul ruolo delle reti di consulenza finanziaria nella profilazione dell’investitore e nella valutazione di adeguatezza. Seguono le conclusioni, nelle quali si richiamano le principali evidenze emerse e le relative implicazioni operative.

2. Opportunità e criticità dell’impiego dell’intelligenza artificiale nei servizi di investimento

Alla luce del processo evolutivo in atto, diverse istituzioni europee e organizzazioni internazionali — tra cui l’European Securities and Markets Authority (ESMA, 2024) e l’Organisation for Economic Co-operation and Development (OECD, 2023) — hanno evidenziato come l’impiego dell’intelligenza artificiale nei servizi di investimento rappresenti un’importante opportunità di innovazione e di miglioramento dell’esperienza del cliente. Sul punto, in primo luogo, l’integrazione di chatbot e assistenti virtuali avanzati permette di potenziare il supporto al cliente, garantendo una reperibilità informativa costante e immediata (Graham et al., 2025). L’AI consente infatti di analizzare in modo sistematico informazioni relative alla conoscenza ed esperienza finanziaria del cliente, alla sua situazione patrimoniale, alla tolleranza al rischio e agli obiettivi di investimento, inclusi quelli di sostenibilità. Ciò permette la formulazione di raccomandazioni caratterizzate da un elevato livello di personalizzazione e il monitoraggio continuo della coerenza del portafoglio. L’elaborazione simultanea di dati di mercato, serie storiche e informazioni consente inoltre di individuare opportunità di investimento e supportare la gestione dinamica del rischio in maniera più efficace.
Particolare rilievo assume poi l’applicazione dell’intelligenza artificiale nell’ambito della finanza sostenibile, un contesto caratterizzato da una crescente domanda da parte degli investitori e da un quadro regolamentare sempre più articolato. In tale ambito, la complessità e l’eterogeneità delle informazioni ESG (Environmental, Social, Governance), spesso non strutturate, rendono particolarmente rilevante il ricorso a strumenti avanzati di analisi dei dati, in grado di supportare sia la valutazione dei rischi sia la costruzione di portafogli coerenti con le preferenze di sostenibilità della clientela. In quest’ottica, le reti di consulenza possono dunque avvalersi di sistemi di intelligenza artificiale per migliorare la rilevazione delle preferenze ESG della clientela e contribuire conseguentemente a ridurre le distonie informative e i disallineamenti tra percezioni dei consulenti e opinioni dichiarate dai clienti, in linea con quanto evidenziato nell’indagine Mirroring su Sostenibilità e Investimenti (CONSOB, 2024).
Sotto il profilo dell’efficienza operativa, l’automazione delle attività di routine, a prevalente contenuto amministrativo — quali la rendicontazione, la compilazione della documentazione o la predisposizione di comunicazioni informative — consente di ridurre il carico burocratico che grava sul professionista, permettendogli di dedicare maggiore attenzione alla relazione con il cliente e alle attività a più elevato valore aggiunto.
Nel perimetro delle opportunità sopra menzionate, emerge tuttavia la necessità di considerare i rischi e le criticità connesse all’impiego di tali tecnologie. La crescente capacità computazionale degli algoritmi rischia di operare, infatti, in un vuoto di responsabilità; in ragione di ciò, la permanenza degli obblighi di diligenza e correttezza in capo agli intermediari evidenzia come l’automazione non attenui il dovere di agire nel migliore interesse del cliente, ma ne richieda un adeguato presidio attraverso efficaci meccanismi di governance e supervisione da parte dell’intermediario o chi per lui. Proprio in questo scenario si rafforza il ruolo delle reti di consulenza: il rischio di un eccessivo affidamento sugli output algoritmici, ovvero la tendenza a delegare acriticamente il giudizio al sistema, trova infatti il suo argine nella valutazione professionale dei consulenti. Questi ultimi, infatti, sono capaci di interpretare e contestualizzare le informazioni prodotte dai modelli, ma anche di intercettare quegli eventi inattesi e quei cambiamenti strutturali del mercato che, detti modelli, ancorati perlopiù a serie storiche, potrebbero non essere in grado di prevedere.

In quest’ottica, particolare attenzione merita il fenomeno dei bias algoritmici, ovvero errori sistematici riconducibili alla qualità e alla rappresentatività dei dati utilizzati nell’addestramento dei modelli, i quali possono riflettere disuguaglianze storiche, stereotipi sociali o scelte implicite operate nella fase di progettazione algoritmica. Questi bias possono tradursi in valutazioni distorte e amplificare discriminazioni preesistenti, portando a raccomandazioni che, pur apparendo formalmente coerenti, risultano non adeguate alle reali caratteristiche o alle esigenze dell’investitore. Ciò può tradursi in trattamenti differenziati, seppur non intenzionali, nei confronti di determinati individui o gruppi, influenzati da caratteristiche quali età, genere o condizioni socioeconomiche (Parliamentary Assembly of the Council of Europe [PACE], 2020), con implicazioni dirette sulla tutela dell’investitore. A ciò si affianca il problema dell’opacità di alcuni sistemi algoritmici complessi, spesso descritti come black box, ossia modelli il cui funzionamento interno risulta non facilmente interpretabile, rendendo più complesso comprendere come determinati dati vengano trasformati in suggerimenti di investimento.
La sfida si complica ulteriormente con i sistemi di AI generativa (GenAI), in particolare quelli basati su modelli di linguaggio naturale, capaci di produrre risultati apparentemente plausibili ma fattualmente inesatti, fenomeno noto come “allucinazione” (OECD, 2023). In un contesto delicato come la consulenza finanziaria, queste inesattezze possono tradursi in suggerimenti fuorvianti o opportunità mancate, esponendo il cliente a rischi non correttamente calcolati.
Infine, l’utilizzo crescente di questi strumenti pone rilevanti questioni anche sotto il profilo della sicurezza e della protezione dei dati, considerata la necessità di trattare grandi volumi di informazioni personali e finanziarie, la cui gestione richiede adeguate garanzie di riservatezza e conformità normativa (privacy) (Kakarala & Rongali, 2025).

Tali criticità evidenziano come la solidità del servizio dipenda dall’intero processo informativo sottostante e non esclusivamente dalla sofisticazione del modello.
La qualità dell’output algoritmico risulta dunque strettamente legata alla qualità dei dati di input utilizzati: secondo il noto principio informatico Garbage In, Garbage Out (Bertino et al., 2023), informazioni incomplete, obsolete o distorte possono generare risultati altrettanto problematici, amplificando errori e rischi lungo l’intero processo decisionale, trasformando così un errore statistico in un rischio reputazionale e legale per l’intermediario.

3.⁠ ⁠Data management e qualità dell’informazione

L’impiego dell’intelligenza artificiale nei servizi di investimento, così come la gestione dei rischi ad esso connessi, non possono essere lasciati all’approssimazione, ma richiedono di essere ricondotti a una specifica funzione organizzativa.
Il Report on Big Data and Advanced Analytics dell’European Banking Authority (EBA, 2020) evidenzia, a questo proposito, come la gestione dei dati rappresenti uno dei pilastri fondamentali per l’adozione responsabile delle tecnologie avanzate nel settore finanziario, insieme alle infrastrutture tecnologiche, alla governance organizzativa e alle metodologie analitiche impiegate nello sviluppo dei modelli.
In tale contesto, il data management assume un ruolo strutturale nell’architettura dei sistemi di analisi avanzata utilizzati in tale settore. In termini operativi, esso può essere inteso come la capacità organizzativa di governare l’intero ciclo di vita del dato, dalla raccolta alla trasformazione, dalla conservazione alla protezione, assicurandone disponibilità, integrità, qualità e conformità normativa.
Tale funzione non si esaurisce nella sola dimensione tecnologica, ma coinvolge una pluralità di soggetti e competenze all’interno dell’ecosistema informativo che sostiene i processi decisionali.

Per questa ragione, appare metodologicamente più corretto concentrare l’attenzione sulla più ampia organizzazione che eroga il servizio di consulenza finanziaria, ossia sull’intermediario e sulle reti di consulenza agli investimenti. È infatti a questo livello che vengono progettati i flussi informativi e definite le regole di governance del dato.
Nel contesto delle reti di consulenza agli investimenti, il data management si traduce in una pluralità di processi operativi che incidono direttamente sulla qualità del servizio reso al cliente. Un primo ambito applicativo riguarda la fase di profilazione dell’investitore. Le informazioni raccolte mediante il questionario MiFID devono infatti essere sottoposte a verifiche di completezza, coerenza e attendibilità, così da evitare che eventuali incongruenze informative si riflettano sulla successiva valutazione di adeguatezza. In tale prospettiva, il data management opera come primo presidio della qualità della base informativa su cui si fonda la raccomandazione di investimento. Un secondo profilo concerne la costruzione della raccomandazione stessa. In questa fase, le reti di consulenza si avvalgono di piattaforme che integrano dati relativi al cliente, dati di prodotto e dati di mercato; il data management assicura che tali informazioni siano aggiornate, coerenti tra loro e correttamente utilizzabili ai fini del processo valutativo, soprattutto quando esse provengano da fonti differenti. Un ulteriore ambito applicativo riguarda, infine, il monitoraggio del portafoglio nel corso del rapporto; il data management supporta l’individuazione di eventuali variazioni del profilo di rischio, scostamenti rispetto all’allocazione raccomandata o mutamenti delle condizioni di mercato rilevanti ai fini dell’adeguatezza, rendendo così possibile un aggiornamento coerente e controllato del servizio prestato.
Per quanto precede, appare evidente come una delle principali funzioni del data management sia quella di assicurare la qualità del dato da utilizzare nei processi decisionali supportati dall’AI.

In quest’ottica, la qualità dell’informazione deve essere interpretata secondo una logica multidimensionale (Wang & Strong, 1996). Nel dominio finanziario, un dato può essere considerato realmente utilizzabile solo quando soddisfa una serie di requisiti: deve rappresentare correttamente la realtà osservata, essere disponibile con tempestività adeguata alle dinamiche dei mercati, risultare coerente tra diverse fonti informative e presentare un livello di completezza adeguato allo scopo per cui viene impiegato (Crisanto et al., 2026).
Tali requisiti sono stati progressivamente formalizzati dalle principali istituzioni internazionali ed europee. In particolare, i Principles for effective risk data aggregation and risk reporting, elaborati dal Basel Committee on Banking Supervision (2013) in materia di aggregazione dei dati di rischio e di reportistica bancaria, noti anche come BCBS 239, richiamano l’esigenza che i dati siano accurati, completi e tempestivi.
In ambito europeo, anche l’ESMA nel Report on Quality and Use of Data (2024), con riferimento alla qualità e all’utilizzo dei dati nei mercati finanziari, individua specifiche dimensioni della qualità del dato, tra cui accuratezza, completezza, validità, coerenza, tempestività e unicità, evidenziando come la solidità della base informativa costituisca un presupposto essenziale per l’affidabilità delle analisi e per la correttezza e la trasparenza nei processi decisionali del settore.
Trasposte nel contesto della consulenza finanziaria assistita da AI, queste dimensioni assumono una valenza operativa particolarmente rilevante: l’accuratezza del dato contribuisce a limitare distorsioni nella rappresentazione del profilo dell’investitore e delle condizioni di mercato; la completezza riduce il rischio di lacune informative che potrebbero compromettere la valutazione di adeguatezza; la validità garantisce il rispetto degli standard tecnici e dei vincoli normativi; la coerenza assicura l’allineamento tra sistemi informativi, banche dati e fonti di mercato; infine, anche la tempestività risulta essenziale in contesti di elevata dinamicità dei mercati.
Sul piano applicativo, un dato incompleto può incidere sulla correttezza del servizio prestato, con possibili ricadute sulla tutela dell’investitore e sulla conformità regolamentare. Analogamente, dati di mercato non aggiornati o incoerenti tra diverse fonti informative possono generare segnali di rischio distorti e condurre a raccomandazioni subottimali.

Il corretto utilizzo dell’AI nei servizi di investimento richiede inoltre che i dati impiegati nei modelli siano non solo accurati e completi, ma anche tracciabili, verificabili e coerenti lungo l’intero ciclo di vita informativo. Assume pertanto rilievo l’esigenza di garantire adeguati livelli di trasparenza nei processi decisionali automatizzati, affinché i risultati prodotti dai modelli possano essere ricondotti a informazioni verificabili e a procedure controllate.
Tra i principali strumenti di controllo individuati dall’EBA nel report già richiamato (2020), assumono rilievo la tracciabilità e l’auditabilità del dato, intese come la capacità di ricostruire le fasi, le scelte e i criteri che conducono all’output decisionale. Tali requisiti consentono di verificare ex post quali dati siano stati utilizzati, come siano stati trasformati e quale versione del modello abbia generato un determinato risultato.
In questo quadro si inserisce il concetto di data lineage, ossia il tracciamento delle trasformazioni che il dato subisce lungo l’intero ciclo di vita informativo, dall’origine sino al suo utilizzo finale (Bertino et al., 2023). Tale processo, consente di associare ogni raccomandazione automatizzata alle informazioni che l’hanno generata, rafforzando la capacità di controllo dell’intermediario e contribuendo ad accrescere la trasparenza anche nei confronti dell’investitore (Surendar Chittoor, 2025).

4.⁠ ⁠Complementarità tra automazione e supervisione umana nei processi decisionali

La centralità dell’informazione nell’ambito dei servizi di investimento trova un preciso riscontro nelle linee guida dell’European Securities and Markets Authority (ESMA) sui requisiti di adeguatezza della MiFID II, che chiariscono come la consulenza finanziaria non possa fondarsi su una mera raccolta formale e passiva di dati, ma richieda un processo attivo di comprensione e verifica delle informazioni.
Tale approccio riflette la natura processuale della consulenza finanziaria, che si articola in una sequenza di fasi logico-operative tra loro interconnesse.

Come illustrato nella Figura 1, il servizio di consulenza si sviluppa lungo una “catena del valore” che va dalla raccolta delle informazioni sul cliente alla definizione dell’asset allocation, dalla formulazione della raccomandazione di investimento all’eventuale esecuzione degli ordini, fino al monitoraggio e al ribilanciamento del portafoglio nel tempo.
In questa prospettiva, ciascuna fase del processo consulenziale non produce valore in modo isolato, ma trasforma e rielabora informazioni provenienti dalla fase precedente, generando nuovi dati e decisioni operative. In questo schema, la fase di profilazione dell’investitore costituisce il momento fondativo dell’intero processo, poiché le informazioni raccolte rappresentano la base su cui si innestano tutte le successive elaborazioni analitiche e le raccomandazioni di investimento.
Tale impostazione emerge con particolare evidenza negli orientamenti relativi al principio “Know Your Client and Know Your Product” (ESMA, 2023), che richiamano la necessità per le imprese di investimento di adottare procedure idonee a comprendere l’effettivo profilo dell’investitore. La raccolta informativa deve riguardare in modo sostanziale le conoscenze e l’esperienza finanziaria del cliente, la sua situazione patrimoniale e i suoi obiettivi di investimento, elementi che richiedono una valutazione critica attraverso criteri oggettivi e controlli di coerenza.
Le autorità europee sottolineano difatti la necessità di individuare e risolvere eventuali contraddizioni — come il contrasto tra una limitata esperienza finanziaria e un’elevata propensione al rischio — attribuendo ai consulenti una funzione di interpretazione e validazione che va ben oltre la semplice compilazione di un questionario.
Nello specifico tali indicazioni richiedono agli intermediari di attivarsi per chiarire eventuali incoerenze o inesattezze sostanziali, anche attraverso il contatto diretto con l’investitore. È in questo passaggio che emerge l’insostituibilità del fattore umano: se da un lato l’intelligenza artificiale può segnalare un’anomalia statistica, dall’altro essa non possiede verosimilmente l’autonomia relazionale necessaria per interpellare il cliente, comprenderne le motivazioni e verificare la plausibilità delle risposte fornite.
Sul punto, si è osservato che i servizi di robo-advisory, ad esempio, si fondano prevalentemente su interazioni digitali standardizzate, nelle quali la profilazione dell’investitore avviene tramite procedure automatizzate che rischiano di produrre raccomandazioni solo parzialmente aderenti alle reali necessità del cliente. Un’indagine comparativa mostra, infatti, come alcuni questionari automatizzati tendano a sottorappresentare aspetti cruciali della situazione finanziaria dell’investitore, inclusi il reale livello di alfabetizzazione finanziaria e la situazione personale complessiva (Better Finance, 2021).
L’indagine Consob “La rilevazione della tolleranza al rischio degli investitori attraverso il questionario” (2012) aveva già evidenziato alcune possibili criticità dei questionari di profilazione utilizzati dagli intermediari. In particolare, si osservava una frequente sovrapposizione tra attitudine al rischio, orizzonte temporale e finalità dell’investimento, nonché la presenza di formulazioni non sempre univoche o di difficile comprensione. Tali problematiche, già presenti nei modelli tradizionali, risultano potenzialmente amplificate nei contesti di consulenza automatizzata.
Anche le analisi proposte dalla Consob sui questionari per la valutazione dell’adeguatezza utilizzati nei servizi di robo-advisory — ad esempio nel Quaderno FinTech n. 3, “La digitalizzazione della consulenza in materia di investimenti finanziari” (2019) — confermano possibili criticità circa la completezza dei dati raccolti. In particolare, i questionari analizzati presentano mediamente circa ventiquattro domande, articolate in sezioni che riproducono le aree informative previste dalla MiFID II; tuttavia, la struttura delle domande tende a privilegiare quesiti qualitativi con risposte chiuse e alternative multiple. Sebbene tale struttura sia funzionale alla standardizzazione e all’elaborazione algoritmica dei dati, essa può limitare la capacità di cogliere sfumature rilevanti nelle preferenze dell’investitore.
In molti casi le domande si concentrano sulla familiarità con strumenti e operazioni finanziarie, mentre risultano meno frequenti quesiti diretti a testare l’effettiva comprensione di concetti fondamentali, quali la relazione rischio-rendimento o il principio di diversificazione del rischio. Analogamente, la sezione relativa alla situazione finanziaria appare spesso limitata alla rilevazione di disponibilità liquide, fonti di reddito e impegni finanziari ricorrenti, senza un’analisi prospettica delle possibili variazioni future delle spese o delle condizioni patrimoniali del cliente. Anche nella rilevazione degli obiettivi di investimento, pur essendo generalmente indagate variabili quali orizzonte temporale e tolleranza al rischio, non emergono indicatori comportamentali più sofisticati — come il grado di impazienza dell’investitore — che la letteratura di finanza comportamentale identifica come potenzialmente in grado di influenzare la propensione al rischio degli individui.
Dunque, anche in presenza di una buona chiarezza espositiva, le criticità relative alla selezione delle informazioni raccolte e alla struttura delle domande, rimangono rilevanti quando tali questionari costituiscono la prevalente base informativa per processi decisionali automatizzati.
Anche il Discussion Paper della Consob sulla “Profilazione della clientela ai fini della valutazione di adeguatezza” (2022), follow up dello studio del 2012, rileva che, pur a fronte di un generale miglioramento dei questionari MiFID in termini di completezza dei contenuti e chiarezza espositiva, permangono criticità nella rilevazione delle conoscenze finanziarie — ancora spesso affidata all’auto-valutazione —, nonché negli algoritmi di profilazione.
In sintesi, l’utilizzo di sistemi di consulenza automatizzata richiede strumenti di profilazione estremamente accurati, la cui affidabilità è spesso validata dagli intermediari mediante test preliminari, volti a valutarne la chiarezza e la capacità di rappresentare correttamente il profilo dell’investitore.
Emergono pertanto due dimensioni complementari del processo consulenziale: da un lato l’analisi quantitativa, ambito in cui l’AI esprime il massimo potenziale in termini di velocità e scalabilità; dall’altro la comprensione qualitativa e contestuale, che rimane prerogativa dei consulenti.
Attraverso la relazione con il cliente, il professionista chiarisce risposte ambigue, integra elementi qualitativi difficilmente codificabili e traduce obiettivi di vita in variabili operative utilizzabili dai modelli, agendo come un vero e proprio presidio di data governance.
In altre parole, il cosiddetto approccio Human-in-the-loop — riconducibile al principio di human oversight previsto dall’AI Act — che prevede l’intervento umano nei processi automatizzati, consente di superare alcuni limiti intrinseci degli algoritmi, i quali faticano a interpretare le sfumature psicologiche e le mutevoli priorità esistenziali dell’investitore, garantendo al contempo un adeguato presidio nella supervisione dei dati e nella validazione degli output generati. Il professionista interviene operando una sintesi tra la precisione dei dati hard e la complessità dei dati soft, assicurando che la base conoscitiva sottoposta all’AI sia non solo accurata, ma anche coerente con la reale tolleranza al rischio e con i vincoli etici del cliente.
In questa prospettiva, la consulenza finanziaria contemporanea assume una configurazione ibrida, nella quale l’efficacia dell’automazione dipende dalla capacità delle reti di consulenza di governare il processo informativo che alimenta i modelli decisionali. Tale configurazione appare coerente con la natura intrinsecamente fiduciaria della consulenza, che non si esaurisce nella mera ottimizzazione tecnica di un portafoglio, ma implica un processo decisionale ad elevata rilevanza personale. Resta pertanto un fattore di successo, anche nei modelli di consulenza automatizzata, il ruolo delle soft skills nella relazione consulente-cliente, aspetto più volte richiamato nei report della Consob: oltre alle competenze tecniche, gli investitori attribuiscono valore a qualità relazionali quali, l’affidabilità percepita, la capacità di ascolto, la chiarezza comunicativa e l’attenzione agli obiettivi individuali del cliente, anche ai fini della valutazione del servizio ricevuto.
Tali considerazioni evidenziano come, le tecnologie digitali, pur trasformando profondamente i processi di consulenza, non eliminano il ruolo dei consulenti, ma ne rafforzano la funzione di guida e di governo informativo in un contesto sempre più complesso e interconnesso.

5. Conclusioni

L’analisi condotta ha evidenziato come l’intelligenza artificiale rappresenti, nel contesto dei servizi di investimento, un potente strumento di supporto alla consulenza finanziaria, ma non un sostituto dell’intervento umano. Le opportunità offerte dall’automazione in termini di capacità di analisi, personalizzazione delle raccomandazioni e continuità del monitoraggio risultano infatti strettamente condizionate dalla qualità delle informazioni che alimentano i modelli e dalla presenza di adeguati presidi di supervisione.
Da questo punto di vista, una prima evidenza emersa nel lavoro riguarda la centralità del dato. La qualità, la completezza, la coerenza, l’aggiornamento e la tracciabilità delle informazioni costituiscono fattori determinanti per l’affidabilità dei processi decisionali supportati dall’AI. Ne consegue che il data management non può essere considerato una funzione meramente accessoria, ma deve essere inteso come una componente strategica dell’architettura decisionale, soprattutto nei contesti in cui la consulenza si avvale di strumenti automatizzati e di basi informative complesse.
Una seconda evidenza concerne il permanere di un ruolo centrale dell’apporto umano. L’analisi ha mostrato come le reti di consulenza agli investimenti continuino a svolgere una funzione essenziale nella validazione, interpretazione e contestualizzazione delle informazioni. Ciò vale in particolare nei passaggi in cui occorre chiarire eventuali incoerenze, tradurre elementi qualitativi in variabili rilevanti per il processo valutativo e verificare che gli output prodotti dai sistemi di AI risultino coerenti con il profilo dell’investitore e con i requisiti di adeguatezza previsti dalla disciplina di settore.
Dal punto di vista delle implicazioni operative, l’elaborato suggerisce che intermediari e policy maker dovrebbero rafforzare i presidi di governance dei dati, promuovere standard elevati di qualità informativa e incentivare modelli organizzativi che integrino efficacemente competenze tecnologiche e capacità umane. In particolare, l’adozione di approcci human-in-the-loop appare fondamentale per garantire un adeguato equilibrio tra automazione e controllo umano.
Il futuro della consulenza finanziaria appare quindi sempre più orientato verso modelli integrati nei quali capacità computazionale, qualità delle basi informative e competenza professionale operano in modo complementare. In tale prospettiva, il valore della consulenza non risiederà esclusivamente negli strumenti tecnologici adottati, ma nella capacità dei professionisti di governarne l’utilizzo attraverso un impegno costante nella supervisione dei processi, nella cura dell’accuratezza dei dati e nell’aggiornamento continuo delle proprie competenze. In questo equilibrio tra innovazione tecnologica e supervisione umana risiede la condizione essenziale per uno sviluppo sostenibile e affidabile della consulenza finanziaria nell’era dell’intelligenza artificiale.

Bibliografia

• Adria F., Linciano N., Quaranta F., Soccorso P. (2022), Profilazione della clientela ai fini della valutazione di adeguatezza. Follow up dello studio del 2012 su un campione di intermediari italiani, Discussion Paper Consob n. 11, novembre.
• Aristei D., Gallo M. (2025), “Financial literacy, robo-advising, and the demand for human financial advice: Evidence from Italy”, Journal of Behavioral and Experimental Finance, Vol. 49. DOI: 10.1016/j.jbef.2025.101125.
• Banca d’Italia (2025), Indagine Fintech nel sistema finanziario italiano, dicembre.
• Basel Committee on Banking Supervision (2013), Principles for effective risk data aggregation and risk reporting, January.
• Bertino E., Bhattacharya S., Ferrari E. (2023), “Trustworthy AI and data lineage”, IEEE Internet Computing, Vol. 27, No. 6. DOI: 10.1109/MIC.2023.3326637.
• Better Finance (2021), “Are Robo-Advisors sufficiently intelligent to provide suitable advice to individual investors?”, Research Paper, December.
• Crisanto J. C., Currat A., Ehrentraud J., Wu W. (2026), “In data we trust? Emerging policy and supervisory approaches to AI data use in financial services”,
• FSI Insights, n. 73, Bank for International Settlements, marzo.
• EBA (2020), Report on Big Data and Advanced Analytics, January.
• ESMA (2023), Orientamenti su alcuni aspetti dei requisiti di adeguatezza della MiFID II, aprile.
• ESMA (2024), Public Statement on AI and investment services, May.
• ESMA (2024), Report on Quality and Use of Data, April.
• European Commission (2022), Natural language processing for public services, DOI: 10.2799/304724.
• European Parliament (2025), Report on the impact of artificial intelligence on the financial sector, November.
• Graham G., Nisar T.M., Prabhakar G., Meriton R., Malik S. (2025), “Chatbots in customer service within banking and finance: Do chatbots herald the start of an AI revolution in the corporate world?”, Computers in Human Behavior, Vol. 165. DOI: 10.1016/j.chb.2025.108570.
• Gruppo di lavoro Consob, Scuola Superiore Sant’Anna di Pisa, Università Bocconi, Università di Pavia, Università di Roma ‘Tor Vergata’, Università di Verona (2019),
• La digitalizzazione della consulenza in materia di investimenti finanziari, Quaderno FinTech Consob n. 3, gennaio.
• Kakarala M.K., Rongali S.K. (2025), Data Privacy and Security in AI, Working Paper.
• Leitner G., Singh J., van der Kraaij A., Zsámboki B. (2024), “The rise of artificial intelligence: benefits and risks for financial stability”, European Central Bank, Financial Stability Review, May.
• Linciano N., Soccorso P. (2012), La rilevazione della tolleranza al rischio degli investitori attraverso il questionario, Discussion Papers Consob, n. 4, luglio.
• OECD (2021), Artificial Intelligence, Machine Learning and Big Data in Finance: Opportunities, Challenges, and Implications for Policy Makers, August.
• OECD (2023), Generative artificial intelligence in finance, OECD Artificial Intelligence Papers, No. 9, OECD Publishing, Paris, DOI: 10.1787/ac7149cc-en.
  Parliamentary Assembly of the Council of Europe (2020), Preventing discrimination caused by the use of artificial intelligence, Report, Doc. 15151, Committee on Equality and Non-Discrimination, settembre.
• Soccorso P., Caratelli M. (2024), Rapporto sulla relazione consulente-cliente. Analisi mirroring su sostenibilità e investimenti, Consob, maggio.
• Surendar Chittoor D. (2025), “Implementing data lineage frameworks in financial institutions: A systematic analysis of compliance, efficiency, and risk management”, International Journal of Science and Research Archive, Vol. 14, No. 1. DOI: 10.30574/ijsra.2025.14.1.0062
• Wang R.Y., Strong D.M. (1996), “Beyond accuracy: What data quality means to data consumers”, Journal of Management Information Systems, Vol. 12, No. 4. DOI: 10.1080/07421222.1996.11518099.
• Zetzsche D.A., Arner D.W., Buckley R.S., Tang B. (2020), “Artificial intelligence in finance: Putting the human in the loop”, Working Paper.
• Zhu H., Vigren V., Söderberg I.L. (2024), “Implementing artificial intelligence empowered financial advisory services: A literature review and critical research agenda”, Journal of Business Research, Vol. 174. DOI: 10.1016/j.jbusres.2023.114494.