C’è una scena ormai frequente nelle aziende di tutto il mondo, dove qualcuno apre ChatGPT, chiede il prezzo dell’alluminio o una previsione sull’acciaio, riceve in pochi secondi una risposta ordinata, autorevole e piena di parole familiari come LME, domanda cinese, scorte, tassi, dazi e transizione energetica.
Sembra tutto a posto. Eppure, nella maggior parte dei casi, manca la domanda decisiva e cioè quale alluminio, quale acciaio, quale mercato, quale consegna, quale unità, quale data? È da qui che cominciano i limiti dell’intelligenza artificiale generativa applicata ai metalli.
Una quotazione non è soltanto un prezzo di riferimento, ma è qualcosa di più, che serve a definire con precisione la variazione del valore di una materia prima o di un prodotto in un dato intervallo temporale e secondo criteri commerciali ben determinati. Se quei criteri non sono esplicitati, il rischio non è ottenere un numero palesemente falso, ma ricevere un numero apparentemente credibile, che però si riferisce ad un mercato diverso da quello che interessa davvero.
Il grande equivoco
Il primo grande equivoco è pensare che l’addestramento di un modello (LLM) coincida con la conoscenza. Non è così. ChatGPT e gli altri modelli linguistici vengono addestrati su immense quantità di dati. Non costruiscono però una banca dati universale, ordinata e costantemente aggiornata. Imparano le regolarità del linguaggio, quali concetti tendono a comparire insieme, come si formula una spiegazione e quali relazioni sono statisticamente probabili.
Questo consente loro di produrre risposte fluenti, senza errori sintattici e semanticamente coerenti. Non garantisce che sappiano recuperare il dato corretto nel momento corretto. Un modello può sapere che il rame viene trattato al LME e al COMEX, così come può sapere che il nichel incide sul costo di alcuni acciai inossidabili. Può anche sapere che premio per la consegna fisica pesa sui prezzi dell’alluminio. Ma tra riconoscere queste relazioni e applicarle a un contratto reale c’è una distanza notevole.
Nei mercati delle commodity, poi, il tempo non è una variabile accessoria. Dati incompleti, ritardati o distorti producono inevitabilmente risultati altrettanto incompleti, ritardati o distorti. Un modello addestrato su informazioni del passato non può conoscere automaticamente una modifica ai dazi, un’interruzione produttiva, un blocco logistico o l’ultimo movimento di un premio regionale.
Una domanda troppo corta
Le imprese non acquistano “metalli”, ma acquistano un prodotto definito. Possono acquistare una billetta di alluminio, una lamiera zincata, una bobina di laminato a freddo, un catodo di rame, un tubo in ottone, una barra in acciaio inox. Ogni materiale porta con sé caratteristiche che non possono essere lasciate all’interpretazione di un modello:
- prodotto, qualità e forma commerciale
- borsa, indice o benchmark contrattuale
- area geografica e condizione di consegna
- valuta e unità di misura
- data di fissazione o periodo di media
- premio regionale, sconto, trasformazione e trasporto
- utilizzo del dato: acquisto fisico, copertura, budget o investimento
Quando l’utente non specifica questi elementi, un modello generalista tende a scegliere l’ipotesi più probabile. È esattamente ciò per cui è stato progettato e cioè completare una richiesta incompleta con una risposta linguisticamente coerente. Ma nei metalli la risposta più probabile può essere quella sbagliata.
L’alluminio non ha un solo prezzo
L’alluminio è un buon esempio. Una risposta generica potrebbe partire dal contratto LME a tre mesi, perché è il riferimento più noto e più facilmente riconoscibile. Per molte applicazioni industriali, però, questo dato rappresenta solo la base. Il costo effettivo può includere un premio fisico locale, la logistica, il premio di trasformazione, il cambio e altri elementi negoziali.
Il modello riconosce la commodity, ma non l’esposizione economica.
Il problema non è l’LME, ma trattarlo come se fosse, da solo, la risposta universale alla domanda “quanto costa l’alluminio?”. La correlazione fra base LME e premi regionali non implica che si muovano nella stessa misura o con la stessa velocità (in questo periodo, soprattutto il mercato statunitense dei premi evidenzia chiaramente questo aspetto).
È un errore ricorrente anche nella lettura degli indici poiché un indice composito dei metalli industriali descrive il movimento di un paniere, non il prezzo fisico di una singola commodity o di uno specifico prodotto commerciale.
Acciaio: una parola, molti mercati
Con l’acciaio l’inattendibilità di un modello generalista nel capire il mercato dei metalli è ancora più evidente. Quando si chiede il prezzo dell’acciaio, quale prodotto si intende? Coil laminato a caldo? Laminato a freddo? Zincato a caldo? Lamiera? Tondo per cemento armato? Vergella? Acciaio per imballaggio? Inox?
Un modello generalista sceglierà il riferimento più diffuso, ad esempio il coil laminato a caldo. È una scelta comprensibile per un testo introduttivo, ma può essere del tutto inutile per un’impresa esposta allo zincato o al laminato a freddo. I vari prodotti siderurgici possono muoversi nella stessa direzione ma conservare differenziali molto diversi. Quel differenziale non è un particolare da poco conto visto che è una componente di costo, margine e rischio.
Chi compra zincato non può gestire il proprio budget con la sola curva del laminato a caldo. Chi produce componenti per l’automotive non può trattare una quotazione generica dell’acciaio come sostituto della specifica realmente acquistata. Il modello può avere ragione sul movimento generale del settore siderurgico e torto sul mercato che conta per l’utente.
Le 4 confusioni ricorrenti
Nel lavoro quotidiano con i modelli linguistici, gli errori di prezzo tendono a concentrarsi in quattro aree.
| Errore | Cosa accade | Conseguenza pratica |
|---|---|---|
| Benchmark errato | Il modello usa LME al posto di COMEX (o viceversa), oppure un indice al posto di una quotazione fisica | Coperture, contratti e confronti storici diventano incoerenti |
| Prodotto errato | Sostituisce una qualità specifica con il prodotto più noto della famiglia | Si perde il differenziale realmente pagato dall’impresa |
| Mercato geografico errato | Ignora premi regionali, luogo di consegna e disponibilità locale | Il costo industriale viene sottostimato o sovrastimato |
| Unità o convenzione errata | Mescola tonnellate metriche, tonnellate corte, libbre, spot e contratti a termine | I confronti numerici sembrano coerenti ma non lo sono |
Nel settore manifatturiero, la qualità, l’accessibilità, la standardizzazione e l’interoperabilità dei dati sono fattori determinanti per l’affidabilità delle applicazioni di intelligenza artificiale. È un punto che vale ancora di più nei metalli, dove la nomenclatura commerciale determina l’oggetto stesso dell’analisi.
L’AI non legge il mercato
L’AI può leggere un testo sul mercato. Può riassumere un report. Può confrontare dichiarazioni di produttori, banche centrali e associazioni industriali. Può aiutare a ordinare le variabili che incidono sul rame o sull’alluminio. Ma senza accesso a serie aggiornate, dati strutturati e definizioni commerciali precise, non sta “leggendo il mercato”. Sta formulando una risposta sulla base di informazioni apprese in precedenza e di ipotesi implicite.
Nei mercati delle commodity, gli shock dell’offerta, gli eventi geopolitici, i cambiamenti politici e le discontinuità strutturali rendono fragili i modelli costruiti soltanto sul passato. Anche gli studi sui sistemi previsionali segnalano che le prestazioni dipendono dalla finestra storica, dalle variabili selezionate, dall’orizzonte di analisi e dalla capacità di catturare rotture strutturali e interruzioni dell’offerta.
Questo non rende inutili i modelli, ma ne evidenzia i limiti e ne definisce il perimetro entro il quale utilizzarli per ottenere risultati affidabili. Un LLM può stimare scenari, evidenziare anomalie e suggerire domande da approfondire. Non può trasformare una serie storica in una certezza, né anticipare eventi davvero nuovi solo perché è in grado di scrivere bene.
Anche nel settore dei metalli i modelli linguistici usati senza un’adeguata formazione e consapevolezza di come questa tecnologia funziona, possono creare più danni che benefici, producendo numeri o conclusioni che non sono nient’altro che errori ben confezionati.
METALLIRARI.COM © ALL RIGHTS RESERVED
