Nel marzo 2023 Bloomberg ha pubblicato una studio su BloombergGPT, un modello linguistico addestrato su un immenso dataset proprietario di dati finanziari, definito il più grande finora esistente. L’azienda affermava che il modello superava di gran lunga le prestazioni dei concorrenti su compiti specifici del settore.
Le motivazioni iniziali e la decisione di costruire internamente
Secondo le dichiarazioni di David Rosenberg, capo del Machine Learning Strategy Team, la scelta di sviluppare un modello interno era dettata da un argomento di sicurezza: “Abbiamo dati che non vogliamo condividere, quindi per scopi sensibili preferiamo modelli proprietari”.
Il team centrale era composto da circa nove specialisti di machine learning. Bloomberg aveva già prenotato in anticipo circa 1,3 milioni di ore GPU in cloud, a un costo medio di 1 USD per ora, prevedendo così un budget di circa 1,3 milioni di dollari solo per la computazione.
A questo vanno aggiunti i salari dei professionisti per l’intera durata del progetto, portando l’investimento totale a diverse decine di milioni di dollari.
Il percorso di training
- Tre tentativi di training, con un intervallo di quasi un anno dal primo avvio al modello finale.
- Durante il training sono emersi problemi di stabilità e di convergenza, tipici di progetti su larga scala.
Il rapido superamento da parte dei modelli generici
Solo due mesi dopo la pubblicazione dello studio, modelli universali accessibili via API hanno iniziato a superare BloombergGPT nei test finanziari. Ricercatori della Queen’s University e del JP Morgan AI Research hanno mostrato che ChatGPT batteva BloombergGPT in tre dei cinque compiti confrontati, mentre GPT‑4 risultava superiore in tutti tranne uno.
Nel contesto di risposte a domande dialogiche, ChatGPT ha registrato un vantaggio di oltre 15 punti percentuali rispetto al modello di Bloomberg.
Il mito del “master model” finanziario
Da allora è sopravvissuto un mito secondo cui le istituzioni finanziarie devono investire milioni in un LLM dedicato per ottenere un vantaggio competitivo. Tuttavia, l’esperienza di Bloomberg dimostra che tale investimento può non tradursi in valore reale.
Le rivelazioni del 2026
Nel aprile 2026 Wayne Barlow, responsabile globale dei prodotti terminal, ha dichiarato a A‑Team Insight che BloombergGPT rimaneva un modello di ricerca e non è stato integrato in nessun prodotto commerciale.
Il risultato è stato che Bloomberg ha optato per una strategia ibrida:
- Utilizzo di modelli commerciali (es. Anthropic).
- Integrazione di modelli open‑source disponibili gratuitamente.
- Sviluppo di piccoli modelli proprietari per compiti specifici dove i modelli generici non erano sufficienti.
Shawn Edwards, CTO di Bloomberg, ha confermato che il sistema instrada le richieste verso il modello più economico capace di soddisfare il task, riservando i dati sensibili ai modelli interni.
Evoluzione verso modelli più piccoli
Già nel 2023 Rosenberg aveva anticipato: “Siamo ora più interessati a modelli più piccoli, facili da gestire, con inferenza su una singola GPU”. Questo approccio consente flessibilità operativa e riduzione dei costi.
Prodotti reali basati sulla combinazione di modelli
Due prodotti chiave, lanciati dopo la decisione di non utilizzare BloombergGPT, sono:
- Bloomberg Document Insights (aprile 2025): permette di porre domande in linguaggio naturale su documenti aziendali, restituendo collegamenti alle sezioni rilevanti.
- ASKB (febbraio 2026): genera query di dati per risposte finanziarie, esportabili direttamente in Excel e negli strumenti di analisi Bloomberg.
In entrambi i casi la valore principale è costituito dai dati di Bloomberg, non dal modello sottostante.
Lezioni per i dirigenti IT del settore finanziario britannico
1. Valutare il rapporto costi‑beneficio: un LLM proprietario può richiedere investimenti di decine di milioni senza garanzie di superiorità.
2. Considerare modelli pre‑addestrati: le performance dei modelli generici sono ormai competitive, soprattutto per task standardizzati.
3. Adottare un'architettura modulare: utilizzare una suite di modelli (commerciali, open‑source e piccoli modelli interni) per ottimizzare costi e sicurezza.
4. Proteggere i dati sensibili con modelli interni solo dove necessario, delegando il resto a fornitori esterni.
5. Pianificare iterazioni rapide: testare rapidamente modelli di mercato prima di investire in sviluppo su larga scala.
Conclusioni
L’esperienza di Bloomberg dimostra che l’idea di un LLM “mega‑personalizzato” per la finanza è più un’illusione che una necessità pratica. Le istituzioni dovrebbero puntare su una strategia ibrida, sfruttando la potenza dei modelli generici e riservando le risorse proprietarie ai casi in cui la sicurezza dei dati lo richieda. In questo modo, gli investimenti in IA diventano più sostenibili e allineati alle reali esigenze operative.