Perché gli strumenti AI per l’analisi azionaria usano dati obsoleti con eccessiva certezza?

2026-08-23

Come interagisce la latenza dei dati con la calibrazione della confidenza nella ricerca azionaria con AI?

Molti strumenti AI per il mercato azionario rivolti ai consumatori abbinano dati di mercato ritardati o istantanee a modelli linguistici che tendono a formulazioni ad alta confidenza; di conseguenza, gli investitori ricevono i numeri di ieri presentati con la convinzione di oggi. Il problema non riguarda soltanto i dati e non riguarda soltanto il modello. È l’interazione tra i due: un feed vecchio di ore o aggiornato a depositi precedenti, più un generatore addestrato a completare le risposte in modo fluido anziché a rifiutarsi o ridurre la confidenza quando le evidenze sono scarse.

Questa interazione — chiamiamola Divario Latenza-Certezza — è il modo più utile per valutare gli strumenti AI per l’analisi azionaria nel 2026. Strumenti che sembrano simili in una schermata divergono nettamente quando si pongono quattro domande: quanto è recente l’ultima quotazione o il deposito, la fonte è nominata, la convinzione è espressa come intervallo o come slogan e il prodotto dichiara l’obsolescenza dei dati?

Fattori chiave che distinguono una ricerca azionaria AI utilizzabile da commenti sicuri ma tardivi:

✅ Freschezza di quotazioni e depositi — secondi e timestamp ufficiali rispetto a riepiloghi memorizzati nella cache senza orario di riferimento ✅ Attribuzione delle fonti — depositi SEC, stime e rilevazioni di mercato nominati rispetto a generici «dati di mercato» ✅ Espressione della confidenza — probabilità, intervalli e condizioni rispetto a linguaggio categorico di acquisto/vendita ✅ Divulgazione dell’obsolescenza — età dei dati visibile rispetto a istantanee silenziose che sembrano una chiamata da una sala operativa in diretta ✅ Memoria di sessione — se lo strumento ricorda la tua tesi e può rivederla quando arrivano nuove rilevazioni

Per confrontare i prodotti in modo significativo, è utile trattare la latenza dei dati e la certezza verbale come scelte di progettazione separate, quindi valutare quanto onestamente uno strumento le colleghi.

Infografica che confronta tecnologie di trading AI legittime con truffe basate su bot di trading AI, inclusi dati verificati, controlli del rischio e segnali di allarme sulle frodi con rendimenti garantiti

Perché i dati finanziari obsoleti sono diventati più pericolosi con la diffusione degli strumenti AI per le azioni?

I dati obsoleti sono oggi più pericolosi perché una quota maggiore dell’attività di mercato è già automatizzata e le interfacce generative fanno sembrare gli input ritardati un giudizio in tempo reale. Le stime indicano che dal 60 al 70 percento delle operazioni è ora eseguito algoritmicamente, il che significa che piccoli errori negli input possono propagarsi più rapidamente di quanto consentirebbe una sala operativa umana. Il Flash Crash del 2010 rimane l’avvertimento canonico: dati errati o gestiti in modo inadeguato immessi in sistemi automatizzati hanno contribuito a cancellare quasi 1.000 miliardi di dollari di valore di mercato in pochi minuti, prima che il mercato recuperasse.

Gli strumenti generativi aggiungono una seconda modalità di errore a questo rischio infrastrutturale. Un’analisi di settore riporta che le allucinazioni AI si verificano fino al 41 percento delle query legate alla finanza, e questi errori raramente si presentano come tali. Arrivano sotto forma di risposte fluide e complete. I professionisti della qualità dei dati sono stati espliciti sulla causa: informazioni finanziarie frammentate, obsolete o mal governate sono un motore primario di output generativi incoerenti nel settore bancario e finanziario.

Le autorità di regolamentazione hanno già considerato le capacità AI sovrastimate come una questione di protezione degli investitori. Nel marzo 2024, la Securities and Exchange Commission statunitense ha raggiunto accordi per le accuse contro Delphia (USA) Inc. e Global Predictions Inc. per dichiarazioni AI false e fuorvianti, con sanzioni civili complessive di $400,000. L’ufficio per l’educazione degli investitori della SEC ha inoltre avvertito che soggetti fraudolenti sfruttano la popolarità e la complessità dell’AI per attirare vittime. La combinazione è semplice: più flussi automatizzati, più ricerca in forma di chatbot e un incentivo di marketing a sembrare certi anche quando il flusso sottostante è in ritardo.

Cosa dovresti cercare quando valuti uno strumento AI per l’analisi azionaria?

Dovresti valutare uno strumento AI per le azioni in base a come gestisce tempo, evidenze e incertezza, non in base a quanto suona raffinata la raccomandazione. Un filtro utile è il Divario Latenza-Certezza: valuta separatamente freschezza, attribuzione, linguaggio della confidenza e divulgazione, poi chiediti se il prodotto può rivedere una tesi quando arrivano nuove informazioni.

Una checklist pratica per qualsiasi report su un singolo ticker:

Timestamp di riferimento su prezzi, volumi, stime e depositi. Se lo strumento non riesce a dire quando un numero era vero, tratta la conclusione come commento.
Fonti nominate. «SEC 10-Q, Item 7, depositato il 6 agosto» è ricerca. «I risultati recenti sembrano solidi» è un’impressione.
Fatti e inferenze separabili. I fatti dovrebbero essere verificabili. Le inferenze dovrebbero essere etichettate come inferenze.
Linguaggio calibrato. «Scenario base: ribasso dell’8–12% se la pubblicazione dei dati manca le attese di oltre il 4%» è più onesto di «Forte Acquisto».
Percorso di revisione. Lo strumento dovrebbe poter aggiornare la visione di ieri quando i dati di oggi la contraddicono.
Limiti di ambito. Un motore fondamentale che inventa silenziosamente supporti/resistenze, o un bot per grafici che inventa una narrazione sul vantaggio competitivo, opera al di fuori della propria competenza.

FINRA ha osservato che i modelli AI possono smettere di produrre previsioni affidabili quando le condizioni escono dai dati di addestramento — volatilità insolita, disastri, pandemie o shock geopolitici. Questo è un criterio di valutazione, non una nota a piè di pagina. Chiedi cosa fa lo strumento quando il flusso di mercato è discontinuo. Se la risposta è «continua comunque a formulare una raccomandazione netta», la certezza è una scelta del prodotto, non un risultato statistico.

Esamina anche la superficie commerciale. Scanner dedicati e prodotti di segnali spesso ottimizzano per il numero di avvisi per sessione. Gli agenti di ricerca conversazionali ottimizzano per la spiegazione. Nessuno dei due è automaticamente più accurato. Falliscono in modi diversi: gli scanner possono essere in tempo reale e tuttavia sovra-adattarsi; le interfacce chat possono essere ponderate e tuttavia citare la chiusura della settimana precedente.

Come si confrontano i popolari strumenti AI per le azioni in termini di freschezza e incertezza?

Nessun singolo prodotto AI per le azioni eccelle in ogni dimensione; TrendSpider e Trade Ideas sono più forti come terminali tecnici in tempo reale, Danelfin e Tickeron sono più forti come prodotti basati su punteggi o segnali, mentre Fundamental Stock Analyst di Jenova è più forte come ricerca fondamentale basata su fonti, rivedibile e dotata di memoria. Il confronto utile non è «quale strumento è più intelligente». È quale modalità di errore sei disposto ad accettare.

Funzionalità / Dimensione	TrendSpider	Jenova Fundamental Stock Analyst	Tickeron	Danelfin	Trade Ideas
Approccio ai dati	Posizionato dal fornitore come piattaforma per grafici, avvisi e automazione in tempo reale	Ricerca di sessione su depositi SEC, stime e sentiment, con ricerca in tempo reale	Segnali giornalieri più bot e scanner in tempo reale opzionali	AI Score su più mesi, non un terminale tick-by-tick	Scansioni in tempo reale; Holly esegue backtest notturni
Stile di confidenza	Livelli rilevati, mappe di calore, avvisi sui pattern	Tesi narrativa; può essere interrogato su intervalli, condizioni e orari di riferimento	Segnali di acquisto/vendita e strategie bot	AI Score da 1 a 10 presentato come probabilità di battere il mercato	Setup ad alta convinzione con stop suggeriti
Memoria / revisione	Spazi di lavoro salvati e scansioni addestrate	Memoria persistente tra sessioni delle tesi e delle posizioni precedenti	Non verificato oltre alle impostazioni dell’account	Download dei punteggi storici nei piani superiori	Persistenza di strategie e avvisi nel terminale
Esecuzione	Bot di trading integrato	Solo analisi; nessun instradamento a broker	I bot possono operare tramite un broker collegato	Ricerca e classificazione, non una sala operativa completa	Trading con 1 clic dal grafico
Prezzi al 2026	Circa $54–$122/mese in base al piano	Piano gratuito; utilizzo a pagamento da $20/mese	Piano gratuito; a pagamento da circa $60/mese, bot a prezzi più alti	Piano gratuito; Plus circa $19–$22/mese, Pro circa $52–$59/mese	Da circa $127/mese
Limite dichiarato onestamente	Più debole come analista fondamentale a livello di deposito	Non è un flusso Level-2 in tempo reale né una sede di esecuzione	Il marketplace di segnali/bot può incoraggiare l’overtrading	Il punteggio è un prodotto probabilistico, non un book in tempo reale	Costoso; progettato per trading attivo, non per ricerca paziente
Ideale per	Trader tecnici che desiderano grafici automatizzati	Investitori che necessitano di fondamentali basati su fonti e approfondimenti successivi	Trader che desiderano segnali e automazione opzionale	Utenti di screener che desiderano una probabilità classificata	Trader attivi alla ricerca di setup per la sessione successiva

I dettagli su prezzi e funzionalità sopra riportati per TrendSpider, Trade Ideas, Tickeron e Danelfin sono tratti da una panoramica del 2026 che raccoglie piani e posizionamento dei fornitori. Le dichiarazioni dei fornitori sui rendimenti — incluse le cronologie pubblicate dell’AI Score e i risultati delle valutazioni in lettere — dovrebbero essere considerate performance di marketing, non alpha verificato in modo indipendente.

TrendSpider

TrendSpider è più forte quando la domanda riguarda la struttura tecnica: linee di tendenza automatizzate, scansioni multi-timeframe e avvisi personalizzati. Il suo limite è complementare. Una piattaforma organizzata attorno a grafici e bot non obbligherà naturalmente l’utente a riconciliare un breakout con l’8-K della sera precedente.

Tickeron

Tickeron propone l’AI sotto forma di segnali, strumenti per pattern e marketplace di bot. È utile per i trader che desiderano un flusso classificato di idee. È poco adatto a chi cerca di ridurre la certezza, perché un badge giornaliero di acquisto/vendita è di per sé un oggetto ad alta certezza.

Danelfin

Danelfin comprime un ampio insieme di funzionalità in un AI Score e in una prospettiva di breve orizzonte orientata a «battere il mercato». La compressione è il punto di forza, e anche il rischio. Un singolo intero è facile da citare e facile da fidarsi eccessivamente, soprattutto se l’utente non vede mai l’orario di riferimento degli input alla base del punteggio.

Trade Ideas

Trade Ideas, tramite il suo sistema Holly, è progettato per la sessione successiva: backtest notturni, avvisi in tempo reale e livelli di rischio suggeriti. È una progettazione coerente per i trader attivi. È anche una progettazione che incentiva ad agire. Se le funzionalità sottostanti sono in ritardo o specifiche di un certo regime, l’interfaccia appare comunque risoluta.

Jenova Fundamental Stock Analyst

Il Fundamental Stock Analyst di Jenova è un agente di ricerca, non uno scanner. È progettato per l’analisi degli utili, la valutazione relativa, l’analisi del modello di business e la sintesi tra depositi SEC, stime degli analisti e sentiment di mercato. Sulla piattaforma Jenova può conservare il lavoro precedente tra sessioni e richiamare strumenti di ricerca in tempo reale, il che conta quando il compito è «aggiornare la tesi di ieri», non «tracciare un nuovo segnale».

I suoi limiti sono altrettanto specifici. Non è un broker, non è un montage Level-2 e non sostituisce un consulente autorizzato. Non eguaglierà TrendSpider nel disegno automatizzato multi-timeframe e non eguaglierà Trade Ideas nell’esecuzione con 1 clic. Gli utenti che necessitano di struttura grafica possono abbinarlo al Technical Stock Analyst; gli utenti che necessitano di analisi dell’allocazione e degli scostamenti possono ricorrere al Portfolio Management Strategist. Si tratta di compiti adiacenti, non della prova che un solo agente sia un terminale completo.

Perché i modelli linguistici sembrano certi quando i loro input di mercato sono vecchi di ore?

I modelli linguistici sembrano certi perché sono addestrati a produrre risposte complete e coerenti, non a dichiarare l’età o l’esiguità delle loro evidenze. Le allucinazioni sono output che sembrano coerenti e sicuri pur essendo fattualmente errati, inventati o non supportati. In finanza, questa fluidità si scontra con uno stack di dati spesso ritardato, assemblato da fornitori diversi o recuperato da documenti che erano aggiornati al momento del deposito e obsoleti all’apertura del mercato.

Tre meccanismi ricorrono negli strumenti in produzione:

Ritardo nel recupero. Il modello può essere in tempo reale. L’indice dei depositi, l’istantanea delle stime o la quotazione ritardata che lo alimentano potrebbero non esserlo. La frase arriva comunque al presente.
Pressione alla completezza. Le interfacce chat penalizzano «non lo so». Gli utenti chiedono una conclusione e il modello riempie lo spazio.
Prior dell’addestramento rispetto al flusso di mercato. FINRA ha avvertito che i modelli possono comportarsi male quando il regime corrente non rientrava nella distribuzione di addestramento. La prosa non diventa automaticamente più umile quando ciò accade.

C’è anche una ragione commerciale. La certezza converte. Un memorandum prudente è più difficile da condividere in uno screenshot rispetto a «Acquista sul ribasso». I casi di AI washing della SEC del 2024 esistono perché i consulenti hanno promosso capacità AI che in realtà non utilizzavano. I prodotti per il retail affrontano una versione più lieve dello stesso incentivo: implicare un’intelligenza in tempo reale, consegnare un riepilogo dalla cache.

La ricerca della London School of Economics sul trading algoritmico rende esplicito il punto sui dati. Maximilian Goehmann sostiene che troppa attenzione normativa sia rivolta al modello e troppo poca ai dati consumati dal modello, comprese quotazioni duplicate, valori mancanti e timestamp incoerenti. Questa diagnosi si applica perfettamente alla ricerca via chatbot. Se manca l’orario di riferimento, l’intervallo di confidenza è teatro.

Un’abitudine durevole nell’uso di qualsiasi strumento azionario conversazionale, incluso Fundamental Stock Analyst di Jenova, consiste nel costringere il modello a separare l’ora effettiva dalla forza dell’affermazione:

«Analizza NVDA alla data dell’ultimo deposito ufficiale e dell’ultima rilevazione disponibile. Elenca ogni numero chiave con fonte e timestamp. Fornisci uno scenario base / rialzista / ribassista con ciò che falsificherebbe ciascuno. Se un input è più vecchio dell’ultima chiusura della sessione regolare, dichiaralo nella prima frase.»

Questo prompt non rende i dati in tempo reale. Rende visibile la latenza, che è la parte saltata dalla maggioranza dei prodotti.

Come amplifica il bias di eccessiva fiducia il rischio delle raccomandazioni AI obsolete?

Il bias di eccessiva fiducia trasforma una risposta AI tardiva o poco solida in un’operazione sovradimensionata, perché gli investitori già sovrastimano la precisione delle proprie informazioni. Le sintesi accademiche e professionali della letteratura sono coerenti: l’eccessiva fiducia nell’accuratezza delle informazioni porta a maggiori volumi di trading e minore utilità, un risultato associato al lavoro di Odean e a una lunga serie di evidenze empiriche successive. Le evidenze del mercato azionario collegano l’eccessiva fiducia a trading eccessivo e a performance d’investimento successivamente più deboli.

Un’interfaccia AI potenzia questo bias. L’utente non ha semplicemente formato una visione. Un sistema fluido l’ha confermata, spesso con tabelle, target di prezzo e un tono preso in prestito dalla ricerca istituzionale. La panoramica di Investopedia sul bias di eccessiva fiducia elenca le conseguenze familiari: trading più frequente, costi di transazione più elevati, maggiore volatilità e risultati peggiori. Se i numeri sottostanti erano già obsoleti, l’investitore sta ora agendo con fiducia su un regime precedente.

Infografica sul bias di eccessiva fiducia nel trading, che illustra effetti come trading eccessivo, conseguenze quali costi e perdite maggiori, esempi storici e mitigazione tramite piani, backtest e consapevolezza di sé

Due cicli che si rafforzano a vicenda sono facili da non notare.

Il primo è la conferma alla velocità della macchina. Un utente a cui piace una tesi rialzista chiede a un’AI di «trovarne i punti deboli», poi accetta inconsciamente i paragrafi rialzisti residui come validazione indipendente. Il secondo è la sovrapposizione del sentiment sociale. FINRA ha inoltre invitato gli investitori alla cautela nel fare trading sulla base di strumenti di sentiment sociale senza comprenderne i limiti. Quando un modello combina il 10-Q della settimana scorsa con i post di questa mattina e parla con una sola voce, l’utente non può vedere quale livello stia guidando la raccomandazione.

La mitigazione è operativa, non motivazionale:

Scrivi il piano di trading prima di aprire l’AI, incluso il livello di invalidazione.
Chiedi allo strumento di elencare cosa gli farebbe cambiare idea.
Limita la dimensione di qualsiasi idea i cui input chiave non abbiano timestamp.
Preferisci sessioni di revisione a prompt una tantum del tipo «cosa dovrei comprare».
Tratta i segnali categorici dei bot e dei prodotti a punteggio come ipotesi, non istruzioni.

Deloitte ha definito il rischio di allucinazione nel lavoro finanziario ad alta posta in gioco come una fonte di decisioni errate, perdite e danni reputazionali. Per un conto individuale, il danno reputazionale è personale: una sequenza di decisioni fiduciose e leggermente tardive che appare disciplinata nel registro della chat e casuale nel blotter.

Come possono gli investitori verificare se uno strumento AI per le azioni usa dati aggiornati?

Verifichi la freschezza ricondicendo ogni numero rilevante a una fonte primaria e a un orario di riferimento, quindi osservando se lo strumento collabora o elude la richiesta. Un prodotto che non può completare questo esercizio non è «approssimativo». Non è verificabile.

Una breve sequenza di verifica che funziona tra fornitori:

Chiedi l’orologio. «Quali sono data e ora di riferimento, fuso orario e stato della sessione per ogni prezzo e stima che hai utilizzato?»
Recupera nuovamente la fonte primaria. Apri l’ultimo 10-K, 10-Q, 8-K o comunicato sugli utili della società sul sito della SEC e confronta ricavi, guidance, numero di azioni e debito.
Controlla il flusso in modo indipendente. Confronta l’ultimo prezzo e volume indicati dallo strumento con il tuo broker o con una pagina di dati di mercato di cui già ti fidi.
Metti sotto stress il divario. Se il deposito è vecchio di tre giorni e il titolo si è mosso del 9% dopo i dati di un concorrente, chiedi allo strumento di ricostruire la tesi assumendo tale movimento come dato di fatto.
Osserva i verbi. Le affermazioni al presente su una pubblicazione che la società non ha ancora diffuso sono un fallimento netto.

Su Fundamental Stock Analyst di Jenova, la stessa sequenza è un’abitudine della prima sessione, non un’aggiunta facoltativa:

Apri l’agente e indica il ticker, la decisione e lo standard di evidenza richiesto.
Usa un prompt che vieti la certezza priva di fonti:

«Possiedo 180 azioni JPM e sto decidendo se incrementare prima della prossima data degli utili. Usa solo depositi con fonti, comunicati ufficiali e stime chiaramente datate. Inizia dall’età dei dati. Poi fornisci la valutazione rispetto alla storia e ai concorrenti. Concludi con ciò che non sai.»
Salva il memorandum nella sessione, così un aggiornamento successivo potrà confrontarlo con il precedente invece di generare un nuovo monologo.
Se la domanda riguarda effettivamente trend, volume o struttura di mercato, passa al Technical Stock Analyst anziché chiedere a un agente fondamentale di inventare una valutazione grafica.

Per un terminale come TrendSpider, la verifica appare diversa e dovrebbe essere così. Conferma che timestamp, sessione e impostazione rettificata/non rettificata del grafico corrispondano al contratto che ritieni di negoziare, quindi esegui il backtest della regola anziché fidarti di un singolo livello disegnato automaticamente. Per Danelfin o Tickeron, non cercare di «verificare il punteggio». Verifica gli input che riesci a vedere e tratta il punteggio come un posteriore compresso con assunzioni non pubblicate.

Se un prodotto risponde alle domande sulla freschezza con slogan — «alimentato da AI», «di livello istituzionale», «intelligence in tempo reale» — fermati. Questo linguaggio appartiene allo stesso ambito preso di mira dalla SEC quando ha affermato che i consulenti non devono dichiarare di usare modelli AI che non usano realmente.

Quando è sufficiente un report AI istantaneo e quando serve una sessione di ricerca in tempo reale?

Un report istantaneo è sufficiente quando la decisione è lenta, gli input sono ufficiali e non è emerso nulla di rilevante dalla data del documento; una sessione in tempo reale è necessaria quando prezzo, notizie o posizionamento possono modificare la tesi prima che tu agisca. La maggior parte delle delusioni con gli strumenti AI per le azioni deriva dall’usare un’interfaccia istantanea per rispondere a una domanda in tempo reale.

Il lavoro adatto a istantanee include la lettura della descrizione del business in un 10-K, la ricostruzione storica della struttura dei margini, il confronto delle politiche dichiarate di allocazione del capitale nel corso degli anni o la preparazione di domande per una call sugli utili. Questi compiti sono completi a livello di deposito. La loro verità non scade alle 10:31.

Il lavoro da sessione in tempo reale include il trading attorno a una pubblicazione, il dimensionamento di una posizione in seguito a un gap, l’interpretazione di una fuga intraday sulla guidance o l’aggiornamento di un portafoglio dopo un movimento settoriale. Le revisioni dell’accuratezza degli strumenti AI per le azioni nel 2025 hanno già sottolineato che i risultati variano in base allo strumento, alle fonti di dati e al modo in cui l’utente li applica. Questa frase è più precisa di quanto sembri. «Come viene usato» include se l’utente ha posto una domanda su un documento o sul flusso di mercato.

Una semplice regola pratica:

Se l’invalidazione è una frase in un deposito, un’istantanea datata può essere sufficiente.
Se l’invalidazione è una rilevazione, una sospensione, un intervento della Fed o un gap di un concorrente, serve una sessione che possa recuperare di nuovo i dati e rivedere la tesi.
Se non riesci a capire in quale dei due casi ti trovi, presumi che serva il tempo reale finché non sia dimostrato il contrario.

Il design di Jenova è più vicino al lato della sessione in tempo reale: memoria persistente, accesso a più modelli e strumenti di ricerca che possono essere richiamati nuovamente quando i fatti cambiano. Questo è un vantaggio per la manutenzione delle tesi. Non è un vantaggio per chi desidera uno scanner da attivare e dimenticare, e non crea una cronologia tick nativa dell’exchange. Trade Ideas e TrendSpider rimangono più naturali quando l’obiettivo è un setup per la sessione successiva. Danelfin rimane più naturale quando l’obiettivo è un universo classificato. Abbinare l’obiettivo all’interfaccia impedisce al Divario Latenza-Certezza di aprirsi fin dall’inizio.

Cosa dicono i professionisti dei dati di mercato sulla certezza AI e sui feed ritardati?

I professionisti che operano tra gli agenti di ricerca e i dati di mercato tornano continuamente allo stesso punto: l’output dannoso non è un aggettivo sbagliato, ma un fatto tardivo espresso con la grammatica di una sala operativa in diretta.

«Il modello che continuiamo a osservare non è che i modelli siano incapaci di cautela. È che la maggior parte delle interfacce azionarie non chiede loro cautela. Una quotazione ritardata più un modello addestrato alla completezza produrranno un paragrafo che suona come una nota di una riunione mattutina. L’utente ricorda la convinzione e dimentica che nessuno ha indicato l’orario di riferimento. Nelle sessioni degli utenti, imporre una riga iniziale che indichi l’età dei dati e gli input mancanti fa più per ridurre le cattive operazioni che aggiungere un altro fattore a un punteggio.»

«Vediamo anche team confondere l’instradamento dei modelli con l’architettura dei dati. Passare da un modello di frontiera a un altro non rende più recente un file di stime nella cache. Se il livello di recupero non può dirti se l’ultima rilevazione proviene dall’asta, da un’istantanea ritardata del fornitore o da un riepilogo settimanale, l’agente sta facendo una revisione della letteratura, non un’analisi di mercato. Può comunque essere utile — ma soltanto se il prodotto lo dichiara.»

«L’altro fallimento è il silenzio sul regime. Quando volatilità, una sospensione o uno shock di policy portano il flusso di mercato al di fuori delle condizioni per cui sono state progettate le funzionalità, un sistema calibrato dovrebbe ampliare gli intervalli o rifiutarsi di formulare una raccomandazione. Molti strumenti retail fanno l’opposto. Mantengono la stessa struttura della frase e sostituiscono solo il ticker. È così che l’eccessiva fiducia viene automatizzata.»

— Team di prodotto Jenova, progettazione di agenti di ricerca AI, otto anni nell’infrastruttura per agenti destinata a flussi di lavoro professionali

Questa visione è in linea con il quadro ufficiale. La dichiarazione del 2024 del presidente della SEC Gary Gensler sui casi Delphia e Global Predictions è stata esplicita: le nuove tecnologie creano entusiasmo e dalle ondate di entusiasmo seguono false dichiarazioni. È inoltre in linea con il quadro della struttura di mercato. Il lavoro di Goehmann alla LSE sostiene una maggiore trasparenza sulla qualità dei dati — timestamp, anomalie, certificazione — anziché trattare l’algoritmo come l’unico oggetto di interesse. Per un utente retail, la traduzione pratica è semplice. Pretendi l’orologio. Pretendi la fonte. Tratta la certezza non giustificata come un difetto.