HAT SGR · AI PER IL PRIVATE EQUITY

dall’ai literacy
agli agenti.

Capire l’intelligenza artificiale, usarla con criterio, imparare a delegarle lavoro.

Milano · 12–13 ottobre 2026

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityil relatore

bernardino sassoli de’ bianchi

Consulente strategico sull’adozione dell’AI per organizzazioni finanziarie e industriali
Co-fondatore di deepers.ai e di fludd.ai · socio AIxIA, responsabile data track “AI e Cultural Heritage”
Professore a contratto di Logica e Filosofia della Scienza, Università degli Studi di Milano · Advisory Board, Master in Human-Centered AI
Membro del Comitato Industriale di PM&Partners (private equity) · in precedenza Bain & Company, Prometeia, Interbanca (M&A)
Certified TensorFlow Developer (Google) · Chapter Lead di Omdena Italia

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityobiettivi

tre obiettivi per oggi

01 · capire

che cos’è l’intelligenza artificiale

Neuroni, token, addestramento, capacità e limiti strutturali

02 · applicare

workflow reali di private equity

Dalla target company al business case, al memo e alla comunicazione interna

03 · applicare

Copilot e workflow

Un caso di investimento, dalla lettura delle fonti al memo interno

bernardino sassoli de’ bianchi

hat sgr · ai per il private equitypremessa

cosa non faremo…

Schema di una rete neurale a due strati con le formule di backpropagation: derivate parziali dell’errore rispetto ai pesi

bernardino sassoli de’ bianchi

hat sgr · ai per il private equitypremessa

cosa non faremo… // 2

Video verticale di un creator: «esperto con l’intelligenza artificiale in un solo giorno»

Video YouTube: «Tutorial ChatGPT 2025 — Diventa un utente esperto di IA in 30 minuti»

Video YouTube: «Come studiare l’AI così velocemente che ti sembrerà di imbrogliare»

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityil contesto

l’ai è la nuova elettricità

andrew ng — stanford university, già google brain e baidu

Una mano aperta nel buio regge una lampadina accesa

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityil paradosso

Un punto interrogativo al neon rosso nel buio

eppure…

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityil paradosso

Articolo del Sole 24 Ore, 20 agosto 2025: «Mit: 95% dei progetti aziendali GenAi non produce valore, solo il 5% porta ritorni». Sottolineato: l’uso non ufficiale di AI tra i dipendenti supera le licenze

inizio della fine di una bolla o inefficienza del management?

probabilmente entrambe le cose…

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityil paradosso

ci troviamo di fronte a un paradosso

A un’adozione rapidissima e a teorici possibili guadagni in produttività non sembrano corrispondere impatti reali misurabili.

Un cane grigio con la testa inclinata, perplesso, su fondo bianco

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityil paradosso

eppure le evidenze sono ancora non conclusive

roi positivo

>74%

aziende coinvolte

~800

Copertina del rapporto Wharton – Human-AI Research, ottobre 2025: «Accountable Acceleration: Gen AI Fast-Tracks Into the Enterprise», Year Three Executive Summary

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityblocco 1

blocco 1

che cos’è (e non è) l’ai generativa

L’interfaccia è banale. Capire che cosa avete davanti non lo è.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · le definizioni

modello, chatbot, agente

Le tre parole di oggi — le vedremo una alla volta.

01 · il motore

modello

Un predittore statistico che calcola la parola più probabile

esempioGPT-6 Astra

02 · l’interfaccia

chatbot

Il modello dentro una conversazione a turni: risponde, e si ferma

esempioChatGPT

03 · il lavoro

agente

Riceve un obiettivo, usa strumenti, consegna un risultato

esempioOpenAI Codex

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · come impara una macchina

il salto: dalle regole ai dati

Sotto tutto quello che vedrete oggi c’è un cambio di paradigma: il machine learning.

prima · programmazione classica

istruzioni esplicite

Un umano scrive la regola, riga per riga. La macchina la esegue, niente di più.

SE traffico > 60%   →  resto
SE piove             →  resto
ALTRIMENTI           →  parto

ora · machine learning

esposizione ai dati

Nessuno scrive la regola. Si mostrano esempi con il risultato: il pattern lo trova lei.

traffico 20%  sole 85%  →  partito
traffico 80%  sole 30%  →  rimasto
… altri 18 weekend       →  regola?

La regola non la scrivete voi: la scopre lei dai dati. Vale per il neurone di fra poco come per un modello da mille miliardi di parametri.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · come impara una macchina

un neurone che impara a decidere

il neurone · una regressione logistica

errori sui 20 weekend —

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · come impara una macchina

dal neurone alla rete

la rete · 2 ingressi · 4 neuroni · 1 uscita

un neurone—

una rete di 4—

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · che cos’è (e non è)

che cos’è un large language model (llm)?

Un grande modello linguistico è un predittore statistico della parola successiva, addestrato su enormi quantità di testo
Invece di predire se si parte o no, predice il prossimo token: l’unità in cui legge e scrive il testo. Una parola corta è un token, una lunga si spezza in pezzi (consul·ente)
Non “sa” le cose: non cerca una risposta, la genera — e l’aspetto sicuro non dice nulla sulla correttezza
Da qui nascono capacità sorprendenti e limiti strutturali
Il modello da solo non è un prodotto: è il motore

come la legge il modello: 4 token, il quinto da predire

ilmercatooggiè?

“il mercato oggi è sceso”

sceso42%

salito31%

stabile18%

volatile9%

Illustrazione semplificata: il modello sceglie la continuazione più probabile, token dopo token.

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (60–90 s) Fermatevi sulla parola «token», perché la ritroverete ovunque: nei limiti dei modelli, nei prezzi, nel quarto pilastro sul contesto. Un token è l’unità in cui il modello spezza il testo prima di leggerlo e mentre lo scrive. Non coincide con la parola: «il», «oggi», «è» sono un token ciascuno; una parola lunga o rara come «consulente» viene spezzata in due o tre pezzi. In inglese un token vale circa tre quarti di parola; in italiano un po’ meno, perché le parole sono più lunghe e il modello ne ha viste meno. Il pannello a destra mostra la stessa cosa: la frase «il mercato oggi è» sono quattro token, e il modello sta scegliendo il quinto. Non sceglie una frase intera, sceglie un pezzo alla volta, e poi ricomincia con la frase allungata di un pezzo. Tutto quello che vedete uscire da un chatbot è prodotto così. Due conseguenze pratiche da anticipare: la memoria di lavoro di un modello, la «finestra di contesto», si misura in token, non in pagine; e quando un servizio vi fa pagare «a consumo», vi fa pagare i token letti e i token scritti.

hat sgr · ai per il private equity1 · che cos’è (e non è)

il testo, fatto a pezzi

Prima di leggere, il modello spezza il testo in token: parole intere, pezzi di parola, segni. Ogni pezzo è un numero.

“Oggi sono a Milano per un workshop HAT sull’AI ma ho la laringite, e quindi parlo con poca voce.”

vocabolario

~200.000

pezzi diversi: il modello conosce solo questi, e li combina

regola del pollice

	parole → token	token → parole
inglese	× 1,33	× 0,75
italiano	× 1,75	× 0,57
prudente	× 2	× 0,5

prezzo a consumo

$ / milione	letti	scritti
Claude Opus 5.5	4	20
Claude Sonnet 5.5	2	10
Claude Haiku 4.5	1	5
GPT-5.5	5	30
Gemini 3.1 Pro	2	12

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (60–90 s) Nella slide prima abbiamo detto «token» di passaggio. Qui lo guardiamo da vicino, perché è la moneta di tutto quello che segue. Passo 1: una frase qualunque, quella di oggi. Passo 2: il modello non la legge così: la spezza in pezzi. Le parole frequenti restano intere; le altre si dividono, per esempio «O·ggi», «Mil·ano», «H·AT», «l·aring·ite», «par·lo». I pezzi in rosso sono frammenti di parola. Anche lo spazio prima della parola fa parte del token, e l’apostrofo è un token a sé. Passo 3: ogni pezzo è un numero in un vocabolario di circa duecentomila voci. Il modello non vede lettere né parole: vede 46, 71506, 16251… e restituisce numeri, che poi diventano testo. Lo stesso pezzo ha sempre lo stesso numero, in qualunque frase: « workshop» è sempre 24834. Passo 4: l’italiano tende a spezzarsi più dell’inglese e, a parità di contenuto, occupa più contesto. Regola del pollice: in inglese parole × 1,33 = token; in italiano parole × 1,75, e × 2 per testi tecnici pieni di nomi, cifre e sigle. All’inverso: token × 0,57 = parole italiane. Esempio: una finestra di contesto da 200.000 token contiene circa 114.000 parole italiane, 200–250 pagine fitte. Passo 5: per questo tutto si misura in token, anche il prezzo. Via API si paga a consumo, in dollari per milione di token, e i token scritti costano 4–6 volte quelli letti. Un milione di token sono circa 570.000 parole italiane: una decina di romanzi. Una domanda con un documento di 20 pagine (circa 15.000 token) e una risposta di una pagina costa pochi centesimi anche con i modelli di punta. Il costo vero arriva con gli agenti, che rileggono tutto a ogni passo. FONTI (non in slide): token e numeri reali, calcolati con il tokenizzatore o200k_base (GPT-4o) della libreria tiktoken di OpenAI; altri modelli usano tokenizzatori diversi e spezzano in modo un po’ diverso, il principio non cambia. Coefficienti per l’italiano misurati sulla prosa dei dossier del corso con lo stesso tokenizzatore (1,6–1,9 token per parola su testi tecnici); 1,33 per l’inglese è la regola indicata da OpenAI. Conteggio dal vivo: src/main.py (tiktoken, encoding di gpt-4o). Illustrazione ispirata al visual explainer del Financial Times su token e inferenza [DA VERIFICARE titolo e data dell’articolo FT]: anche lì «Explain» è il token 176289, stesso tokenizzatore. Prezzi API di listino in dollari per milione di token, input/output, ottobre 2026: Claude da listino Anthropic (Opus 5.5 4/20, Sonnet 5.5 2/10, Haiku 4.5 1/5); GPT-5.5 5/30 e Gemini 3.1 Pro 2/12 (fino a 200.000 token di prompt) da aggregatori di prezzi [DA VERIFICARE GPT-5.5 e Gemini 3.1 Pro sui listini ufficiali OpenAI e Google prima di ogni tappa].

hat sgr · ai per il private equity1 · che cos’è (e non è)

una risposta, un token alla volta

input · quello che il modello legge

→

modello

legge tutto,
scrive 1 token

→

output

guardati 12scritti 0

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (90–120 s) Questa è la parola difficile della giornata: autoregressivo. Vuol dire una cosa semplice: il modello scrive un token, lo aggiunge al testo, e usa il testo allungato per scrivere il token successivo. «Auto» perché si nutre del proprio output. Passo 1: a sinistra l’input, la richiesta: 12 token. Il modello li legge tutti e ne produce uno solo, a destra: «Il». Passo 2: guardate la freccia rossa. «Il» torna in coda all’input. Ora il modello legge 13 token, la richiesta più la propria risposta finora, e produce il successivo: «cal». Passo 3: anche «cal» rientra, ed esce «o». A metà parola: non scrive parole, scrive pezzi. È il completamento automatico del telefono, ripetuto: completa, rilegge, completa. Dal passo 4 si va avanti un token per volta, undici giri per undici token: scorrete al ritmo che vi serve. Guardate il contatore: quelli letti crescono a ogni giro. Ultimo passo, la parola: generazione autoregressiva. Poi tre conseguenze, a voce (non più in slide). Uno: non c’è un piano della frase; esiste solo il prossimo pezzo (i modelli «che ragionano» scrivono prima una brutta copia, sempre token per token). Due: non torna indietro; se un pezzo è sbagliato, i successivi lo seguono con coerenza, e l’errore suona convincente. Tre: più testo c’è davanti, più lavoro per ogni nuovo token: per questo le conversazioni lunghe costano di più e la finestra di contesto ha un limite. Ponte: nella slide successiva vediamo che il prossimo token non è nemmeno sempre lo stesso. FONTI (non in slide): token e numeri reali, tokenizzatore o200k_base (GPT-4o, libreria tiktoken); la risposta è illustrativa e non include i token di servizio del formato chat. Illustrazione ispirata al visual explainer del Financial Times su token e inferenza [DA VERIFICARE titolo e data dell’articolo FT].

hat sgr · ai per il private equity1 · che cos’è (e non è)

stessa domanda, risposte diverse

“il mercato oggi è …”

sceso42%

salito31%

stabile18%

volatile9%

Una mano regge uno smartphone con la calcolatrice aperta, sopra una cartellina di documenti — il computer che conoscevate: stessa domanda, **stessa risposta**

Due dadi bianchi impilati su un panno verde — questo: stessa domanda, **risposta a sorte**

Non è un difetto: è il meccanismo. La parola esce a sorte, con quelle probabilità
Niente ripetibilità: quello che ha funzionato ieri può non funzionare oggi
Non si testa una volta e ci si fida: si valida ogni volta

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · che cos’è (e non è)

predire il token è solo l’inizio

Il motore resta lo stesso. Quello che cambia il comportamento è come viene addestrato, in tre fasi.

fase 1

pre-
addestramento

L’avete appena visto: legge quantità enormi di testo e ne assorbe le regolarità. Da qui la parola successiva

fase 2

istruzioni e preferenze

Esempi e giudizi umani gli insegnano a seguire una richiesta e a rispondere in modo utile (RLHF)

fase 3

risultati verificabili

Quando la risposta si può controllare, con un calcolo o un test, impara dagli esiti delle proprie prove

La parola successiva resta il meccanismo di generazione; il comportamento che osserviamo dipende anche da come il modello è stato addestrato. Nessuna delle tre fasi elimina errori e allucinazioni.

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (60–90 s) Nella slide prima abbiamo visto il meccanismo: la parola più probabile, token dopo token. Ma se fosse tutto qui, un modello risponderebbe a «prepara un memo sulla target» continuando il testo come una pagina web qualsiasi. Il motore resta quello; quello che vedete cambiare da un modello all’altro, e da un anno all’altro, è l’addestramento. Fase 1, pre-addestramento: legge quantità enormi di testo e ne assorbe le regolarità. È la fase «da neurone» che abbiamo visto: nessuno scrive le regole. Fase 2, istruzioni e preferenze: persone scrivono esempi di richieste e risposte, e poi giudicano quali risposte preferiscono; il modello impara a seguire una richiesta e a essere utile. In gergo: RLHF. Fase 3, risultati verificabili: dove la risposta si può controllare in automatico, un calcolo, un test che passa o non passa, il modello prova, riceve l’esito e impara dai propri tentativi. È da qui che vengono i modelli «che ragionano». Chiusura: la parola successiva resta il meccanismo; il comportamento dipende anche dall’addestramento. E nessuna fase elimina errori e allucinazioni: fra due slide li vediamo uno per uno. FONTI (non in slide): fase 2 → Ouyang et al., «Training language models to follow instructions with human feedback» (InstructGPT, OpenAI, 2022). Fase 3 → DeepSeek-AI, «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning» (2025). Addestramento all’uso degli strumenti → OpenAI, annuncio di o3 e o4-mini (aprile 2025).

hat sgr · ai per il private equity1 · che cos’è (e non è)

imparare dalle preferenze umane

1 · pre-addestramento2 · preferenze umane3 · risultati verificabili

“Il management dice che il mercato raddoppierà in cinque anni. È chiaramente una target eccezionale, giusto?”

risposta a

Sì: con un mercato in raddoppio, la crescita della target appare molto attraente.preferita

risposta b

Prima verifichiamo fonte, perimetro e quota conquistabile. Una previsione del management non è ancora una tesi d’investimento.preferita

come si addestra

una persona sceglie

↓migliaia di giudizi→un giudice

↓il modello insegue i voti del giudice

ha imparato a piacere,
non a essere nel giusto.

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (60–90 s) Fase due. Il modello pre-addestrato sa continuare un testo, ma non sa che cosa vogliamo da lui. Qui entrano le persone. Passo 1: stessa richiesta, due risposte. Una persona sceglie quella che preferisce. Nessuna regola scritta: un giudizio. Passo 2: si raccolgono migliaia di giudizi così e ci si addestra un secondo modello, un «giudice», che dà un voto a qualsiasi risposta. (In gergo: reward model.) Passo 3: il modello viene spinto, per rinforzo, verso le risposte che il giudice premia. È così che è diventato utile, cortese, capace di seguire una richiesta. Chiusura: il giudice premia ciò che le persone preferiscono. E le persone, spesso, preferiscono sentirsi dire che hanno ragione. Il servilismo che vedremo tra poche slide non è un incidente: è un effetto collaterale di questo addestramento. Ha imparato a piacere, non a essere nel giusto. FONTI (non in slide): Ouyang et al., «Training language models to follow instructions with human feedback» (InstructGPT, OpenAI, 2022). Sul servilismo come effetto del feedback umano: Sharma et al., «Towards Understanding Sycophancy in Language Models» (Anthropic, 2023).

hat sgr · ai per il private equity1 · che cos’è (e non è)

imparare dai risultati verificabili

1 · pre-addestramento2 · preferenze umane3 · risultati verificabili

“Enterprise value con EBITDA di 18 M€ e multiplo di ingresso 10×?”

verificatore automatico—

come si addestra

il modello prova, molte volte

↓il calcolo dice giusto o sbagliato

↓rinforza ciò che ha funzionato

una tesi d’investimento non ha un verificatore automatico.
il verificatore siete voi.

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (60–90 s) Fase tre. Ci sono compiti in cui la risposta si può controllare senza una persona: un calcolo, un problema di matematica, un programma che passa o non passa i test. Qui il rinforzo cambia natura. Passo 1: il modello prova dodici volte a calcolare l’enterprise value. Passo 2: un verificatore automatico, il calcolo stesso, segna tre giuste e nove sbagliate. Passo 3: le prove giuste vengono rinforzate, il modello viene spinto a rifare ciò che ha funzionato. Nuovo giro: nove su dodici. Nessuno gli ha spiegato la formula; ha imparato dagli esiti delle proprie prove. È da qui che vengono i modelli «che ragionano», forti in matematica e codice. Chiusura, ed è il punto per la sala: funziona dove esiste un verificatore automatico. Una tesi d’investimento non ce l’ha: nessun test automatico stabilisce se mercato, management, vantaggio competitivo e piano industriale giustifichino il rischio. Il verificatore siete voi. È la ragione per cui la frontiera è frastagliata, e per cui l’output è sempre una bozza. Il numero: l’enterprise value è 180 M€ (18 M€ × 10). FONTI (non in slide): DeepSeek-AI, «DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning» (2025). Per l’addestramento all’uso degli strumenti con lo stesso principio: OpenAI, annuncio di o3 e o4-mini (aprile 2025).

hat sgr · ai per il private equity1 · che cos’è (e non è)

ricapitolando: tre addestramenti, poi l’uso

fase	che cosa succede	che cosa serve	che cosa ne esce
1 · pre-addestramento pre-training	Legge una copia di internet e impara a continuare qualsiasi testo	Mesi di calcolo su decine di migliaia di chip: il grosso del costo, una volta sola	Un modello base: completa il testo, non risponde a nessuno
2 · post-addestramento preferenze umane · RLHF	Persone giudicano le risposte; il modello insegue i voti	Migliaia di annotatori; una frazione del costo della fase 1	Il chatbot: dialoga, è utile e cortese, tende a compiacere
3 · post-addestramento risultati verificabili · RLVR	Prova molte volte; un verificatore dice giusto o sbagliato; rinforza ciò che funziona	Compiti con una risposta controllabile: calcoli, codice, uso di strumenti	L’agente: ragiona, usa strumenti, porta a termine un compito
4 · inferenza inference	Il modello finito genera la risposta, token dopo token	Calcolo a ogni richiesta: si paga a token, letti e scritti	Quello che usate voi. Non impara più: sa solo ciò che gli mettete davanti

Semplificazione a fini didattici. Addestrare costa una volta, prima; usare costa ogni volta, a token. Dai chatbot agli agenti è il passaggio dalla fase 2 alla fase 3.

bernardino sassoli de’ bianchi

NOTE DEL RELATORE (60–90 s) Slide di riepilogo: quattro parole che sentirete nei giornali e nei listini, messe in fila. È una semplificazione, e lo dico in sala. Pre-addestramento: la lettura di una copia di internet. È dove va il grosso del denaro e del calcolo, e si paga una volta. Ne esce un modello «base» che sa continuare un testo ma non risponde a nessuno. Post-addestramento, due modi. Con le preferenze umane il modello impara a dialogare: è il chatbot, cortese e incline a darvi ragione, come abbiamo visto. Con i risultati verificabili impara a fare cose e a portarle a termine: è l’agente. In prima approssimazione, il titolo del workshop, dai chatbot agli agenti, è il passaggio dalla fase 2 alla fase 3. Nella pratica le due fasi si mescolano: gli agenti usano anche giudizi umani, i modelli che ragionano si usano anche in chat. Inferenza: tutto quello che avviene quando scrivete voi. Il modello è finito: genera, non impara. Due conseguenze pratiche. Primo, non ricorda le vostre conversazioni: quello che sa della target e del deal è quello che gli mettete davanti ogni volta, e questo è il quarto pilastro. Secondo, il costo è a consumo, misurato in token letti e scritti: è il motivo per cui i listini parlano di token. FONTI (non in slide): pre-addestramento e preferenze umane → Ouyang et al., InstructGPT (OpenAI, 2022). Risultati verificabili → DeepSeek-AI, DeepSeek-R1 (2025); addestramento all’uso degli strumenti → OpenAI, annuncio di o3 e o4-mini (aprile 2025). Ordini di grandezza dei costi volutamente non quantificati in slide.

hat sgr · ai per il private equity1 · che cos’è (e non è)

una frontiera frastagliata

da che lato siete si scopre solo provando.

La frontiera non segue la vostra idea di «difficile».

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · che cos’è (e non è)

cinque limiti strutturali

allucinazioniInventa fatti, numeri e riferimenti — col tono sicuro delle cose vere

servilismoTende a darvi ragione, asseconda la premessa della domanda

biasRiflette le distorsioni dei testi su cui è addestrato

non determinismoStessa domanda, risposte diverse: nessuna ripetibilità garantita

scatola neraNon può spiegare davvero perché ha risposto così

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

un esempio di allucinazione

Non sapevo di aver avuto una vita così avventurosa.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

la research sulla target può inventare

Le risposte generate dall’AI sono ormai dentro i motori di ricerca: entrano nella market e company research anche senza aprire un chatbot
Può attribuire alla target acquisizioni mai concluse, confondere società omonime o ricostruire una compagine azionaria non aggiornata
Conseguenza per il deal team: ogni fatto materiale deve tornare a una fonte primaria verificabile, con data e perimetro chiari

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

quando l’allucinazione si paga

Luglio 2025 · Deloitte consegna al ministero del Lavoro australiano un rapporto da 440.000 dollari australiani sul sistema di sanzioni automatiche del welfare
Un ricercatore dell’Università di Sydney ci trova una ventina di errori: riferimenti accademici inesistenti e la citazione di una sentenza della Corte federale mai pronunciata
Nella versione corretta compare una nota: parte del lavoro è stata prodotta con Azure OpenAI. Deloitte restituisce l’ultima rata del contratto

Titolo del Guardian: «Deloitte to pay money back to Albanese government after using AI in $440,000 report». Sommario: rimborso parziale dopo che sono stati trovati diversi errori in un rapporto sul quadro di conformità di un ministero.

non un principiante: una delle quattro grandi.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

e non è un caso isolato

Novembre 2025 · Stessa società, altro continente: un rapporto da 1,6 milioni di dollari per il governo di Terranova e Labrador sul personale sanitario
Di nuovo citazioni inventate: articoli attribuiti a ricercatori veri che non li hanno scritti, e uno mai pubblicato dalla rivista a cui viene attribuito
La risposta: «l’AI non è stata usata per scrivere il rapporto, solo a supporto di alcune citazioni». La provincia chiede una revisione e riscrive le proprie linee guida

Due volte in pochi mesi, nella stessa società. Non è un problema di modello: è un processo di verifica che non c’era.

Titolo di CBC News, 24 novembre 2025: «N.L. asks Deloitte to carry out review after ‘incorrect’ citations found in $1.6M provincial health plan». Sottotitolo: arriva dopo le citazioni false nell’Education Accord. Foto dell’insegna Government of Newfoundland and Labrador.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

bias: l’ai amplifica, non inventa

I modelli apprendono dai casi passati: se la storia delle operazioni è selettiva, lo sarà anche il pattern appreso
Rischio proxy nello screening: geografia, università dei founder, rete di advisor o forma del pitch possono sostituire criteri non dichiarati
Mitigazione: fonti ancorate + validazione umana — non un problema che si risolve da solo

il modello è lo specchio deformante della società.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

una metrica che non esiste

Screenshot di ChatGPT: alla richiesta di bullet point sull’Ordinal Rate of Return (ORR) in asset allocation, il modello risponde in pochi secondi con definizione, usi e vantaggi di una metrica che non esiste.

L’ORR non esiste: l’ho inventato io. Bullet pronti in pochi secondi, senza un dubbio.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

il «beta dell’orr»

$Screenshot di ChatGPT: alla domanda su un «beta dell’ORR inferiore a 1» risponde «Ottima domanda» e sviluppa un’analisi strutturata (profilo difensivo, implicazioni per il gestore) su una metrica inventata.$

«Ottima domanda» — e giù un’analisi sicura di una metrica inesistente. Il modello non ha un concetto di vero e falso: elabora qualunque premessa gli diate — pericoloso proprio quando suona competente.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · un framework

l’utilità dipende da quanto ne sapete

il rischio è massimo dove siete meno competenti.

Se non ne so nulla, non riconosco l’errore: il servilismo mi conferma. Se ne so abbastanza, valido e correggo. Se ne so più io, spesso mi rallenta.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · alla prova

un fenomeno documentato

Elenco di risultati arXiv per «sycophancy», settembre-ottobre 2025: otto paper tra cui BrokenMath, Peacemaker or Troublemaker sul dibattito multi-agente, EchoBench sui modelli medici e Sycophancy Is Not One Thing.

La sycophancy è un filone di ricerca: benchmark e paper dedicati, in continua uscita
Studiata anche dove il danno è concreto — medicina, finanza, dibattiti multi-agente
Morale: non è un difetto del vostro prompt. È il funzionamento — e si gestisce, non si spera che sparisca

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · un’analogia

c’è un nuovo collega

bravissimo, ma a tratti

Eccelle in certe cose, meno in altre — e non sempre sapete quali

non ha esperienza

Siate chiari ogni volta su che cosa vi attendete

è un fanfarone

Se non sa la risposta, spesso se la inventa

soffre di amnesie

Ogni volta ricominciate da capo a spiegare

è un piacione

Spessissimo vi dà ragione solo per compiacervi

non si aggiorna

Eppure risponde con totale fiducia

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · un rischio nuovo

il workslop

Contenuti generati dall’AI che sembrano buon lavoro — ben formattati, lunghi, sicuri — ma non fanno avanzare di un passo il compito (il termine è stato coniato su Harvard Business Review, 2025)
Il lavoro non sparisce: si sposta a valle. Chi riceve deve interpretare, verificare, spesso rifare
Nella ricerca BetterUp–Stanford il 40% dice di averne ricevuto nell’ultimo mese, con quasi due ore spese per rimediare a ogni episodio

il tempo che risparmiate voi lo paga chi vi legge.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity1 · la conseguenza

l’output è sempre una bozza.
il giudizio resta vostro.

Validare non è un extra: è parte del lavoro.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityblocco 2

blocco 2

nel frattempo è cambiato il mondo

Da meno di un anno siamo entrati nell’era agentica.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · l’era agentica

il chatbot risponde.
l’agente fa il lavoro.

Da interfacce che conversano a sistemi che pianificano, usano strumenti e consegnano risultati.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · l’era agentica

la svolta agentica, in tre tempi

per tutto il 2025

Gli agenti deludono: errori, fragilità, il famoso “ultimo miglio” (il consenso era: non sono pronti)

fine 2025
la svolta

Nel giro di settimane il quadro si rovescia

oggi

L’agente è la modalità normale di lavoro con l’AI: ogni grande piattaforma ne offre uno (non più risposte: deliverable)

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · le definizioni

cos’è un chatbot

domanda→ modello→ risposta✕ si ferma

Un chatbot è un modello incapsulato in un’interfaccia conversazionale a turni
Riceve una domanda, produce una risposta, si ferma: non agisce sul mondo
È lo strato che quasi tutti già conoscono — il punto di partenza, non il punto di arrivo di oggi

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · le definizioni

cos’è un agente

Un sistema che, ricevuto un obiettivo, decide da sé i passi per raggiungerlo: ragiona, usa strumenti, verifica i risultati e corregge la rotta — fino a consegnare un risultato.

autonomia decisionale

Non esegue istruzioni prefissate: sceglie da solo che cosa fare, entro un perimetro assegnato

uso di strumenti

Legge e scrive file, cerca, esegue calcoli e software: agisce, non solo conversa

iterazione

Ogni passo dipende dall’esito del precedente: un ciclo, non una risposta secca

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · i workflow

quattro famiglie di workflow

01 · origination e intelligence

Settori, target, pipeline, preparazione degli incontri

02 · valutazione ed esecuzione

Screening, due diligence, business case, investment committee

03 · portfolio e creazione di valore

KPI, reporting, board, iniziative operative, exit readiness

04 · fund operations e investor relations

LP reporting, fundraising, compliance, ESG, knowledge base

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · i workflow

01 · origination e intelligence

Mappare un settore: dimensione, crescita, driver e struttura competitiva, con fonti verificabili
Individuare e arricchire una lista di target coerenti con la strategia del fondo
Preparare incontri con imprenditori e advisor: company brief, segnali e domande

da provare

«Individua le società italiane nel settore [X] coerenti con questi criteri. Per ciascuna: proprietà, dimensione, crescita, segnali di interesse e fonti.»

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · i workflow

02 · valutazione ed esecuzione

Da teaser e information memorandum a one-pager e tesi preliminare
Red flag, informazioni mancanti e piano di due diligence
Business case, sensitività e bozza dell’investment committee memo

da provare

«Analizza questa target: costruisci una tesi d’investimento e separa fatti, ipotesi, red flag e informazioni ancora da verificare.»

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · i workflow

03 · portfolio e creazione di valore

Reporting package: budget vs actual, scostamenti e segnali deboli
Preparazione di board e review: KPI, domande al management e azioni da seguire
Value creation, add-on ed exit readiness: monitoraggio dei cantieri e scenari

da provare

«Confronta il reporting mensile con budget e mese precedente: scostamenti materiali, possibili cause e domande per il management.»

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · i workflow

04 · fund operations e investor relations

Report agli investitori, risposte a richieste degli LP e materiali di fundraising
Compliance, ESG e monitoraggio di obblighi, documenti e scadenze
Knowledge base del fondo: decisioni, note e ricerche che restano interrogabili

da provare

«Prepara una bozza di aggiornamento trimestrale per gli investitori, segnala i dati mancanti e verifica la coerenza tra le fonti.»

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity2 · verso la demo

un caso, un workflow, un solo ambiente

Seguiamo Project Aurora dalla lettura delle fonti alla decisione di approfondire
Lavoriamo solo in Microsoft Copilot, con una sequenza di task separati e verificabili

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityblocco 3

blocco 3

project aurora in copilot

Dalle fonti a un primo investment case, senza perdere evidenze e assunzioni.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity3 · demo

aurelia cloud

fatti→ ipotesi→ red flag→ decisione

azienda

Software B2B per field service e compliance

2025

€30,6m ricavi
€7,4m EBITDA

valutazione

€103,6m enterprise value

Il pacchetto informativo è credibile, ma contiene dati incompleti e definizioni in conflitto.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity3 · demo

un task, un prompt

1 · inventario fonti→ 2 · evidence table→ 3 · incoerenze→ 4 · business case→ 5 · IC memo→ 6 · e-mail

La sequenza modulare rende visibili fonti, assunzioni e revisioni. Ogni output diventa il contesto controllato del task successivo.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity3 · demo

fase 1 · impostare le fondamenta

istruzioni a copilot

Separa fatti, dichiarazioni del management e ipotesi
Cita sempre il documento e la pagina
Segnala definizioni non confrontabili e dati mancanti
Non formulare una raccomandazione prima della riconciliazione

elemento	che cosa specifichiamo
obiettivo	la decisione che il lavoro deve supportare
fonti	i file ammessi e la loro gerarchia
criteri	definizioni, soglie e controlli
formato	la struttura dell’output

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity3 · debrief

fase 2 · sintesi e templating

input	lavorazione in copilot	output
teaser + information memorandum	estrazione con fonte e definizione	deal brief + evidence table
CDD + note del team	confronto dei dati e delle assunzioni	reconciliation table
evidenze riconciliate	sintesi nel formato HAT	bozza di IC memo

campi obbligatori

Fonte · metrica · definizione · valore · conflitto · domanda aperta

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity3 · il punto fermo

ogni output diventa l’input del successivo.

Copilot accumula fonti, tabelle, istruzioni e revisioni. Il team mantiene il controllo su assunzioni e decisioni.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity3 · dal prompt al processo

dal prompt al processo riutilizzabile

livello	che cosa contiene	quando serve
prompt	una richiesta delimitata	task singolo
template	istruzioni e formato riusabili	attività ricorrente
notebook	fonti e istruzioni condivise	caso o progetto
agente	sequenza governata di task	processo stabile

L’automazione arriva dopo aver definito fonti, passaggi, controlli e responsabilità.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equityblocco 4

blocco 4

il metodo, non i tool

Tutto ciò che vi ho mostrato oggi ha una data di scadenza. Il modo di pensare no.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity4 · il metodo

quattro pilastri di metodo

01esplorareProvare sui compiti veri: la frontiera si scopre usando

02validarePensiero critico sugli output: plausibile ≠ vero

03iterareLa prima risposta è un punto di partenza, non un verdetto

04curare il contestoDati, documenti, istruzioni: la qualità entra da lì

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity4 · la tesi

imparare l’ai non è un problema di tecnologia.

È curiosità, capacità di esplorare, pratica, mettersi in gioco — soprattutto pensare in modo diverso.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity4 · la tesi

«l’ai generativa sembra semplice, no? ma il vero ostacolo non è la tecnologia: è essere in grado di riorganizzare la nostra mentalità.»

julie sweet — ceo, accenture

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity4 · come si impara

con la pratica

Provando: toccando con mano che cosa si può fare oggi — e che cosa no
Il pensare in modo diverso non si insegna a parole: arriva usando, sbagliando, riprovando
Non un corso da superare: un cambiamento culturale da attraversare

bernardino sassoli de’ bianchi

hat sgr · ai per il private equity4 · come si impara

un’azione per domani mattina

01 · Scegliete un’attività ripetitiva reale del vostro lavoro
02 · Provatela tre volte con uno strumento autorizzato
03 · Verificate ogni output, riga per riga
04 · Annotate che cosa ha funzionato e che cosa no

l’ai generativa si impara a usarla usandola.

bernardino sassoli de’ bianchi

hat sgr · ai per il private equitygrazie

domande?

inquadra per salvare i contatti

bernardino sassoli de’ bianchi

dall’ai literacyagli agenti.

bernardino sassoli de’ bianchi

tre obiettivi per oggi

che cos’è l’intelligenza artificiale

workflow reali di private equity

Copilot e workflow

cosa non faremo…

cosa non faremo… // 2

l’ai è la nuova elettricità

eppure…

inizio della fine di una bolla o inefficienza del management?

ci troviamo di fronte a un paradosso

eppure le evidenze sono ancora non conclusive

che cos’è (e non è) l’ai generativa

modello, chatbot, agente

modello

chatbot

agente

il salto: dalle regole ai dati

istruzioni esplicite

esposizione ai dati

un neurone che impara a decidere

dal neurone alla rete

che cos’è un large language model (llm)?

il testo, fatto a pezzi

una risposta, un token alla volta

stessa domanda, risposte diverse

predire il token è solo l’inizio

pre-addestramento

istruzioni e preferenze

risultati verificabili

imparare dalle preferenze umane

imparare dai risultati verificabili

ricapitolando: tre addestramenti, poi l’uso

una frontiera frastagliata

cinque limiti strutturali

un esempio di allucinazione

la research sulla target può inventare

quando l’allucinazione si paga

e non è un caso isolato

bias: l’ai amplifica, non inventa

una metrica che non esiste

il «beta dell’orr»

l’utilità dipende da quanto ne sapete

un fenomeno documentato

c’è un nuovo collega

il workslop

l’output è sempre una bozza.il giudizio resta vostro.

nel frattempo è cambiato il mondo

il chatbot risponde.l’agente fa il lavoro.

la svolta agentica, in tre tempi

per tutto il 2025

fine 2025la svolta

oggi

cos’è un chatbot

cos’è un agente

quattro famiglie di workflow

01 · origination e intelligence

02 · valutazione ed esecuzione

03 · portfolio e creazione di valore

04 · fund operations e investor relations

01 · origination e intelligence

02 · valutazione ed esecuzione

03 · portfolio e creazione di valore

04 · fund operations e investor relations

un caso, un workflow, un solo ambiente

project aurora in copilot

aurelia cloud

un task, un prompt

fase 1 · impostare le fondamenta

fase 2 · sintesi e templating

ogni output diventa l’input del successivo.

dal prompt al processo riutilizzabile

il metodo, non i tool

quattro pilastri di metodo

imparare l’ai non è un problema di tecnologia.

«l’ai generativa sembra semplice, no? ma il vero ostacolo non è la tecnologia: è essere in grado di riorganizzare la nostra mentalità.»

con la pratica

un’azione per domani mattina

domande?

dall’ai literacy
agli agenti.

pre-
addestramento

l’output è sempre una bozza.
il giudizio resta vostro.

il chatbot risponde.
l’agente fa il lavoro.

fine 2025
la svolta