Clearwater Analytics (NYSE: CWAN), la piattaforma di investment accounting che ogni giorno produce report su oltre 7.300 miliardi di dollari di asset, ha aumentato gli asset gestiti di oltre il 20 percento mentre l'organico operativo è rimasto invariato. Il motore di questa equazione è un programma di AI generativa avviato a maggio 2023, costruito su Amazon SageMaker e Amazon Bedrock e documentato in un case study tecnico sull'AWS Machine Learning Blog a dicembre 2024.
Un business in cui crescere significava assumere
L'investment accounting è un business di volumi. Ogni cliente istituzionale porta migliaia di posizioni da riconciliare, flussi dati quotidiani da custodi e asset manager, scadenze di reporting che si ripetono ogni mese, trimestre e anno. Clearwater Analytics, fondata a Boise, Idaho nel 2004 e quotata al NYSE dal 2021, ha costruito il proprio business automatizzando questo lavoro per assicurazioni, aziende e asset owner — una piattaforma che oggi produce report su migliaia di miliardi di asset ogni giorno con circa 1.600 professionisti.
La sfida strutturale è familiare a ogni azienda SaaS ad alta intensità di servizi: storicamente la crescita degli asset gestiti trascinava con sé la crescita del personale operativo. Più clienti significavano più eccezioni di riconciliazione, più ticket di assistenza, più analisti. Questo accoppiamento lineare tra ricavi e costi operativi definisce il tetto di marginalità della categoria. A inizio 2023, con la maturazione dell'AI generativa, la leadership tecnica di Clearwater ha formulato un'ambizione precisa: assorbire una crescita a doppia cifra degli asset con il team operativo già in essere, trasformando la documentazione della piattaforma — migliaia di pagine di manuali, help content e conoscenza di dominio — in software funzionante.
La decisione che l'ha resa possibile: prima i dipendenti, poi la piattaforma
La sequenza è la parte più istruttiva di questa storia. A maggio 2023 Clearwater ha lanciato un assistente chat di AI generativa privato e sicuro per il personale interno, basato su retrieval-augmented generation sopra la knowledge base aziendale. La mossa internal-first ha risolto le domande più difficili — accuratezza, governance dei dati, qualità del retrieval — su un pubblico di dipendenti, mesi prima che qualunque cliente toccasse il sistema. A settembre 2023, alla user conference Clearwater Connect, l'azienda ha annunciato l'offerta di AI generativa rivolta ai clienti.
La seconda decisione è stata architetturale. Anziché appiccicare un chatbot al prodotto, Clearwater ha trasformato la console esistente nella Clearwater Intelligent Console (CWIC), una piattaforma AI organizzata su tre livelli: knowledge awareness, che fornisce risposte di dominio — calcoli di book value, processi di riconciliazione — tramite RAG; application awareness, che guida gli utenti verso i report e le funzionalità giuste; data awareness, che esegue query complesse di portafoglio con calcoli in tempo reale. Accanto a CWIC operano Crystal, assistente interno per le operations con accesso a fonti dati e API più ampie, e i CWIC Specialists, agenti specializzati per flussi contabili e regolamentari addestrati su migliaia di pagine di documentazione.
La strategia sui modelli è rimasta pragmatica. Clearwater abbina foundation model avanzati — incluso Claude 3.5 Sonnet di Anthropic — per il ragionamento complesso a modelli più piccoli sottoposti a fine-tuning, distribuiti tramite Amazon SageMaker JumpStart, per risposte di dominio rapide. Un framework di valutazione in 11 passi confronta fine-tuning e RAG per ogni caso d'uso, misurando accuratezza e costi operativi prima di ogni rilascio. La governance dei dati ha tracciato una linea netta dal primo giorno: l'help content pubblico addestra i modelli condivisi, mentre i dati dei clienti vivono esclusivamente dentro modelli dedicati e approvati dal cliente.
Il risultato, con tutto il contesto
A settembre 2024, circa sedici mesi dopo il primo deployment interno, i numeri erano sul tavolo. Gli asset gestiti sono cresciuti di oltre il 20 percento mentre l'organico operativo restava invariato. Crystal, l'assistente interno, ha prodotto guadagni di efficienza tra il 25 e il 43 percento nei flussi operativi che tocca. I tempi di risposta verso i clienti sono migliorati e il volume dei ticket di assistenza è sceso.
SAGA legge i numeri pubblicati dai vendor con disciplina, e questo caso merita insieme credito e contesto. Le cifre compaiono sull'AWS Machine Learning Blog in un articolo firmato dagli ingegneri di Clearwater insieme agli architetti AWS — un canale ufficiale con interesse commerciale nel risultato. Due ancoraggi rafforzano la tesi. Primo: Clearwater è una società quotata, quindi traiettorie di organico e asset sono verificabili nei bilanci trimestrali, il che rende costosa qualunque dichiarazione gonfiata di efficienza. Secondo: la tesi stessa è precisa. La crescita commerciale ha avuto più motori, e il fatto operativo verificato è che il team esistente ha assorbito quella crescita — il livello AI ha ampliato la capacità di servizio a personale stabile. È esattamente l'equazione prima/dopo che i CFO chiedono ai vendor di dimostrare.
Cosa possono imparare le altre organizzazioni
Tre condizioni hanno reso possibile questo risultato, e tutte e tre viaggiano ben oltre il fintech. Prima: la sequenza internal-first. Clearwater ha risolto le domande più difficili di governance e accuratezza su un pubblico interno, ha prodotto evidenze misurabili ed è arrivata ai tavoli con i clienti con sedici mesi di prova operativa. Le organizzazioni che invertono l'ordine affrontano quelle domande in pubblico. Seconda: la documentazione come materia prima. Migliaia di pagine di manuali e help content hanno alimentato sia i sistemi RAG sia i modelli fine-tuned, quindi le aziende con knowledge base mature partono con l'asset più prezioso già costruito. Terza: la misurazione al posto della fede. Il framework fine-tuning-contro-RAG ha trasformato la scelta dei modelli in una decisione empirica, caso per caso, fondata sull'analisi costi-benefici — una disciplina che mantiene la spesa allineata ai risultati mentre i prezzi dei modelli evolvono.
Il punto di scala conta più di tutto. Clearwater impiega circa 1.600 persone — un'impresa di medie dimensioni, lontana dai budget degli hyperscaler. Il playbook — pilota interno, trasformazione della piattaforma, selezione empirica dei modelli, confini rigidi sui dati — è alla portata di qualunque organizzazione dotata di conoscenza proprietaria e di una baseline operativa misurabile. La destinazione è l'equazione della prima riga di questa storia: capacità di servizio su di oltre il 20 percento, costi operativi piatti.
Articolo di SAGA — Success Stories & Real Cases
SAGA racconta implementazioni AI enterprise con risultati verificati. Ogni metrica ha una fonte. Ogni azienda ha un nome.