Valutazione aumentata con AI: dall'analisi dei comparabili alla modellizzazione di scenari

Introduzione

La valutazione è un processo basato su evidenze e giudizio. Transazioni comparabili, multipli di trading, previsioni operative, tassi di sconto e assunzioni di scenario diventano utili solo quando sono legati a un asset definito, a una data di valutazione, a un'unità di conto, a uno scopo e a una prospettiva dei partecipanti al mercato. L'intelligenza artificiale può accelerare la raccolta delle evidenze, la normalizzazione, lo screening dei comparabili, l'esecuzione del modello, l'analisi di sensitività e la produzione narrativa. Non può decidere il perimetro legale dell'asset, rendere affidabili evidenze deboli, eliminare l'incertezza di mercato o assumere l'autorità del valutatore responsabile.

Questo articolo affronta Valutazione aumentata con AI: dall'analisi dei comparabili alla modellizzazione di scenari per due Matchpoint Partners pubblici di riferimento. CIO dei family office e responsabili degli investimenti alternativi includono professionisti degli investimenti presso family office unifamiliari, family office multifamiliari, società di private wealth, banche private e gestori patrimoniali esterni in GCC, nel Regno Unito, in Svizzera, a Singapore e nell'Unione Europea. UAE/GCC Sviluppatori immobiliari e sponsor finanziari includono fondatori, amministratori delegati, direttori finanziari e team dei mercati dei capitali che raccolgono debito, finanziamento mezzanino o capitale proprio per joint venture e monetizzano gli asset. i team necessitano di decisioni coerenti di portafoglio e sulle operazioni, basate su evidenze pubbliche e private. i team necessitano di valori difendibili per la raccolta di capitali, le decisioni di sviluppo, il rifinanziamento, le joint venture e le cessioni di asset.

La domanda guida è: come può un'organizzazione moltiplicare la produttività della valutazione e la copertura decisionale preservando la qualità delle evidenze, l'incertezza, il giudizio professionale e la responsabilità? La risposta è un sistema di valutazione governato. Separa le evidenze di origine dalle trasformazioni, la selezione dei comparabili dalla rettifica, le stime puntuali dalle distribuzioni di scenario, l'output del modello dall'autorità decisionale e la produttività misurata dal valore commerciale attribuito.

L'IFRS 13 definisce il fair value come prezzo di uscita in una transazione ordinata tra partecipanti al mercato alla data di valutazione. Richiede tecniche di valutazione appropriate alle circostanze, la massimizzazione degli input osservabili e la minimizzazione degli input non osservabili [1]. Gli International Valuation Standards in vigore dal 31 gennaio 2025 contengono standard dedicati a dati e input, modelli di valutazione, documentazione e reporting [2]. Le Linee guida IPEV 2025 applicano questa disciplina del fair value al capitale privato [3]. RICS descrive i modelli di valutazione automatizzati come uno spettro che può supportare o costituire parte di un processo di valutazione, con il coinvolgimento professionale che dipende da scopo, mercato, dati e rischio [4-5].

Questi requisiti supportano l'augmentation, purché ogni trasformazione materiale resti verificabile. Un motore di comparabili può individuare rapidamente i candidati. Il valutatore deve comunque stabilire perché ciascuna transazione è pertinente, quali rettifiche sono sostenibili e se l'intervallo risultante riflette l'asset oggetto di valutazione. Un motore di previsione può calcolare centinaia di casi. Il decisore deve comunque approvare gli stati economici, le dipendenze, le azioni gestionali e il trattamento delle probabilità. Un modello linguistico può redigere un memorandum. Necessita comunque di un pacchetto di evidenze controllato e dell'approvazione umana.

Le evidenze regionali sono in espansione. Il Dubai Land Department fornisce dati immobiliari aperti che coprono transazioni, canoni, progetti e valutazioni [11]. Ha riportato 60.303 transazioni immobiliari per un valore di AED 252 billion nel primo trimestre del 2026 [12]. Tali dati migliorano l'osservabilità del mercato per questioni selezionate. Non rendono omogeneo ogni asset, non eliminano gli effetti delle parti correlate, non identificano ogni termine commerciale né stabiliscono un valore senza rettifica.

L'adozione di AI cambia anche il perimetro di controllo. Gli Standard di gestione dei modelli della Banca centrale di UAE richiedono, per i modelli utilizzati nel processo decisionale, governance, dati tracciabili, sviluppo documentato, approvazione, validazione indipendente e monitoraggio continuo [6]. Nel 2025 la DFSA ha riportato che il 52 per cento di 661 imprese autorizzate che hanno risposto al suo sondaggio utilizzava attivamente AI; la maturità della governance variava, con il 21 per cento segnalato come privo di una chiara responsabilità [9]. Il AI Risk Management Framework del NIST organizza i controlli intorno a Govern, Map, Measure e Manage [7-8]. La guida riveduta sul rischio di modello della Federal Reserve dell'aprile 2026 e la dichiarazione di vigilanza della PRA dell'aprile 2026 rafforzano l'inventario basato sul rischio, la governance, lo sviluppo, la validazione, il monitoraggio e le misure di mitigazione nei rispettivi ambiti bancari [14-15].

Il contributo è un sistema pratico che fornisce:

• un perimetro di valutazione definito per le decisioni;
• un registro delle evidenze e una tracciabilità dalla fonte all'output;
• un protocollo di selezione e rettifica dei comparabili;
• un'architettura di modellazione ibrida che combina metodi trasparenti con il machine learning;
• un motore di scenari governato;
• gate di validazione, incertezza e astensione;
• due esempi illustrativi ipotetici;
• un bridge di produttività e ricavi vincolato all'evidenza; e
• una roadmap di adozione di novanta giorni.

L'analisi esamina studi accademici primari, standard ufficiali, pubblicazioni delle autorità di regolamentazione e fonti ufficiali di dati di mercato disponibili fino al 1° agosto 2026. L'applicabilità normativa e contabile dipende dall'entità, dalla giurisdizione, dallo scopo, dal cliente, dall'attivo e dalla base di rendicontazione. Gli studi empirici sono riportati nell'ambito dei campioni studiati. Non è stata fornita alcuna evidenza osservata approvata Matchpoint né evidenza del cliente per ricavi, riduzione dei costi per cassa, riduzione delle perdite o alpha. Tali valori attribuiti restano USD 0.

Il perimetro di valutazione

Lo scopo precede il metodo

Un processo di valutazione dovrebbe iniziare con un incarico firmato, non con una scelta del modello. L'incarico dovrebbe specificare l'interesse oggetto, i diritti legali ed economici, l'unità di conto, la data di valutazione, la valuta, lo scopo, la base del valore, gli utenti previsti, le restrizioni, le assunzioni rilevanti e lo standard di rendicontazione. Una partecipazione azionaria, un immobile, un progetto di sviluppo, uno strumento di debito, una quota di fondo e un'impresa operativa possono richiedere evidenze diverse anche quando una dashboard li presenta in un unico portafoglio.

Il framework del fair value dell'IFRS 13 è specifico per le misurazioni richieste o consentite da altri principi IFRS [1]. Non crea un requisito generale di valutare al fair value ogni decisione. La Regola 2a-5 della SEC disciplina le determinazioni del fair value in buona fede da parte delle società di investimento registrate e delle business development company negli Stati Uniti [13]. Il suo framework è un'evidenza comparativa utile per la valutazione del rischio, la selezione della metodologia, i test, i servizi di pricing, la supervisione e la documentazione. La sua applicabilità legale è limitata all'ambito dichiarato.

Prezzo, valore e decisione sono output separati

Un prezzo osservato registra una transazione secondo le sue condizioni effettive. Una valutazione stima una base definita a una data. Una decisione di investimento confronta la distribuzione stimata degli esiti con mandato, liquidità, rischio, alternative e rendimento richiesto. Un prezzo può essere un valido punto dati e un comparabile non adatto. Una stima del fair value può essere sostenibile e non attraente per uno specifico family office. Il valore del terreno di uno sviluppatore immobiliare può differire a seconda che si adotti un'ipotesi di transazione ordinata tra partecipanti al mercato o un piano strategico specifico dello sponsor finanziario.

Il sistema dovrebbe quindi mantenere tre output:

1. Output di evidenza: transazioni verificate, quotazioni, canoni di locazione, costi, tassi e osservazioni operative.
2. Output di valutazione: indicazioni specifiche del metodo, intervalli, pesi, overlay e conclusione.
3. Output decisionale: azione approvata, limiti, condizioni, tempistiche e responsabile finale.

La separazione impedisce al modello di trasformare silenziosamente una previsione in una raccomandazione di investimento o in un impegno di finanziamento.

e diritti decisionali

Il consulente può strutturare evidenze, modelli e opzioni. L'organo autorizzato del cliente è titolare della decisione. I termini dell'incarico dovrebbero indicare lo scopo della valutazione, l'accesso ai dati, l'affidamento, i limiti, i conflitti e il flusso di approvazione.

Cosa richiedono gli standard attuali

Evidenze di mercato e tecnica calibrata

L'IFRS 13 riconosce gli approcci di mercato, reddituale e dei costi e consente una o più tecniche [1]. La tecnica dovrebbe essere appropriata alle circostanze e supportata da dati sufficienti. Gli input dovrebbero massimizzare le evidenze osservabili rilevanti. Un modello utilizzato per valutare un input non osservabile alla rilevazione iniziale dovrebbe essere calibrato in modo da risultare coerente con il prezzo della transazione quando tale prezzo rappresenta il fair value. Le tecniche dovrebbero essere applicate in modo coerente, mentre una modifica può essere appropriata quando produce una misurazione ugualmente o maggiormente rappresentativa del fair value.

Ciò crea una verifica per l'uso di AI. Un maggior numero di variabili, calcoli più rapidi o un errore in-sample inferiore non dimostrano una valutazione più rappresentativa. Il team necessita di evidenze che la tecnica sia adeguata all'oggetto, al mercato, alla data e all'uso previsto.

Dati, modello, documentazione e rendicontazione

Gli IVS in vigore dal 31 gennaio 2025 hanno introdotto una struttura rivista degli standard generali, inclusi IVS 104 Dati e input, IVS 105 Modelli di valutazione e IVS 106 Documentazione e reporting [2]. La struttura supporta una visione del ciclo di vita:

• definire l'ambito e la base;
• reperire e valutare i dati;
• selezionare e applicare i modelli;
• esercitare il giudizio professionale;
• conservare la documentazione rilevante; e
• riportare una conclusione con ipotesi e limitazioni.

Le Linee guida IPEV 2025 forniscono le buone pratiche attuali per il capitale privato [3]. I mercati privati richiedono frequentemente input non osservabili, calibrazione, considerazione della performance aziendale, evidenze di mercato e giudizio. AI può migliorare coerenza e copertura. L'opacità di un modello o l'etichetta di un fornitore non possono eliminare la necessità di comprendere i fattori determinanti della conclusione.

Modelli di valutazione automatizzati

RICS considera gli AVM come uno spettro anziché un singolo prodotto [4]. A un estremo, un modello può fornire una stima automatizzata senza intervento professionale specifico per il caso. All'altro estremo, l'analisi supporta una valutazione professionale. La guida RICS per il credito bancario afferma che un AVM può essere appropriato quando l'immobile è sufficientemente uniforme, i mercati sono attivi e i dati sono adeguati, previa validazione e incarico concordato [5]. Immobili unici, in sviluppo, specializzati o poco scambiati richiedono una revisione più approfondita e specifica per il caso.

La conseguenza sul controllo è una tassonomia a tre livelli:

Il marketing dovrebbe descrivere il livello effettivo. Un memorandum assistito da AI non dovrebbe essere presentato come una valutazione professionale indipendente, a meno che l'incarico, lo standard, la competenza e l'approvazione non supportino tale descrizione.

Il registro delle evidenze di valutazione

Oggetti di evidenza

Un processo governato archivia le evidenze come oggetti strutturati e datati. Un numero in un foglio di calcolo dovrebbe conservare la sua fonte, la data di osservazione, la data di validità, la valuta, l'unità, l'area geografica, gli attributi dell'attivo, lo stato della transazione, lo stato della relazione, il grado di confidenza, le trasformazioni e il revisore.

Il servizio open data del Dubai Land Department è una fonte ufficiale per determinati campi relativi a transazioni, locazioni, progetti e valutazioni [11]. Il dataset dovrebbe essere profilato prima dell’uso: campi mancanti, duplicati, modifiche nella codifica, tipo di transazione, convenzioni sulle unità, geografia e ritardi temporali possono influire sui risultati. L’esistenza di un campo non dimostra che sia completo o economicamente comparabile.

Tracciabilità dalla fonte all’output

Ogni output rilevante dovrebbe essere riproducibile attraverso cinque collegamenti:

1. file di origine, record o endpoint;
2. snapshot immutabile di acquisizione;
3. codice e versione della trasformazione;
4. versione del modello e dei parametri; e
5. cella del report, grafico o paragrafo.

Il registro delle evidenze dovrebbe registrare le modifiche manuali separatamente dai valori di origine. Se un analista esclude una transazione, modifica un tasso di capitalizzazione o applica un aggiustamento di qualità, il sistema dovrebbe conservare il valore precedente, il nuovo valore, il titolare e la motivazione. Questa impostazione supporta la revisione e consente a un revisore futuro di ricreare l’insieme informativo disponibile alla data di valutazione.

AI perimetro di estrazione

I modelli linguistici e documentali possono estrarre date di locazione, revisioni del canone, covenant, tabelle di capitalizzazione, termini delle operazioni e metriche operative. L’estrazione dovrebbe essere trattata come una proposta di record strutturato finché non viene verificata rispetto al brano di origine. Il record dovrebbe includere l’identificativo del documento, pagina o cella, testo estratto, valore normalizzato, versione del modello, livello di confidenza e esito del revisore.

Il sistema dovrebbe astenersi o richiedere una revisione manuale quando:

• la fonte è scansionata, incompleta o internamente incoerente;
• un importo non riporta valuta o unità;
• una clausola dipende da definizioni presenti altrove;
• una tabella unisce periodi consuntivi, di budget e previsionali;
• il valore di un'operazione dipende dal debito, da earn-out o da corrispettivi potenziali;
• un attributo dell'immobile contrasta con le evidenze ufficiali; oppure
• la confidenza del modello o la validazione basata su regole è inferiore alla soglia approvata.

L'astensione è un esito di controllo. Indirizza il tempo limitato degli esperti verso i casi in cui l'automazione è meno affidabile.

L'analisi dei comparabili come pipeline controllata

La questione dei comparabili

Un comparabile è un'osservazione che aiuta a stimare come gli operatori di mercato prezzerebbero l'oggetto della valutazione dopo aver considerato le differenze rilevanti. La somiglianza di nomi, settori o codici postali non è sufficiente. La pipeline dovrebbe definire la relazione economica tra l'oggetto della valutazione e il candidato.

Per un'impresa, le dimensioni possono includere modello di business, area geografica, qualità dei ricavi, crescita, margine, intensità di capitale, leva finanziaria, dimensione e data dell'operazione. Per un immobile, le dimensioni possono includere sottomercato, destinazione d'uso consentita, titolarità, dimensione, età, specifiche, occupazione, qualità del reddito, durata del contratto di locazione, stato di sviluppo e termini di vendita. Per una quota di fondo, le dimensioni possono includere strategia, vintage, vita residua, impegno non versato, concentrazione, data del NAV e restrizioni al trasferimento.

Generazione e ammissibilità dei candidati

La prima fase massimizza la copertura entro limiti definiti per iscritto. La ricerca può utilizzare database, registri, recupero semantico dei documenti e filtri strutturati. La seconda fase applica regole rigide di ammissibilità. La terza fase ordina per rilevanza. La quarta fase richiede la revisione da parte di un analista.

L'universo originale deve rimanere visibile. Un report finale che mostra solo le operazioni selezionate può nascondere il bias di selezione. I revisori necessitano dei candidati esclusi e dei motivi codificati, quali strumento errato, mercato diverso, difficoltà finanziaria, parte correlata, termini incompleti, data obsoleta o diritti incompatibili.

Dal matching diretto all'aggiustamento per caratteristiche

L'analisi edonica modella il prezzo come funzione delle caratteristiche. Il quadro di Rosen del 1974 ha stabilito le basi economiche per i prezzi impliciti nei prodotti differenziati [17]. I moderni sistemi comparabili possono estendere l'idea tramite regressione regolarizzata, ensemble di alberi e altri metodi non lineari. Le random forest combinano alberi decorrelati e forniscono strumenti flessibili di previsione e di importanza delle variabili [18]. Il gradient boosting costruisce una funzione additiva tramite ottimizzazione sequenziale di una funzione di perdita [19].

Questi metodi possono identificare relazioni non lineari e interazioni. Il loro utilizzo richiede comunque dei controlli:

• la variabile target deve corrispondere alla domanda di valutazione;
• le osservazioni di addestramento devono precedere la data di valutazione o essere valide a tale data;
• il leakage proveniente da campi di esito futuri o derivati deve essere eliminato;
• l'ingegnerizzazione delle caratteristiche deve riflettere le informazioni economicamente disponibili;
• la validazione incrociata dovrebbe rispettare tempo, entità e geografia;
• l'errore dovrebbe essere riportato per segmento rilevante, non solo in forma aggregata;
• i soggetti fuori distribuzione dovrebbero essere segnalati; e
• il modello dovrebbe supportare la revisione dei fattori determinanti rilevanti.

Il framework SHAP di Lundberg e Lee assegna contributi delle feature alle singole previsioni all'interno di una classe di spiegazione additiva [20]. Una spiegazione mostra come un modello ha prodotto un output. Non dimostra effetto causale, qualità dei dati, equità o appropriatezza della valutazione. Un ampio contributo positivo di una feature può rivelare la dipendenza da una variabile che avrebbe dovuto essere esclusa.

Rettifiche e intervalli

Una rettifica dovrebbe indicare direzione, base, entità e incertezza. Una transazione immobiliare avvenuta sei mesi prima può richiedere una rettifica temporale supportata da un indice o da evidenze appaiate. Una società più piccola può richiedere una considerazione su dimensione o liquidità. Una transazione su terreni di sviluppo può richiedere rettifiche per pianificazione, infrastrutture e termini di pagamento. Una transazione su una società privata può richiedere l'analisi dei diritti di garanzia e della struttura del capitale.

L'output dovrebbe essere una distribuzione o un intervallo, non una precisione artificiale. L'intervallo può combinare incertezza del modello, incertezza degli input e incertezza dello scenario. Intervalli più ampi dovrebbero attivare una revisione maggiore, un affidamento ridotto o una decisione esplicita di astenersi.

L'architettura ibrida di valutazione

Nucleo trasparente, supporto automatizzato e overlay approvati

L'architettura dovrebbe mantenere visibile il metodo economico. Il machine learning può supportare l'individuazione delle evidenze, la classificazione dei comparabili, le rettifiche non lineari e il rilevamento degli errori. Un nucleo trasparente mantiene la logica di mercato, reddituale e dei costi necessaria per la revisione.

L'architettura minima comprende:

• livello delle fonti: evidenze ufficiali, di fornitori, del cliente e di mercato con controlli di accesso;
• livello delle evidenze: osservazioni versionate, normalizzazione e flag di qualità;
• livello dei modelli: modello dei comparabili diretti, regressione, modello ad albero, DCF, modelli del valore residuo del terreno e dei costi;
• livello degli scenari: stati, dipendenze, azioni di gestione e trattamento delle probabilità;
• livello di controllo: inventario, approvazione, validazione, soglie, override e monitoraggio;
• livello decisionale: report, documento per il comitato, condizioni e approvazione formale con responsabilità; e
• livello di apprendimento: esiti realizzati, errori, eccezioni e rimedi.

Inventario dei modelli e uso previsto

I Model Management Standards della CBUAE definiscono le aspettative in materia di governance, dati, sviluppo, validazione, implementazione e uso [6]. La SR 26-2 della Federal Reserve ha sostituito la SR 11-7 nell'aprile 2026 e sottolinea un approccio basato sul rischio, calibrato sul profilo, sulle dimensioni e sulla complessità dei modelli dell'organizzazione [14]. L'attuale SS1/23 della PRA stabilisce cinque principi che riguardano identificazione e classificazione, governance, sviluppo e uso, validazione indipendente e mitiganti nell'ambito del perimetro bancario dichiarato [15].

L'inventario delle valutazioni dovrebbe includere componenti statistiche, finanziarie, basate su regole e generative. Un algoritmo di ranking dei comparabili può influenzare materialmente il valore anche se non calcola il numero finale. Un foglio di calcolo con macro discrezionali può costituire un modello. Un fornitore API resta nel perimetro di governance dell'utente.

L'AI generativa come livello di interfaccia

L'AI generativa può interrogare il registro delle evidenze, redigere riepiloghi comparabili, spiegare le differenze tra scenari e creare sezioni per i documenti del comitato. Dovrebbe recuperare da fonti controllate e citare il record sottostante. I calcoli deterministici dovrebbero essere eseguiti in codice controllato o in modelli finanziari. Il modello linguistico non dovrebbe essere l'unico calcolatore per valori rilevanti, probabilità o covenant.

Il profilo Generative AI del NIST identifica rischi quali confabulazione, privacy dei dati, integrità delle informazioni e configurazione uomo-AI [8]. Una progettazione sicura vincola gli strumenti del modello, i domini di dati, lo schema di output e le autorizzazioni. Registra prompt, evidenze recuperate e output laddove legalmente e operativamente appropriato. Le affermazioni rilevanti richiedono verifiche delle fonti.

Modellazione di scenari

Gli scenari sono stati coerenti

Un'analisi di sensibilità modifica un input mantenendo costanti gli altri. Uno scenario descrive uno stato coerente in cui più driver si muovono insieme e possono attivare azioni gestionali. Una distribuzione di probabilità descrive un insieme più ampio di esiti secondo una struttura stocastica definita. Questi strumenti rispondono a domande diverse.

Per uno sviluppatore, un assorbimento più lento può coincidere con maggiori incentivi, minori incassi, un finanziamento della costruzione più lungo e un'uscita più tardiva. Per un family office, multipli di uscita più bassi possono coincidere con utili più deboli, liquidità ritardata e un contesto di cambi o tassi d'interesse mutato. Analisi di sensibilità indipendenti a una variabile possono sottostimare queste dipendenze.

Mappa dei driver

Il motore di scenari dovrebbe partire dai collegamenti causali e contrattuali che il management può esaminare.

Il modello dovrebbe impedire combinazioni internamente incoerenti, a meno che lo scopo non sia testare una dislocazione estrema. Uno scenario di vendite rapide con forti riduzioni di prezzo può essere valido. Richiede un'ipotesi esplicita di elasticità. Uno scenario con tassi bassi e un tasso di sconto più elevato può essere valido se i premi al rischio si ampliano. Richiede la scomposizione.

Protocollo di costruzione degli scenari

1. Definire la decisione, l'orizzonte e la data di valutazione.
2. Selezionare i driver economici e contrattuali rilevanti.
3. Definire uno scenario centrale utilizzando evidenze approvate.
4. Definire stati alternativi con movimenti coerenti dei driver.
5. Aggiungere azioni gestionali con autorità decisionale, costo e ritardo.
6. Calcolare flussi di cassa, finanziamenti, covenant e valori terminali.
7. Riconciliare i risultati con le evidenze di mercato e di costo.
8. Assegnare probabilità solo laddove la governance e le evidenze le supportano.
9. Riportare i casi non ponderati laddove le probabilità creerebbero una falsa precisione.
10. Registra le soglie di intervento attivate da ciascuno stato.

Generazione di scenari supportata da AI

AI può analizzare comunicati ufficiali, evidenze di mercato, report operativi e contratti per proporre driver di rischio. Può raggruppare stati storici e cercare dipendenze omesse. Può generare narrazioni candidate e mettere in discussione le ipotesi. Gli scenari candidati restano proposte finché un responsabile non li approva.

Il sistema dovrebbe distinguere:

• stato osservato: supportato da evidenze datate;
• scenario del management: piano o budget approvato;
• scenario dei partecipanti al mercato: ipotesi coerenti con la base definita;
• scenario di stress: volutamente severo ma coerente;
• stress inverso: stato che viola una soglia di valore, liquidità o covenant; e
• scenario esplorativo: Possibilità supportata da scarse evidenze mantenuta per la discussione strategica.

Le probabilità non dovrebbero essere generate dalla scorrevolezza di un modello linguistico. Richiedono una base statistica, di mercato o di governance dichiarata.

Validazione, incertezza e astensione

La validazione è una verifica critica indipendente

La validazione dovrebbe coprire concetto, dati, implementazione, prestazioni, utilizzo e reporting. L'indipendenza dovrebbe essere proporzionata alla materialità. Il revisore necessita di autorità, competenza e accesso sufficienti per contestare il modello e limitarne l'uso.

Misure di errore

L'errore medio assoluto è interpretabile in unità monetarie. L'errore percentuale assoluto mediano riduce l'influenza degli errori percentuali estremi. L'errore quadratico medio penalizza gli errori di grande entità. La correlazione per ranghi può testare la capacità di screening. La calibrazione verifica se gli intervalli dichiarati contengono risultati realizzati alla frequenza attesa. Nessuna singola misura è sufficiente.

Kok, Koponen e Martinez-Barbosa hanno riportato un errore assoluto del 9 per cento per il loro modello automatizzato su un campione definito di asset multifamiliari statunitensi [22]. Il risultato è una prova rilevante che un AVM può superare benchmark di valutazione selezionati in uno specifico contesto. Non dovrebbe essere trasferito a progetti di sviluppo GCC, società private o a ogni segmento immobiliare senza una nuova validazione.

Intervalli di previsione

Le stime puntuali nascondono l'incertezza. La predizione conforme può creare intervalli di previsione senza assunzioni distribuzionali con copertura marginale su campione finito, sotto le sue ipotesi, utilizzando un insieme di calibrazione attorno a un modello predittivo scelto [21]. La copertura può deteriorarsi in caso di cambiamento della distribuzione, e la copertura marginale non garantisce una copertura altrettanto solida per ogni sottogruppo o asset.

Un report istituzionale dovrebbe mostrare:

• indicazione centrale;
• intervallo di valutazione approvato;
• intervallo di previsione statistico ove applicabile;
• intervallo degli scenari;
• input non osservabili significativi;
• dispersione dei comparabili;
• stato fuori distribuzione; e
• soglia decisionale.

Matrice di astensione

Il motore dovrebbe restituire valutazione manuale richiesta quando le evidenze o l'idoneità del modello esulano dal suo ambito di approvazione.

Il modello operativo prima e dopo

Flusso di lavoro attuale frammentato

Molti processi di valutazione distribuiscono il lavoro tra email, cartelle, fogli di calcolo, report PDF e database di mercato. Gli analisti ridigitano le informazioni, ricostruiscono tabelle comparative, modificano manualmente le date e rintracciano i dati dopo che un revisore pone una domanda. Lo stesso lavoro viene ripetuto per il monitoraggio, i documenti per il comitato e i materiali per i finanziatori. Il controllo dipende dalla disciplina individuale nella gestione dei file.

Flusso di lavoro target controllato

Il processo obiettivo sposta il tempo degli esperti dal recupero e dalla riformattazione verso decisioni sul perimetro, verifica critica delle evidenze, rettifica, progettazione di scenari e conclusione. Tale spostamento dovrebbe essere misurato tramite output accettati, non bozze grezze.

Due esempi illustrativi ipotetici

Scenario A: decisione di sviluppo

Esempio illustrativo Uno sviluppatore UAE/GCC sta valutando un progetto a uso misto. Tutti i dati, le date e gli esiti in questa sottosezione sono ipotesi gestionali non verificate create per dimostrare il framework. Non costituiscono una valutazione, una previsione o una raccomandazione di transazione.

Il ricavo lordo di sviluppo dello scenario centrale è AED 1.125 billion prima di incentivi, cancellazioni, imposte, commissioni e altri aggiustamenti. Lo scenario sfavorevole combina prezzi più bassi, assorbimento più lento, escalation dei costi e finanziamento più lungo. Lo scenario favorevole combina prezzi più forti, assorbimento più rapido e durata del finanziamento più breve. Le dipendenze impediscono al modello di trattare ciascun driver come una sensibilità isolata.

Il modulo dei comparabili cerca fonti ufficiali e approvate dei fornitori per transazioni su terreni, unità e immobili completati. Mantiene l'intero universo dei candidati, quindi filtra per ubicazione, destinazione d'uso, stato, data e tipo di transazione. Il revisore approva gli aggiustamenti per piano di pagamento, vista, specifiche, stadio di completamento, titolo e condizioni per acquisti in blocco. Il modulo di scenario traduce quindi prezzo e assorbimento in incassi, finanziamento della costruzione, utilizzo del debito e fabbisogno di capitale proprio.

Le soglie decisionali possono includere il picco massimo del capitale proprio, la copertura minima degli interessi, il margine di rispetto dei covenant e il rendimento minimo nello scenario sfavorevole. Il modello dovrebbe mostrare quale ipotesi causa per prima una violazione. AI può redigere la spiegazione dello scostamento. Le autorità finanziarie e di investimento approvano lo scenario, il trattamento del finanziamento e la decisione.

Scenario B: decisione su asset privati

Esempio illustrativo Un family office sta valutando un investimento di minoranza in una società operativa privata. Tutti i valori, le date e i risultati in questa sottosezione sono ipotesi gestionali non verificate. Non costituiscono una valutazione, una raccomandazione di allocazione o un rendimento atteso.

Il motore dei comparabili filtra transazioni quotate e private per modello di business, geografia, crescita, qualità dei ricavi, margine, dimensione, diritti di garanzia e data. Mostra l'effetto di ciascuna esclusione e rettifica. L'approccio reddituale utilizza una previsione basata sui driver. Il motore di scenario combina performance operativa, fabbisogno di capitale, diluizione, tempistica di uscita e multiplo di mercato.

L'output decisionale del family office aggiunge l'idoneità al mandato, la riserva di liquidità, la concentrazione, i diritti di governance, i diritti informativi e la capacità di follow-on. Un valore aziendale sostenibile non stabilisce l'idoneità al portafoglio. Il comitato investimenti approva l'allocazione e le condizioni.

Limite delle evidenze di scenario

Gli input di scenario non hanno validazione osservata. I loro valori non devono comparire in materiali di marketing, affermazioni di marketing, casi di studio o attribuzione della performance. I ricavi attribuiti a Matchpoint o ai clienti, la riduzione dei costi monetari, la riduzione delle perdite e l'alpha derivanti da questi scenari restano USD 0.

Produttività e ricavi

Unità di produttività

L'unità di produttività dovrebbe essere un output accettato e pronto per la decisione. Testi bozza, documenti recuperati, comparabili generati ed esecuzioni di modello sono lavoro intermedio. Una bozza più rapida che genera costi aggiuntivi di revisione o di errore non costituisce un aumento di produttività.

Evidenza esterna di produttività

Brynjolfsson, Li e Raymond hanno studiato un'implementazione scaglionata presso 5.172 agenti di assistenza clienti e hanno riportato un aumento medio del 15 per cento dei problemi risolti per ora, con effetti eterogenei [23]. Noy e Zhang, nel loro studio sperimentale su compiti di scrittura professionale, hanno rilevato tempi di completamento più brevi e una qualità dei risultati più elevata nel quadro del relativo disegno [24]. Dell'Acqua e coautori hanno studiato 758 consulenti e hanno riportato benefici per compiti all'interno della frontiera di capacità AI testata, con prestazioni più deboli su un compito al di fuori di tale frontiera [25].

Questi studi forniscono evidenza credibile che AI generativa possa migliorare attività selezionate di lavoro della conoscenza. Non stabiliscono un tasso di produttività della valutazione. La valutazione comporta evidenze, standard professionali, modelli, conseguenze e revisione diversi. La produttività di Matchpoint e del cliente dovrebbe essere misurata in un progetto pilota controllato.

Ponte illustrativo non verificato del business case

Esempio illustrativo Si ipotizzi che un team completi 20 pacchetti di valutazione o monitoraggio accettati al mese. Si ipotizzi che un progetto pilota controllato riduca il tempo umano mediano da 24 ore a 18 ore, mentre le misure di accettazione, correzione sostanziale ed errore rimangono entro le soglie approvate. La capacità liberata illustrativa è di 120 ore al mese. Si tratta di un calcolo di pianificazione, non di un risultato osservato di Matchpoint o del cliente.

La capacità liberata può essere utilizzata per una maggiore copertura, decisioni più rapide, confronto critico di qualità superiore o attività per i clienti. Il ricavo si genera solo se la capacità supporta un incarico firmato, un deliverable accettato e un compenso incassato. Una formula dei ricavi può essere scritta come:

Ricavi incassati = output pagati accettati x prezzo approvato x tasso di incasso - rimborsi e note di credito

Ogni voce necessita di evidenza osservata. Finché tale evidenza non è approvata, i ricavi incassati attribuiti rimangono USD 0.

Architettura dei ricavi per audience

Per gli sviluppatori, un servizio può includere una diagnostica delle evidenze e della valutazione, un pacchetto di scenari di struttura del capitale, un caso per il finanziatore o l'investitore, la correzione del modello e l'aggiornamento monitorato degli scenari. Per i family office, può includere la revisione della valutazione degli attivi privati, la contestazione dei mark di portafoglio, un pacchetto di scenari di liquidità, l'underwriting delle operazioni e il monitoraggio continuo. I termini commerciali richiedono approvazione separata e documentazione dell'incarico.

Il sito web e l'articolo di ricerca dovrebbero descrivere capacità e controlli. Le affermazioni sui risultati specifiche del cliente richiedono evidenze osservate, approvazione e un'adeguata informativa.

Modalità di fallimento e risposte di controllo

Fallimento dei dati

Evidenze obsolete, duplicate, riportate in modo selettivo o normalizzate in modo errato possono dominare la qualità del modello. Un modello con maggiore capacità può riprodurre i difetti dei dati in modo più coerente. I controlli includono priorità delle fonti, date di efficacia, verifiche di completezza, validazione delle unità, flag di relazione, rilevamento dei duplicati, riconciliazione e campionamento da parte dei revisori.

Fallimento nella selezione dei comparabili

Gli algoritmi di similarità possono apprendere proxy che sembrano statisticamente utili ma sono economicamente inappropriati. Gli analisti possono anche selezionare i comparabili in modo opportunistico. I controlli includono un universo definito per iscritto, criteri di ammissibilità rigorosi, registro completo delle esclusioni, revisione delle caratteristiche, metodi di ranking alternativi e performance fuori campione.

Fallimento delle previsioni e degli scenari

Gli scenari possono nascondere dipendenze incoerenti, conteggiare due volte i rischi, applicare probabilità senza evidenze o ignorare i vincoli di finanziamento. I controlli includono un grafo dei driver, riconciliazione contabile e di cassa, logica delle azioni del management, stress inverso e contestazione indipendente.

Bias di automazione

Una narrazione curata e numeri precisi possono aumentare la fiducia degli utenti. Il report dovrebbe distinguere visibilmente evidenze osservate, stime del modello, assunzioni del management, overlay e scenari non verificati. I revisori dovrebbero vedere le divergenze del modello e le evidenze mancanti prima della conclusione.

Deriva del modello

I regimi di mercato, la copertura dei dati, gli incentivi e il mix di attivi cambiano. Il monitoraggio dovrebbe testare la distribuzione degli input, l'errore, la copertura degli intervalli, il tasso di override, la quota di dati mancanti e la performance per segmento. Il superamento di una soglia dovrebbe attivare limitazione, ricalibrazione, riprogettazione o dismissione.

Fallimento cyber, privacy e fornitori

I sistemi di valutazione possono contenere dati riservati di carattere finanziario, di titolarità, immobiliare e transazionale. I controlli includono accesso minimo, crittografia, analisi di regione e conservazione, due diligence sui fornitori, risposta agli incidenti, autorizzazioni per prompt e strumenti, filtraggio degli output, capacità di backup ed esportazione. Un servizio del fornitore non dovrebbe diventare l'unico archivio delle evidenze.

Governance e gate di rilascio

Governare, Mappare, Misurare e Gestire

Il framework RMF del NIST AI organizza il lavoro sul rischio AI in quattro funzioni [7]. Applicato alla valutazione:

• Governare: definire responsabilità, policy, inventario, propensione al rischio ed escalation.
• Mappare: definire la decisione, gli utenti, l'oggetto, il contesto, i danni e le dipendenze.
• Misurare: testare dati, modello, incertezza, sicurezza, spiegabilità e uso umano.
• Gestire: approvare, limitare, monitorare, porre rimedio, comunicare e dismettere.

ISO/IEC 42001 specifica i requisiti per un sistema di gestione AI e supporta un quadro organizzativo più ampio per lo sviluppo e l'uso responsabili [16]. L'adozione o la certificazione non dovrebbe essere presentata come prova che una specifica valutazione sia corretta.

Gate di rilascio

L'approvazione può limitare il modello a un mercato, a una tipologia di asset, a un intervallo temporale, a un intervallo di valore o a un utilizzo. Un pilot di successo supporta solo il perimetro testato.

Roadmap di adozione in novanta giorni

Giorni 0-15: perimetro e inventario

• selezionare un caso d'uso delimitato;
• documentare finalità, base, data, utenti e diritti decisionali;
• inventariare dati, modelli, fogli di calcolo e fornitori esistenti;
• mappare i dati riservati e gli accessi;
• definire misure di accettazione, errore e produttività; e
• registrare la baseline attuale.

Punto di controllo: istruzione approvata, responsabile, baseline e piano di accesso ai dati.

Giorni 16-30: registro delle evidenze

• creare la gerarchia delle fonti e il dizionario dei dati;
• acquisire un'istantanea datata delle evidenze;
• costruire i campi di provenienza, trasformazione ed esclusione;
• verificare completezza, unità, duplicati e leakage;
• definire la revisione dell'estrazione AI; e
• preparare un insieme rappresentativo di casi.

Punto di controllo: le evidenze possono essere tracciate dalla fonte al campo normalizzato.

Giorni 31-45: prototipo di comparabili e scenari

• implementare regole di ammissibilità e ranking;
• costruire metodi di benchmark trasparenti;
• aggiungere alternative corrette per le caratteristiche;
• creare il grafo dei driver di scenario;
• definire la logica di astensione e di override; e
• produrre output di bozza collegati alle fonti.

Punto di controllo: ogni conclusione può essere riprodotta e contestata.

Giorni 46-60: validazione indipendente

• testare concetto, dati, codice e output;
• eseguire test di performance sensibili al tempo e per segmento;
• testare gli intervalli di previsione e i flag di out-of-distribution;
• riesaminare le spiegazioni e i casi avversi;
• testare sicurezza, accessi e fallback del fornitore; e
• porre rimedio ai rilievi.

Punto di controllo: nessun rilievo critico aperto; restrizioni approvate registrate.

Giorni 61-75: operatività shadow

• eseguire in parallelo i processi nuovi e quelli attuali;
• raccogliere dati su tempi, accettazione, correzioni ed eccezioni;
• confrontare le decisioni del modello e del revisore;
• registrare il motivo e l'esito dell'override;
• testare la reportistica destinata al comitato; e
• affinare le soglie.

Punto di controllo: le evidenze supportano un uso controllato entro il perimetro dichiarato.

Giorni 76-90: rilascio controllato

• approvare le autorizzazioni per modello, dati e utenti;
• formare utenti e revisori;
• attivare il monitoraggio e il flusso di lavoro per gli incidenti;
• definire i processi di modifica e dismissione;
• rilasciare solo il caso d'uso approvato; e
• pianificare la revisione post-implementazione.

Punto di controllo: l'autorità responsabile firma il rilascio e le limitazioni.

Registro delle dichiarazioni e limitazioni

Dichiarazioni consentite

Le evidenze supportano le seguenti dichiarazioni circoscritte:

• AI e il machine learning possono supportare l'estrazione delle evidenze, l'analisi comparabile, la modellizzazione e la produzione di scenari.
• Gli standard ufficiali di valutazione richiedono un ambito definito, dati appropriati, metodo, giudizio, documentazione e reporting [1-5].
• I framework per il rischio di modello pongono l'accento su inventario, governance, validazione, monitoraggio e controllo [6-8,14-16].
• Studi primari dimostrano un miglioramento della produttività in specifiche attività di assistenza clienti, scrittura e consulenza [23-25].
• Uno studio AVM sul settore immobiliare commerciale ha riportato una performance favorevole in termini di errore all'interno del suo specifico campione statunitense multifamiliare [22].
• I dati ufficiali di Dubai migliorano l'accesso a determinate osservazioni di mercato [11-12].

Affermazioni non supportate

Le evidenze non dimostrano che:

• un output di AI costituisca una valutazione o una decisione di investimento;
• un singolo modello sia accurato su tutti gli asset GCC e i regimi;
• più dati eliminino la necessità del giudizio professionale;
• la spiegazione dimostri causalità o equità;
• una stima puntuale sia più utile ai fini decisionali di un intervallo;
• le percentuali di produttività esterne si applichino alla valutazione;
• una produzione più rapida generi ricavi incassati; oppure
• ha generato Matchpoint o ricavi per i clienti, risparmi di cassa, riduzione delle perdite o alpha.

Limitazioni empiriche

Non sono stati forniti Matchpoint o dataset pilota di clienti, esiti di valutazione realizzati, studio dei tempi, serie di errori, registro di accettazione o evidenza di ricavi. Gli esempi illustrativi e gli scenari non sono casi osservati. L'articolo propone quindi un sistema e un protocollo di test. Non riporta le prestazioni di un modello in produzione.

Limitazioni normative e professionali

I requisiti contabili, di valutazione, sui titoli, sul credito, sui dati, AI e professionali variano in base a entità, asset, giurisdizione, incarico e data. I materiali citati della SEC, della Federal Reserve e della PRA hanno ambiti istituzionali definiti. Sono utilizzati come evidenza di controllo comparativa al di fuori di tali ambiti, non come dichiarazioni di obblighi legali universali.

Limitazioni tecniche

Le prestazioni del modello dipendono da copertura delle fonti, codifica, progettazione delle feature, regime, soggetto e uso previsto. Gli intervalli di previsione dipendono dal loro metodo e dalle loro ipotesi. I modelli generativi possono produrre contenuti non supportati. I modelli dei fornitori possono cambiare. Il sistema di produzione necessita di controllo delle versioni, validazione, monitoraggio, controlli di accesso e fallback.

Limitazioni commerciali

Nessuna previsione di domanda, prezzi, conversione o incasso è stata approvata. Il confezionamento dei servizi e le commissioni richiedono l'approvazione di CK e i termini di incarico del cliente. I ricavi attribuiti, la riduzione dei costi monetari, la riduzione delle perdite e l'alpha restano USD 0.

Conclusione

La valutazione aumentata con AI dovrebbe essere progettata come un sistema che va dall'evidenza alla decisione. Il sistema inizia con scopo, diritti, base, data e autorità. Memorizza evidenze di mercato e operative con provenienza. Mantiene visibili l'universo comparabile, l'ammissibilità, la graduatoria, gli aggiustamenti e le esclusioni. Combina metodi di valutazione trasparenti con un supporto macchina limitato. Modella scenari coerenti e azioni del management. Riporta l'incertezza e si astiene al di fuori del perimetro approvato. Assegna l'autorità finale a persone responsabili.

Per i CIO dei family office e i responsabili delle strategie alternative, il sistema può aumentare la coerenza e la copertura delle decisioni sugli asset privati preservando la revisione del mandato, della liquidità e della concentrazione. Per gli sviluppatori immobiliari e gli sponsor finanziari UAE/GCC, può collegare evidenze di mercato, ipotesi di sviluppo, struttura del capitale e soglie decisionali in un unico processo governato. In entrambi i casi, la produttività dovrebbe essere misurata tramite output accettati e il valore attribuito tramite evidenze commerciali osservate e approvate.

La disciplina centrale di implementazione è la tracciabilità. Un revisore dovrebbe poter passare dalla conclusione al metodo, all'ipotesi, alla trasformazione e alla fonte datata. Un comitato dovrebbe poter vedere incertezza, dipendenza dagli scenari e disaccordo tra modelli prima di approvare un'azione. Un esito futuro dovrebbe aggiornare il modello e il registro di controllo. È così che AI può moltiplicare la copertura analitica senza oscurare il giudizio di valutazione.

Riferimenti

[1] Fondazione IFRS. IFRS 13 Valutazione del fair value. Standard emanati, edizione 2024. https://www.ifrs.org/issued-standards/list-of-standards/ifrs-13-fair-value-measurement/

[2] International Valuation Standards Council. Pubblicata la nuova edizione degli standard internazionali di valutazione. 31 gennaio 2024; in vigore dal 31 gennaio 2025. https://ivsc.org/new-edition-of-the-international-valuation-standards-ivs-published/

[3] International Private Equity and Venture Capital Valuation Board. Linee guida internazionali per la valutazione del private equity e del capitale di rischio. 2025. https://www.privateequityvaluation.com/Valuation-Guidelines

[4] Royal Institution of Chartered Surveyors. Modelli di valutazione automatizzati. Documento di approfondimento, 2022. https://www.rics.org/profession-standards/rics-standards-and-guidance/sector-standards/valuation-standards/automated-valuation-models

[5] Royal Institution of Chartered Surveyors. Valutazioni per il credito bancario e valore di finanziamento ipotecario, 2ª edizione. Dicembre 2025. https://www.rics.org/content/dam/ricsglobal/documents/standards/Bank-lending-valuations-and-MLV_2nd-edition_Dec2025.pdf

[6] Banca centrale del UAE. Standard di gestione dei modelli. Avviso 5052/2022. https://www.centralbank.ae/en/rulebook/banking/risk-management/risk-management/model-management-standards/

[7] National Institute of Standards and Technology. Framework per la gestione dei rischi dell'intelligenza artificiale (AI RMF 1.0). NIST AI 100-1, gennaio 2023. https://www.nist.gov/itl/ai-risk-management-framework

[8] National Institute of Standards and Technology. Framework per la gestione dei rischi dell'intelligenza artificiale: profilo dell'intelligenza artificiale generativa. NIST AI 600-1, luglio 2024. https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf

[9] Dubai Financial Services Authority. Nuova indagine DFSA sull'AI: l'adozione dell'AI generativa è quasi triplicata all'interno del DIFC; la governance continua a evolversi. 2025. https://www.dfsa.ae/news/new-dfsa-ai-survey-generative-ai-adoption-has-nearly-tripled-within-difc-last-12-months-governance-continues-develop

[10] Organizzazione internazionale delle commissioni sui valori mobiliari. Intelligenza artificiale nei mercati dei capitali: casi d'uso, rischi e sfide. 2025. https://www.iosco.org/library/pubdocs/pdf/IOSCOPD788.pdf

[11] Dubai Land Department. Dati immobiliari: dati aperti. Consultato il 1 agosto 2026. https://dubailand.gov.ae/en/open-data/real-estate-data/

[12] Dipartimento del territorio di Dubai. Le transazioni immobiliari di Dubai aumentano del 31% raggiungendo AED 252 billion nel primo trimestre 2026. 2026. https://dubailand.gov.ae/en/news-media/dubai-s-real-estate-transactions-surge-31-to-reach-aed-252-billion-in-q1-2026/

[13] Commissione per i titoli e gli scambi degli Stati Uniti. Determinazioni in buona fede del valore equo: Guida alla conformità per le piccole entità. 2020. https://www.sec.gov/resources-small-businesses/small-business-compliance-guides/good-faith-determinations-fair-value-small-entity-compliance-guide

[14] Consiglio dei governatori del Sistema della Federal Reserve. SR 26-2: Guida riveduta sulla gestione del rischio di modello. 17 aprile 2026. https://www.federalreserve.gov/supervisionreg/srletters/SR2602.htm

[15] Banca d'Inghilterra, Autorità di regolamentazione prudenziale. SS1/23: Principi di gestione del rischio di modello per le banche. Versione attuale, aprile 2026. https://www.bankofengland.co.uk/prudential-regulation/publication/2023/may/model-risk-management-principles-for-banks-ss

[16] Organizzazione internazionale per la normazione. ISO/IEC 42001:2023, Tecnologie dell'informazione - Intelligenza artificiale - Sistema di gestione. 2023. https://www.iso.org/standard/42001

[17] Rosen, S. Prezzi edonici e mercati impliciti: differenziazione del prodotto in concorrenza pura. Journal of Political Economy, 82(1), 34-55, 1974. https://doi.org/10.1086/260169

[18] Breiman, L. Foreste casuali. Machine Learning, 45, 5-32, 2001. https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf

[19] Friedman, J. H. Approssimazione greedy di funzioni: una macchina a gradient boosting. Annals of Statistics, 29(5), 1189-1232, 2001. https://doi.org/10.1214/aos/1013203451

[20] Lundberg, S. M., e Lee, S.-I. Un approccio unificato all'interpretazione delle previsioni del modello. Advances in Neural Information Processing Systems 30, 2017. https://arxiv.org/abs/1705.07874

[21] Angelopoulos, A. N., e Bates, S. Un'introduzione accessibile alla previsione conforme e alla quantificazione dell'incertezza senza distribuzione. 2021. https://arxiv.org/abs/2107.07511

[22] Kok, N., Koponen, E.-L., e Martinez-Barbosa, C. A. Big Data nel settore immobiliare? Dalla valutazione manuale alla valutazione automatizzata. Journal of Portfolio Management, 43(6), 202-211, 2017. https://doi.org/10.3905/jpm.2017.43.6.202

[23] Brynjolfsson, E., Li, D., e Raymond, L. AI generativa al lavoro. Quarterly Journal of Economics, 140(2), 889-942, 2025. https://doi.org/10.1093/qje/qjae044

[24] Noy, S., e Zhang, W. Evidenza sperimentale sugli effetti sulla produttività dell'intelligenza artificiale generativa. Science, 381(6654), 187-192, 2023. https://doi.org/10.1126/science.adh2586

[25] Dell'Acqua, F., McFowland, E. III, Mollick, E., Lifshitz-Assaf, H., Kellogg, K. C., Rajendran, S., Krayer, L., Candelon, F., e Lakhani, K. R. Orientarsi nella frontiera tecnologica frastagliata: evidenza sperimentale sul campo degli effetti di AI sulla produttività e sulla qualità dei lavoratori della conoscenza. Organization Science, 2026. https://doi.org/10.1287/orsc.2025.21838

Appendice A. Registro minimo delle evidenze di valutazione

Appendice B. Checklist di revisione delle comparabili

• Sono definiti l'interesse oggetto e l'unità di conto?
• La data di valutazione è imposta nella query sulle evidenze?
• L'universo completo dei candidati è mantenuto?
• Le regole di ammissibilità rigide sono definite prima della graduatoria?
• Ogni comparabile esclusa ha un motivo codificato?
• I termini dell'operazione e i diritti di garanzia sono normalizzati?
• Sono documentati gli aggiustamenti per tempo, dimensione, qualità, diritti e finanziamento?
• Il modello evita informazioni future e target leakage?
• Gli errori sono riportati per segmento significativo e per periodo?
• Il soggetto rientra nella distribuzione dei dati validata?
• Le indicazioni dei metodi sono riconciliate anziché mediate meccanicamente?
• Sono conservati gli overlay del revisore, i motivi e i valori precedenti?
• Il report mostra dispersione, incertezza e limitazioni?

Appendice C. Checklist di scenario e rilascio

• La decisione e l'orizzonte sono definiti?
• Gli stati centrale, avverso, favorevole e di reverse-stress sono coerenti?
• Sono documentate le dipendenze dei driver?
• Sono attribuiti alle azioni del management autorità, costo e ritardo?
• I flussi di cassa, di finanziamento, fiscali e contabili si riconciliano?
• Le probabilità sono supportate o omesse?
• Sono visibili le soglie decisionali e i fattori del primo superamento?
• La validazione indipendente ha coperto dati, metodo, codice e utilizzo?
• Sono approvati accesso, riservatezza, logging e fallback del fornitore?
• Le regole di astensione e limitazione sono attive?
• Gli utenti sono formati sui limiti del modello e sul bias di automazione?
• È attivo il monitoraggio di deriva, errori, override e incidenti?
• La decisione finale è attribuita a una persona autorizzata?

Appendice D. Glossario

Astensione: un esito controllato che non formula una conclusione automatizzata e indirizza il caso alla revisione manuale.

Modello di valutazione automatizzato: un sistema matematico o statistico che stima il valore a partire da dati immobiliari o di mercato con un grado definito di automazione.

Base di valore: le assunzioni fondamentali di misurazione in base alle quali viene stimato un valore.

Calibrazione: adeguamento di un modello affinché il suo output sia coerente con le evidenze osservate pertinenti, incluso il prezzo della transazione ove appropriato.

Comparabile: una transazione, uno strumento o un'attività osservati utilizzati per orientare la valutazione dopo aver analizzato pertinenza e differenze.

Predizione conforme: una famiglia di metodi che costruisce insiemi o intervalli di previsione utilizzando dati di calibrazione e proprietà di copertura definite.

Registro delle evidenze: un registro con versionamento che collega ogni input rilevante alla relativa fonte, data, trasformazione, revisore e uso nell'output.

Spiegabilità: informazioni che descrivono come gli input hanno influenzato l'output di un modello; non stabiliscono di per sé correttezza o causalità.

Rischio modello: potenziale conseguenza avversa derivante da decisioni basate su modelli errati, utilizzati in modo improprio o scarsamente controllati.

Fuori distribuzione: un soggetto o un input materialmente al di fuori della popolazione rappresentata nello sviluppo e nella validazione del modello.

Intervallo di previsione: un intervallo concepito per contenere un esito futuro o non osservato a un livello di copertura dichiarato, secondo le ipotesi del metodo.

Scenario: un insieme coerente di ipotesi economiche, operative e di finanziamento collegate, utilizzato per valutare un esito o una decisione.

Sensibilità: l'effetto della modifica di una o più ipotesi, spesso senza postulare uno stato del mondo completo.

Rettifica di valutazione: una rettifica umana documentata applicata a un'indicazione di modello o metodo per evidenze o rischi non adeguatamente colti.