Il tuo algoritmo ha venduto 1,4 miliardi di dollari prima che qualcuno premesse annulla. Sai spiegare perché?

C'è una sola domanda che pone fine alla maggior parte delle verifiche regolamentari prima ancora che comincino davvero. Non è "avete dei controlli?" Tutti hanno dei controlli. È più sommessa di così, e peggiore:

"Mi spieghi esattamente cosa ha fatto questo algoritmo il 5 agosto alle 9:47 del mattino."

Ho visto aziende intelligenti e ben finanziate bloccarsi di fronte a quella domanda. Possono estrarre i registri degli ordini. Possono mostrarti le operazioni. Ciò che non riescono a fare è ricostruire la catena decisionale — perché il modello ha dimensionato la posizione nel modo in cui l'ha fatto, perché la soglia di rischio era fissata dove era fissata, perché una modifica del codice tre settimane prima non ha fatto scattare il radar di nessuno. E nel 2026, quella lacuna è tutta la partita. La compliance del trading algoritmico è passata silenziosamente dal dimostrare di avere delle protezioni al dimostrare di saper spiegare, a posteriori, ogni mossa compiuta dalla tua macchina.

Voglio raccontarti come sono arrivato a crederlo, perché all'inizio mi sbagliavo — e in modo costoso — e il modo in cui mi sbagliavo è lo stesso in cui gran parte del settore continua a sbagliarsi.

I 189 miliardi di dollari che sono passati

Partiamo da Citigroup, perché è la lezione più chiara che conosco.

Nel maggio 2022, un trader di Citi voleva vendere un paniere di azioni del valore di 58 milioni di dollari. A causa di un errore manuale, ha creato un paniere del valore di 444 miliardi di dollari invece. I controlli pre-negoziazione di Citi hanno fatto il loro lavoro — perlopiù. Hanno bloccato 255 miliardi di dollari. Ma 189 miliardi di dollari sono sfuggiti ai controlli e hanno raggiunto un algoritmo di trading, che diligentemente li ha frazionati in ordini di vendita e ha spinto circa 1,4 miliardi di dollari sui mercati europei prima che qualcuno premesse annulla. Ha innescato un flash crash sulle borse europee.

Ecco la parte che dovrebbe tenere svegli i responsabili della compliance la notte. Quando la BaFin e le autorità di regolamentazione del Regno Unito sono intervenute, la domanda schiacciante non era "cosa è successo." Citi sapeva rispondere a quello. La domanda era perché — perché i controlli hanno lasciato passare 189 miliardi di dollari, e perché le soglie erano calibrate dove erano? Citi poteva mostrare gli ordini. Non poteva ricostruire adeguatamente il ragionamento dell'algoritmo né difendere i parametri che lo governavano.

Quella lacuna è costata cara. La BaFin ha multato Citi per 12,975 milioni di euro; due giorni prima, le autorità britanniche avevano aggiunto 61,6 milioni di sterline per lo stesso incidente. Circa 92 milioni di dollari per un solo fallimento algoritmico, su tre giurisdizioni.

Il fallimento non erano i controlli. Il fallimento era l'incapacità di spiegare i controlli.

Continuo a tornarci sopra perché ribalta il modo in cui la maggior parte delle aziende alloca il budget. Spendono per costruire più controlli e quasi nulla per essere in grado di raccontarli sotto giuramento.

Cosa chiede davvero l'esaminatore?

Quando ho iniziato a parlare con i responsabili della compliance di banche e società di gestione patrimoniale di fascia media — le aziende al di sotto del livello delle grandi banche d'affari — chiedevo loro di simulare con me una verifica. Si sfaldava sempre negli stessi tre passaggi.

"Mostrami il tuo inventario degli algoritmi." Questo è l'esordio, ed è un killer silenzioso. La Financial Conduct Authority del Regno Unito ha condotto una revisione multi-azienda su dieci società di trading in conto proprio nell'agosto 2025 e ha rilevato che la maggior parte aveva una documentazione incompleta o non aggiornata — nessun inventario pulito di chi possiede ciascun algoritmo, su quali mercati opera, quali parametri di rischio lo governano. Alcune aziende avevano omesso interi elementi dell'RTS 6 dalle proprie autovalutazioni. (L'RTS 6 è il codice normativo MiFID II per le società di trading algoritmico — governance, test, controlli del rischio.) Se non riesci a produrre un inventario attuale e completo che nomini la persona registrata responsabile di ciascuna strategia, la verifica di fatto si ferma lì. Secondo le regole della FINRA, le persone che progettano o modificano in modo significativo gli algoritmi di trading devono essere registrate come Securities Trader — quindi "chi possiede questo algoritmo" non è una domanda da quiz, è una domanda regolamentare con un nome allegato.

"Mi spieghi cosa ha fatto questo, quella mattina." Questa è la domanda Citigroup. La maggior parte delle aziende sa mostrare gli ordini. Quasi nessuna sa ricostruire la decisione. E se sei una società di gestione patrimoniale piuttosto che un broker-dealer, questa domanda non arriva su una sala operativa — arriva sul tuo team di ricerca quantitativa, dove un singolo parametro manomesso sepolto in un modello può restare non rilevato per mesi. (Two Sigma l'ha scoperto nel modo più duro; ne parliamo più avanti.)

"Come esaminano tecnicamente questi algoritmi i tuoi addetti alla compliance?" La FCA ha usato una frase meravigliosamente diplomatica per ciò che ha riscontrato qui: "conoscenza tecnica variabile nella compliance." Tradotto, significa che i team di compliance sanno leggere un rapporto di allerta ma non sanno interrogare la logica del modello, contestare un parametro di rischio o verificare che la modifica del codice dell'ultimo sprint non abbia silenziosamente aperto un nuovo buco normativo. La risposta del settore è stata assumere personale di compliance con competenze quantitative — solo che le persone che comprendono davvero sia le regole di accesso al mercato della CFTC sia le architetture delle reti neurali su grafo sono estremamente rare, e vengono pagate come gli hedge fund che le vogliono anch'essi.

La direzione regolamentare dietro tutte e tre le domande non è affatto sottile. La SEC e la CFTC insieme hanno avviato un numero record di 25,3 miliardi di dollari in azioni sanzionatorie nel 2024. L'EU AI Act richiede che i sistemi di IA finanziaria ad alto rischio dispongano di documentazione tecnica, gestione del rischio e capacità di supervisione umana entro il 2 agosto 2026. Il DORA — il regime di resilienza operativa dell'UE — è in vigore da gennaio 2025. E in India, la SEBI ora richiede un Algo-ID univoco e l'approvazione della borsa per ogni strategia prima che venga messa in produzione. La domanda ha smesso di essere se i tuoi algoritmi verranno esaminati. È se sopravvivono all'esame.

La cosa che ho costruito che nessuno voleva

Così sono andato a costruire un rilevatore migliore.

Questo è stato il mio errore, e voglio essere onesto su quanto fosse seducente. Il punto dolente per l'acquirente di cui tutti si lamentano più forte è la stanchezza da allerte — in un sondaggio su banche e broker-dealer, il 70% ha riportato tassi di falsi positivi superiori al 25% nella sorveglianza delle negoziazioni. Team di compliance che annegano nel rumore, a inseguire allerte fantasma di spoofing. Così abbiamo costruito qualcosa di autenticamente valido nel ridurre i falsi positivi: contesto comportamentale, consapevolezza del regime di mercato, soglie adattive. In fase di test era pulito e veloce. Ne ero orgoglioso.

Poi l'abbiamo mostrato a un vero responsabile della compliance di fascia media. Ha guardato la dashboard, ha annuito, e ha posto la domanda che ha fatto esplodere tre mesi di lavoro:

"È bello. Ma quando l'esaminatore chiede perché il modello è scattato — o perché non l'ha fatto — cosa gli mostro?"

Non avevo una risposta nel prodotto. Avevamo costruito un modo più rapido per generare allerte. Non avevamo costruito un modo per spiegarle. E ho capito, seduto lì, che avevo riprodotto esattamente ciò che le autorità di regolamentazione stavano punendo: una scatola nera che produce output senza una catena di ragionamento ricostruibile. Una scatola nera migliore è pur sempre una scatola nera.

Quello è stato il punto di svolta. Il rilevamento non è mai stato il bisogno insoddisfatto. Il bisogno insoddisfatto era la prontezza all'audit — trasformare le decisioni algoritmiche in spiegazioni che un responsabile della compliance non esperto di quantitativa potesse esaminare, contestare e portare in una sala d'esame. Abbiamo buttato via l'impostazione e ricominciato da capo.

Costruire per l'esaminatore, non per l'allerta

Il sistema che abbiamo finito per costruire — il livello di intelligence per la compliance del trading algoritmico che ora distribuiamo — parte da un principio primo diverso: ogni decisione presa da un algoritmo in produzione dovrebbe lasciare dietro di sé una spiegazione pronta per l'audit e con marca temporale del perché, non solo del cosa.

Sembra ovvio finché non ci si prova. Il primo problema di progettazione era che le persone che hanno bisogno della spiegazione non sanno leggere il modello. Quindi le spiegazioni dovevano tradurre la logica dell'algoritmo — i suoi input, i segnali di mercato che pondera, la soglia rispetto a cui verifica, le sovrascritture umane — in qualcosa che un responsabile della compliance possa interrogare senza leggere il codice sorgente. Non un punteggio di confidenza. Un resoconto del ragionamento.

Il secondo problema era l'inventario stesso. Trattiamo l'inventario degli algoritmi nel modo in cui un team di ingegneria tratta il codice: ogni strategia in produzione porta con sé i suoi mercati approvati, i limiti di posizione, il proprietario registrato e uno storico completo delle modifiche, così che la domanda "mostrami il tuo inventario" diventa una query, non un'emergenza. La stessa struttura portante mappa ciascun controllo su più quadri normativi contemporaneamente — SEC Rule 15c3-5, l'RTS 6 della MiFID II, l'EU AI Act, il DORA, il regime Algo-ID della SEBI — perché le aziende di fascia media operano oltre confine e nessun fornitore consolidato mappa i controlli su tutti questi da un unico posto. Oggi la maggior parte delle aziende multi-giurisdizionali mette insieme processi di compliance separati per ciascuna autorità di regolamentazione. Quella ridondanza è esattamente il tipo di lavoro che il software dovrebbe divorare.

Il terzo problema era il kill switch. I controlli di Citi non erano assenti — hanno intercettato 255 miliardi di dollari. Semplicemente non erano graduati. La maggior parte degli interruttori automatici è binaria: acceso o spento. Così abbiamo costruito interruttori automatici intelligenti e multilivello — rilevamento delle anomalie comportamentali che innesca una risposta proporzionata anziché un singolo pulsante di panico, la differenza tra intercettare 255 miliardi di dollari e intercettare i 189 miliardi di dollari che sono sfuggiti.

Perché non tutti comprano semplicemente una piattaforma?

Questa è l'obiezione che sento più spesso, e merita una risposta vera.

Il mercato della sorveglianza delle negoziazioni sta passando da circa 1,3–3 miliardi di dollari nel 2025 verso 4,2–9,3 miliardi di dollari entro il 2033, e i primi cinque fornitori ne detengono il 55–59%. NICE Actimize, Surveillance AI di Nasdaq, Validus di Eventus — queste sono piattaforme autenticamente capaci. Non sono qui per dirti che non funzionano.

Sono qui per dirti quanto costano e dove si fermano. Un dispiegamento completo di NICE Actimize costa da 1 a 5 milioni di dollari e oltre all'anno, prezzato e progettato per le istituzioni di Tier-1. Sono superbi nel rilevamento cross-asset e deboli esattamente nella cosa che ora chiede l'esaminatore: la spiegabilità delle decisioni algoritmiche e la mappatura multi-regolamentare unificata. La piattaforma di Nasdaq è incentrata sulle borse, costruita per il sell side. Eventus è orientata al rilevamento. Nessuna di esse è stata progettata attorno al problema del giorno d'esame del responsabile della compliance.

Così una banca di Tier-2 o una società di gestione patrimoniale di medie dimensioni affronta la stessa asticella regolamentare di JPMorgan con una frazione del budget e senza alcuna panchina quantitativa interna. Le loro opzioni sono state: pagare troppo per una piattaforma enterprise che non calza, costruirla da soli per 2–10 milioni di dollari più un milione all'anno di manutenzione competendo al contempo con la remunerazione degli hedge fund per i talenti, oppure assumere una società delle Big Four — che, secondo la mia esperienza, consiglia su cosa costruire, ti consegna una slide PowerPoint del modello operativo target, e poi ricorre allo stesso fornitore di Tier-1 che avrebbe raccomandato comunque.

C'è un vuoto nel mezzo di questo mercato: aziende con obblighi da grande banca d'affari e budget da fascia media, servite da nessuno.

Quel vuoto è per chi costruiamo. Intelligence per la compliance su misura a un prezzo che non è un riscatto enterprise, senza lock-in del fornitore.

Il problema più difficile in arrivo: gli agenti autonomi

Se la spiegabilità è il problema di oggi, l'IA agentica è il problema del prossimo anno, e quasi nessuno è pronto per esso.

Circa il 44% dei team finanziari dovrebbe utilizzare l'IA agentica nel 2026 — un balzo di oltre il 600% — e un'azienda riporta già 60 agenti autonomi in produzione con piani per altri 200. Questi sistemi possono automatizzare fino al 70% del lavoro manuale di compliance. Possono anche innescare operazioni, aggiustare i modelli di rischio e autorizzare transazioni per conto proprio.

Ciò che terrorizza chiunque abbia affrontato una verifica è ciò che viene dopo. Il quadro di governance su cui l'intero settore si appoggia — la guida sul rischio di modello SR 11-7 della Fed e dell'OCC — è stato scritto nel 2011 per modelli con comportamento stabile e deterministico. Come hanno affermato gli analisti del rischio di GARP all'inizio del 2026, l'SR 11-7 "rimane uno dei pochi punti di riferimento stabili per la governance dei modelli" — e l'IA agentica ne infrange i presupposti fondamentali, introducendo opacità, casualità e autonomia, spesso poggiando su infrastrutture di terze parti che possono cambiare senza preavviso. Non puoi ricostruire la decisione di un sistema che decide diversamente ogni volta e dipende dal modello di un fornitore che non controlli.

Per essere chiari su dove ci troviamo realmente: le revisioni dei professionisti dell'FMSB rilevano che l'IA rivolta al mercato non opera ancora in modo autonomo — è incorporata nell'infrastruttura di trading sotto supervisione umana. Bene. Quella è la finestra. Il momento giusto per costruire la governance per gli agenti di trading autonomi è prima che facciano trading in modo autonomo, non nel post-mortem. Progettiamo quel livello di spiegabilità e supervisione adesso, così che la pista di audit esista prima che l'autorità di regolamentazione la richieda.

C'è anche una vera leva tecnica disponibile qui. I modelli basati su grafi — reti neurali su grafo che mappano la rete di esposizioni verso le controparti — hanno raggiunto punteggi AUC-ROC intorno a 0,891 nel rilevare il contagio del rischio in contesti di ricerca, ben davanti ai metodi convenzionali, con tempi di anticipo dell'allerta precoce estesi di quasi dodici giorni. Quasi nessun fornitore di sorveglianza offre l'analisi del contagio basata su grafi come funzionalità standard. Per un'azienda con un rischio di controparte interconnesso, quella è la differenza tra vedere arrivare una cascata e leggerne in un'ordinanza sanzionatoria.

"Non è forse solo altro software di compliance?"

Le persone mi pongono una versione di quella domanda, e la risposta onesta è: no, se è costruito bene.

Il motivo per cui la compliance sembra puro costo — le grandi banche spendono oltre 200 milioni di dollari all'anno per essa, e il tempo che i loro dipendenti vi dedicano è cresciuto del 61% in un decennio — è che gran parte di essa è ricostruzione manuale di cose che i sistemi avrebbero dovuto registrare automaticamente. Quando la spiegazione viene generata mentre l'algoritmo è in esecuzione, l'esame smette di essere uno scavo archeologico. L'inventario è una query. La catena decisionale è già messa per iscritto. La mappatura cross-giurisdizionale è un modello, non cinque.

L'altra cosa che le persone chiedono è se la spiegabilità rallenti gli algoritmi — se stai barattando microsecondi per scartoffie. Non è così. La cattura del ragionamento sta a fianco dell'esecuzione; è un registro, non un freno. Le aziende che hanno risolto questo hanno smesso di trattare la compliance come una tassa sulla velocità e hanno iniziato a trattarla come una proprietà del sistema, presente dalla prima riga di codice anziché innestata prima dell'audit.

Penso al caso Two Sigma qui. Un ricercatore senior ha silenziosamente alterato quattordici modelli di investimento nell'arco di quasi due anni — spostando un singolo parametro — e ha prodotto 165 milioni di dollari di perdite per i clienti prima che qualcuno se ne accorgesse; l'azienda ha pagato 90 milioni di dollari per patteggiare. Quei modelli non erano privi di supervisione a parole. Erano inspiegabili nella pratica. Nessuno poteva vedere, in tempo reale, che il ragionamento era stato corrotto. Quello non è un fallimento di rilevamento. Quello è un fallimento di spiegabilità travestito da fallimento di rilevamento.

L'errore da 444 miliardi di dollari del trader di Citi ha impiegato secondi per essere commesso e anni per essere portato in giudizio. La cosa che ha trasformato un errore imbarazzante in uno da 92 milioni di dollari non era la dimensione del paniere. Era che, quando le autorità di regolamentazione si sono sporte in avanti e hanno chiesto perché, la risposta è stata un'alzata di spalle.

Ogni azienda che gestisce algoritmi è a una brutta mattinata di distanza da quella domanda. Quelle che se la caveranno non sono quelle con più controlli o con la piattaforma più costosa. Sono quelle che, quando l'esaminatore punta il dito sulle 9:47, sanno richiamare la decisione e ripercorrerla riga per riga — e che hanno incorporato quella capacità nel livello di compliance molto prima di averne bisogno. Costruisci la spiegazione mentre la macchina sta ancora facendo trading. Quando qualcuno chiederà, sarà già troppo tardi per iniziare a metterla per iscritto.