Agentic AI nel settore finanziario: come i leader dei dati stanno scalando in modo sicuro

In tutta Europa, i leader dei dati nel settore finanziario si trovano a camminare su una fune tesa – desiderosi di implementare e scalare gli strumenti di intelligenza artificiale, ma vincolati dalla conformità, dalla gestione del rischio e dalla sfida di dimostrare un valore tangibile. Secondo il nostro sondaggio CDO Insights 2025, più del 97% dei leader dei dati a livello globale afferma di avere difficoltà a dimostrare chiaramente il valore aziendale dell’intelligenza artificiale generativa. E, mentre l’87% pianifica di accelerare gli investimenti in intelligenza artificiale, il 67% ammette di aver trasferito meno della metà dei propri progetti di intelligenza artificiale in una fase di deploy su larga scala.

Uno dei più grandi ostacoli è ottenere il consenso della dirigenza. Più di un terzo (35%) afferma che ottenere il sostegno e dimostrare il valore è una sfida chiave che ostacola il rollout dell’intelligenza artificiale. Ciò significa che molti rimangono bloccati in una fase di attesa, esitanti a impegnarsi in rollout più ampi senza punti di riferimento misurabili.

Questa esitazione è in netto contrasto con il potenziale della tecnologia. McKinsey stima che l’intelligenza artificiale e l’analisi dei dati potrebbero fornire fino a 1 trilione di dollari in valore aggiuntivo annuo al settore bancario globale, mentre l’intelligenza artificiale generativa da sola potrebbe contribuire con fino a 340 miliardi di dollari al profitto operativo. È un’opportunità troppo significativa per essere ignorata – ma che deve essere affrontata in un modo che salvaguardi la conformità, costruisca la fiducia e generi ritorni provati.

La strada in avanti

Nonostante le difficoltà significative, ci sono organizzazioni in tutta Europa e nel resto del mondo che stanno facendo progressi nel rollout dell’intelligenza artificiale, esplorando come possono raccogliere i frutti degli agenti di intelligenza artificiale. Coloro che stanno muovendo l’ago della bilancia non lo stanno facendo tuffandosi a capofitto in deploy complessi e a lungo termine. Invece, stanno adottando un approccio misurato: iniziando con piccoli passi, costruendo la fiducia, dimostrando il valore e scalando solo una volta che la tecnologia dimostra la sua efficacia.

I rollout di intelligenza artificiale più di successo non avvengono durante la notte. Iniziano con piccoli passi ad alto impatto che costruiscono la fiducia e forniscono risultati. Ecco tre passi per iniziare.

1. Utilizzare l’intelligenza artificiale per pulire i dati prima di scalare

Anche con il consenso della conformità, i sistemi di intelligenza artificiale sono solo così forti come i dati su cui sono costruiti. La scarsa qualità dei dati mina l’accuratezza, l’efficienza e la fiducia. In effetti, il 43% dei leader dei dati afferma che i problemi dei dati sono la loro più grande barriera per scalare l’intelligenza artificiale generativa.

In modo incoraggiante, l’intelligenza artificiale stessa può aiutare a risolvere questi problemi di dati. Nel settore finanziario, ad esempio, alcune aziende stanno utilizzando strumenti di intelligenza artificiale per pulire i dati dei conti ricevibili, rimuovere i duplicati, correggere le voci obsolete e risolvere i record non corrispondenti. Una volta che i dati sono allineati e affidabili, le aziende possono automatizzare i follow-up, migliorare la gestione della cassa e operare con maggiore fiducia nelle loro informazioni guidate dall’intelligenza artificiale. Questo è anche una priorità di investimento. L’86% dei leader dei dati pianifica di aumentare la spesa per la gestione dei dati, con quasi la metà che cita il rendere i dati adatti all’intelligenza artificiale come loro principale motivatore.

2. Iniziare con agenti esecutori focalizzati

La distribuzione di agenti “esecutori” a scopo specifico è uno dei modi più veloci per generare vittorie misurabili. Questi agenti sono progettati per gestire compiti molto specifici e ben definiti, come la compilazione di riassunti di riunioni, l’elaborazione di transazioni standard o la categorizzazione di query dei clienti in entrata.

Poiché gli agenti esecutori sono facili da monitorare, producono output che sono chiaramente tracciabili e più facili da convalidare per l’accuratezza. Ciò non solo riduce il rischio operativo, ma fornisce anche punti di riferimento precoci per gli stakeholder, aiutando a ottenere il consenso per un’adozione più ampia.

Una volta che il successo è stato dimostrato con agenti a singolo compito, le organizzazioni possono introdurre strutture di intelligenza artificiale più complesse, come pianificatori e orchestratori, per gestire flussi di lavoro multi-step.

3. Semplificare la segnalazione di conformità attraverso l’automazione

La conformità è un’area molto intensiva in termini di risorse nel settore finanziario. La segnalazione normativa spesso richiede la raccolta e la riconciliazione dei dati da più fonti, un processo che può consumare centinaia di ore e dipendere da un piccolo pool di specialisti formati. L’intelligenza artificiale eccelle in questo campo, fornendo un ottimo punto di partenza per testare e scalare la tecnologia.

Una volta che i dati sottostanti sono puliti e strutturati, l’intelligenza artificiale può assumere parte del lavoro pesante. Ad esempio, la generazione di report conformi a BCBS 239 può essere parzialmente automatizzata utilizzando la mappatura dei metadati combinata con modelli di intelligenza artificiale agente. Questi sistemi possono produrre bozzze accurate che vengono poi revisionate da funzionari di conformità, riducendo i tempi di risposta e mantenendo il controllo della qualità.

Il potenziale qui è significativo. McKinsey evidenzia un caso di una banca globale che ha raggiunto guadagni di produttività del 200% al 2.000% nei processi di know-your-customer (KYC) adottando un approccio “fabbrica di agenti di intelligenza artificiale”. Hanno mantenuto la supervisione umana, ma hanno automatizzato i passaggi più lunghi.

Lezioni dal viaggio dei dati di una banca multinazionale

Una banca olandese multinazionale ha riconosciuto l’importanza di costruire le fondamenta dei dati per il successo dell’intelligenza artificiale. Ha capito l’importanza della gestione dei dati, rendendola una priorità. Ha investito nei processi organizzativi giusti per consentire la consegna su larga scala, facendo scelte deliberate per potenziare i team. E ha dato ai team una direzione chiara e una forte collaborazione interfunzionale per avere successo. Questa combinazione di dati affidabili, team potenziati e direzione strategica chiara è ciò che consente all’intelligenza artificiale di fornire valore aziendale — non solo risultati tecnologici.

Costruire slancio senza perdere il controllo

Con il 76% delle aziende del settore finanziario che pianifica di implementare soluzioni di intelligenza artificiale agente nei prossimi 12 mesi, la spinta è in aumento. Tuttavia, è chiaro che le organizzazioni più di successo non stanno affrettando la trasformazione su larga scala. Stanno distribuendo l’intelligenza artificiale in modo strategico, concentrandosi su casi d’uso contenuti e ben definiti che forniscono valore misurabile e migliorano l’efficienza operativa. Stanno anche incorporando la governance in ogni fase, assicurandosi che i team di conformità siano coinvolti precocemente e frequentemente.

Adottando questo approccio incrementale, le aziende possono accelerare l’adozione dell’intelligenza artificiale senza sacrificare la fiducia o l’allineamento normativo, trasformando “iniziare con piccoli passi” da una limitazione percepita in una strategia di crescita deliberata e provata. Nell’adozione dell’intelligenza artificiale, la velocità conta, ma la sicurezza e la scalabilità contano di più. Le istituzioni finanziarie che iniziano con piccoli passi, dimostrano il valore e scalano con fiducia saranno quelle meglio posizionate per sbloccare il potenziale di un trilione di dollari dell’intelligenza artificiale.