08/09/26 WSJ: Se l’algoritmo ce l’hanno tutti, non ce l’ha nessuno

Fonte: The Wall Street Journal (Hannah Erin Lang, 5 settembre 2026) — con approfondimenti e ricerca autonoma di Claude su fonti aggiuntive (NBER Working Paper 35153 “AI Managed Household Portfolios”, NBER Working Paper 35273 sulla crescita dell’IA nell’asset management, comunicati e documentazione Robinhood su Agentic Trading, TechCrunch, CNBC, Forbes).

Colin Edsman fa il parrucchiere ed è padre a tempo pieno. Sul tavolo della cucina ha il portatile acceso ventiquattr’ore su ventiquattro, e dentro ci lavorano tre agenti di intelligenza artificiale a cui ha dato un nome: uno cerca titoli ed ETF, uno controlla le posizioni aperte prima della chiusura, uno prepara il report settimanale. Sono agenti Claude collegati a un conto Robinhood dedicato. Secondo il Wall Street Journal, che ha raccontato la sua storia il 5 settembre, stanno battendo i conti che gestisce da solo.

Non è un caso isolato. Il 27 maggio 2026 Robinhood ha lanciato Agentic Trading: un conto separato a cui si collega il proprio agente — Claude, ChatGPT, Gemini — attraverso un server MCP, con notifica su ogni operazione e interruttore di spegnimento immediato. Moomoo offre qualcosa di simile da aprile; il suo amministratore delegato per gli Stati Uniti stima che entro fine anno circa il 20% dei volumi della piattaforma potrebbe essere eseguito da agenti. Dal 1° giugno è caduta anche la Pattern Day Trader rule, l’ultimo attrito che limitava le operazioni frequenti sui conti piccoli.

La promessa è seducente: chiunque può avere il suo mini hedge fund, senza emozioni e senza stare davanti allo schermo. Il Journal cita un diciannovenne che dice di aver portato tremila dollari a ottomila in pochi mesi con un agente che setaccia i flussi sulle opzioni.

Qui però c’è un problema che nessuno degli entusiasti affronta, ed è un problema di aritmetica prima ancora che di tecnologia. Se lo strumento che ti dà un vantaggio ce l’hanno tutti, non è più un vantaggio: è il costo del biglietto. E se milioni di portafogli vengono governati da tre o quattro modelli che leggono gli stessi dati pubblici, la questione non è più se l’intelligenza artificiale sappia investire. È cosa succede a un mercato in cui tutti pensano la stessa cosa nello stesso momento.

Lo stadio in cui tutti si alzano in piedi

Nel 1991 William Sharpe scrisse due paginette che dovrebbero stare appese in ogni sala operativa: The Arithmetic of Active Management. Il ragionamento è talmente semplice da sembrare banale, ed è per questo che viene continuamente ignorato. Il mercato è la somma di tutti coloro che lo compongono. Chi non replica il mercato è, per definizione, attivo. Quindi il rendimento medio di tutti gli attivi, prima dei costi, è esattamente il rendimento del mercato. Dopo i costi, è inferiore. Non è una teoria: è un’identità contabile. Non dipende dall’efficienza dei mercati, dalla bravura dei gestori o dall’anno solare.

Nessuna tecnologia può cambiare un’identità contabile. Se domani ogni investitore avesse a disposizione un analista sovrumano gratuito, la somma dei loro rendimenti resterebbe il mercato meno i costi. L’unica cosa che cambierebbe è il costo: gli agenti consumano token, e più operano più consumano.

L’immagine giusta è quella dello stadio. Il primo che si alza in piedi vede meglio. Quando si alzano tutti, nessuno vede meglio di prima e a tutti fanno male le gambe. È esattamente questo il punto: il livello sale davvero — i prezzi incorporano l’informazione più in fretta, il mercato nel suo complesso diventa più efficiente — ma il differenziale, cioè l’unica cosa che finisce sul tuo estratto conto, sparisce.

Il paradosso di Grossman e Stiglitz

Nel 1980 Sanford Grossman e Joseph Stiglitz pubblicarono un articolo dal titolo provocatorio: Sull’impossibilità di mercati informativamente efficienti. L’argomento è questo. Se i prezzi riflettessero già tutta l’informazione disponibile, nessuno avrebbe più motivo di spendere soldi per raccoglierla. Ma se nessuno la raccogliesse, i prezzi non potrebbero rifletterla. Ne consegue che in equilibrio i mercati devono restare abbastanza inefficienti da remunerare chi fa ricerca: il guadagno dell’analisi tende a eguagliare il suo costo.

Prendiamo sul serio quella conclusione e applichiamola al nostro caso. Se il costo dell’analisi tende a zero — perché un modello linguistico legge cento bilanci nel tempo in cui un essere umano ne apre uno — allora anche la remunerazione dell’analisi tende a zero. Non perché l’analisi diventi inutile, ma perché diventa gratuita. Il valore non sparisce: viene trasferito, dall’analista al prezzo. È la stessa cosa che è successa, in scala minore, a ogni ondata di democratizzazione degli strumenti: i fogli di calcolo negli anni Ottanta, i terminali Bloomberg, i dati fondamentali gratuiti online, gli screener, i backtest fai-da-te. Ogni volta la promessa era “adesso anche tu puoi fare quello che fanno i professionisti”. Ogni volta il risultato è stato che quella cosa lì ha smesso di pagare.

Il diciannovenne del Journal che ha fatto il 500% su due contratti sul Micron non sta dimostrando che gli agenti funzionano. Sta dimostrando che nel 2026, per un breve periodo, c’era ancora un vantaggio da raccogliere. Il punto della teoria è proprio che quel vantaggio ha una scadenza, e che la scadenza si avvicina in proporzione a quante persone leggono l’articolo del Wall Street Journal.

Il problema peggiore: la monocultura

Fin qui il ragionamento è neutro: tutti migliorano, nessuno guadagna, pazienza. Ma c’è una seconda parte, e questa non è neutra affatto.

Quando milioni di persone facevano le loro scelte da sole, sbagliavano in modi diversi. L’errore era rumoroso, disordinato, scorrelato: qualcuno comprava perché gliel’aveva detto il cognato, qualcun altro vendeva perché aveva paura, un terzo non faceva niente. Quel disordine è, paradossalmente, ciò che tiene in piedi un mercato: perché tu possa vendere serve qualcuno convinto del contrario.

Gli agenti retail non sono diversi tra loro. Girano su tre o quattro modelli di base, addestrati su corpus largamente sovrapposti, alimentati dagli stessi dati pubblici, guidati da prompt che si somigliano perché copiati dagli stessi forum e dagli stessi video. Non è una popolazione di investitori: è una popolazione di copie.

Su questo non siamo alle congetture. Nell’aprile 2026 Bruce Carlin, Ryan Israelsen e Christopher Wazzan hanno pubblicato per il NBER (Working Paper 35153) un lavoro che ha fatto esattamente l’esperimento: chiedere ogni giorno a diversi modelli — ChatGPT 5.0, Grok 4.1 Fast, Claude Sonnet 4.5, Gemini 2.5 Flash — di costruire portafogli azionari, in versione buy-and-hold e in versione attiva. I risultati:

• portafogli poco diversificati, con esposizione positiva a momentum, grandi capitalizzazioni e titoli a basso book-to-market (cioè: costosi);
• i semiconduttori pesavano in media il 41% dei portafogli generati, contro il 21% dell’S&P 500. Nvidia era una scelta pressoché universale;
• i titoli raccomandati avevano ricevuto circa dieci volte la copertura giornalistica dell’azienda media del database Compustat;
• circa due terzi delle consultazioni dei modelli finivano su siti aziendali, il resto tra servizi di informazione, siti istituzionali e piattaforme di analisi;
• nessun rendimento anomalo statisticamente significativo rispetto ai benchmark costruiti sulle caratteristiche dei titoli, con la metodologia di Daniel e coautori del 1997.

La frase che riassume tutto, nelle parole dei ricercatori, è che l’IA si assume rischio, si concentra su un insieme ristretto di attività e su settori specifici, e non mostra performance migliori.

Ma il dato davvero interessante è un altro: la variabile che spiega meglio le scelte non è un fondamentale, è l’attenzione mediatica. Il modello non fa analisi. Fa un conteggio di quanto si parla di una cosa, e poi costruisce a posteriori una motivazione plausibile. È un concorso di popolarità con l’interfaccia di un foglio di calcolo.

Chi legge questo blog da un po’ avrà già riconosciuto la struttura. È la stessa critica che facciamo da mesi all’indicizzazione passiva: comprare ciò che è già salito perché è già salito, senza che nessuno si chieda quanto vale. L’indice lo fa attraverso la ponderazione per capitalizzazione; l’agente lo fa attraverso il conteggio delle notizie. Sono due strade diverse per arrivare allo stesso posto — un mercato in cui il prezzo smette di essere un’opinione e diventa un’eco.

Agosto 2007, per chi se lo fosse dimenticato

C’è già stato un episodio in cui strategie costruite da persone diverse, con macchine diverse, in società diverse, si sono rivelate la stessa strategia. Nella prima metà di agosto 2007 diversi fondi quantitativi si trovarono contemporaneamente costretti a ridurre le posizioni. Erano tutti esposti agli stessi fattori. Vendendo insieme, spinsero i prezzi contro sé stessi, il che li costrinse a vendere ancora. Chi non aveva niente a che fare con quei modelli non se ne accorse quasi. Chi ce l’aveva perse in tre giorni quello che aveva guadagnato in anni. Fu il primo scricchiolio del 2008.

Gli agenti retail hanno due caratteristiche che rendono lo scenario più fragile, non meno. La prima è la velocità: reagiscono in secondi, e la loro reazione è l’input del secondo successivo. La seconda è che non esitano. L’esitazione umana — quella cosa che il Journal presenta come il difetto da eliminare, l’emotività — è anche l’ammortizzatore che ha impedito a molti crolli di diventare voragini. Un mercato senza esitazione è un mercato senza attrito, e i sistemi senza attrito non è che vanno più veloci: è che non si fermano.

Va detto onestamente che non tutta la letteratura va nella stessa direzione. Un secondo lavoro NBER uscito a giugno (Working Paper 35273) trova che gli hedge fund che usano IA mostrano una minore correlazione dei rendimenti rispetto ai colleghi che non la usano, contro i timori di omogeneizzazione. Ma quel dato riguarda sistemi proprietari, costruiti su dati privati e obiettivi diversi: è il contrario del caso retail, dove il modello è lo stesso per tutti e si prende dallo scaffale. E lo stesso studio contiene la conferma più netta della tesi di questo articolo: la sovraperformance dei fondi IA, forte nei primi anni, si è ridotta nel tempo, anche tra chi era arrivato per primo. Il livellamento non è una previsione. È già stato misurato.

Chi guadagna davvero

Vale sempre la pena guardare da che parte sta la cassa. Il dirigente di Moomoo che stima il 20% dei volumi eseguiti da agenti entro fine anno non sta promettendo rendimenti migliori ai clienti: sta promettendo volumi. E il volume è precisamente ciò su cui vive un broker a zero commissioni, tra pagamento per il flusso degli ordini, spread, interessi sulla liquidità, margine e prestito titoli.

Un agente che opera mentre dormi è la macchina definitiva per produrre volume. Non si stanca, non si annoia, non decide di lasciar perdere per una settimana. Che poi il cliente guadagni o perda è, dal punto di vista del modello di business, un dettaglio di second’ordine.

Robinhood, del resto, mette tutto per iscritto con una franchezza che merita di essere letta: dichiara di non controllare, supervisionare, monitorare, raccomandare né verificare gli agenti di terze parti; avverte che l’agente può commettere errori, fraintendere le istruzioni, agire su informazioni incomplete o superate e comportarsi in modi imprevisti; precisa che una volta condivisi i dati con il fornitore di IA scelto, questi escono dal perimetro di sicurezza del broker e ricadono sotto le condizioni di quel fornitore; e chiarisce che il rischio è integralmente del cliente. Le tutele — conto separato, notifiche, interruttore — limitano il danno di un’operazione sbagliata. Non dicono nulla su quanto quell’operazione fosse sensata.

Il campione dei sopravvissuti

Tremila dollari diventati ottomila in pochi mesi. Un 500% su due contratti di opzioni. Tre agenti che battono i conti gestiti a mano. Sono storie vere, e sono anche il modo più antico del mondo per farsi ingannare dai numeri.

Primo: il campione. Vengono intervistati quelli che sono ancora lì. Chi ha bruciato il conto in tre settimane non risponde al telefono di un giornalista, e soprattutto non viene cercato. Secondo: il periodo. Nessuno di questi agenti ha mai attraversato un vero mercato al ribasso — la tecnologia è disponibile al pubblico da tre mesi. Terzo: la scala. Due contratti di opzioni sul Micron sono una scommessa, non una strategia, e il 500% su una scommessa è la definizione di aneddoto.

C’è poi la questione dell’emotività, che secondo i protagonisti sarebbe il grande beneficio: una versione software di sé stessi, senza emozioni. Non è che l’emozione sparisca. Si sposta. Si concentra tutta in un unico punto — il momento in cui decidi se premere il pulsante di spegnimento — e quel momento arriverà, statisticamente, nel giorno peggiore possibile, dopo il terzo ribasso consecutivo, quando l’agente sta comprando e tu non ce la fai più a guardare.

Il dettaglio dei nomi propri, Alex, Sarah, Elena, che il Journal racconta come una simpatica trovata organizzativa, a me sembra la parte più inquietante del pezzo. Un processo che si chiama Sarah non è un processo: è una collega. Non licenzi una collega perché ha avuto un mese storto. Antropomorfizzare uno strumento significa trasferirgli una fiducia che non ha modo di meritarsi, e insieme scaricargli addosso una responsabilità che resta interamente tua.

E allora cosa resta?

Se l’analisi diventa gratuita e universale, il valore migra verso ciò che non si può replicare a costo zero. Provo a elencare cosa, secondo me, resta scarso.

L’orizzonte temporale. La capacità di non vendere è l’unico vantaggio strutturale che nessuna macchina può darti, perché non è una capacità di calcolo: è una condizione patrimoniale e caratteriale. Chi non ha bisogno di quei soldi entro tre anni può fare cose che nessun agente può fare per lui.

Ciò che non è digitalizzato o non è coperto. Gli agenti si affollano dove ci sono dati abbondanti e notizie in quantità: le grandi capitalizzazioni americane. Restano fuori le società piccole senza copertura, le obbligazioni illiquide, le situazioni speciali, i mercati di frontiera, gli strumenti che richiedono di leggere un prospetto invece di un titolo di giornale. È il terreno su cui ci muoviamo da anni su questo blog — dai mercati africani al debito argentino, dai CVR biotech alle SPAC — e mi pare che stia diventando più interessante, non meno.

La disponibilità a stare dall’altra parte. Ed è qui il rovescio della tesi, il pezzo che rende la faccenda meno cupa di quanto sembri. Se milioni di agenti convergono sugli stessi quaranta titoli perché sono quelli di cui parlano i giornali, la conseguenza aritmetica è che tutto il resto viene sistematicamente ignorato. Più il centro si affolla, più i margini restano mal prezzati. Il premio per andare controcorrente non si riduce: aumenta. Semplicemente, si sposta in posti dove serve leggere, aspettare e sopportare la solitudine — tre attività per le quali, per ora, non esiste un agente.

Note dell’A.I. (Claude)

Alcune precisazioni tecniche e un paio di caveat che l’articolo del Journal non tocca.

Non è un prodotto disponibile in Italia. Agentic Trading è un’offerta statunitense, per ora limitata alle azioni. Nessun intermediario italiano — Fineco, Directa, le banche tradizionali — espone oggi un server MCP di negoziazione a cui collegare un agente. Il perimetro regolamentare europeo rende la cosa complicata: un sistema automatico che decide e ordina per conto di un cliente somiglia molto a una gestione di portafoglio, attività riservata a soggetti autorizzati. Il caso di chi lo fa su sé stesso è diverso, ma è terreno inesplorato: prima di trattarlo come pacifico converrebbe aspettare una presa di posizione esplicita del regolatore.

Il problema fiscale è serio e nessuno ne parla. Un agente che opera quotidianamente produce centinaia di transazioni all’anno. Con un intermediario estero si è in regime dichiarativo: significa compilare il quadro RT operazione per operazione, con il calcolo LIFO su ogni lotto, più il quadro RW per il monitoraggio e l’IVAFE sul dossier. Su cento operazioni è un fine settimana di lavoro; su mille è impraticabile senza un software dedicato. Va aggiunta l’asimmetria italiana tra redditi di capitale e redditi diversi, per cui le minusvalenze accumulate dalle operazioni perdenti compensano solo alcune categorie di guadagni e scadono dopo quattro anni.

Non c’è tracciabilità del ragionamento. Un algoritmo tradizionale è un testo: lo si rilegge e si capisce perché ha fatto quello che ha fatto. Un agente basato su un modello linguistico produce decisioni che non sono ricostruibili a posteriori con precisione. Se ha comprato al massimo, non saprai mai davvero perché.

La strategia cambia sotto i piedi. Quando il fornitore aggiorna il modello, lo stesso prompt può generare comportamenti diversi. Non stai eseguendo un algoritmo stabile: ne stai eseguendo uno in movimento, e il movimento è deciso da qualcun altro, in un altro continente, senza preavviso.

Una nuova superficie d’attacco. Un agente che legge il web per cercare segnali può essere manipolato da contenuti scritti apposta per essere letti dalle macchine. È la versione automatizzata del pump and dump: non serve più convincere migliaia di persone, basta pubblicare qualcosa che i modelli raccolgano. È un rischio nuovo e, per quanto ne so, ancora poco studiato in ambito finanziario.

Il costo di esercizio. Un agente che gira ventiquattr’ore al giorno consuma token, e i token si pagano. Va sottratto al rendimento, insieme a spread e imposte. Sui conti piccoli — quelli dei protagonisti dell’articolo — può essere una quota tutt’altro che trascurabile.

Considerazioni

Questo pezzo si innesta direttamente sul filone che seguo da mesi. In “Il passivo non misura più il mercato — lo crea” il tema era la legge di Goodhart applicata agli indici: quando la misura diventa l’obiettivo, smette di misurare. Nell’intervista a O’Rourke il punto era la rottura del meccanismo di formazione dei prezzi quando un terzo del flottante finisce in mano a compratori che non guardano il prezzo. E nell’analisi del backtest di ARK sull’IA nella frontiera efficiente avevo segnalato la tensione tra la narrazione dell’IA come generatrice di alfa e i dati.

Gli agenti sono il secondo capitolo della stessa storia. Il passivo delega il giudizio a un comitato che compila un indice; l’agentico lo delega a un modello che conta le notizie. In entrambi i casi si compra senza che nessuno si sia chiesto quanto valga. La differenza è che l’indicizzazione almeno non pretende di fare analisi: è dichiaratamente una rinuncia. L’agente invece la simula, e la simula in modo abbastanza convincente da far credere a chi la usa di avere finalmente uno strumento professionale in mano.

Vale anche la connessione con il paniere del gorilla: quel metodo funziona precisamente perché opera dove i dati storici sono pochi, la copertura è scarsa e il giudizio conta più del calcolo. Sono le condizioni in cui un modello addestrato sul passato ha meno da dire.

Un’ultima cosa, che va detta apertamente. Questo blog lo scrivo insieme a Claude, cioè con la stessa tecnologia di cui l’articolo del Journal racconta l’uso in borsa. Non mi pare una contraddizione, ma la distinzione mi sembra decisiva: una cosa è usare un’intelligenza artificiale come interlocutore — che cerca, verifica, obietta, e alla fine ti costringe a decidere tu e a firmare tu — un’altra è darle le chiavi del conto e andare a dormire. Nel primo caso lo strumento amplifica il tuo giudizio. Nel secondo lo sostituisce, e con esso sostituisce anche la responsabilità, che però in caso di perdita torna intera dov’era: da te.

Le informazioni contenute in questo articolo hanno scopo puramente informativo e non costituiscono consulenza finanziaria. Leggi il disclaimer completo.
Gianni & Claude (Anthropic) / filosofaresuimercati.eu