Rocket Companies: l'AI che genera ricavi

Nel primo trimestre 2026, Rocket Companies ha registrato ricavi adjusted per 2,8 miliardi di dollari, il 107% in più rispetto allo stesso periodo dell'anno precedente. Il mercato immobiliare americano non è la ragione che sta dietro questo successo: i tassi restano intorno al 7% e il volume di nuovi mutui è sotto pressione strutturale da due anni. La crescita viene da un portafoglio — cresciuto anche a seguito di attività di M&A — di 2,1 trilioni di dollari in mutui già erogati, dentro il quale Rocket ha sistematicamente cercato i clienti che avevano raggiunto la convenienza economica per rifinanziare. L'AI agentica è lo strumento con cui questa ricerca è diventata scalabile.

Il meccanismo è descritto nel comunicato stampa del Q1 2026, con il normale ottimismo di chi scrive per valorizzare il proprio operato. Rocket ha distribuito a tutto l'ufficio crediti un sistema agentico che gestisce l'apertura del funnel commerciale: scorre il portafoglio dei clienti con mutui in corso, individua quelli che hanno raggiunto un tasso di convenienza per rifinanziare e prequalifica i prospect per l'acquisto di un nuovo immobile; a quel punto — appoggiandosi sulla controllata Redfin — gli offre opportunità di acquisto di immobili e il prestito per finanziarle. Le circa due ore al giorno recuperate da ogni dipendente sono ora utilizzate su clienti selezionati e propensi alla conversione. Rocket stima a regime (dato autodichiarato) un incremento superiore a un miliardo di dollari di volumi mensili aggiuntivi.

Questo meccanismo illustra una distinzione che molte aziende faticano a operare nella pratica: l'AI come strumento di riduzione dei costi produce risparmi una tantum, spesso seguiti da resistenza organizzativa e perdita di know-how; l'AI come strumento di espansione della capacità commerciale produce invece un effetto cumulativo. Rocket avrebbe potuto snellire l'ufficio crediti, ha invece aumentato il numero di clienti ad alto valore che ciascun dipendente riesce a gestire efficacemente. A parità di organico si è ottenuta una significativa crescita delle performance. Il guadagno non è solo di tempo: lavorare sulla base esistente abbatte il costo di acquisizione a quasi zero, perché il cliente è già noto, il rischio già valutato. Inoltre, l'AI non restituisce ore generiche, ma tempo già orientato verso i prospect con la più alta probabilità di conversione; è la differenza tra lavorare di più e lavorare dove ne vale la pena.

In un mercato dei mutui depresso, con tassi al 7% e volumi di origination sotto i livelli pre-pandemia, Rocket ha comunque chiuso il trimestre con 44,7 miliardi di dollari in nuovi mutui erogati e un EBITDA margin cresciuto in un anno dal 12% al 26%.

Va ricordato che Rocket ha completato nel 2025 due acquisizioni rilevanti: Redfin, la piattaforma di ricerca immobiliare, e Mr. Cooper, il principale servicer di mutui americani, costruendo un ecosistema verticalmente integrato che va dalla ricerca della casa al mutuo, dalla chiusura del rogito alla gestione dei rimborsi per tutta la durata del finanziamento. Su questo stack operativo, l'AI viene applicata a ogni snodo del percorso cliente: la ricerca immobiliare alimenta il funnel di Rocket Mortgage, il portafoglio servicing da 2,1 trilioni di dollari di debito residuo diventa un bacino di prospect per rifinanziamenti futuri e i dati di ogni interazione addestrano i modelli che migliorano la profilazione.

Per chi opera nel software B2B e nei servizi professionali, il modello Rocket è replicabile nei principi anche se non nelle dimensioni. La precondizione non è la tecnologia, ma il patrimonio strutturato di relazioni esistenti. Rocket lavora su 2,1 trilioni di dollari di mutui già erogati: ogni posizione è un cliente con una storia creditizia nota, un tasso, una data di scadenza del rapporto. L'AI trova le giuste opportunità dentro quella massa di dati. Chi non ha un portafoglio clienti strutturato da cui partire non ha la materia prima su cui far lavorare i propri agenti. L'asset che conta, prima ancora della tecnologia, deriva dalla costruzione e dal mantenimento di dati sui clienti esistenti abbastanza granulari da rendere utile l'analisi automatizzata.