Intelligenza artificiale nel banking: dall’esperimento all’operatività

L’IA non è il problema, l’esecuzione sì

Nel 2025 quasi tutte le banche globali hanno introdotto l’intelligenza artificiale (IA) in almeno una funzione core. Eppure, il fenomeno che emerge dalle ricerche di settore è paradossale. Per esempio, una ricerca del MIT pubblicata nell’agosto 2025 mostra chiaramente che il 95% dei progetti pilota d’IA nelle aziende non genera valore di business misurabile e nel settore finanziario il fenomeno è ancora più marcato. In Svizzera, a fine 2025, solo il 17% delle iniziative IA aveva raggiunto una vera implementazione operativa, mentre circa il 40% restava ancora in fase d’ideazione o di analisi di fattibilità. Questo dato rispecchia la situazione in gran parte dell’Europa e non diverge significativamente dalla situazione italiana, dove la maturità digitale rimane mediamente inferiore e le infrastrutture informatiche tradizionali, spesso risalenti a decenni fa, sono ancora predominanti.

Le banche costruiscono isole d’intelligenza artificiale, che non comunicano con il resto dell’organizzazione, come esperimenti separati dal funzionamento quotidiano dell’istituto. La domanda rilevante non è più come adottiamo l’IA, ma come trasformiamo quest’investimento in capacità permanente e misurabile.

Non siamo davanti a un fallimento tecnologico; i modelli funzionano e, a volte, funzionano molto bene. Il problema è organizzativo e strutturale in quanto l’IA rimane confinata in laboratori d’innovazione, scollegata dai workflow reali, dalle decisioni creditizie, dalla gestione del rischio quotidiano e dai processi di compliance. Le banche sono solite costruire “isole” d’intelligenza artificiale, che non comunicano con il resto dell’organizzazione, quasi come se fossero degli esperimenti separati dal funzionamento quotidiano dell’istituto.

La domanda che gli executive dovrebbero porsi non è “come adottiamo l’IA?” perché questa è una domanda ormai superata. La domanda rilevante è: “come trasformiamo questo investimento tecnologico in capacità permanente, misurabile e integrata nei nostri processi decisionali?”. La risposta distingue il 5% dei casi di successo dal restante 95%.

Quattro leve strategiche per scalare l’IA

Le banche che riescono a scalare operano lungo alcune leve strategiche ricorrenti, spesso sottovalutate dai management tradizionali perché non rientrano nella “tecnologia pura”.

Capacity release: dalla routine alla strategia

Nel retail banking tradizionale l’IA viene utilizzata per ridurre il lavoro manuale nei compiti ripetitivi: riconciliazioni, gestione documentale, primo filtraggio delle segnalazioni di frode. In questi casi, il valore è immediato, ma superficiale. Gli istituti leader, invece, adottano un approccio radicalmente diverso in quanto non ottimizzano i processi esistenti, ma li ripensano completamente.

Automatizzare il 90% dei controlli di conformità non significa solo ridurre il carico manuale sui compliance officer, ma significa liberare competenze qualificate, che possono essere riallocate verso attività a maggiore valore strategico: supervisione comportamentale, analisi di frodi complesse o identificazione di rischi emergenti. HSBC e altri grandi player europei hanno dimostrato empiricamente che il vero ROI non viene dall’automazione incrementale, ma dalla capacity release, ovverosia meno routine, a cui segue più giudizio strategico.

Risk management predittivo

Tradizionalmente il risk management bancario poggia su dati storici e, quindi, i modelli di credit scoring guardano indietro e il monitoraggio post-erogazione intercetta segnali di difficoltà quando sono già evidenti. Anche dove vengono introdotti modelli di machine learning, spesso essi rimangono periferici rispetto alle decisioni creditizie core.

Le banche che fanno un vero salto qualitativo integrano l’IA direttamente nei processi decisionali e non già come tool di supporto, bensì come vero layer decisionale. Dati di operazioni in tempo reale, pattern comportamentali e segnali di stress finanziario alimentano modelli, che aggiornano continuamente il profilo di rischio.

McKinsey ha documentato gli effetti di questo approccio: riduzione misurabile delle probabilità di default, pricing più consapevole e allocazione di portafoglio più intelligente. Il beneficio non è solo gestionale, ma soprattutto finanziario. Questo trasforma il ruolo della funzione risk da rilevatore reattivo a predittore strategico.

Customer interface aumentata

Il caso di Generali France è emblematico: l’istituto ha introdotto assistenti vocali IA attivi 24 ore su 24 nella gestione dei sinistri. Non è semplicemente un miglioramento del customer service, ma è una ridefinizione delle aspettative del cliente rispetto al ruolo dell’advisor umano.

Circa il 30% delle richieste viene risolto interamente dall’agente IA, senza intervento umano. Questo non comporta disoccupazione, ma migrazione selettiva, nel senso che le richieste standard vengono assorbite dall’IA, mentre i clienti con esigenze complesse accedono più rapidamente a specialisti umani. Nel 2026, banche che offrono ancora semplici menu telefonici o chatbot elementari saranno percepite come strutturalmente arretrate.

Decision velocity al board

Un quarto livello riguarda il supporto alle decisioni esecutive. L’IA sintetizza flussi di dati complessi in insight azionabili, superando il tradizionale reporting retrospettivo. Non si parla di dashboard più sofisticate, ma di sintesi intelligenti in tempo reale per l’allocazione del capitale, l’identificazione di opportunità di M&A e l’analisi del sentiment di mercato.

Oracle ha evidenziato come questo passaggio abiliti velocità decisionale a livello di board senza precedenti, poiché l’executive team non aspetta più il report mensile, ma ha visibilità e insight continui su cosa sta accadendo e su cosa potrebbe accadere.

L’architettura abilitante: cinque strati interdipendenti

Perché queste quattro leve funzionino, serve un’architettura abilitante. Scalare l’IA non è una questione di maggiore potenza computazionale o di un maggior numero di data scientist. È una questione di architettura organizzativa a strati, dove ognuno è condizione necessaria per il successivo.

Il primo strato è una fondazione dati realmente unificata. Le banche italiane operano storicamente in silos: dati retail, corporate e compliance vivono in sistemi separati. Nessun grande istituto italiano dispone di dati realmente unificati e disponibili in tempo reale e questa frammentazione rende impossibile costruire modelli predittivi sofisticati. Ne deriva che non ci troviamo di fronte a un problema d’intelligenza artificiale, ma di precondizione strutturale.

Il secondo strato è l’intelligence layer, dove vivono i modelli di machine learning, NLP e i predictive analytics. È il livello più visibile e quello su cui si concentra la maggior parte degli investimenti, ma da solo non genera valore. Un modello sofisticato che rimane nei laboratori è una curiosità tecnologica, non un asset aziendale.

Il vero collo di bottiglia è il terzo strato: l’integrazione nei workflow operativi. L’IA dev’essere incorporata nei sistemi che i banchieri usano quotidianamente: nel credit scoring utilizzato dai loan officer; nelle dashboard di risk monitoring; nei workflow AML e KYC. Le banche che scalano non costruiscono piattaforme IA separate, ma integrano l’intelligenza artificiale negli strumenti esistenti, rendendola invisibile.

Il quarto strato è la governance: explainability, controllo dei bias e audit trail non sono vincoli da gestire a posteriori, bensì elementi strutturali da progettare dall’inizio. Gli istituti che ignorano questo aspetto finiscono per dover riscrivere i modelli sotto pressione regolatoria.

Il quinto strato è la misurazione dell’impatto. Ridurre i tempi del 40% non è sufficiente se non si collega il risultato a metriche di business concrete: riduzione dei costi, abbattimento del rischio, incremento dei ricavi, miglioramento della retention.

Opportunità e vincoli nel contesto italiano

Nel contesto italiano esistono vincoli evidenti: maturità digitale mediamente inferiore, carico regolatorio elevato, sistemi legacy costosi da modernizzare. Ma esistono anche opportunità distintive spesso sottovalutate.

Le PMI italiane producono enormi volumi di dati finanziari non strutturati, ideali per applicazioni NLP; le relazioni di credito sono complesse e difficili da modellare con approcci tradizionali, ma terreno fertile per il machine learning; le banche italiane mantengono una forte capacità di relazione umana, che può essere potenziata dall’IA anziché sostituita.

Una banca italiana di medie dimensioni che implementasse una vera architettura IA potrebbe ottenere vantaggi immediati nel credit decisioning per le PMI, dove oggi rimane prevalentemente manuale; nell’early warning sul rischio, attraverso dati comportamentali real-time; nell’automazione della compliance, fondamentale per istituti con migliaia di clienti PMI; nella personalizzazione delle offerte a scala.

Una ricerca della Swiss Banking Association evidenzia un dato cruciale: il 65% dei progetti IA che arrivano realmente in produzione soddisfa o supera le aspettative iniziali. Questo significa che il problema non è la fattibilità tecnica, ma la disciplina di portare i progetti dalla proof of concept all’operatività reale.

Conclusioni

Nel 2025 quasi tutte le banche globali hanno introdotto l’IA in almeno una funzione. Nel 2026 il vero discriminante sarà quante avranno trasformato questa diffusione in capacità strategica integrata.

Gli strumenti tecnici esistono e le metodologie sono note, ma la vera sfida è organizzativa e culturale. Il pilot era necessario, ma ora il loro tempo è finito e inizia quello dell’operazionalizzazione. Non serve più provare che l’IA funziona, mentre serve disciplina nel trasformarla in capacità permanente, governance rigorosa e serve misurazione senza compromessi dell’impatto economico.

Per gli executive italiani il messaggio è chiaro e chi lo capirà nel prossimo anno sarà competitivo nel 2027, mentre chi continuerà a sperimentare sarà già in ritardo.

Riferimenti e fonti

Iscriviti alla newsletter: https://www.bebankers.it/newsletter/