Efficacia, oggettività ed etica nella valutazione aziendale attraverso gli algoritmi di machine learning
Abstract: Nel contesto economico attuale, si sta assistendo a una progressiva e inarrestabile fusione tra l’Intelligenza Artificiale (IA) e i processi finanziari favorendo cosi nuove prospettive nella valutazione aziendale. L’integrazione dei metodi tradizionali (Discounted Cash Flow – DCF) con nuovi algoritmi (Machine Learning – ML) consente una valutazione più dinamica e informata, riducendo il margine di errore e adattandosi meglio alle complessità del contesto economico attuale. Tuttavia, l’adozione di tali tecnologie solleva questioni etiche riguardanti la trasparenza, l’affidabilità e la responsabilità nelle decisioni finanziarie automatizzate.
Keywords: #IntelligenzaArtificiale #AIgenerativa #finanza #economia #IA #artificialintelligence #AI #valutazioneaziendale #DiscountedCashFlow #TechInnovations #MachineLearning #DigitalTransformation #etica #algoretica #diegoserafin #ethicasocietas #ethicasocietasrivista #rivistascientifica #scienzeumane #scienzesociali #ethicasocietasupli
Lolita Guliman, psicologa e psicoterapeuta, professoressa universitaria, esperta in valutazione e cura del disagio tra gli operatori dei settori a rischio, coordinatrice di gruppi di lavoro relativi al sostegno delle famiglie anche attraverso l’uso dell’intelligenza artificiale cognitiva.
Diego Serafin, laureato in Scienze Statistiche e Attuariali, con specializzazione in Data Science, presso l’Università degli Studi di Trieste. Studioso d’intelligenza artificiale applicata, la modellazione statistica e i sistemi complessi. È appassionato dei modelli di data science applicati in contesti economici, finanziari e aziendali.
Introduzione
L’Intelligenza Artificiale (IA) sta cambiando il modo in cui valutiamo le aziende. Grazie alla sua capacità di analizzare grandi quantità di dati e di identificare pattern complessi, l’IA può aiutare a migliorare l’accuratezza delle valutazioni. Inoltre, l’IA può aiutare a ridurre la soggettività delle ipotesi e a migliorare la trasparenza del processo di valutazione. Questi strumenti, grazie alla loro capacità di elaborare grandi moli di dati e di apprendere in maniera iterativa, offrono potenzialità significative per migliorare la precisione delle previsioni finanziarie e ridurre l’incidenza della soggettività umana. La valutazione aziendale è un’attività critica per gli investitori, gli analisti e le imprese stesse.
Tuttavia, l’integrazione di strumenti algoritmici nei processi di valutazione non è priva di criticità. Le implicazioni etiche legate all’opacità dei modelli, ai possibili bias insiti nei dati e alla responsabilità delle decisioni automatizzate impongono una riflessione approfondita sul loro utilizzo. In questo scenario, appare fondamentale esplorare modelli ibridi capaci di coniugare il rigore teorico dei metodi classici con la flessibilità e la potenza analitica delle tecnologie emergenti.
L’obiettivo del presente contributo è proporre un modello di valutazione aziendale che integri il metodo DCF con tecniche di Machine Learning, evidenziandone i vantaggi, i limiti e le implicazioni dal punto di vista etico, organizzativo e sistemico. Pur senza analizzare un caso aziendale reale, l’articolo propone un esempio applicativo sintetico e si concentra sull’architettura concettuale del modello, nonché sulle riflessioni critiche che la sua adozione comporta per la teoria e la pratica della valutazione d’impresa.
Il modello tradizionale
Il metodo tradizionale più diffuso è quello del Discounted Cash Flow (DCF). Da diversi decenni questo metodo rappresenta uno degli strumenti più diffusi e apprezzati per stimare il valore intrinseco di un’impresa. La sua forza risiede nella logica finanziaria sottostante, che lega il valore attuale di un’azienda alla capacità di generare flussi di cassa futuri, attualizzati attraverso un tasso che riflette il rischio dell’attività. Tale approccio si fonda su una struttura teorica solida e coerente con i principi fondamentali della finanza aziendale.
Tuttavia, l’applicazione pratica del DCF è tutt’altro che neutra. I flussi di cassa previsti, il tasso di sconto adottato, l’orizzonte temporale considerato e le ipotesi di crescita implicite sono tutti elementi che richiedono un elevato grado di giudizio soggettivo. La conseguenza diretta è che valutazioni nominalmente “oggettive” possono in realtà variare anche in modo significativo a seconda delle ipotesi formulate da chi le realizza. Inoltre, l’approccio DCF mostra una scarsa reattività rispetto ai cambiamenti repentini del contesto economico e finanziario. Le previsioni multi-anno tendono a cristallizzare aspettative che non sempre si realizzano, specialmente in mercati instabili, ad alta volatilità o soggetti a trasformazioni tecnologiche radicali.
Le raccomandazioni degli standard internazionali, come gli International Valuation Standards (IVS), evidenziano con chiarezza la necessità di prudenza, trasparenza e documentazione rigorosa nelle scelte modellistiche e nelle ipotesi utilizzate. Tuttavia, anche quando ben implementato, il DCF resta un modello fortemente dipendente dalla qualità dei dati storici e dalla capacità previsionale dell’analista.
In sintesi, il metodo DCF, pur restando un riferimento fondamentale, espone il processo valutativo a rischi di distorsione, incoerenza e opacità, specialmente quando non supportato da strumenti in grado di adattarsi all’evoluzione continua dei dati e dei contesti aziendali.
I Modelli Innovativi: l’Intelligenza Artificiale nella Valutazione d’Impresa
L’Intelligenza Artificiale (IA), e in particolare il sottoinsieme del Machine Learning (ML), sta trasformando radicalmente il modo in cui le organizzazioni analizzano i dati e prendono decisioni. Anche nel campo della valutazione aziendale, queste tecnologie stanno emergendo come strumenti promettenti per affiancare – e in alcuni casi ridefinire – i metodi tradizionali.
A differenza dei modelli statici come il DCF, i sistemi basati su ML sono capaci di apprendere dai dati storici, identificare pattern ricorrenti e generare previsioni adattive. Algoritmi come le reti neurali artificiali (ANN) e i modelli di gradient boosting (ad esempio XGBoost) sono in grado di gestire una moltitudine di variabili – finanziarie e non catturando relazioni anche complesse o non lineari, difficilmente rilevabili tramite l’analisi classica. Uno dei principali vantaggi dell’IA è la capacità di aggiornare continuamente i modelli previsionali alla luce dei nuovi dati, aumentando così la reattività del processo valutativo rispetto alle evoluzioni del mercato. Inoltre, l’adozione di modelli data-driven può contribuire a ridurre la soggettività dell’analista, promuovendo una maggiore coerenza metodologica. Tuttavia, l’introduzione dell’IA nei processi di valutazione solleva anche interrogativi rilevanti. La cosiddetta “black box” algoritmica – ovvero la difficoltà nel comprendere il funzionamento interno di alcuni modelli complessi – può compromettere la trasparenza e la verificabilità delle valutazioni. Inoltre, i modelli ML dipendono fortemente dalla qualità e neutralità dei dati di addestramento, con il rischio di replicare o amplificare bias preesistenti. Non da ultimo, l’uso di IA nella valutazione aziendale richiede nuove competenze professionali e una ridefinizione dei ruoli decisionali: il giudizio umano resta essenziale, ma deve coesistere con sistemi automatizzati in un equilibrio ancora in fase di definizione. In questo quadro, l’IA si configura non tanto come un sostituto dei metodi tradizionali, quanto come un potente complemento capace di rafforzarne le basi predittive, purché il suo impiego sia guidato da criteri di responsabilità, trasparenza e consapevolezza critica.
Il Modello Ibrido
Nel tentativo di superare i limiti dei metodi tradizionali senza rinunciare alla loro solidità teorica, il modello proposto integra il Discounted Cash Flow (DCF) con tecniche di Machine Learning (ML), in un’ottica di complementarità metodologica. Un modello ibrido che combina i metodi tradizionali con l’IA può essere la soluzione del futuro. Questo modello può aiutare a migliorare l’accuratezza delle valutazioni, a ridurre la soggettività delle ipotesi e soprattutto risulta efficace riguardo ai processi di adattamento veloce alle condizioni del mercato in continua evoluzione. La logica di fondo prevede che i modelli di ML siano utilizzati per migliorare le previsioni delle principali variabili finanziarie che alimentano il DCF, in particolare i flussi di cassa operativi futuri. Invece di basarsi su stime soggettive o proiezioni lineari, il ML apprende da dati storici, di bilancio e – ove disponibili – anche esogeni (di settore, macroeconomici, di sentiment, ecc.) per generare previsioni più robuiste e adattive. Una volta stimati i flussi di cassa attesi, il DCF entra in gioco come strumento di valorizzazione finanziaria, attualizzando tali flussi sulla base di un tasso di sconto che può anch’esso essere migliorato tramite tecniche predittive, pur mantenendo un controllo umano sulle assunzioni critiche. Questa sinergia consente di conservare l’intelaiatura teorica del DCF, ma potenziandone la componente previsionale e riducendo l’impatto della soggettività nelle ipotesi. Il risultato è un modello più dinamico, trasparente e in grado di adattarsi rapidamente al contesto.
Tabella 1: Vantaggi, Limiti e Precauzioni del Modello Ibrido
|
Vantaggi principali |
Limiti e precauzioni |
| Previsioni di flussi di cassa più accurate | Complessità operativa e tecnica |
| Maggiore adattabilità al cambiamento | Dipendenza dalla qualità e disponibilità dei dati |
| Riduzione della soggettività | Necessità di interpretabilità e supervisione umana |
| Miglioramento della documentabilità delle scelte |
Un esempio di sintesi
Un fondo di investimento intende valutare il potenziale di crescita di un’impresa tecnologica emergente, denominata TechKosei, attualmente impegnata nello sviluppo di un prodotto altamente innovativo. A supporto dell’analisi sono disponibili diversi insiemi informativi: flussi di cassa storici, dati settoriali, informazioni sulla concorrenza e sulle caratteristiche del mercato target.
In tale contesto, l’adozione di un modello ibrido si articola in due fasi principali. In una prima fase, un algoritmo di Machine Learning analizza i dati storici e di contesto per stimare i flussi di cassa futuri dell’azienda, tenendo conto della complessità e variabilità del mercato. In una seconda fase, tali stime vengono utilizzate all’interno di un modello Discounted Cash Flow (DCF) per calcolare il valore attuale dell’impresa.
A titolo esemplificativo, mentre l’applicazione del solo DCF – basato su assunzioni lineari e scenari deterministici – stimava un valore d’impresa pari a circa 420 milioni di dollari, il modello integrato con ML ha prodotto una stima più elevata, pari a 500 milioni di dollari, evidenziando anche un potenziale di crescita annuale del 20% per i prossimi cinque anni. Tale differenza è riconducibile alla capacità del modello predittivo di cogliere dinamiche latenti nei dati e segnali deboli spesso trascurati dai modelli tradizionali.
I vantaggi dell’approccio ibrido sono evidenti: maggiore aderenza ai dati reali, capacità adattiva e possibilità di aggiornamento continuo del modello al mutare delle condizioni di mercato. Tuttavia, permangono alcune criticità legate alla disponibilità e qualità dei dati, nonché alla scarsa trasparenza interpretativa dei modelli di ML, i quali richiedono un controllo esperto per garantirne un impiego eticamente e metodologicamente corretto.
L’adozione di modelli ibridi per la valutazione d’impresa, basati sull’integrazione tra tecniche tradizionali e algoritmi di Machine Learning, non costituisce un semplice avanzamento tecnologico. Essa determina cambiamenti strutturali nei processi decisionali, che richiedono una riflessione critica sul piano etico, organizzativo e sistemico. In particolare, emergono quattro dimensioni chiave:
1. Trasparenza e comprensibilità
Uno dei principali rischi associati all’utilizzo dell’IA nei processi valutativi è la riduzione della trasparenza. I modelli complessi, in particolare quelli basati su reti neurali, possono risultare opachi anche per chi li ha implementati. Questa “black box” algoritmica mette in discussione il principio di tracciabilità delle decisioni economico-finanziarie, ostacolando la possibilità di verifica da parte di soggetti terzi. Per garantire un uso eticamente sostenibile, è fondamentale sviluppare meccanismi di explainability, ovvero strumenti e metodologie che rendano interpretabili i risultati dei modelli ML. La responsabilità della valutazione non può essere delegata interamente all’algoritmo: la supervisione umana resta imprescindibile.
2. Responsabilità e accountability
L’automatizzazione del processo valutativo pone interrogativi sulla distribuzione della responsabilità. Chi è responsabile di una valutazione errata se le previsioni sono generate da un modello algoritmico? L’impresa valutata, l’analista, il programmatore del modello, o l’ente che lo adotta? È quindi essenziale che le organizzazioni che impiegano modelli ibridi sviluppino un framework chiaro di accountability, capace di distinguere le responsabilità umane da quelle algoritmiche, e che definiscano policy interne che regolino l’adozione di questi strumenti.
3. Bias e giustizia algoritmica
Un altro aspetto critico riguarda la possibile riproduzione di bias nei dati. Se i dataset utilizzati per addestrare i modelli riflettono disuguaglianze o distorsioni preesistenti, l’output del modello rischia di amplificare tali dinamiche. Ciò può avere implicazioni significative anche nella valutazione del merito creditizio, dell’affidabilità finanziaria o del potenziale di crescita, influenzando negativamente le decisioni di investimento. Per contrastare tali effetti è necessario agire sulla qualità e rappresentatività dei dati, oltre che sulle tecniche di validazione e monitoraggio continuo del modello.
4. Impatto sui ruoli professionali e sull’organizzazione
L’adozione di modelli ibridi ridefinisce anche i ruoli professionali all’interno delle organizzazioni. All’analista finanziario è richiesto oggi di possedere, oltre alle competenze tradizionali, una conoscenza base dei modelli predittivi, dei loro limiti e delle modalità di interpretazione. Questa trasformazione impone alle aziende di investire nella formazione.
Bibliografia
Arrieta, A. B., Dìaz-Rodrìguez, N., Del Ser, J., Bennetot, A., Tabik, S., Barbado, A., . . . Herrera, F. (2020). Explainable Artificial Intelligence (XAI): Concepts, Taxonomies, Opportunities and Challenges toward Responsible AI. Information Fusion.
Bartram, S. M., Branke, J., & Motahari, M. (2020). Artificial Intelligence in Asset Management. CFA Institute Research Foundation.
Bhadamkar, A., & Bhattacharya, S. (2022). Tesla Inc. Stock Prediction using Sentiment Analysis.
Australasian Accounting, Business and Finance Journal (AAB&FJ), 52-66.
Bharadwaj, A., El Sawy, O. A., Pavlou, P. A., & Venkatraman, N. (2013, Giugno). Digital Business Strategy: Toward a Next Generation of Insights. MIS Quarterly, pp. 471-482.
Brealey, R. A., Myers, S. C., & Allen, F. (2011). Principles of Corporate Finance. McGraw-Hill Education.
Brundage, M., Avin, S., Wang, J., Belfield, H., Krueger, G., Hadfield, G., . . . Dafoe, A. (2020). Toward trustworthy AI development: Mechanisms for supporting verifiable claims.
Chen, T., & Guestrin, C. (2016). XGBoost: A Scalable Tree Boosting System. KDD ’16: Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, (p. 785-794).
Copeland, T., Koller, T., & Murrin, J. (2000). Valuation: Measuring and Managing the Value of Companies. Wiley.
Damodaran, A. (2012). Investment Valuation: Tools and Techniques for Determining the Value of Any Asset. Hoboken, Canada: Wiley.
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (2022). Artificial Intelligence and Business Value: a Literature Review. Information Systems Frontiers, p. 1709–1734.
Fabozzi, F. J., Focardi, S. M., & Jonas, C. A. (2014). Artificail Intelligence in Asset Management. Wiley. Farahani, M. S. (2024, Luglio 19). Analysis of business valuation models with AI emphasis. Sustainable Economies, pp. 1-13.
Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review.
Geertsema, P., & Lu, H. (2023). Relative Valuation with Machine Learning. Journal of Accounting Research, 329-376.
Guidotti, R., Monreale, A., Turini, F., Pedreschi, D., Giannotti, F., & Ruggieri, S. (2018). A survey of methods for explaining black box models. ACM Computing Surveys, 1-42.
Haich, A. P. (2021). Deep Learning Applied to Public Company Valuation for Value Investing. A Thesis Submitted to the Graduate Faculty to the North Dakota State University of Agriculture and Applied Science.
Hitchner, J. R. (2011). Financial Valuation: Applications and Models. Hoboken, Canada: Wiley.
Hoang, D., & Wiegratz, K. (2022). Machine Learning Methods in Finance: Recent Applications and Prospects. KIT Working Paper Series in Economics, No. 158.
How AI is Transforming the Business Valuation industry. (2024, Aprile 28). Tratto da Equitest – Valuation Methods Blog: https://equitest.net/business-valuation-blog/valuation-methods- blog/item/295-how-ai-is-transforming-the-business-valuation-industry.html
IEEE. (2017). Cybersecurity and AI Ethics. IEEE Standards Association.
IEEE. (2019). Ethically Aligned Design: A Vision for Prioritizing Human Well-being with Autonomous and Intelligent Systems. IEEE Standards Association.
International Valuation Standards Council (IVSC). (2024). International Valuation Standards (IVS). International Valuation Standards Council.
Kantar, L., & Ayrancı, E. A. (2022). Estimating Financial Failure in Businesses Using Artificial Neural Networks: Turkish Manufacturing Industry Model Study. Journal of Corporate Governance, Insurance, and Risk Management, 327-340.
Machová, V., & Vochozka, M. (2019). Analysis of Business Companies Based on Artificial Neural Networks. SHS Web of Conferences.
Mehrabi, N., Morstatter, F., Saxena, N., & Lerman, K. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 1-35.
Mestiri, S. (2024). Financial Applications of Machine Learning Using R Software. Munich Personal RePEc Archive (MPRA).
Miciula, I., Kadlubek, M., & Stepien, P. (2020). Modern Methods of Business Valuation-Case Study and New Concepts. Sustainability.
Mittelstadt, B. D., Allo, P., Taddeo, M., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society.
Nei, P. P., Tobi, S. M., & Jasimin, T. H. (2023). Big Data Application in Automated Valuation Model for Valuation Process. Journal of Advanced Research in Business, 1-15.
Russell, S., & Norvig, P. (2021). Artificial Intelligence: A Modern Approach. Pearson.
Torrez, J., Al-Jafari, M., & Juma’h, A. (2006). Corporate Valuation: a Literature Review. Inter Metro Business Journal, 2(2), 39-58.
Tsai, H.-Y. (2021). The Impact of Artificial Intelligence on Sustainable Corporate Brand: a Netnography Study of Tesla.
Unal Guner, P., & Unal, S. N. (2023). An artificial neural network based method for company valuation. Journal of Business, Economics and Finance (JBEF), 91-101.
Wilkowski, W., & Budzyński, T. (2006). Application of Artificial Neural Networks for Real Estate Valuation.
Zugravu, A., Mansour, T., da Cunha, A., & Espérandieu, A. (s.d.). Using AI in economic development: Challenges and opportunities. Tratto da McKinsey & Company: https://www.mckinsey.com/industries/public-sector/our-insights/using-ai-in-economic- development-challenges-and-opportunities#/
ULTIMI ARTICOLI DELL’ AUTORE LOLITA GULIMA
INTELLIGENZA ARTIFICIALE NELLA PREVENZIONE DEI SUICIDI NELLE FORZE DI POLIZIA
GLI ULTIMI 5 ARTICOLI SULL’INTELLIGENZA ARTIFICIALE
L’ASCESA DEGLI AVATAR GENERATI TRAMITE INTELLIGENZA ARTIFICIALE: ANALISI DI UN FENOMENO DIGITALE
INTELLIGENZA ARTIFICIALE E BIAS: LIMITI E OPPORTUNITÀ
PAPA FRANCESCO SFERZA I GRANDI DELLA TERRA SULL’INTELLIGENZA ARTIFICIALE [CON VIDEO]
L’INTELLIGENZA ARTIFICIALE SVELA IL LUOGO DI SEPOLTURA DI PLATONE
GLI ULTIMI 5 ARTICOLI PUBBLICATI
Copyright Ethica Societas, Human&Social Science Review © 2025 by Ethica Societas UPLI onlus.
ISSN 2785-602X. Licensed under CC BY-NC 4.0