Quando pensi a quanto lunga e complicata possa diventare la preparazione di un documento finanziario come un credit memo, puoi facilmente immaginare decine di ore spese a raccogliere dati, analizzarli, confrontare fonti, verificare statistiche, annotare rischi, mettere tutto assieme in un formato leggibile. Moody’s, una delle istituzioni più antiche nel mondo del rating del credito e dell’analisi finanziaria, ha deciso che questo processo può essere radicalmente ridotto grazie all’intelligenza artificiale. Non in maniera minimale, ma drastica: Moody’s sostiene che, con la sua nuova soluzione basata su agenti AI modulari, un credit memo che prima richiedeva 40 ore di lavoro può ora essere prodotto in appena due minuti.
Questa trasformazione non è frutto del caso, ma della maturazione di diverse tecnologie e dell’esperienza concreta di Moody’s che opera non solo come agenzia di rating ma anche nei servizi analitici, nei dati, nella ricerca. Per anni la sfida è stata quella dell’unstructured data: molti documenti utili sono in formati che non sono facilmente leggibili da macchine — PDF, report, testi non uniformi — e per estrarre le informazioni rilevanti servono umani con competenza, tempo, pazienza. L’IA generativa ha iniziato a cambiare le carte in tavola soprattutto quando strumenti come ChatGPT hanno mostrato la capacità di “leggere” testi non strutturati e ricavarne senso, estrarre dati, memorizzare relazioni fra concetti. Moody’s, riconoscendo questa opportunità, ha deciso di investire su workflow intensivi di conoscenza (knowledge-intensive workflows) che richiedono coordinamento, verifica, analisi dettagliata.
La nuova suite lanciata da Moody’s si chiama Agentic Solutions ed è costruita con un modello modulare. Non c’è un singolo grande agente che fa tutto d’un fiato, ma vari “sott-agenti” che si occupano ciascuno di fasi specifiche del processo. Per esempio, un agente identifica l’entità aziendale corretta; un altro estrae dati finanziari da filing come il 10-K; altri si occupano di analisi comparativa, valutazione dei rischi, costruzione della narrativa del memo. Alla fine, i risultati prodotti da questi agenti vengono “assemblati” per generare il documento finale. Questo approccio “modulare” non solo accelera la generazione, ma garantisce un livello di specializzazione e una accuratezza maggiore perché ciascuna parte del lavoro è gestita da agenti addestrati per quel compito.
Quello che Moody’s evidenzia come forse più significativo non è solo il risparmio di tempo — che da solo è impressionante — ma la trasformazione del modo di lavorare: non più un processo statico fatto di revisioni successive, attese, molto lavoro manuale, ma un flusso quasi immediato, supportato da IA, che lascia più spazio all’analista per interpretare, rifinire, dettagliare invece che per raccogliere dati. In ambienti regolamentati come quello finanziario, dove l’accuratezza è essenziale e gli errori possono avere conseguenze legali o reputazionali, ridurre gli errori dovuti alla stanchezza, all’errore umano ripetuto, al ritardo, diventa un vantaggio strategico. Moody’s parla esplicitamente di “grounding”, ovvero assicurarsi che le risposte siano fondate su fonti proprietarie verificate, non su dati incerti o generici.
Un altro punto chiave è che Moody’s adotta una strategia “model-agnostic”. Non punta tutto su un singolo grande modello linguistico (LLM), ma valuta modelli diversi a seconda del contesto, del costo, della performance. Alcune parti del processo richiedono contesti molto larghi, altre invece meno. Alcune funzioni possono essere eseguite con modelli più leggeri se l’accuratezza lo permette, altre richiedono maggiore potenza. In questo modo Moody’s evita di restare “legata” a un fornitore, a un modello specifico, potendo adattarsi rapidamente se emergono modelli migliori o più efficienti.
Pur con tutti questi progressi, è importante sottolineare che Moody’s non presenta questo progetto come “perfetto” e “finale”; ci sono sfide da affrontare. Alcune attività continuano a richiedere l’intervento umano, soprattutto nei casi in cui i dati sono sparsi, contraddittori, o quando serve giudizio professionale. Migliorare la qualità del modello in termini di linguaggio, di coerenza narrativa, di interpretazione delle sfumature, è un percorso. Ma il fatto che si possano fare workflow così complessi in pochi minuti è già di per sé un cambiamento radicale nel settore.
La storia di Moody’s offre anche una sorta di “blueprint” per altre aziende che vogliono usare agentic AI, e mostra i criteri che aiutano ad applicarla con successo: partire da processi dove si dispone di dati proprietari solidi, identificare bene dove l’IA aggiunge valore, investire nell’automazione modulare, mantenere la qualità e la verifica, assicurarsi che i modelli non producano errori “fantasma” (hallucinations), controllare che ogni output sia verificabile.