Il settore bancario si trova all’alba di una trasformazione epocale, guidata dall’adozione rapida dell’intelligenza artificiale agentica. Questa tecnologia emergente non è più una visione futuristica, ma una realtà operativa che sta già rimodellando i processi, l’interazione con i clienti e, in ultima analisi, il volto stesso delle istituzioni finanziarie. Le aziende devono mitigare i rischi e superare le sfide operative per sbloccare il suo potenziale trasformativo, ma l’imperativo di adattamento è chiaro.
Queste indicazioni sono contenute nel report “Imagining the future of banking with agentic AI” diffuso da MIT Technology Review e prodotto in collaborazione con EY.
Secondo Murli Buluswar, responsabile dell’analisi bancaria personale negli Stati Uniti presso Citi, la capacità di un’azienda di adottare nuove capacità tecniche e di riorganizzare il proprio funzionamento farà la differenza tra il successo e il fallimento.
Il 70% dei leader bancari ha già iniziato a integrare l’AI agentica, un dato che sottolinea l’urgenza e la portata di questo cambiamento.
Indice degli argomenti:
Perché l’AI agentica può essere rivoluzionaria
L’intelligenza artificiale agentica si distingue per la sua capacità di elaborare grandi quantità di dati non strutturati per prendere decisioni e intraprendere azioni, con o senza l’intervento umano. Questa non è semplicemente una versione avanzata dell’automazione robotica dei processi (RPA) basata su regole. Sameer Gupta, responsabile dell’AI per i servizi finanziari nelle Americhe presso EY, sottolinea che con la maturazione dell’AI agentica, sta diventando tecnologicamente possibile automatizzare processi su larga scala che prima non erano fattibili con approcci basati su regole.
Questo spostamento tecnologico ha un impatto significativo su costi, efficienza e sull’esperienza complessiva del cliente.
In essenza, l‘AI agentica rappresenta un passo avanti verso sistemi più autonomi e intelligenti, capaci di apprendere e adattarsi.
L’adozione accelerata nel settore finanziario
I dati di un’indagine condotta da MIT Technology Review Insights nel 2025 su 250 dirigenti e leader bancari e dei servizi finanziari a livello globale rivelano una tendenza inequivocabile: l’AI agentica è in rapida adozione. Quasi i tre quarti degli executive, il 70% per essere precisi, affermano che le loro aziende la stanno già utilizzando in qualche misura.
Questa adozione si manifesta sia attraverso implementazioni esistenti (16%) che tramite progetti pilota (52%), indicando una fase di esplorazione attiva e di messa in opera iniziale su larga scala.
Questo dato è notevole, considerando che tutte le organizzazioni intervistate hanno un fatturato superiore ai 500 milioni di dollari, il che suggerisce un impegno significativo di grandi attori del mercato.
Il potenziale trasformativo: efficienza, costi e customer experience
L’AI agentica si è già dimostrata efficace in una vasta gamma di funzioni, con benefici tangibili per l’esperienza del cliente e l’efficienza operativa. Da un lato, può gestire richieste di servizio clienti, automatizzare approvazioni di prestiti, adeguare i pagamenti delle bollette ai cicli di stipendio regolari o estrarre termini e condizioni chiave da accordi finanziari, trasformando radicalmente l’interazione con i clienti.
Dall’altro, più della metà degli executive (56%) ritiene che i sistemi di AI agentica siano estremamente capaci di migliorare il rilevamento delle frodi e la sicurezza (51%). Altri casi d’uso robusti includono la riduzione dei costi e l’aumento dell’efficienza (41%), nonché il miglioramento dell’esperienza del cliente (41%).
In futuro, si prevedono ulteriori guadagni in queste aree, con il 75% dei dirigenti bancari che si aspetta di continuare a migliorare il rilevamento delle frodi, il 64% la sicurezza e il 51% l’esperienza del cliente.
La sicurezza potenziata e la lotta alle frodi
Il rilevamento delle frodi e la sicurezza sono aree in cui l’AI agentica sta dimostrando un valore eccezionale. I sistemi di AI agentica sono in grado di monitorare continuamente dipendenti, clienti e potenziali malintenzionati che utilizzano deepfake o altri metodi basati sull’AI per impersonare clienti e tentare frodi. Questo non solo rafforza le difese, ma riduce anche il carico di lavoro manuale degli operatori umani, liberandoli per attività più complesse e ad alto rischio.
L’AI agentica sta già ridefinendo il rilevamento delle minacce, rispondendo automaticamente alle anomalie, ad esempio, mettendo in quarantena le macchine infette. Gli agenti possono anche gestire autonomamente la verifica dell’identità e l’accesso a dati e sistemi.
Ian Glasner, responsabile del gruppo per la tecnologia emergente, l’innovazione e le imprese presso HSBC, intravede un’opportunità futura per le banche di fornire micro-personalizzazione nel rilevamento e nella prevenzione delle frodi, adattando la rilevazione ai modelli e alle preferenze del cliente con trasparenza e controllo da parte dell’utente.
Ottimizzazione dei processi interni e decisioni strategiche
Oltre all’interazione con i clienti, l’AI agentica offre un potenziale significativo per l’ottimizzazione dei processi interni. Sameer Gupta menziona casi d’uso specifici che mostrano grandi promesse, come la sottoscrizione di mutui, i prestiti alle piccole imprese, le attività di recupero crediti, le transazioni contestate e i requisiti di “know your customer” (KYC) e antiriciclaggio (AML).
Murli Buluswar di Citi suggerisce che i casi d’uso più promettenti per l’AI agentica su larga scala nel settore bancario hanno alcune caratteristiche comuni:
- processi ad alto volume (come la gestione di centinaia di migliaia di chiamate o interazioni con i clienti al giorno),
- processi di back-end (come l’indagine su una transazione sospetta o una disputa con un commerciante),
- processi di front-end (come la concessione di credito a un cliente)
- l’aggregazione di grandi quantità di informazioni da diverse fonti (come per un’indagine su un caso o una sottoscrizione).
Ad esempio, l’AI agentica può ridurre l’attrito interno associato alla sottoscrizione di mutui, un processo che tradizionalmente può richiedere settimane e che è oneroso sia per i clienti che per i dipendenti bancari. Automatizzare questo processo con l’intervento umano può aumentare drasticamente la velocità decisionale e migliorare l’esperienza del cliente.
L’AI come catalizzatore per la forza lavoro e nuove esperienze professionali
L’introduzione dell’AI agentica non significa una mera sostituzione del lavoro umano, ma piuttosto una sua trasformazione. Ian Glasner di HSBC paragona l’AI agentica a un “tirocinante che aiuta a svolgere i compiti più semplici, ma l’essere umano è ancora lì per supervisionare e prendere la decisione finale”. Questa visione sottolinea il ruolo complementare dell’AI, capace di
- consigliare (95%)
- assistere (92%)
- cooperare (82%)
- aumentare le capacità degli utenti (76%).
Nimish Panchmatia, Chief data and transformation officer di DBS Bank, evidenzia come l’AI si applicherà fondamentalmente a ogni parte del business: front office, middle office, back office. DBS Bank, ad esempio, utilizza l’AI generativa e agentica per sintetizzare e classificare messaggi SWIFT complessi contenenti istruzioni finanziarie per transazioni internazionali, estraendo le informazioni e presentando un’azione a un umano per l’approvazione.
Questo migliora l’esperienza dei dipendenti e libera gli esseri umani per lavori a maggiore complessità. Per cogliere questa opportunità, le organizzazioni devono investire pesantemente nella riqualificazione della propria forza lavoro, riconoscendo che anche il personale esperto dovrà imparare a costruire, supervisionare e utilizzare gli strumenti di AI in modo responsabile.
Verso una maggiore precisione e un apprendimento continuo
Uno degli aspetti più potenti dell’AI è la sua capacità di migliorare nel tempo. I sistemi di AI agentica possono diventare più precisi se vengono riaddestrati sui dati corretti con una gestione del ciclo di vita e una supervisione adeguate. Ian Glasner sottolinea che il sistema commetterà errori, ma con il giusto ciclo di feedback, i sistemi possono essere aggiornati per evitare di ripetere gli stessi errori.
Questa capacità di apprendimento e miglioramento continuo è fondamentale per l’efficacia a lungo termine dell’AI agentica, consentendo una riduzione degli errori, un rilevamento più rapido degli stessi e un apprendimento accelerato.
Le grandi sfide dell’implementazione: governance, rischio e compliance
Nonostante il potenziale, l’adozione dell’AI agentica presenta ostacoli significativi. La sfida numero uno, citata dal 63% degli intervistati, è la gestione della governance, del rischio e della compliance con fiducia. Mentre la tecnologia si evolve rapidamente, le normative globali sono in ritardo, costringendo le organizzazioni a implementare le proprie salvaguardie. Questo quadro normativo incerto crea una complessità aggiuntiva per le banche che operano in ambienti altamente regolamentati.
La questione delle competenze e l’adozione organizzativa
La seconda sfida più comune, identificata dal 58% degli executive, è la mancanza di competenze e capacità tecnologiche. Le aziende affrontano il duplice compito di formare la forza lavoro per utilizzare efficacemente i sistemi di AI, superando la resistenza organizzativa all’adozione, e di misurare sufficientemente il ROI per superare lo scetticismo dei dirigenti.
Sameer Gupta di EY si chiede: “Come si migliora il QI e il QE generale dell’organizzazione per essere in grado di adottare effettivamente un sistema di AI e non avere il ‘rigetto dell’organo’ ma piuttosto aderenza e utilizzo?”.
La trasformazione della forza lavoro è, quindi, un aspetto cruciale.
Qualità e integrazione dei dati: un ostacolo cruciale
Un’altra sfida significativa (54% degli intervistati) è la scarsa qualità e integrazione dei dati. Le grandi istituzioni finanziarie dispongono di centinaia di sistemi di dati esistenti che richiedono collegamenti affidabili, o API, per eseguire risposte agentiche.
La mancanza di dati puliti e ben integrati può ostacolare seriamente l’efficacia dei sistemi di AI. Gupta sottolinea inoltre l’imperativo dei controlli di accesso basati sui ruoli e dei protocolli di sicurezza per impedire a un sistema di apprendere qualcosa che non dovrebbe imparare in base al suo ruolo.
Complessità tecnologica e i dilemmi dell’autonomia
La rapidità del cambiamento tecnologico, con nuovi modelli e piattaforme AI rilasciati ogni tre-sei mesi o anche più velocemente, genera incertezza per i dirigenti riguardo alla futura validità degli investimenti tecnologici. Inoltre, sorgono domande fondamentali sull’autonomia. Gupta si interroga: “Che tipo di autonomia si dovrebbe dare a un sistema basato su agenti? Quando può lavorare in modo completamente autonomo e quando richiede l’intervento umano, o almeno un’approvazione o una revisione umana del processo?”.
La maggior parte degli intervistati ritiene che i sistemi di AI non siano ancora in grado di essere pienamente autonomi nel mondo digitale (38%) o, ancor meno, nel mondo fisico (64%). Ciò conferma che l’IA agentica è principalmente vista come un assistente o un collaboratore, con l’umano ancora al comando.
Costruire la fiducia: un imperativo strategico
In un settore ad alto rischio come quello dei servizi finanziari, la fiducia è fondamentale. Una recente indagine EY ha rivelato che solo il 42% degli intervistati si fiderebbe delle società di servizi finanziari per gestire l’IA in modi che si allineano ai loro migliori interessi, mentre il 30% dichiara di diffidarne attivamente. Questo si traduce in una percentuale netta di fiducia di appena il 12%, uno dei livelli più bassi tra i settori studiati. Attualmente, l’AI agentica sembra improbabile cambiare questa dinamica, con solo il 14% degli intervistati che si aspetta che la fiducia sia un risultato dell’AI agentica. Investire nella cybersecurity è un modo chiave per costruire la fiducia: uno studio del 2025 di EY ha rilevato che la cybersecurity può aggiungere tra l’11% e il 20% di valore, o una mediana di 36 milioni di dollari, a ogni iniziativa aziendale in cui è coinvolta.
Strategie per il successo: un approccio sistematico
Per cogliere le opportunità offerte dall’IA agentica, è fondamentale un approccio sistematico e rigoroso. Sameer Gupta suggerisce che l’implementazione può essere incrementale, partendo da un sistema agentico più semplice per affrontare un insieme di esigenze all’interno di un processo e poi scalando nel tempo per automatizzare parti sempre più grandi del processo stesso. Murli Buluswar raccomanda di iniziare non dal compito, ma chiedendosi “Cosa sto cercando di realizzare e posso reimmaginare come dovrebbe apparire?”.
Propone un framework per guidare il pensiero, basato su cinque domande per analizzare un insieme di attività: il processo è manuale? È costoso? È soggetto a ritardi? È incline agli errori? È importante se si commettono errori? Buluswar adotta poi tre lenti attraverso cui pensare a una strategia di AI agentica: commerciale, umana e tecnologica, con l’obiettivo finale di dimostrare un valore tangibile e materiale ai clienti su larga scala.
Il modello HSBC: governance, valore e piattaforme comuni
HSBC ha delineato diverse strategie per garantire miglioramenti significativi con l’IA agentica.
In primo luogo, stabilire un quadro di governance robusto è essenziale per la sicurezza e la conformità ai livelli di tolleranza al rischio dell’azienda. HSBC mantiene un inventario dettagliato dei sistemi di AI, collegato ai proprietari del business, alla documentazione del modello e alla classificazione del rischio.
In secondo luogo, dare priorità ai casi d’uso con un chiaro valore commerciale, valutando il valore generato (in termini di ricavi, costi o miglioramenti dell’efficienza). Terzo, creare piattaforme e capacità comuni consente a scienziati dei dati, esperti di machine learning e ingegneri del software di costruire sistemi più facili da governare, scalare e monitorare in sicurezza, essenziale per un’organizzazione con oltre 200.000 dipendenti in più di 50 mercati.
Quarto, concentrarsi sulla qualità e accessibilità dei dati, creando una singola fonte di verità, processi di data lineage e standard di formattazione e contestualizzazione dei dati. Infine, aumentare gli umani con l’AI e trasformare la forza lavoro sono elementi chiave per il successo a lungo termine.
Il framework PURE di DBS Bank per un’AI etica
DBS Bank ha sviluppato un proprio approccio etico alla governance dell’IA, noto come framework PURE, a cui ogni progetto che interagisce con le persone deve aderire. I progetti devono essere:
- Purposeful (Mirati): le soluzioni di AI devono avere uno scopo ben definito che spieghi chiaramente il motivo dell’adozione.
- Unsurprising (Non sorprendenti): prevenire usi inaspettati dei dati dal punto di vista del cliente.
- Respectful (Rispettosi): progettare interazioni di AI che non violino la privacy del cliente o le norme sociali.
- Easy to explain (Facili da spiegare): spiegare chiaramente i processi decisionali e di utilizzo dei dati dell’AI sia ai clienti che ai regolatori.
Per i casi d’uso più sensibili, DBS Bank impone metriche in tempo reale con limiti di performance superiori e inferiori consentiti, dotati di un “kill switch” in caso di violazione. Questo approccio rigoroso mostra l’impegno verso un’implementazione etica e responsabile dell’AI.
Conclusioni
L’intelligenza artificiale agentica rappresenta un’opportunità trasformativa per il settore bancario, promettendo di rivoluzionare l’efficienza, l’esperienza del cliente e la sicurezza. Tuttavia, la sua adozione non è un percorso semplice e richiede un impegno a lungo termine per superare sfide significative in termini di governance, competenze, dati e fiducia. Come sottolinea Nimish Panchmatia di DBS Bank, “L’AI agentica è un viaggio continuo. Se fatto correttamente, c’è un valore significativo alla fine. Ma bisogna perseverare”.
Le istituzioni finanziarie che sapranno navigare con successo questo viaggio, integrando l’AI agentica come un potente copilota per i propri operatori umani e adottando quadri di governance robusti, saranno quelle che prospereranno nel panorama bancario del futuro.
