Questa settimana, Francis Huang, ex private equity immobiliare, sette anni di ricerca sull’AI e la valutazione degli asset a Harvard e MIT, ha pubblicato qualcosa di raro.
Una guida gratuita all’AI nel Real Estate costruita su 5.000+ ore di implementazione reale presso fondi istituzionali che gestiscono capitale vero su deal veri.
Non è materiale di vendita. Non è un think piece. È meccanica.
L’ho letta.
Questo è il mio filtro, e cosa significa per chi lavora nello sviluppo immobiliare.
Lezione 1: Il modello non capisce il tuo documento. Genera testo che sembra farlo
È la cosa più importante da capire prima di usare l’AI su qualcosa che conta.
I modelli linguistici generano output token per token, basandosi su pattern statistici. Quando carichi una variante urbanistica, un contratto d’appalto o uno studio di fattibilità, il modello non lo legge come farebbe un avvocato o un analista. Produce testo che assomiglia a una risposta corretta.
Non è la stessa cosa.
Ne seguono due conseguenze pratiche.
Prima, le finestre di contesto: i modelli hanno limiti fisici sulla quantità di testo che possono processare in una singola sessione. Carica un documento di 80 pagine e chiedi tutti i dati chiave, e il modello potrebbe ignorare silenziosamente intere sezioni senza avvertirti. Scadenze, superfici, condizioni sospensive. Sparite, senza nessun messaggio di errore.
Seconda, le allucinazioni: il modello può inventare un dato, correggere un’incoerenza, o parafrasare eliminando una clausola restrittiva. L’output è identico a uno corretto. La sicurezza dell’output non dice nulla sulla sua accuratezza.
Il developer che non lo sa tratta l’output dell’AI come una bozza da rifinire. Quello che lo sa costruisce un protocollo attorno ad essa: regole esplicite nel prompt, mappatura delle fonti, segnaposto per ogni campo non documentato.
Il protocollo sostituisce la fiducia. Questo vale ovunque. Vale di più in mercati come l’Italia, dove i documenti di input sono spesso PDF scansionati in linguaggio burocratico con strutture di clausole ambigue. Rischio più alto, margine di errore più piccolo.
Lezione 2: Dove l’AI funziona nello sviluppo e dove ti tradisce in silenzio
La maggior parte della letteratura sull’AI ti dice cosa è possibile. Huang ti dice cosa è affidabile. È una conversazione diversa.
Ecco una mappa onesta, filtrata per essere applicata al lavoro del Developer.
I memorandum d’offerta e le comunicazioni agli investitori funzionano bene per estrazione, sintesi e riformattazione, con protocolli anti-allucinazione in uso.
L’astrazione dei contratti di locazione funziona su documenti strutturati; fallisce su clausole ambigue o linguaggio non standard.
La ricerca di mercato funziona per l’aggregazione; fallisce su dati in tempo reale o locali specifici. Non usarla per generare comparabili che non puoi verificare in modo indipendente.
Il financial modelling è dove la guida segna il cambiamento più significativo, sviluppato nella Lezione 3.
Senza questa mappa, usi l’AI dove fallisce. Insegui casi d’uso che sembrano impressionanti, ma producono output inaffidabili. Con essa, costruisci un workflow attorno alla curva di affidabilità reale dell’AI. Smetti di sperimentare e inizi a implementare.
La domanda smette di essere “riesce a farlo?” e diventa “è un caso d’uso dove posso fidarmi dell’output abbastanza da agire?”
Lezione 3: Qualcosa è cambiato a fine 2025. Il ruolo dell’analista è cambiato
Huang documenta un cambiamento qualitativo nella seconda metà del 2025: i tool purpose-built per il real estate possono ora produrre modelli Excel istituzionali da input in linguaggio naturale. Struttura DCF completa. Waterfall LP/GP con hurdle rate. Debt stack articolato.
Tutto in pochi minuti.
Questo non elimina l’analista. Elimina la parte del lavoro che consumava tempo senza aggiungere giudizio: costruire lo scheletro.
Per una pre-fattibilità di sviluppo, è significativo. Pianificazione dei costi, simulazione dei ricavi, analisi degli scenari. Il lavoro di assemblaggio che richiedeva giorni ora richiede ore. L’analista smette di costruire il modello e inizia a ragionare sul modello. Prima nel processo. Su più operazioni.
Per un team di sviluppo senza un analista dedicato, che descrive la maggior parte del mercato in Italia e altrove, l’implicazione è diretta.
Non devi assumere prima di poter modellare.
Devi verificare quello che il modello produce.
La domanda su cui vale la pena fermarsi
Huang chiude con questo: i professionisti che navigheranno bene l’AI non saranno quelli che la adottano più velocemente. Saranno quelli che la capiscono abbastanza bene da sapere quando fidarsi, quando verificare, e quando respingerla.
Non velocità di adozione. Calibrazione.
Qui alcuni punti chiave:
• L’AI genera testo che assomiglia a risposte corrette. Non capisce i tuoi documenti.
• Le finestre di contesto e le allucinazioni sono rischi operativi. Costruisci protocolli, non abitudini.
• Usa l’AI dove la sua affidabilità è provata; affronta gli altri casi d’uso con scetticismo strutturato.
• Il cambiamento di fine 2025 sul financial modelling comprime in modo significativo il lavoro di pre-fattibilità
La guida è gratuita, eccola qui: apers.app/library/guide-to-ai-in-cre
