Zillow Offers: l'algoritmo che comprò 7.000 case sbagliate

I fatti

Nel novembre 2021, Zillow — il colosso americano degli annunci immobiliari — annunciò la chiusura di Zillow Offers, la sua divisione di iBuying. L'idea di Zillow Offers era comprare case direttamente dai proprietari, ristrutturarle leggermente e rivenderle con un margine, usando come cervello l'algoritmo di valutazione Zestimate. In pratica, un algoritmo prendeva decisioni di acquisto reali su immobili reali: un vero e proprio agente autonomo con potere di spesa.

Il problema emerse nel mercato post-pandemia, estremamente volatile. Il Zestimate sovrastimava sistematicamente il valore delle case. Zillow acquistò in modo aggressivo circa 7.000 case in 25 aree metropolitane, basandosi su valutazioni gonfiate, e poi non riuscì a rivenderle senza perdite. Il divario tra il prezzo pagato e il prezzo di rivendita divenne insostenibile.

Il risultato fu un write-down complessivo di oltre 540 milioni di dollari. Zillow chiuse l'intera divisione e tagliò il 25% del personale, circa 2.000 dipendenti. La motivazione ufficiale del CEO Rich Barton fu esplicita: "l'imprevedibilità nel prevedere i prezzi delle case supera di gran lunga quanto avevamo previsto". In altre parole, l'azienda ammise di aver costruito una macchina decisionale su una capacità predittiva che non possedeva.

Il caso Zillow è diverso da un chatbot che dice una sciocchezza: qui l'agente non parlava, comprava. Ogni errore di valutazione si traduceva in un immobile reale acquistato a un prezzo che il mercato non avrebbe mai confermato.

Analisi DAMM

Delimitazione (2/10): Zillow non delimitò l'esposizione dell'algoritmo. Non c'era un confine chiaro tra "quante case l'algoritmo può impegnarci ad acquistare" e "in quali condizioni di mercato ci fermiamo". Un modello predittivo fu lasciato libero di generare decisioni di acquisto su scala industriale senza un tetto di rischio che dicesse: oltre questa soglia di volatilità, o oltre questo volume, l'agente si ferma e passa la mano a un umano. La delimitazione è il primo guardrail di qualsiasi agente con potere di spesa, ed era assente.

Asimmetria (2/10): L'asimmetria era catastrofica e ignorata. Il beneficio per singola transazione era un margine sottile sulla rivendita; il downside, ripetuto su settemila case in un mercato che si girava, era un buco da oltre mezzo miliardo di dollari. Un algoritmo che scommette al rialzo su migliaia di asset illiquidi, in un contesto che lo stesso CEO definì imprevedibile, incarna il classico profilo "guadagno lineare, perdita esplosiva". Nessun guardrail valutò questa asimmetria prima di scalare.

Margine di Manovra (2/10): Zillow andò all-in in un mercato volatile e si ritrovò senza vie d'uscita. Settemila case reali sono la definizione di posizione illiquida: non si liquidano con un clic. Quando il modello si rivelò sbagliato, non c'era spazio per correggere gradualmente — solo per assorbire la perdita in blocco. Il margine di manovra fu azzerato dall'aver trasformato una previsione incerta in impegni fisici e irreversibili.

Mossa Minima (2/10): È il pilastro più clamorosamente violato. La mossa minima sarebbe stata testare l'algoritmo in una o due città, con volumi contenuti, misurando lo scarto reale tra prezzo pagato e prezzo di rivendita prima di scalare. Zillow fece l'opposto: portò l'operazione a 25 città e migliaia di immobili, trasformando un esperimento in una scommessa aziendale. Non ci fu passo piccolo e reversibile: ci fu un salto pieno prima della validazione.

Cosa avrebbero cambiato i guardrail decisionali

Zillow Offers è il caso da manuale di un agente autonomo con potere di spesa senza guardrails decisionali. Non mancava la potenza del modello — mancavano i confini attorno ad esso. Un tetto di esposizione (delimitazione), un freno automatico legato alla volatilità del mercato (asimmetria), il mantenimento di una posizione liquida e revisionabile (margine) e una fase pilota a bassa scala prima del rollout (mossa minima) avrebbero trasformato una scommessa da 540 milioni in un esperimento controllato. Un algoritmo che compra case è potente quanto pericoloso: senza guardrails, la sua velocità non fa che accelerare l'errore. Il framework DAMM per agenti AI trasforma proprio questi quattro pilastri in confini operativi attorno a ogni decisione di spesa.