Il settore bancario italiano è in piena e continua trasformazione sotto la spinta dell’intelligenza artificiale che si configura come un vero e proprio propulsore di innovazione, efficienza e competitività. Le banche in Italia – sia quelle di grandi dimensioni sia gli istituti più piccoli o specializzati – stanno progressivamente adottando l’AI anche negli ambiti di business più strategici, dall’automazione dei processi interni fino allo sviluppo di prodotti e servizi innovativi per la clientela. Questo il quadro che emerge dai dati raccolti nell’infografica L’intelligenza Artificiale nel Settore Bancario Italiano di NTT DATA con Inno3 di NetConsulting cube, che evidenzia come siamo di fronte a un mercato dove l’interesse per l’AI è alto, ma necessita ancora di un approccio strutturato per raggiungere la piena maturità.
Banking e AI, lo scenario italiano
Secondo i dati la diffusione dei piani evolutivi in ambito AI vede il 13% delle banche italiane già con un piano AI in atto o comunque in fase di sviluppo molto avanzata, mentre un ulteriore 67% dichiara di essere in piena fase di elaborazione del piano, e solo il 7% ammette di non avere ancora un progetto concreto, pur prevedendo di avviarlo entro i prossimi due anni. C’è però ancora anche un 13% del campione osservato che si limita a discutere strategie senza però aver definito tempistiche o budget mentre nessuna banca (0%) dichiara di non nutrire alcun interesse in materia. Si tratta di percentuali che fotografano quindi un settore consapevole delle opportunità offerte dall’AI, ma che, salvo rare eccezioni, procede con una certa prudenza e gradualità. Lo si vede, per esempio, nel confronto con altri verticali, in particolare energy & utilities ma anche Tlc & Media, più avanti nei progetti.
Le tecnologie a maggior penetrazione nei piani AI delle banche italiane sono il machine learning (adottato dal 100% degli istituti che hanno intrapreso progetti), le reti neurali (90%) e la Generative AI – con tecniche basate su Large Language Model (LLM) e Natural Language Processing (NLP) – presente nel 73% delle iniziative. Seguono le tecnologie di Natural Language Processing “tradizionale” (60%), le soluzioni di Robotic Process Automation (RPA) (60%) e i sistemi di Intelligent Data Processing (47%). È interessante notare come gli abilitatori digitali che fanno leva sulla Generative AI, pur essendo relativamente recenti, mostrino già un tasso di adozione significativo, a documentare l’attenzione crescente per algoritmi avanzati in grado di generare testi, risposte, suggerimenti o persino contenuti multimediali.
Aree di applicazione e casi d’uso prioritari
Le banche italiane identificano diverse aree di applicazione dell’intelligenza artificiale, sulla base di esigenze concrete. Infatti l’80% delle iniziative riguarda l’ottimizzazione e l’automazione di processi amministrativi, di back-office o di interazioni interne. Si tratta di un ambito cruciale, poiché consente di ridurre tempi e costi, ridisegnando in chiave digitale intere catene operative. A seguire, il 60% delle banche concentra l’AI sulle operation IT, con l’obiettivo di aumentare la resilienza e ridurre il carico di lavoro manuale. Il 53% si focalizza sulla cybersecurity (monitoraggio delle minacce, automazione del Security Operations Center e prevenzione degli attacchi), mentre il 47% punta sulla ricerca e la creazione di documenti interni. Poco meno della metà dei progetti si concentra sull’automazione delle interazioni con la clientela, mentre un ulteriore 40% dedica attenzione all’audit e alle verifiche di compliance.
Un percorso di adozione graduale
Il quadro che emerge è dunque quello di un percorso di adozione graduale, in cui certo si considerano processi core per arrivare in prospettiva a coprire ambiti più strategici, come il miglioramento dell’esperienza utente e l’innovazione di prodotto.
Lo studio di NTT DATA Reimagining GenAI’s role in Banking mette ben a fuoco la necessità, oggi, di distinguere tra il cosiddetto “effetto hype” e le reali opportunità di business. Se da un lato la Generative AI e altre tecnologie consentono di rivoluzionare processi e modelli di servizio, dall’altro è essenziale mantenere equilibrio tra innovazione e gestione dei rischi, specialmente in un settore delicato come quello bancario, dove la tutela del consumatore e la compliance normativa giocano un ruolo primario. Le principali aree di attenzione menzionate includono la data privacy e la sicurezza (1) – data la quantità di informazioni sensibili trattate ogni giorno dal sistema bancario – ma anche i bias algoritmici ed i relativi problemi di trasparenza nell’uso di modelli complessi, specie se applicati ad ambiti come la concessione del credito o la gestione delle transazioni sospette (2). Serve inoltre non sottovalutare il tema della proprietà intellettuale e quello dei diritti sui dati, particolarmente rilevanti per la Generative AI che può produrre contenuti sulla base di dataset protetti da copyright (3). Ed il problema dell’impatto ambientale legato all’elevato consumo di energia per l’addestramento e l’esecuzione dei grandi modelli di AI (4). Ultimo, ma in verità mai ultimo, il tema dell’attenzione alle transazioni bancarie sospette, che riguarda direttamente ancora la sicurezza del business (5).
La dimensione regolamentare
Altro aspetto cruciale è la conformità alle normative esistenti e l’adeguamento a quelle future. Il settore bancario italiano, come del resto quello globale, è soggetto a una fitta rete di regole, che spaziano dalla protezione dei dati personali (Gdpr in Europa) alle direttive di vigilanza. L’adozione di modelli di AI più avanzati comporta inevitabilmente la revisione di policy interne e di processi di governance, in modo da assicurare trasparenza, equità e tracciabilità nelle decisioni algoritmiche. Le banche, dunque, devono dotarsi di strumenti di audit e di controllo che permettano di comprendere e monitorare il funzionamento dei modelli, garantendone la conformità alle normative vigenti e la capacità di evolvere in linea con i possibili aggiornamenti legislativi. Dallo studio dei possibili Proof of Concept all’implementazione su larga scala il passaggio cruciale consiste nel superare la fase di sperimentazione per avviare implementazioni concrete. E’ questo un punto davvero critico perché nel banking spesso si sono sviluppate iniziative pilota, focalizzate sul miglioramento della produttività interna o su use case relativamente circoscritti (ad esempio chatbot per il servizio clienti), mentre per valorizzare appieno l’AI, occorrerebbe definire una strategia complessiva che tocchi l’intera catena del valore: dai sistemi di core banking fino ai canali digitali di relazione con la clientela. La proposta NTT Data interviene proprio su questi punti nodali.
NTT DATA, valorizzare l’AI nel banking
Le quattro aree chiave per la trasformazione del banking con l’AI secondo la lettura di NTT DATA prevedono quattro livelli di attenzione. Li approfondiamo. E’ necessario guidare la trasformazione (1), concentrandosi sulla personalizzazione del rapporto con la clientela e sulla semplificazione dei processi; garantire l’efficienza operativa (2), puntando sulla revisione dei flussi di lavoro e sull’empowerment delle risorse umane, libere di dedicarsi ad attività a maggior valore aggiunto; rafforzare la qualità e la governance dei dati (3), riconoscendo che l’AI è valida solo nella misura in cui i dataset di partenza sono affidabili. Ed ancora è essenziale affrontare i rischi (4), predisponendo misure volte a minimizzare gli effetti negativi derivanti da bias, scarsa trasparenza o vulnerabilità di sicurezza.
Un aspetto spesso trascurato, ma essenziale, è l’allineamento tra cultura aziendale e progetti di AI. La formazione e il coinvolgimento dei dipendenti, infatti, determinano in larga misura il successo di ogni iniziativa: se le persone non comprendono le potenzialità e i limiti degli algoritmi, l’innovazione rischia di arenarsi. Ecco allora che l’adozione di programmi di upskilling mirati, così come la creazione di Centers of Excellence in cui competenze tecnologiche e di business possano dialogare, costituiscono leve strategiche per agevolare la transizione e fare in modo che l’AI diventi effettivamente parte integrante del tessuto bancario.
Nel contesto italiano, è plausibile allora che nei prossimi anni l’utilizzo dell’AI nel banking conosca un’ulteriore accelerazione. E l’infografica che abbiamo studiato e proponiamo da scaricare mostra già una penetrazione significativa ed evidenzia quanto margine di crescita ancora ci sia. Il consolidarsi di tecnologie come ML e NLP – e in particolare la Generative AI – potrà portare a un ripensamento dei modelli di servizio al cliente, oggi sempre più alla ricerca di un’esperienza omnicanale, semplice e personalizzata. Allo stesso tempo, l’AI consentirà di rispondere meglio alle sfide sulla sicurezza informatica e sulle frodi, grazie a sistemi di monitoraggio proattivi e più intelligenti.
I vantaggi del framework di NTT DATA
Per rispondere a queste esigenze, NTT DATA ha definito un framework di adozione e scalabilità che presidia ogni fase del percorso, dal disegno strategico all’implementazione operativa, fino alla misurazione dell’impatto. Il framework si fonda su alcuni pilastri-chiave, ognuno dei quali contribuisce a rendere la trasformazione più organica e orientata al valore. Prima di tutto vengono individuate e prioritizzate le iniziative che garantiscono un reale impatto sul business, dal miglioramento dell’esperienza cliente alla riduzione dei costi operativi. L’obiettivo è definire un roadmap chiara, che parta dai casi d’uso più promettenti in termini di ritorno sull’investimento e opportunità di innovazione. A valle il framework mette in risalto la necessità di una governance forte e condivisa dei progetti di AI (responsible governance). Questo significa definire standard comuni, controlli di qualità e processi di audit, nonché garantire la conformità alle normative vigenti. Poiché le soluzioni di AI possono comportare rischi reputazionali e di compliance, la governance non è più soltanto un’opzione, ma un elemento cruciale di fiducia. Per ottenere benefici tangibili, occorre poi una base tecnologica solida, caratterizzata da architetture scalabili (preferibilmente cloud-based), sistemi di data management avanzati e soluzioni di MLOps (Machine Learning Operations). Solo in questo modo è possibile passare velocemente dalla fase di prototipo a quella di produzione. NTT DATA qualifica questo passaggio come focus su Core Tech & NextGen Ops.
Il framework sottolinea quanto sia rilevante collaborare con partner, startup e centri di ricerca per accelerare il processo di innovazione e “contaminarsi” con idee esterne, quindi il valore dell’ecosistema per l’innovazione. NTT DATA promuove per questo la creazione di lab dedicati, in cui sperimentare nuove tecnologie e metodologie in modo veloce e iterativo, riducendo il time-to-market. Gli ultimi due passaggi si ricollegano direttamente al modello iniziale proposto proprio perché nessuna trasformazione può dirsi davvero efficace se non viene accompagnata da un cambiamento culturale: formazione, awareness e programmi di reskilling diventano indispensabili affinché i dipendenti conoscano il potenziale della Generative AI e si sentano parte attiva del processo d’innovazione. E serve infine una gestione agile e strutturata dei progetti, così da orchestrare al meglio competenze multidisciplinari (tecniche, di business, legali), con metriche ben definite per monitorare i progressi e comunicare i risultati agli stakeholder.
La riduzione di tempi e costi di sviluppo dei progetti di AI – grazie a metodologie di prototipazione rapida e a una roadmap coordinata di iniziative -; sicurezza e compliance integrate – a garanzia che i modelli siano affidabili, trasparenti e privi di bias rilevanti -; la trasformazione dell’AI da semplice strumento per l’efficienza a leva strategica, in grado di reinventare prodotti e servizi; ed infine lo sviluppo di un ecosistema virtuoso saranno i benefici principali. Per questo il framework proposto, strutturato e scalabile, pensato per integrare la tecnologia all’interno delle logiche di business, della cultura aziendale e della compliance normativa, permetterà alla Generative AI di esprimere il suo pieno potenziale, contribuendo in modo decisivo alla crescita e all’innovazione dell’intero settore bancario.
Per saperne di più scarica il whitepaper: Intelligent banking in the age of AI
Per saperne di più scarica l’infografica: L’intelligenza artificiale nel settore bancario italiano
Per saperne di più scarica il whitepaper: Intelligent banking in the age of AI
Leggi tutti gli approfondimenti della Room AI Metamorphosis by NTT DATA
© RIPRODUZIONE RISERVATA
