Il settore della gestione patrimoniale sta attraversando una metamorfosi senza precedenti, guidata dall’integrazione pervasiva dell’Intelligenza Artificiale nei processi di investimento, consulenza e risk management. Nel biennio 2025-2026, l’AI ha cessato di essere uno strumento ausiliario per diventare uno strumento operativo di un settore che gestisce, a livello globale, patrimoni misurabili in decine di trilioni di dollari. In Italia il patrimonio complessivo gestito ha raggiunto circa 2.628 miliardi di euro a dicembre 2025, consolidando un trend di crescita strutturale che l’adozione dell’AI sta contribuendo ad accelerare. A livello globale invece, i robo-advisor alimentati da algoritmi di machine learning gestiscono oltre 1.26 trilioni di dollari in asset, con proiezioni che indicano un’espansione rapida verso i 14 miliardi di dollari di capitalizzazione di mercato del settore entro il 2026. A conferma di questa traiettoria, Vanguard Digital Advisor, primo operatore mondiale nel segmento, gestisce oltre 47 miliardi di dollari in AUM robo-advised, mentre Betterment, principale piattaforma indipendente, ha superato i 50 miliardi, registrando una crescita del 40% negli ultimi due anni. Sul mercato italiano, Fineco e Mediolanum hanno accelerato l’integrazione di funzionalità algoritmiche nelle proprie piattaforme di consulenza, intercettando la domanda crescente della clientela under 40. Il presente report analizza in profondità le questioni legate all’applicazione dell’AI nel wealth management partendo dall’ottimizzazione dei portafogli fino alla gestione dinamica del rischio e della personalizzazione su scala, esaminando i possibili rischi connessi ai limiti algoritmici e alle inevitabili sfide etiche che proiettano il consulente umano in un ecosistema sempre più automatizzato.
L’industria del wealth management sta attraversando una fase di transizione strutturale, mentre i mercati finanziari restano complessivamente solidi, iniziano a rivelarsi pressioni su costi, modelli di servizio e margini. È proprio in questo contesto che l’intelligenza artificiale trova terreno fertile affermandosi come la risposta sistematica a tre sfide fondamentali: la necessità di personalizzare la consulenza su larga scala, la riduzione dei costi operativi e capacità di elaborazione più sofisticate riuscendo a controllare la crescente complessità
normativa.
Il mercato italiano del risparmio gestito rappresenta con i suoi 2.628 miliardi di euro di patrimonio complessivo a fine 2025, uno dei più rilevanti nel panorama Europeo, configurandosi al contempo come un forte incentivo economico per i principali operatori a investire in tecnologia.
In Italia, quasi il 60% degli operatori nel settore del wealth management sta già sperimentando l’utilizzo dell’AI, rispecchiando la tendenza globale : l’83% delle banche a livello internazionale ha già investito in AI e prevede di aumentare la propria spesa nei prossimi due anni (Assogestioni).
A livello globale, il mercato dei robo-advisor, valutato a 10,86 miliardi di dollari nel 2025, è proiettato verso i 14,08 miliardi entro il 2026, trainato principalmente dell’adozione istituzionale e dalla domanda retail crescente tra le giovani generazioni , infatti tra il 65% e 75% degli utenti sotto i 40 anni dichiara di preferire soluzioni di investimento automatizzate per la trasparenza e accessibilità.
L’integrazione dell’AI nel wealth management è tutt’altro che un fenomeno lineare, quest’ultima infatti si articola su livelli di maturità tecnologica progressivi. Si passa dall’automazione di base dei processi amministrativi (RPA – Robotic Process Automation), all’implementazione di modelli di machine learning per l’analisi predittiva, fino alle più avanzate architetture di AI agentiva, capaci di pianificare, decidere ed eseguire compiti complessi con minimo intervento umano.
A rappresentare casi paradigmatici di questa evoluzione troviamo tre benchmark globali che illustrano concretamente cosa significa integrare l’AI nella consulenza patrimoniale su larga scala.
JPMorgan Chase ha sviluppato Coach AI, un sistema interno che analizza in tempo reale il comportamento dei clienti, le condizioni di mercato e lo storico delle interazioni, restituendo agli advisor le informazioni rilevanti prima ancora che vengano esplicitamente richieste. Il risultato misurabile è una riduzione del tempo di ricerca fino al 95%: durante la turbolenza dei mercati dell’aprile 2025, innescata dagli annunci sui dazi USA, il sistema ha permesso agli advisor di gestire un volume straordinario di richieste simultanee senza perdere in qualità o personalizzazione del servizio. L’impatto economico è stato diretto: la divisione Asset & Wealth Management ha registrato un +20% di gross sales anno su anno tra il 2023 e il 2024, con JP Morgan che prevede di espandere il portafoglio clienti per singolo advisor del +50% nei prossimi tre-cinque anni grazie a questi strumenti.
Morgan Stanley ha percorso un cammino parallelo con il suo AI @ Morgan Stanley Assistant, sviluppato in partnership esclusiva con OpenAI e basato su GPT-4. Il sistema indicizza oltre 100.000 report e documenti interni, rendendoli interrogabili in linguaggio naturale dagli advisor in tempo reale. L’adozione è stata quasi totale: il 98% dei team di advisor utilizza lo strumento quotidianamente, e l’accesso effettivo ai documenti di ricerca è passato dal 20% all’80% della base documentale disponibile, un salto qualitativo che ridefinisce cosa significa “essere informati” prima di una conversazione con un cliente. Il complementare tool “Debrief”, integrato in Zoom, genera automaticamente note e bozze di email post-riunione, liberando fino a 15 ore settimanali per advisor.
BlackRock, infine, rappresenta il caso di scala istituzionale più estremo. La piattaforma proprietaria Aladdin monitora il rischio in tempo reale su oltre 21,6 trilioni di dollari di AUM istituzionali a livello globale, una cifra che supera il PIL combinato di Stati Uniti e Cina. Nel giugno 2025 BlackRock ha lanciato “Asimov”, un analista AI dedicato ai portfolio team, capace di elaborare dati finanziari e notizie globali con tecniche NLP per generare insight ESG e di rischio in tempo reale. Questi tre casi dimostrano che l’AI nel wealth management non è più una sperimentazione: è infrastruttura operativa.
Sul piano della piattaforma, l’ecosistema tecnologico sta evolvendo rapidamente verso quello che viene spesso definito “client brain”: un sistema integrato che mette insieme relazioni, patrimoni, comportamenti, preferenze e profili di rischio, e che diventa il punto di riferimento per tutte le interazioni, dal suggerimento delle azioni migliori al pricing, fino all’onboarding e alle attività di controllo. Le aziende che riusciranno a costruire un’infrastruttura di questo tipo potranno far crescere i ricavi senza aumentare in modo proporzionale i costi operativi.
La storia dei robo-advisor segue da vicino l’evoluzione dell’AI nella finanza. All’inizio erano poco più che strumenti automatici di ribilanciamento: operavano secondo istruzioni predefinite e immutabili, riallineando periodicamente il portafoglio all’allocazione target indipendentemente dalle condizioni di mercato, dagli eventi macroeconomici o dai cambiamenti nella situazione personale del cliente. Non c’era apprendimento, non c’era adattamento: se il mercato crollava del 30% in una settimana, il sistema ribilanciava comunque secondo il calendario stabilito, senza distinguere tra una correzione temporanea e un cambio strutturale di scenario.
Col tempo, però, si sono trasformati in piattaforme molto più sofisticate: oggi sono in grado di ottimizzare i portafogli quasi in tempo reale, gestire in modo efficiente anche gli aspetti fiscali e adattarsi continuamente ai cambiamenti nel profilo di rischio del cliente.
I robo-advisor di prima generazione, come Betterment (fondato nel 2008) e Wealthfront, hanno portato per la prima volta la Modern Portfolio Theory (MPT) di Harry Markowitz, il modello matematico che dal 1952 guida la costruzione di portafogli efficienti bilanciando rischio e rendimento atteso, fuori dalle sale operative delle grandi banche, rendendola accessibile a qualsiasi investitore retail tramite un semplice questionario online. In pratica, un utente rispondeva a poche domande sulla propria tolleranza al rischio e il sistema costruiva automaticamente un portafoglio diversificato in ETF a basso costo, ribilanciandolo periodicamente senza intervento umano. Il guadagno di efficienza rispetto al modello tradizionale era già significativo: le commissioni scendevano dall’1-2% dei consulenti classici a circa lo 0,25%, i tempi di onboarding si riducevano da settimane a minuti, e l’accesso a strategie di diversificazione prima riservate ai grandi patrimoni veniva democratizzato. Nell’ultimo biennio, tuttavia, questa architettura è stata radicalmente potenziata dall’integrazione del machine learning e dell’elaborazione del linguaggio naturale (NLP), che hanno trasformato i robo-advisor da esecutori di regole fisse in sistemi capaci di apprendere, adattarsi e anticipare.
Uno dei concetti più rivoluzionari in circolazione nel 2026 è sicuramente quello dell’Agentic AI : sistemi che non si limitano a eseguire regole predefinite, ma pianificano autonomamente sequenze di azioni per raggiungere obiettivi complessi. Nel concreto un agente AI non ribilancia il portafoglio secondo un calendario fisso, ma lo fa in risposta agli eventi che si verificano, come ad esempio un annuncio della Fed alle 14:00, una notizia su un’esportazione tecnologica, un’anomalia nel sentiment di mercato captata da pipeline di analisi in tempo reale.
Tecnicamente, questi sistemi sfruttano il Vector Streaming per convertire i flussi di notizie in vettori semantici, confrontandoli istantaneamente con il vettore del portafoglio del cliente per identificare esposizioni a rischio emergenti.
Le prove empiriche sull’efficacia dei robo-advisor risultano in generale positive, anche se è necessario un approccio critico nell’interpretarle. Gli algoritmi di machine learning utilizzati per ottimizzare i portafogli hanno dimostrato di poter migliorare fino al 25% le prestazioni in alcuni modelli predittivi, per esempio nella valutazione della tolleranza al rischio degli investitori. In media, i portafogli gestiti con l’ausilio dell’intelligenza artificiale mostrano una sovraperformance attorno al 7% rispetto alle tecniche tradizionali su un arco temporale pluriennale.
Inoltre, un elemento strutturalmente distintivo dei robo-advisor rispetto alla consulenza tradizionale è il monitoraggio continuo, attivo 24 ore su 24, 7 giorni su 7. A differenza di un advisor umano che rivede il portafoglio periodicamente, tipicamente su base mensile o trimestrale, i sistemi algoritmici sorvegliamo costantemente le condizioni di mercato e sono in grado di reagire in tempo reale a qualsiasi variazione rilevante, riducendo quasi completamente il ritardo tra l’insorgere di un rischio e la risposta operativa. Questo non si traduce necessariamente in un rendimento lordo superiore, ma in una gestione del rischio più tempestiva e in una maggiore efficienza fiscale, soprattutto attraverso strategie di tax-loss harvesting automatizzato che sarebbero impraticabili con una sorveglianza manuale discontinua.
Sul fronte dei costi, l’impatto dell’adozione dei robo-advisor è notevole: generalmente, le commissioni di gestione si aggirano intorno allo 0,20% annuo del patrimonio, mentre nella consulenza classica si va dall’1% al 2%. Quindi, il risparmio è piuttosto evidente.
Le società che integrano l’intelligenza artificiale nelle loro pratiche di gestione registrano miglioramenti fino al 27% nelle performance dei portafogli e una riduzione del 22% nei costi operativi, grazie a processi più rapidi e decisioni elaborate su dati più completi.
Un’applicazione particolarmente significativa dell’AI riguarda poi la strategia di tax-loss harvesting automatizzato. L’intelligenza artificiale analizza quotidianamente il portafoglio alla ricerca di posizioni in perdita che possono essere liquidate per compensare eventuali plusvalenze. Al tempo stesso, l’asset venduto viene sostituito istantaneamente con un titolo correlato, mantenendo così l’esposizione di mercato desiderata.
Non va sottovalutato che questa strategia, un tempo riservata ai patrimoni più consistenti, oggi è accessibile su molte piattaforme senza limiti minimi d’investimento. Per esempio, l’analisi di portafogli high-net-worth del 2025 ha evidenziato che clienti con patrimoni tra 950.000 e 1,5 milioni di dollari hanno usufruito in media di circa 16.000 dollari in perdite fiscali compensate, con un risparmio stimato di 6.000 dollari per cliente, basandosi su un’aliquota fiscale combinata del 37%. Questi numeri danno un’idea piuttosto concreta del valore economico diretto dell’intelligenza artificiale nell’ambito dell’ottimizzazione fiscale.
Infine, il Direct Indexing rappresenta un’evoluzione particolarmente sofisticata in questo settore. Invece di acquistare un ETF che semplicemente replica un indice, l’AI acquista direttamente le singole azioni che compongono quell’indice. Questa pratica permette un’ottimizzazione fiscale molto più precisa e spinge la personalizzazione, anche in ambito ESG, a livelli che gli strumenti tradizionali faticano a raggiungere. Per fare un esempio, un investitore sensibile alle tematiche ambientali può ricreare un indice come l’S&P 500 escludendo le società con una forte impronta di carbonio, senza perdere la diversificazione. Insomma, un bel passo avanti nella gestione patrimoniale.
La gestione del rischio si presenta, forse, come l’area in cui l’intelligenza artificiale può realmente rivoluzionare in modo radicale il settore del wealth management. Grazie alla capacità di processare in tempo reale flussi di dati molto diversi tra loro, come per esempio prezzi, notizie, indicatori macroeconomici, sentiment sui social media e dati geopolitici, i sistemi algoritmici riescono a costruire una rappresentazione del rischio più completa e aggiornata rispetto alle tradizionali analisi umane.
Prendiamo il CBOE Crude Oil Volatility Index (OVX), che nel marzo 2026 ha raggiunto un picco di 100,53 durante la crisi dello Stretto di Hormuz: questo è un classico esempio di quanto rapidamente possano manifestarsi degli shock di volatilità, nell’arco di poche ore. I sistemi di monitoraggio del rischio in tempo reale, supportati dal machine learning, sono stati progettati proprio per questo scopo: sorvegliare costantemente questi segnali e intervenire prima che il portafoglio del cliente subisca perdite significative.
Oggi, circa l’80% dei robo-advisor più evoluti offre strumenti di analisi predittiva sofisticata per aiutare nella previsione finanziaria, mentre il 45% fa ricorso all’analisi del sentiment basata sul Natural Language Processing (NLP) per adattare i portafogli in risposta ai cambiamenti del mercato. Gli strumenti che valutano il rischio in real-time hanno dimostrato di riuscire a ridurre le perdite di portafoglio di circa il 15%. Facendo un parallelo con la crisi di Hormuz, è facile capire come questo si sia tradotto in vantaggi competitivi tangibili per le piattaforme che impiegano queste tecnologie. Ma non è solo una questione di rapidità nell’azione, anzi: la vera forza dell’AI in questo ambito sta nella qualità e profondità dell’analisi. I modelli di machine learning sono capaci di scovare correlazioni non lineari e pattern nascosti tra asset che, a prima vista, sembrano del tutto scollegati tra loro. È proprio questo che permette di individuare le vulnerabilità nel portafoglio, quest’ultime infatti, con metodi più tradizionali, rischierebbero facilmente di sfuggire.
Una novità interessante è rappresentata dall’integrazione del quantum computing nel risk modeling. Questo consente ottimizzazioni della liquidità e la simulazione di scenari di stress più complesse, superando di gran lunga le capacità dei computer convenzionali.
La compliance normativa è diventata uno dei principali centri di costo per gli intermediari finanziari europei nell’ultimo decennio, con un’accelerazione significativa a partire dal 2018 con l’entrata in vigore di MiFID II e, più recentemente, con l’introduzione dell’AI Act europeo (2024) e del Regolamento DORA, pienamente applicabile dal gennaio 2025. Il peso operativo è concreto: le banche europee spendono in media tra il 4% e il 10% dei propri costi operativi totali in attività di compliance, includendo raccolta dei profili cliente, documentazione delle raccomandazioni, verifica dell’adeguatezza e rendicontazione ESG, processi ad alta intensità manuale in cui l’AI può dare il contributo più immediato. La Banca Centrale Europea ha evidenziato come l’AI sia già integrata in circa il 70% dei modelli di credito utilizzati dalle principali banche europee, sottolineando però anche la necessità di adottare una governance algoritmica più rigorosa. Da un punto di vista normativo, la direttiva MiFID II, nelle sue ultime revisioni, ha imposto agli intermediari di raccogliere con più attenzione le preferenze ESG dei clienti come parte della valutazione di adeguatezza. Qui l’AI aiuta a incorporare queste preferenze in modo molto più dinamico e dettagliato rispetto ai tradizionali questionari statici che spesso risultano limitativi.
Il Regolamento SFDR, che regola la trasparenza delle caratteristiche di sostenibilità dei prodotti finanziari, aggiunge un ulteriore livello di complessità. Per gestire efficacemente le richieste di questo regolamento sono necessarie infrastrutture dati robuste, che solo le piattaforme “AI-native” riescono a maneggiare senza eccessivo sforzo.
Infine, l’European AI Act, diventato operativo tra il 2025 e il 2026, inquadra i sistemi di AI impiegati nella consulenza finanziaria come “alto rischio”. Questo implica una serie di requisiti molto stringenti, in termini di trasparenza, spiegabilità e supervisione umana. Non sorprende quindi che quasi la metà (il 45%) dei professionisti del wealth management stia pianificando di adottare sistemi di “explainable AI” entro i prossimi dodici mesi. L’obiettivo è non solo rispettare le norme in maniera più efficace, ma anche assicurarsi che i processi decisionali basati su AI siano comprensibili, sia per gli operatori interni che per i clienti stessi.
C’è un paradosso storico al cuore del wealth management tradizionale: più clienti si gestisce, meno si riesce a gestirli bene. Un consulente che segue duecento clienti non può dedicare a ciascuno la stessa attenzione che riserva al cliente più importante. Questo ha creato, nel tempo, una stratificazione implicita del servizio, il cliente con il patrimonio maggiore riceve la consulenza migliore, mentre gli altri si accontentano di soluzioni standardizzate. L’intelligenza artificiale promette, e in parte già mantiene, la rottura di questo trade-off.
Il questionario MiFID II è lo strumento che ogni intermediario è obbligato a somministrare per valutare l’adeguatezza di un prodotto finanziario al profilo del cliente. Nella sua forma tradizionale è una fotografia scattata in un momento preciso, al momento dell’onboarding o del rinnovo periodico, e già parzialmente obsoleta il giorno dopo. Un cliente che ha vissuto un licenziamento, un divorzio o un importante lascito ereditario non aggiorna automaticamente il suo profilo di rischio nel database della banca.
I sistemi di AI stanno rendendo possibile quella che si può definire una profilatura dinamica e comportamentale: il sistema monitora in modo continuo le interazioni del cliente con la piattaforma, i movimenti del portafoglio, i temi di ricerca, le domande poste agli assistenti virtuali, e aggiorna progressivamente il profilo di rischio senza aspettare che il cliente compili un modulo. Se un cliente che si è sempre dichiarato aggressivo inizia a vendere appena i mercati scendono, il modello ne prende nota e rivaluta la sua tolleranza al rischio reale, che probabilmente non coincide con quella dichiarata. Questo approccio è già al centro di quanto CONSOB ha richiamato nella sua pubblicazione sull’AI nell’asset e nel wealth management, la governance degli algoritmi e la tutela del cliente passano anche dalla qualità della profilatura, che non può essere affidata a dati dichiarativi raccolti una volta ogni due anni. La ricerca McKinsey–Anasf, presentata a ConsulenTia 2025, ha però evidenziato un dato altrettanto importante. L’AI generativa viene ancora usata pochissimo nell’interazione diretta con il cliente (7% dei rispondenti). Questo suggerisce che la dimensione relazionale della consulenza rimane territorio umano, almeno per ora.
Una delle sfide più concrete che l’aggiornamento di MiFID II ha posto agli intermediari italiani è quella dell’integrazione sistematica delle preferenze ESG nella consulenza. Non si tratta di un adempimento formale, richiede di sapere per ogni cliente se preferisce investire in aziende che rispettano determinati standard ambientali, sociali o di governance, e di costruire raccomandazioni coerenti con quelle preferenze. Con un portafoglio di migliaia di clienti, farlo manualmente è impraticabile.
L’AI risolve questo problema su due livelli. Il primo è quello della raccolta e strutturazione delle preferenze: attraverso questionari interattivi, analisi del sentiment espresso nelle comunicazioni con il consulente e monitoraggio dei comportamenti di portafoglio, il sistema costruisce un profilo ESG individuale molto più preciso di quello ricavabile da un questionario a risposta chiusa. Il secondo è quello dell’implementazione nel portafoglio: grazie al Direct Indexing e all’analisi semantica dei report di sostenibilità aziendale, il sistema può costruire un portafoglio che rispetta le preferenze ESG specifiche del cliente senza sacrificare la diversificazione né le performance attese. È la stessa logica che consente a BlackRock, attraverso la propria piattaforma Aladdin, di analizzare dati finanziari e notizie globali con tecniche NLP per fornire insights ESG ai propri gestori patrimoniali.
L’entusiasmo per le potenzialità dell’AI nel wealth management è comprensibile, ma richiederebbe qualche cautela in più. Ogni tecnologia porta con sé nuove fragilità, e l’intelligenza artificiale applicata alla finanza non fa eccezione. I rischi che introduce non sono necessariamente maggiori di quelli del sistema tradizionale, ma sono diversi e la loro novità li rende più difficili da governare con gli strumenti concettuali e normativi che il settore ha sviluppato nei decenni precedenti.
Il primo problema è quello della trasparenza. I modelli di machine learning più sofisticati (le reti neurali profonde, i transformer su cui si basano i sistemi di AI generativa) producono risposte ottimali ma non sempre spiegabili. Il modello sa che quella allocazione è preferibile ad un’altra, ma non sempre è in grado di articolare il ragionamento in termini comprensibili a un regolatore o a un cliente. Questo è il problema della black box, la scatola nera che produce output corretti ma non trasparenti.
C’è poi un rischio sistemico più sottile, che gli economisti chiamano herding, il rischio di gregge. Se molte piattaforme utilizzano modelli simili, addestrati sugli stessi dati storici e progettati con logiche analoghe, esiste la possibilità che reagiscano ai medesimi shock di mercato nello stesso modo e nello stesso momento, ad esempio vendendo gli stessi asset, nelle stesse finestre temporali, amplificando invece di attenuare la volatilità. La CONSOB, nel suo documento di approfondimento sull’AI nel wealth management, ha esplicitamente segnalato tra le implicazioni critiche dell’automazione il tema della governance degli algoritmi, chi controlla che i modelli funzionino come previsto? Chi è responsabile quando sbagliano? Come si gestisce la dipendenza da fornitori tecnologici esterni? Queste domande non hanno ancora risposte definitive nel quadro normativo attuale, e rappresentano il principale terreno di lavoro per i regolatori nei prossimi anni.
Un rischio spesso sottovalutato è quello del bias algoritmico. Se i dati storici su cui vengono addestrati i modelli riflettono distorsioni del passato, l’AI può replicare e amplificare queste distorsioni in modo sistematico e invisibile. Il sistema non discrimina intenzionalmente, ma lo fa strutturalmente, il che lo rende se possibile ancora più pericoloso da un punto di vista regolatorio. Sul fronte della cybersecurity, l’esposizione al rischio è elevata. Una piattaforma di wealth management gestisce dati patrimoniali, dati comportamentali e dati personali di migliaia di clienti, è un bersaglio di primaria importanza per qualsiasi attore malevolo. Il Regolamento DORA (Digital Operational Resilience Act), pienamente applicabile dal gennaio 2025, ha introdotto obblighi stringenti di gestione del rischio informatico e di test periodici della resilienza operativa, proprio in risposta a questa vulnerabilità crescente. La questione della responsabilità fiduciaria rimane il nodo più irrisolto. Quando un sistema AI raccomanda un’allocazione che si rivela dannosa per il cliente, chi ne risponde? L’intermediario che distribuisce la piattaforma? Il fornitore tecnologico che ha sviluppato il modello? Il consulente umano che avrebbe dovuto supervisionarlo? L’AI Act europeo inizia ad affrontare il tema attraverso il concetto di supervisione umana obbligatoria sui sistemi ad alto rischio, ma il dibattito sulla responsabilità dell’algoritmo è destinato a occupare le aule dei tribunali e le sessioni del Parlamento europeo per molto tempo ancora.
L’intelligenza artificiale nel wealth management si sta diffondendo rapidamente. La domanda che il settore deve rispondere non è “se” adottarla, ma “come” farlo in modo da preservare, e possibilmente rafforzare, il valore della relazione con il cliente.
Uno studio di Microsoft Research (luglio 2025) ha classificato la professione del consulente finanziario tra le quaranta professioni a cui l’AI potrebbe essere applicata con maggiore facilità, sulla base del tasso di successo degli utenti di Copilot nel completare autonomamente attività tipiche di quel ruolo. Lo studio di Microsoft, non considera la dimensione relazionale della consulenza finanziaria. Gestire i risparmi di una persona non è soltanto un problema di ottimizzazione matematica, è un atto di fiducia che si costruisce nel tempo, che attraversa momenti di paura irrazionale che richiede la capacità di stringere una mano durante una crisi di mercato e di ricordare al cliente cosa ha detto di voler fare con quei soldi quando non aveva paura. La visione più credibile, espressa sia da McKinsey, sia dalla ricerca Anasf, sia da operatori come Anima è quella del consulente aumentato dall’AI. Un professionista che delega all’algoritmo il lavoro pesante di analisi, monitoraggio, documentazione e compliance, e concentra le proprie energie sui momenti in cui il valore umano è insostituibile. Questi momenti sono chiari, quando un cliente deve scegliere se liquidare il portafoglio per comprare casa, quando un lascito ereditario cambia l’intera pianificazione patrimoniale, quando una recessione fa emergere ansie che nessun questionario aveva catturato. Il profilo professionale che questo scenario richiede è diverso da quello tradizionale. Non basta più essere un buon analista finanziario, ma occorre saper lavorare con strumenti digitali, capire i limiti dei modelli che si usano, interpretare gli output dell’AI senza subirli passivamente, e, soprattutto, eccellere nella relazione umana nei momenti che contano. Come ha detto il presidente di Anasf Luigi Conte a ConsulenTia 2025: “Un algoritmo può fornire consigli statistici impeccabili, ma non sa stringere una mano e infondere coraggio in un momento di incertezza”.
Il mercato italiano della consulenza finanziaria sta già mostrando i primi segnali di questa biforcazione. Da un lato, le piattaforme digitali di investimento stanno conquistando un segmento crescente di clientela giovane e a bassa complessità patrimoniale, offrendo accesso democratizzato a strategie di investimento professionali a costi marginali. Dall’altro, il segmento private e upper affluent sta evolvendo verso un modello ibrido in cui l’AI gestisce la complessità operativa e il consulente si concentra sulla relazione e sulla pianificazione patrimoniale complessiva.
L’analisi condotta in questo report porta a una conclusione che può sembrare semplice, ma che ha implicazioni profonde per chi opera nel settore. L’intelligenza artificiale è uno strumento potente, con potenzialità reali e rischi concreti, che richiede di essere governato con consapevolezza.
I dati della Banca d’Italia certificano che la trasformazione è già in corso, gli investimenti in AI degli intermediari italiani si sono quadruplicati in due anni. I dati di Assogestioni mostrano un mercato con 2.636 miliardi di patrimonio che cresce, raccoglie e si evolve.
Allo stesso tempo, la CONSOB ha documentato le implicazioni critiche dell’automazione in termini di governance degli algoritmi e tutela della privacy. L’AI Act europeo ha formalmente classificato i sistemi AI in finanza come ad alto rischio, con tutto ciò che questo comporta in termini di obblighi di trasparenza e supervisione umana. Il Regolamento DORA ha alzato il livello di attenzione sulla resilienza operativa digitale.
Il vantaggio competitivo dell’AI nel wealth management non si misurerà nella capacità di rimpiazzare il consulente umano, ma in quella di amplificarne il valore nei momenti che contano davvero. Chi saprà costruire un modello in cui la macchina gestisce la complessità operativa e il professionista presidia la relazione, nei momenti di paura, nelle scelte di vita, nelle transizioni patrimoniali, avrà un modello di servizio che né le piattaforme puramente digitali né le banche tradizionali potranno facilmente replicare. In un mercato dove, come ha ricordato la ricerca Finer presentata a ConsulenTia 2025, soltanto il 30% degli italiani investe parte della propria ricchezza, lo spazio per un servizio di questo tipo è enorme.
Bibliografia:
“L’intelligenza Artificiale Nell’asset E Nel Wealth Management – AREA PUBBLICA – CONSOB.” AREA PUBBLICA, 2022, www.consob.it/web/area-pubblica/ft9
“ConsulenTia 2025 – Il Nuovo Equilibrio Della Consulenza Finanziaria.” Anasf.it, 2025,anasf.it/categoria/news/consulentia-2025-il-nuovo-equilibrio-della-consulen za-finanziaria
BlackRock. “BlackRock Aladdin – Portfolio Management Software.” BlackRock, 2024, www.blackrock.com/aladdin
Eloundou, Tyna, et al. “GPTs Are GPTs: An Early Look at the Labor Market Impact Potential of Large Language Models.” ArXiv:2303.10130 [Cs, Econ, Q-Fin], vol. 5, no.5, 17 Mar. 2023, arxiv.org/abs/2303.10130
“Mappa Trimestrale Del Risparmio Gestito – 4° Trim 2025.” Assogestioni, 20 Feb.2026,www.assogestioni.it/articolo/mappa-trimestrale-del-risparmio-gestito-4deg -trim-2025
MF Milano Finanza. “Consulenza Finanziaria E AI, Perché Il Fattore Umano Batte l’Algoritmo. Il Sondaggio Di Anima.” MF Milano Finanza, Milano Finanza, 2026, www.milanofinanza.it/news/consulenza-finanziaria-e-ai-perche-il-fattore-umano -batte-l-algoritmo-il-sondaggio-di-anima-202602241804008247
“Regolamento – 2022/2554 – EN – EUR-Lex.” Europa.eu, 2022, eur-lex.europa.eu/legal-content/IT/TXT/?uri=CELEX:32022R2554
“Regolamento – UE – 2024/1689 – EN – EUR-Lex.” Europa.eu, 2024, eur-lex.europa.eu/legal-content/IT/TXT/?uri=CELEX%3A32024R1689
For T. 10 Wealth Management Trends For 2026. Oliverwyman.com. Published 2026.
https://www.oliverwyman.com/our-expertise/insights/2025/dec/wealth-managem ent-trends-2026.html
Orientamenti Su Alcuni Aspetti Dei Requisiti Di Adeguatezza Della MiFID II. Accessed April 2, 2026. https://www.esma.europa.eu/sites/default/files/2023-04/ESMA35-43-3172_Guidelin_es_on_certain_aspects_of_the_MiFID_II_suitability_requirements_IT.pdf
File C. Navigating ESMA’s ESG Scrutiny: A Practical Guide for MiFID II | Clarity AI.Clarity AI |. Published November 18, 2024. Accessed April 2, 2026. https://clarity.ai/research-and-insights/regulatory-compliance/navigating-esma-e sg-scrutiny-a-practical-guide-for-mifid-ii/
www.deda.com D. L’AI rivoluziona la gestione patrimoniale: scenari, investimenti e nuove soluzioni. www.deda.com. Published 2026. Accessed April 2, 2026. https://www.deda.com/insights/blog/deda-ai-ai-rivoluziona-gestione-patrimonial e
Mariangela Tessa. Wealth management, il 2026 della svolta: dieci trend che ridisegnano la consulenza finanziaria | WSI. Wall Street Italia. Published January 8, 2026. Accessed April 2, 2026. https://www.wallstreetitalia.com/wealth-management-il-2026-della-svolta-dieci-t rend-che-ridisegnano-la-consulenza-finanziaria/
InvestGlass, InvestGlass. What is AI’s Impact on Wealth Management: Key Insights and Benefits. InvestGlass. Published September 4, 2025. https://www.investglass.com/ai-use-cases-in-wealth-management-2025/
InvestGlass. Banking Industry Regulations: A Comprehensive Guide for Financial Institutions. InvestGlass. Published March 20, 2026. Accessed April 2, 2026. https://www.investglass.com/banking-industry-regulations-a-comprehensive-gui de-for-financial-institutions/
Elad B. Robo Advisors Market Statistics 2025: Market Size, Trends, and Opportunities. CoinLaw. Published February 10, 2025. https://coinlaw.io/robo-advisors-market-statistics/
Elad B. AI-Powered Robo Trading Statistics 2025: Market Growth, Adoption Rates, and Innovations. CoinLaw. Published December 9, 2024. https://coinlaw.io/ai-powered-robo-trading-statistics/
Pragati Chougule. AI as Sales Manager: JPMorgan’s Artificial Intelligence Adds Wealthy Clients Despite April Market Turmoil. The Bridge Chronicle. Published May 13, 2025. https://www.thebridgechronicle.com/tech/ai-sales-manager-jpmorgan-we althy-clients-market-turmoil
BlackRock. BlackRock Aladdin – portfolio management software. BlackRock. Published 2024. https://www.blackrock.com/aladdin
