O.D.E.S.S.A. Layer 1: Origination AI per M&A — workflow in 4 ore

L’origination M&A è il layer dove l’AI ha cambiato di più, e dove il founder italiano la sfrutta di meno. Il pattern classico — broker che chiama 200 PMI nello stesso settore per mesi — è stato sostituito da un workflow di 4 ore che produce una long-list di 50 target qualificati con confidence score per ognuno. Questo è il Layer 1 del Framework O.D.E.S.S.A.: come funziona davvero, con un caso reale anonimizzato e i pattern operativi.

Se non hai visto il framework completo, leggi prima la guida operativa O.D.E.S.S.A. completa.

Origination AI vs origination tradizionale

L’origination tradizionale segue 3 step manuali:

1. Analyst costruisce long-list partendo da database (Mergermarket, Pitchbook) o conoscenza personale
2. Senior banker filtra a short-list applicando criteri qualitativi (fit settoriale, dimensione, ownership)
3. Outreach manuale via telefono/email/network personale

Tempo tipico: 4-6 settimane di lavoro associate + 1-2 settimane di review senior. Output: 30-50 target qualificati, qualità eterogenea.

Origination AI inverte il pattern:

1. LLM riceve brief in linguaggio naturale + accesso a 3-4 database integrati
2. Genera long-list di 200-500 target con scoring multi-dimensionale (financial fit, ownership signal, sector trend, deal probability)
3. Senior banker review qualitativo dei top 50 con confidence score >75%

Tempo: 4 ore di workflow + 1 giorno review senior. Output: 50 target qualificati con argomentazione documentata per ognuno.

Lo stack tecnologico

L’integrazione M&A-grade richiede:

Setup minimum funzionale: 800-2.000€/mese di licenze (LLM enterprise + 1-2 database principali). Setup avanzato: 5-15k€/mese.

Il workflow concreto in 4 ore

Step 1 — Brief in natural language (15 min)

Esempio brief reale:

“Find Italian SMEs in precision mechanics / metalworking, EBITDA 5-15M, family-owned, sales primarily B2B Northern Europe, signals of generational succession or strategic stagnation, located in Lombardia, Veneto or Emilia Romagna, last 3 years of data available.”

L’LLM trasforma il brief in criteri strutturati: NACE code, range EBITDA, ownership type, geographic radius, growth pattern, age of CEO, succession signal indicators.

Step 2 — Long-list generation (1 ora)

L’LLM interroga simultaneamente 3-4 database via API:

• Cerved / Orbis per filtro finanziario + geografico + ownership
• Mergermarket per “signal” precedenti (cessione minoritaria, equity raise, leadership change)
• Cribis per validation dati e signal pagamento
• News intelligence per ultimi 12-24 mesi di eventi rilevanti

Output: long-list di 200-500 candidate con scoring multi-dimensionale per ognuno.

Step 3 — Multi-dimensional scoring (1 ora)

Ogni target riceve uno score 0-100 su 5 dimensioni:

Output: short-list di top 50 candidate con score complessivo >75% + ragionamento documentato per ognuno.

Step 4 — Senior review qualitativo (1.5 ore)

L’AI ha eliminato il lavoro meccanico, ma il filtro qualitativo finale resta umano. Il senior banker:

• Conferma/elimina i top 50 sulla base di network personale e knowledge
• Aggiunge 3-7 target “outside-the-box” che l’AI non poteva identificare
• Definisce sequenza di approach (primi 10, poi 15, poi 25)
• Assegna priorità “premium” su 5-10 target di particolare interesse strategico

Caso reale anonimizzato — buy-side mid-market industriale 2024

Cliente: fondo PE italiano, tesi di consolidamento nel precision mechanics Italia.

Brief: 4 platform investment 8-25M€ EBITDA, geografia Nord Italia, ownership familiare, signals di succession.

Origination tradizionale (preventivo iniziale): 8 settimane, 3 analyst dedicated, costo 60-80k€.

Origination AI (delivered): 4 ore workflow + 1.5 giornate review senior, costo 8k€.

Risultati comparabili:

• Long-list AI: 387 candidate → Short-list 47 target con score >75%
• Top 12 contattati: 7 hanno aperto al discovery call
• 4 LOI ricevute in 5 mesi
• 1 platform deal chiuso a closing entro 9 mesi

Risparmio totale: 50-70k€ sul costo origination, 4-6 settimane sul timeline, qualità superiore per documentation del ragionamento dietro ogni target.

Pitfall e governance

Pitfall 1 — Garbage in, garbage out

I database italiani (Cerved, Cribis) hanno copertura PMI eccellente ma dati spesso non aggiornati o normalizzati. Pattern necessario: cross-check tra 2-3 database, verifica manuale top 20 prima di outreach.

Pitfall 2 — Confirmation bias

Se il brief è influenzato (es. “find me targets simili a Company X”), l’AI restituisce risultati che confermano la thesis. Pattern necessario: chiedere sempre anche il contrarian view (“find me 10 reasons why this sector consolidation thesis is wrong”) prima di andare al mercato.

Pitfall 3 — Data privacy

Caricare dati Cerved/Orbis su LLM consumer = violazione condizioni d’uso. Mandatory: enterprise SKU con zero-retention. Per fondi PE con strategia confidential: instance dedicata (Azure OpenAI private).

Domande Frequenti

Posso fare origination AI senza essere un fondo PE?

Sì, è particolarmente utile per corporate buyer industriali che vogliono acquisire bolt-on. Costo entry-level: 1-3k€/mese di licenze + 1 risorsa interna formata. ROI tipico positivo già al primo target qualificato che chiude in deal.

Quale LLM funziona meglio per origination M&A?

Pattern testato 2024-2025: Claude per reasoning + estrazione strutturata da brief complessi; ChatGPT Enterprise per integration più rapida con database tramite plugin/code interpreter; Gemini Workspace per workflow multi-modal (PDF financial statements analysis). Setup ottimale combina 2 LLM, non singolo.

Quanto è affidabile lo scoring dell’AI sulle PMI italiane?

Affidabilità ~75-85% sul ranking relativo (i top 20 contengono quasi sempre i target migliori). Affidabilità ~60-70% sui dati assoluti (EBITDA puntuale, ownership specifica). Pattern: usa AI per rankare, verifica manualmente i top 20 prima di outreach.

Come gestisco i target che l’AI segnala “in vendita” ma in realtà non lo sono?

I “signal di succession” sono probabilistici, non binari. 30-40% dei target con signal alto in realtà non sono pronti a vendere. Pattern: prima approach è soft (“siamo interessati al settore, vorremmo conoscervi”), evitare di sembrare predatori. Tempo medio dal primo contatto al mandato di vendita: 8-24 mesi.

L’AI sostituisce il network personale del senior banker?

No, lo amplifica. Il network personale rimane il differenziatore decisivo su deal premium (industriali strategici, family office, deal cross-border). L’AI elimina il “lavoro meccanico” di mappatura, lasciando al senior il tempo per quello che vale di più: relazioni qualitative e judgment call.