L’intelligenza artificiale è entrata nelle strategie di tutte le aziende, banche comprese. Ma quanto è davvero entrata nei loro processi? In un episodio del nostro podcast #define banking, di cui questo articolo è un adattamento testuale, abbiamo intervistato Marco Bragadin, Amministratore Delegato di Datlas.
Abbiamo provato a capire dove e come l’intelligenza artificiale viene effettivamente usata oggi negli istituti bancari italiani, come evitare di cadere nel lock-in tecnologico e se il modello AI sarà sostenibile nel medio e lungo periodo.
AG. Dove viene utilizzata oggi concretamente l’intelligenza artificiale, all’interno delle banche italiane?
MB. Siamo usciti dalla fase dei piloti, dei proof of concept, e stiamo entrando in una nuova fase, in cui ci si chiede quanta intelligenza artificiale usare, in quali processi e con quali livelli di autonomia e supervisione.
Parliamo quindi di adozione tecnologia di un qualcosa che esiste. Non ci si chiede se, ma come e quando metterla in produzione.
Ci sono certamente ambiti in cui c’è più spazio per l’AI. Nella nostra esperienza, sono quelli in cui ci sono un processo e un documento: servizio clienti, back office, onboarding, KYC. E questo soprattutto quando ci sono grandi volumi da lavorare.
C’è grande potenziale anche in processi più complessi, come il mondo del credito oppure la compliance.
Se, invece, parliamo di processi in cui iniziamo a vedere l’AI in produzione, sicuramente dobbiamo nominare il mondo dell’assistenza clienti, quindi degli operatori. E poi i processi in cui ci sono fasi specifiche, come l’invio, l’estrazione e la verifica di documenti e fotografie, compresi i processi antifrode.
Dal mio punto di vista dopo anni di esperienza ritengo che la variabile giusta da osservare sia lo “straight-through processing”, cioè la percentuale di transazioni che attraversa un processo senza l’intervento umano. È una valutazione un po’ binaria, ma che dà una definizione chiara, anche se netta, per distinguere un processo realmente automatizzato da un altro che viene svolto solo in parte dall’AI.
AG. Ci sono dei segmenti di clientela oppure dei processi in cui l’intelligenza artificiale porta a ridurre i costi in modo così rilevante da potere cambiare il pricing di prodotti e servizi? Oppure da rendere sostenibili alcuni servizi che oggi sono marginali o poco profittevoli per le banche?
MB. È una domanda molto interessante. Spesso ci concentriamo sull’efficienza, cioè come il costo si traduce in un prezzo, ma è altrettanto interessante capire come questo può cambiare il costo di servire un cliente, abilitando modelli di servizio diversi o più sostenibili.
E questo sia da un punto di vista di costi, sia per la gestione della complessità di una base clienti ampia e diversa come quella di una banca. Ci sono processi come l’onboarding e il know your customer in cui oltre all’efficienza si può anche migliorare il tempo di attesa del cliente.
Si possono poi abilitare modelli di servizio oggi non disponibili; oppure che lo sono stati in modo diverso, non riuscendo a trovare il successo sul mercato. Penso al mondo dell’analisi del risparmio e degli investimenti per il mass market. Qui le masse amministrate sono un elemento chiave e tanto più questa soglia scende, maggiormente i processi possono essere automatizzati.
In passato si è puntato sul cosiddetto “roboadvisor”, con un approccio anche in questo caso binario: o tutto automatizzato o niente. Io credo che un’adozione progressiva dell’AI in questi processi possa abilitare un modello di servizio in cui l’umano è affiancato da una base dati, da un’analisi importante fatta dall’intelligenza artificiale per comprendere i bisogni del cliente.
Infine, si arriva al pricing. È ovvio che i costi cambiano e la variabile secondo me fondamentale è il “costo per pratica” o per transazione: un termine, transazione, che ha un’accezione ampia. Non solo un pagamento ma qualunque cosa venga eseguita all’interno di un rapporto bancario.
Quando questo costo variabile scende allora il pricing, la leva commerciale, ha maggiore respiro.
AG. Veniamo a come le banche stanno lavorando su questo tema e con “come” intendo, letteralmente, in che modalità: utilizzano competenze interne, e sono quindi in grado di svilupparle, o necessitano di affidarsi a realtà esterne specializzate?
MB. Anche in questo caso il dibattito non può ridursi a un aut-aut tra competenze interne ed esterne. Io credo che la banca debba tenere la regia, il controllo; il partner invece, qualunque competenze porti, deve rendere concreti e industriali sia l’innovazione sia i desiderata in termini di processi e di efficienza.
Il partner esterno porta l’idea a una scala importante.
In ambito informatico siamo sempre stati abituati alla domanda “make or buy”, ma in questo caso le due dimensioni possono convivere. In banca resta il processo, ma anche la conoscenza del processo: le priorità e l’indirizzo, quindi come devono essere prese le decisioni e quali controlli vanno fatti.
È un requisito innanzitutto regolatorio, ovviamente, visto che parliamo di attività core, estremamente critiche.
Che cosa può arrivare dall’esterno? Competenze verticali all’interno di certi processi, oppure la capacità di integrarsi, o meno, con i sistemi esistenti. Spesso diamo per scontato che tutto debba essere integrato, ma nella mia esperienza è analogamente efficace il lavoro “in batch”. Non necessariamente tutto deve essere in tempo reale.
Quindi, si possono definire in modo chiaro i ruoli di chi guida e di chi realizza.
AG. È però una realtà che i grandi fornitori internazionali siano pochi. E si apre un rischio di lock-in tecnologico, ma anche di eccessiva dipendenza a livello di sistema da pochi fornitori chiave. La scelta dei partner deve tenere conto anche di queste complessità.
MB. Un buon partner non è solo chi ti dà, oggi, la migliore tecnologia e il miglior approccio. Ma chi ti permette anche di essere libero di cambiare in futuro. Oltre a prendere la migliore decisione informata, bisogna capire che gradi di libertà rimangono. E ci sono alcuni criteri fondamentali.
Primo, la banca deve mantenere il controllo del patrimonio informativo. Avere piena visibilità su dove risiedono i dati, come sono trattati. Soprattutto capire come vengono usati per addestrare i modelli e cosa rimane al loro interno.
Secondo, essere tecnologicamente flessibili. Nel caso dell’intelligenza artificiale, in pochi mesi può cambiare il modello di riferimento, oppure il paese leader. Non ci si può legare a un solo fornitore, per quanto grande, neppure se è percepito come il migliore. Si deve essere agnostici per quanto riguarda i modelli e gli LLM.
Serve una flessibilità che permetta di potere sfruttare al meglio ciò che viene messo a disposizione, senza legarsi a un fornitore in modo unico o univoco. Perché vediamo bene che il mercato dei modelli è instabile e dobbiamo essere in grado, e intendo noi come azienda e i nostri clienti, di reagire al cambiamento delle condizioni.
Non da ultime il pricing, perché è chiaro che consumiamo token e che il loro costo potrebbe salire.
AG. A proposito di pricing: i costi dell’intelligenza artificiale dipendono anche dal consumo di risorse idriche e di grandi quantità di energia. In entrambi i casi, i costi potrebbero salire.
MB. Come anticipato, la variabile chiave è il costo per transazione. Il numero di token usati non è rilevante, mi interessa il costo in euro per un dato pezzo di processo.
Stiamo uscendo da un’impostazione da early adopter, in cui cercavamo di adottare la tecnologia e di capire qual è il modo migliore per farlo. Adesso stiamo andando verso un criterio più sano di equilibrio tra investimenti e budget per realizzare processi nel modo più efficiente possibile.
Siamo sicuramente in una fase in cui abbiamo capito che c'è grande valore, dobbiamo capire anche qual è il modo migliore di estrarlo.
C’è naturalmente un tema ambientale importante, con costi energetici e idrici, per non parlare del dove i dati vengono immagazzinati ed elaborati.
Un concetto tecnico per essere sicuri di gestire i costi nel modo più efficiente è il “model routing”: tutto ciò che viene realizzato per gestire un processo, un documento e altro è agnostico rispetto al modello. Ci sono alcuni LLM che funzionano meglio per certi processi, ma tutti devono essere sganciabili e riagganciabili per motivi di costo, di compliance, di blacklisting.
Sia noi fornitori di tecnologia sia i clienti dobbiamo essere agnostici rispetto al modello. Non significa che tutti fanno la stessa cosa, ma che devo potere cambiare e capire subito i pro e i contro di ciascuno.
AG. Sappiamo che l’Europa è più indietro di Stati Uniti e Cina. Qual è il principale ostacolo che l’AI incontra in Europa?
MB. Secondo me è la scala. I modelli vivono di dati. Ci sono paesi che possono elaborarne su una scala completamente diversa, per motivi geopolitici, di compliance etc. Non entro nella questione: è un dato di fatto.
Dal punto di vista della competenza scientifica e industriale, l’Europa è leader. Sappiamo gestire i business in modo assolutamente avanzato. La nostra conoscenza dei settori e dell’applicazione dell’AI in contesti complessi e regolamentati è una eccellenza europea.
L’ecosistema finanziario è l’esempio perfetto. Richiede affidabilità, tracciabilità, conformità e quindi sono tutte cose che in Europa sappiamo fare bene e questo è un vantaggio. L’Europa ha la regolamentazione, sì, e sa sfruttare le intelligenze artificiali anche in un contesto altamente regolato.
Le banche hanno dati di qualità, raccolti in modo GDPR compliant e usati in modi AI Act compliant: sapere lavorare su dati proprietari, seguendo regole ben precise, non può che creare valore.
AG. Oltre all’AI Act, le banche devono anche essere compliant al DORA. Che cosa chiedono oggi gli istituti bancari ai fornitori di tecnologie AI, in sede contrattuale? Perché la banca può esternalizzare processi e tecnologie, ma la responsabilità quella resta sempre sua.
MB. AI Act e DORA definiscono un ecosistema che da un lato regolamenta l'utilizzo di sistemi AI in base al livello di rischio e dall'altro norma la resilienza operativa nel mondo digitale.
In questo contesto, le banche oggi ci chiedono un rafforzamento di funzionalità e soluzioni tecnologiche già presenti sicurezza dati, sicurezza degli accessi, continuità del servizio, resilience, responsabilità, mappatura di chi fa cosa. Viene imposto un maggiore inquadramento del rapporto tra cliente e fornitori.
L’AI Act aggiunge un layer importante: la capacità di ricostruire, verificare e controllare ciò che succede. Non possono esserci black box. Certo, non credo sia possibile capire tutto ex ante, ma ex post deve essere tutto tracciato e chiaramente documentato e consultabile come e nelle modalità previste.
E quindi metriche di performance e qualità, con paletti molto chiari che definiscono cosa succede e che cosa registrare, permettendo all’umano che controlla di potere valutare ciò che è avvenuto.
AG. Immaginiamo il futuro. Tra cinque anni, quali ambiti della banca secondo te saranno cambiati più profondamente? E in che modo le aziende bancarie avranno adottato la governance, i controlli e i modelli organizzativi per sfruttare al meglio, si spera, l'intelligenza artificiale?
MB. L'AI ci sta dimostrando ancora di più come i cicli di evoluzione tecnologica siano molto radicali e sempre più stretti nel tempo, non è possibile capire che cosa succederà in termini di adozione di una tecnologia o di un’altra.
Credo che tra cinque anni vedremo come l’AI avrà modificato il modello operativo e organizzativo delle banche, come di tante altre grandi organizzazioni che gestiscono processi complessi.
Tutte le funzioni che gestiscono processi ad alta intensità, operativa e documentale, non potranno che cambiare. Ambiti come back office, istruttorie di credito, compliance, o servizio clienti, sono talmente al centro della trasformazione che la loro natura cambierà.
Faranno le stesse cose, o quantomeno cose analoghe, ma con tempi e processi molto diversi.
E ci sarà poi un cambiamento organizzativo: se queste attività vengono gestite da agenti AI, allora si trasforma il rapporto tra persone e tecnologia. E l’organizzazione deve evolversi, passando dalla execution alla supervision.
In banca ci sono centinaia di KPI operativi che perderanno di senso. Dovremo parlare di time to supervision, perché la governance e la supervisione devono intercettare questi processi automatizzati nei momenti decisionali chiave.
E quindi, anche organizzativamente, andrò a misurare cosa decido che proceda in automatico e cosa no, ma sempre mantenendo la ownership: ci saranno meno operation e più policy, controllo e governance per verificare che tutto si svolga nel modo in cui deve.
