Verso un’integrazione consapevole: il ruolo delle reti di consulenza finanziaria nell’adozione del sistema RAG a supporto dei servizi d’investimento.

1. Introduzione
L’attuale scenario economico e finanziario è attraversato da una trasformazione senza precedenti, riconducibile alla quarta rivoluzione industriale, e segnata dalla crescita esponenziale dell’intelligenza artificiale (IA). Sebbene questo paradigma tecnologico affondi le proprie radici teoriche già nei decenni passati, il 2022 ha segnato uno spartiacque fondamentale, con l’avvento e la successiva diffusione dell’IA generativa su scala globale. Tale passaggio ha reso la tecnologia, già utilizzata da operatori specializzati, uno strumento trasversale, integrabile in ogni settore e processo industriale (Aristei D., Gallo M., 2026). Questa accelerazione improvvisa ha colto molte organizzazioni impreparate.

In tale contesto, anche le reti di consulenza finanziaria hanno progressivamente valutato l’integrazione delle tecnologie emergenti al fine di preservare e rafforzare la propria competitività. Tuttavia, l’uso sempre più intensivo di tali strumenti ha reso necessaria una riflessione più ampia sui profili di governance e sulla mitigazione dei rischi. L’impiego di questi ultimi richiede infatti regole chiare, adeguati sistemi di controllo, al fine di prevenire possibili distorsioni derivanti da un impiego non pienamente consapevole (ESMA, 2023). Nonostante l’intelligenza artificiale dimostri prestazioni più efficienti soprattutto nello svolgimento di compiti analitici, la sua integrazione si scontra ancora con una barriera psicologica significativa, la tendenza degli individui a rifiutare i processi decisionali automatizzati, fenomeno noto come “avversione all’algoritmo”. Tale resistenza tende ad accentuarsi nei contesti dominati da elevata incertezza, quale il settore finanziario, dove il rischio è percepito come una variabile intrinseca. Anche molti investitori manifestano scetticismo nei confronti di questa tecnologia, non di rado dubitando che un sistema artificiale possa realmente comprendere le sfumature e la complessità della propria situazione patrimoniale (Silber D., Hoffmann A., Belli A., 2025).

Tanto premesso, l’obiettivo primario della consulenza finanziaria risiede nell’individuazione della strategia di investimento ottimale per il cliente; proprio per la sua capacità di elaborare grandi quantità di dati e svolgere analisi approfondite del mercato, l’intelligenza artificiale può allinearsi efficacemente sia con le esigenze dei clienti che con quelle degli operatori. Tuttavia, questo è possibile solo a condizione che questi ultimi mantengano il ruolo di mediazione tra algoritmo e decisione finale. Un approccio attivo permette infatti di trasformare la tecnologia in una risorsa strategica, oggi sempre più indispensabile, da integrare nel processo decisionale. Nel settore della consulenza finanziaria, tale rivoluzione sta ridefinendo i modelli operativi consolidati, agendo non solo sulla dimensione esecutiva, ma modificandone l’approccio strategico. In un mercato sempre più caratterizzato dalla larga diffusione di robo-advisor e servizi di execution-only, le reti di consulenza si trovano dinanzi a una sfida cruciale: evolvere la propria catena di valore per restare punto di riferimento dei risparmiatori. A tal fine, sono chiamate ad investire nell’intelligenza artificiale, non per emulare l’automazione delle macchine, ma per integrare strumenti che permettano ai professionisti di offrire un servizio capace di andare oltre la semplice gestione algoritmica del portafoglio. Questa necessità di “transizione” è confermata da evidenze empiriche di rilievo come la ricerca Excellence Consulting (2025) condotta su dati Assoreti, in cui si stima che l’adozione dell’IA potrebbe generare flussi netti per cento miliardi di euro entro il 2030 per le reti di consulenza italiane.

Figura 1: Impatto dell’IA sulle attività operative nelle reti di consulenza finanziaria (Excellence Consulting, 2025).
L’analisi eseguita testimonia come l’innovazione non sia più solamente un’opzione, ma un requisito necessario e strategico per mantenere la competitività in un mercato sempre più digitalizzato. L’adozione dell’intelligenza artificiale agisce come leva di ottimizzazione, permettendo una riduzione media del 24% del tempo destinato ad attività non-core. Nello specifico, l’automazione consente di reimpiegare le ore risparmiate per rafforzare, in via prioritaria, la relazione con il cliente.

In tale quadro, il presente contributo analizza l’evoluzione delle reti di consulenza finanziaria nel contesto della trasformazione tecnologica in atto, muovendo dall’ipotesi che l’IA non rappresenti un elemento sostitutivo dei professionisti, bensì una forma di “intelligenza aumentata”. In particolare, il nucleo centrale dell’analisi risiede nell’applicazione di una branca specifica dell’intelligenza artificiale, l’IA generativa (GenIA), che – a differenza dei modelli predittivi tradizionali – è in grado di elaborare pattern complessi per generare contenuti nuovi e coerenti. Tale potenzialità si accompagna, tuttavia, a una serie di criticità – di cui si terrà conto nell’esposizione – tra cui l’opacità algoritmica, la presenza di bias nei dati e il fenomeno delle “allucinazioni”. Alla luce di questi rischi, il resto del lavoro è organizzato come segue. Il secondo paragrafo approfondisce il ruolo della GenIA evidenziandone il contributo alla trasformazione digitale del settore, nonché i limiti strutturali connessi all’opacità dei modelli e al rischio di black box. Il terzo paragrafo sposta l’analisi sul piano pratico, esaminando l’applicazione operativa della Retrieval-Augmented Generation (RAG) nel processo di consulenza. In questa fase, lo studio si focalizza su come l’IA aumentata possa supportare concretamente l’attività quotidiana della rete ottimizzando l’efficienza delle attività operative e agendo da amplificatore delle capacità e delle competenze tecniche dei consulenti. Infine, il lavoro si conclude, nel quarto paragrafo, con una riflessione sul valore intrinseco della consulenza finanziaria, esaminando fino a che punto resti saldamente ancorato al contributo “umano” e come gli operatori continuino ad essere gli unici attori capaci di cogliere le sfumature personali e i bisogni emotivi del cliente. Nello specifico, si analizzerà come i professionisti di riferimento agiscano da filtro critico e qualitativo per garantire un rapporto fondato sulla trasparenza, sulla fiducia e sulla personalizzazione che la macchina, per sua natura, non può replicare.

2. L’incognita algoritmica, limiti strutturali e rischi dell’intelligenza artificiale generativa (GenIA)
L’integrazione dell’intelligenza artificiale generativa (GenIA) nei processi di consulenza finanziaria rappresenta uno dei pilastri fondamentali della trasformazione digitale contemporanea. Come evidenziato dall’Indagine “Fintech nel sistema finanziario italiano” condotta dalla Banca d’Italia, gli investimenti in soluzioni di IA da parte degli intermediari hanno registrato un incremento significativo nel biennio 2023-2024 rispetto agli anni precedenti. In tale contesto, la GenIA si configura come tecnologia trainante dei nuovi processi di investimento, con applicazioni orientate all’ottimizzazione delle attività operative e al supporto delle funzioni interne (Banca d’Italia, 2025). Tuttavia, l’entusiasmo per le capacità di sintesi dei Large Language Models (LLM) nella loro configurazione pura, si confronta con alcuni limiti strutturali, che, come evidenziato in seguito, non possono essere trascurati.

Poiché tali modelli generano contenuti prevedendo le sequenze più probabili, a partire da ampi database, emerge in primo luogo il problema dell’opacità dei loro processi decisionali, comunemente definito in letteratura come effetto “black box”. Tale espressione richiama la difficoltà – se non l’impossibilità – di ricostruire l’iter logico che ha condotto a una determinata risposta. Nel contesto della consulenza finanziaria, ciò rende complesso giustificare e rendere trasparente una proposta di investimento formulata con il supporto dell’IA. Questa criticità, se non correttamente mitigata, può incidere sull’adeguatezza delle informazioni fornite rischiando di compromettere la solidità del rapporto fiduciario tra intermediario e investitore. La limitata trasparenza si pone, inoltre, in potenziale contrasto con l’art. 25, par. 6, della Direttiva MiFID II. Nell’ambito della pianificazione finanziaria il servizio di consulenza deve rispondere alle preferenze e agli obiettivi del cliente. La normativa richiede, infatti, di fornire una dichiarazione di adeguatezza che espliciti la coerenza tra il profilo del cliente e la raccomandazione formulata, evidenziando così il carattere strettamente personale della strategia proposta.

Al problema dell’opacità si affianca il rischio delle cosiddette “allucinazioni” algoritmiche, ossia la tendenza dei modelli a generare contenuti sintatticamente corretti, ma privi di fondamento fattuale. In ambito finanziario, dove l’affidabilità dei dati è condizione indispensabile, un’allucinazione che alteri anche marginalmente un tasso di rendimento o rifletta una condizione di mercato inesistente può condurre a pianificazioni inefficaci. L’efficacia delle risposte algoritmiche è, inoltre, strettamente legata alla qualità e alla pertinenza dei dati di addestramento, secondo il principio del “Garbage in, Garbage Out”, in base al quale la qualità dell’output di un processo – sia esso un algoritmo di trading, un modello di rischio o un sistema di IA – dipende direttamente dalla qualità dell’input. A ciò si aggiunge che, in presenza di shock improvvisi e imprevedibili, l’evoluzione dei dati può essere repentina e i modelli – se basati su serie storiche – possono produrre valutazioni distorte, applicando schemi interpretativi non più coerenti con la realtà. Ne deriva il rischio di generare proiezioni finanziarie significativamente disallineate. In tali condizioni di elevata volatilità, la supervisione umana risulta quindi imprescindibile, poiché l’advisor in qualità di decisore ultimo, deve evitare che il processo decisionale venga integralmente delegato all’algoritmo (Consulich F. et al., 2023). In assenza di un solido ancoraggio a fonti verificate, la GenIA rischia quindi di trasformarsi da strumento di supporto a potenziale veicolo di disinformazione finanziaria. La vulnerabilità dei mercati rispetto alla qualità dei flussi informativi trova una delle sue manifestazioni più evidenti nel fenomeno dei flash crash. In tali circostanze le quotazioni dei titoli, possono registrare brusche flessioni negative in pochi minuti, pur in assenza di notizie penalizzanti sui fondamenti della società. L’origine della distorsione è riconducibile a un errore tecnico nella trasmissione dei dati finanziari e dalla diffusione di indicatori di bilancio incoerenti, che alimentano le informazioni distorte, innescando il meccanismo del “Garbage In, Garbage Out” di cui sopra. Alla luce delle criticità evidenziate, emerge come l’impiego della GenIA nella sua forma nativa non sia ancora sufficiente a garantire livelli adeguati di affidabilità e coerenza informativa. Tali limiti rendono necessario lo sviluppo e l’adozione di soluzioni più evolute, quali i sistemi di Retrieval-Augmented Generation (RAG), volti a rafforzare l’efficacia e la stabilità operativa.

3. L’applicazione operativa dell’architettura RAG nel processo di consulenza
Per affrontare efficacemente le criticità della GenIA, è stata sviluppata l’architettura Retrieval-Augmented Generation (RAG). Ideata nel 2020 dai ricercatori di Facebook AI Research e formalizzata nel lavoro pionieristico di Patrick Lewis, essa rappresenta un punto di svolta nell’evoluzione dei sistemi di intelligenza artificiale. Tale approccio vincola il motore generativo ad un processo di verifica preliminare delle informazioni, basato su fonti aggiornate e attendibili, superando i limiti tipici dei modelli tradizionali (Lewis P. et al., 2020). La RAG abilita l’infrastruttura a interrogare preventivamente report di mercato pubblici, prospetti informativi, casi d’investimento e direttive interne riducendo il rischio di distorsioni informative. Sotto il profilo tecnico, l’architettura RAG si fonda su un rigoroso processo di recupero (retrieval): alla ricezione di una richiesta, il sistema individua i frammenti documentali più pertinenti all’interno del database proprietario, riducendo il rischio di generare contenuti non fondati. Questo approccio permette di gestire efficacemente l’aggiornamento dei dati. Grazie all’integrazione di informazioni in tempo reale, l’IA raggiunge un livello di precisione superiore, assicurando maggiore affidabilità anche in contesti caratterizzati da elevata volatilità (Klesel M., Wittmann H., 2025). Ciò non solo rende l’informazione generata verificabile, ma permette agli operatori della rete di favorire una maggiore personalizzazione delle strategie proposte. In questo modo gli intermediari con il supporto di strumenti di analisi avanzati – possono gestire al meglio la crescente complessità dei mercati finanziari.

Un caso emblematico di tale integrazione è rappresentato dal nuovo sistema sviluppato da Morgan Stanley, banca d’affari statunitense, che ha realizzato un’infrastruttura basata sulla RAG per interrogare un database blindato contenente l’intero patrimonio intellettuale dell’organizzazione (OpenAI, 2024). L’attività del processo di consulenza può infatti essere sintetizzata in un iter operativo che va dall’analisi conoscitiva del cliente alla definizione degli obiettivi, passando per la valutazione del profilo di rischio e la costruzione del portafoglio, fino al monitoraggio della posizione patrimoniale nel corso del tempo. In ognuna di queste fasi, la RAG opera come una struttura potenziata in grado di migliorare la qualità della proposta di investimento.
Nella fase di analisi della situazione economico finanziaria, che rappresenta il primo momento di interazione e profilazione del cliente, la tecnologia RAG consente di analizzare e sintetizzare tempestivamente la vasta mole di informazioni emerse durante il colloquio conoscitivo. Come avviene nel sistema AI Morgan Stanley Assistant, dove la redazione del profilo iniziale permette di organizzare velocemente le informazioni provenienti da documenti di diversa natura eliminando la necessità di una compilazione manuale da parte dell’operatore. In tal modo, si mitigano potenziali rischi di sottovalutazione o omissione di aspetti rilevanti che durante l’incontro preliminare potrebbero sfuggire. I dati così raccolti vengono sintetizzati direttamente nel database proprietario in modo da costituire il presupposto informativo per la successiva definizione degli obiettivi di vita del cliente.

La definizione degli obiettivi del cliente, si configura come fase cruciale e delicata dell’intero processo consulenziale. Grazie all’ausilio della tecnologia, gli obiettivi personali – ad esempio la generazione di flussi di reddito passivi, l’acquisto di un immobile o la costruzione di un fondo per l’istruzione dei figli – possono essere tradotti in obiettivi finanziari quantificabili. Con il supporto del sistema è possibile elaborare strategie coerenti con un orizzonte temporale definito, trasformando aspirazioni astratte in obiettivi finanziari misurabili. La correlazione tra tempo, strategia e obiettivi conferisce una flessibilità alla strategia di investimento, poiché la definizione di un termine temporale certo e la chiarezza della finalità, permettono di relativizzare le fluttuazioni di breve periodo. In quest’ottica, la volatilità di mercato non viene più percepita come una minaccia immediata, bensì come una variabile fisiologica che il portafoglio è in grado di contenere. L’intelligenza artificiale considerata nella sua fase di sviluppo più avanzata può generare simulazioni integrate che combinano la situazione patrimoniale del cliente con i pattern proprietari dell’organizzazione. Grazie alla riduzione dei tempi tecnici, l’organizzazione è in grado di focalizzarsi con maggior attenzione sulla dimensione relazionale, poiché la RAG infatti, non può interpretare, per sua natura, le dinamiche comportamentali ed emotive del cliente. In tale fase di sintesi è quindi compito del professionista ponderare le priorità e tradurle nella costruzione del portafoglio colmando il divario tra l’accuratezza algoritmica e complessità delle emozioni umane.

Entrando nel merito della valutazione del profilo di rischio e della costruzione del portafoglio, l’architettura RAG rappresenta un presidio fondamentale per la mitigazione dei bias cognitivi. Sebbene la teoria finanziaria identifichi il portafoglio come una sintesi ponderata di diverse asset class, la pratica professionale evidenzia che l’efficacia di tale combinazione deve essere calibrata sul singolo individuo, sulla sua specifica tolleranza al rischio e sul suo orizzonte temporale. La capacità della RAG di estrarre dati dai database proprietari consente all’operatore di rilevare tempestivamente eventuali scollamenti tra il rischio dichiarato dal cliente e la sua reale capacità di sostenere le perdite. Il contributo tecnologico è particolarmente evidente nella fase di selezione degli strumenti finanziari, la RAG automatizza il filtraggio di migliaia di prodotti selezionandoli sulla base di criteri di efficienza quali l’incidenza dei costi di gestione, la rischiosità o la capacità di replicare il mercato di riferimento. Il valore aggiunto della tecnologia non risiede solamente nell’output ma nella possibilità di visualizzare l’intero iter logico sottostante ogni risultato, garantendo coerenza con le direttive strategiche aziendali, con le liste di raccomandazione dell’organizzazione e con la documentazione informativa obbligatoria (KID). Questo dinamismo si estende naturalmente anche alla fase di monitoraggio periodico, durante la quale il sistema segnalerà la necessità di eventuali ribilanciamenti qualora i movimenti dei mercati o i mutamenti degli obiettivi del cliente alterino l’assetto originario.
Tuttavia, l’integrazione di questo nuovo modello non consente di neutralizzare completamente i rischi associati all’IA. L’implementazione di una soluzione RAG su scala aziendale comporta infatti una complessità economica e organizzativa non trascurabile. In particolare, essa richiede un presidio continuo, spostando l’attenzione dai costi per la licenza di meri software a quelli, ben più onerosi, della gestione quotidiana del dato. Diventa pertanto necessario istituire strutture organizzate dedicate in grado di verificare costantemente la validità delle informazioni e fonti associate. In assenza di tali presidi, il rischio che l’IA operi su dati obsoleti aumenta sensibilmente, trasformando potenzialmente lo strumento da supporto a fonte di errore. Per far fronte a queste criticità, le reti di consulenza dovrebbero investire in infrastrutture informatiche evolute, caratterizzate da maggiore complessità e da costi più elevati nel medio-lungo periodo. Inoltre, anche a fronte di un processo di recupero delle informazioni molto accurato, nei momenti di crisi sistemica e di forte volatilità dei mercati l’efficacia delle decisioni non dipende esclusivamente dall’algoritmo, ma resta strettamente connessa alla solidità del rapporto fiduciario tra le parti.

In questa prospettiva, sebbene la RAG consenta di disporre di analisi di scenario aggiornate, la gestione della dimensione emotiva e la capacità di mitigare comportamenti irrazionali – quali l’impulso a disinvestire – rimangono prerogative umane insostituibili. Il tempo liberato dall’automazione dei processi tecnici dovrebbe essere quindi reinvestito dai professionisti nel rafforzamento della relazione con la clientela, così da preservare l’efficacia della pianificazione finanziaria. Coerentemente con quanto esposto, i nuovi modelli artificiali non mirano a sostituire gli intermediari di riferimento, ma a liberarli dalle attività non-core. Il valore aggiunto dei professionisti si sposta quindi dalla capacità di reperire informazioni a quella di saperle interpretare, contestualizzare e comunicare opportunamente, trasformando così l’analisi in una strategia condivisa con il cliente.

4. Conclusioni
Il presente lavoro permette di formulare alcune riflessioni sulla trasformazione in corso, che non è più soltanto tecnologica, ma profondamente strutturale, poiché interessa l’intero settore della consulenza finanziaria. L’odierna fase di trasformazione digitale ha individuato nella GenIA – la cui espressione più avanzata è rappresentata dalla Retrieval-Augmented Generation (RAG) – uno dei pilastri fondamentali di questo processo innovativo. Tale evoluzione non rappresenta una semplice ottimizzazione tecnica, bensì un cambiamento sistemico che impone una revisione dell’identità stessa delle reti di consulenza finanziaria. Questa accelerazione, come evidenziato nelle sezioni precedenti, ha reso imprescindibile non solo l’adozione di nuovi strumenti, ma anche lo sviluppo di rigorosi presidi di controllo, necessari per mitigare i rischi connessi a un utilizzo non pienamente efficace. In questo scenario emergono con particolare evidenza anche i limiti intrinseci dell’impiego dell’IA, quali le criticità legate alle “allucinazioni” informative e all’opacità dei modelli automatizzati più tradizionali. Il caso Morgan Stanley, analizzato come modello di integrazione pionieristico, dimostra che il successo di questa transizione risiede nel mantenimento di un approccio in cui la tecnologia non opera come decisore finale, ma rimane subordinata al giudizio critico umano. In tale assetto, la macchina interviene per ridurre la densità informativa attraverso processi di sintesi, permettendo ai professionisti di riappropriarsi del tempo necessario per una pianificazione patrimoniale sempre più personalizzata. I consulenti non vengono estromessi dal processo, ma evolvono in supervisori critici delle decisioni. Si consolida dunque una nuova identità professionale in cui l’algoritmo offre precisione e trasparenza e l’elemento umano rimane l’unica guida capace di trasformare i dati in strategie concrete, coerenti e pienamente condivise. La sinergia uomo-macchina ridefinisce i confini del settore, da un lato la gestione operativa del patrimonio, delegata all’automazione, dall’altro la consulenza di valore. Quest’ultima rappresenta il fulcro della professione e sposta l’attenzione sulla capacità del consulente di spiegare e personalizzare le scelte d’investimento del cliente. In tale prospettiva l’efficienza introdotta dalla RAG non deve essere intesa come un fine, bensì come il mezzo per reinvestire il tempo risparmiato nel consolidamento della relazione umana.

La finanza comportamentale insegna, infatti, che nessuna pianificazione, per quanto tecnicamente inappuntabile, può resistere se l’investitore non possiede la stabilità emotiva necessaria per affrontare la paura e l’incertezza durante le fasi di volatilità del mercato. È l’advisor a dover presidiare questa dimensione colmando il divario tra l’accuratezza algoritmica e la complessità delle emozioni umane. Sotto il profilo normativo e deontologico, il mantenimento di un presidio umano significativo risponde ai requisiti imposti dalla Direttiva MiFID II. La responsabilità giuridica del consiglio d’investimento non è delegabile all’algoritmo, pertanto, ogni informazione prodotta dall’architettura RAG deve essere considerata una proposta che richiede la validazione finale degli operatori. Questi ultimi agiscono come filtro qualitativo, assicurando che la proposta d’investimento non sia solo efficiente dal punto di vista statistico, ma pienamente adeguata al profilo specifico del cliente. La trasparenza sostanziale del consiglio, pilastro dei servizi d’investimento, trova la sua massima espressione proprio in questa collaborazione, se la RAG garantisce la tracciabilità delle fonti e la coerenza con le direttive interne dell’organizzazione, le reti forniscono la motivazione strategica, assumendosi l’onere della scelta finale. In ultima analisi, le considerazioni sulla competitività impongono una riflessione sulla sostenibilità economica di tale innovazione. L’implementazione di infrastrutture basate su database proprietari e modelli RAG comporta investimenti significativi, ma rappresenta un potente strumento per mantenere un alto valore aggiunto e riconoscibilità in un mercato particolarmente competitivo. Le società di consulenza, supportate anche dalle Associazioni di categoria, che sapranno investire in queste tecnologie non lo faranno per emulare l’automazione, ma per potenziare il proprio capitale umano. In conclusione, il futuro della consulenza finanziaria risiede in un equilibrio dinamico tra tecnologia e competenza umana. Solo attraverso questa integrazione consapevole sarà possibile preservare la centralità dei professionisti come guida insostituibile, capace di trasformare un’analisi algoritmica in una pianificazione finanziaria che sia sostenibile, coerente e orientata al lungo periodo.

Note

1. Il servizio di “execution-only” è disciplinato dall’art. 25, par. 4, della Direttiva 2014/65/UE (MiFID II). Tale modalità consente agli intermediari di prestare servizi di ricezione e trasmissione di ordini senza dover valutare l’appropriatezza dell’operazione, a condizione che l’investimento riguardi strumenti finanziari non complessi e avvenga su iniziativa esclusiva del cliente.
2. Si definiscono “Large Language Models” gli algoritmi di IA in grado di emulare il linguaggio umano attraverso l’analisi statistica di grandi masse di dati. Il termine “puri” si riferisce ai modelli utilizzati nella loro forma standard, privi di integrazioni esterne (come architettura RAG) volti ad ancorare le risposte a fonti certificate e aggiornate.
3. In particolare, l’art. 25, par. 6, della MiFID II – recepito nell’ordinamento italiano dall’art. 24-bis del D.lgs. 24 febbraio 1998, n. 58 (TUF) – prevede che “Quando prestano servizi di consulenza in materia di investimenti, le imprese di investimento forniscono ai clienti su supporto durevole, prima di effettuare la transazione, una dichiarazione di adeguatezza che specifichi la consulenza prestata e indichi perché corrisponda alle preferenze, agli obiettivi e alle altre caratteristiche del cliente al dettaglio”.
4. In ambito finanziario i pattern rappresentano dei modelli analitici o schemi logici estratti da grandi quantità di dati storici. Nel contesto dell’architettura RAG di Morgan Stanley, essi costituiscono il patrimonio intellettuale dell’organizzazione come regole di asset allocation o migliori strategie di gestione che l’IA utilizza come filtro interpretativo.
5. Nel contesto della finanza comportamentale i bias sono distorsioni dei processi decisioni che influenzano la percezione del rischio e delle scelte d’investimento di un individuo. Sul punto gli autori sottolineano come l’accesso a fonti informative verificate, consenta di neutralizzare le distorsioni soggettive nel reperimento delle informazioni, garantendo una base dati meno esposta a pregiudizi interpretativi (Klesel M., Wittmann H. 2025)

Bibliografia

1. Aristei D., Gallo M. (2026). Financial literacy, robo-advising, and the demand for human financial advice: Evidence from Italy. Journal of Behavioral and Experimental Finance, Vol. 49, March.
2. Banca d’Italia (2025). Indagine Fintech nel sistema finanziario italiano, dicembre.
3. Consulich F., Maugeri M., Milia C., Poli T.N., Trovatore G. (2023). “Ai e abusi di mercato: le leggi della robotica si applicano alle operazioni finanziarie?”, Quaderni giuridici CONSOB, n. 29, maggio.
4. Di Mascio A., Cervellati E. (2024). Wealth manager: L’evoluzione del ruolo tra intelligenza artificiale e finanza comportamentale, EGEA, Milano.
5. ESMA (2023). Artificial intelligence in EU securities markets, February.
6. Excellence Consulting (2025). In cinque anni l’AI può far guadagnare fino a 100 miliardi di raccolta alle reti di consulenza finanziaria, ottobre.
7. Klesel M., Wittmann H. (2025). Retrieval-Augmented Generation (RAG), Business & Information Systems Engineering, Vol. 67, No. 4, August.
8. Lewis P., Perez E., Piktus M., Petroni F., Karpukhin V., Goyal N., Kuttler H., Lewis M., Yih W., Rocktashel T., Riedel S., Kiela D. (2020). Retrieval-Augmented
9. Generation for Knowledge-Intensive NLP Tasks. Proceedings of the 34th International Conference on Neural Information Processing Systems.
10. OECD (2021). Artificial Intelligence, Machine Learning and Big Data in Finance: Opportunities, Challenges and Implications for Policy Makers, August.
11. OpenAI (2024). AI in the Enterprise. Lessons from seven frontier companies, April.
12. Silber D., Hoffmann A., Belli A. (2025). Embracing IA advisors for making (complex) financial decisions: an experimental investigation of the role of a maximizing decision-making style. International Journal of Bank Marketing, Vol. 43, No. 6, May.