Deepak Kinger, direttore della strategia e cofondatore di EvoluteIQ – Serie di interviste

Deepak Kinger, direttore della strategia e cofondatore di EvoluteIQ, è un esperto dirigente nei settori della tecnologia e del business, con oltre vent’anni di esperienza nella trasformazione aziendale, nei servizi finanziari, nell’automazione e nell’intelligenza artificiale. In EvoluteIQ contribuisce a definire la strategia complessiva dell’azienda e guida le principali alleanze tecnologiche, le partnership per le soluzioni, il marketing e i rapporti con gli analisti. Prima di cofondare EvoluteIQ nel 2019, Kinger ha ricoperto ruoli dirigenziali di alto livello presso GALE Partners, Virtusa, Sapient, Headstrong, Wipro e Mphasis, dove si è occupato di attività che spaziavano dalla gestione di business nei servizi finanziari nell’area Asia-Pacifico e dalla consulenza ai dirigenti di alto livello sulla trasformazione digitale, fino alla creazione di nuove linee di business e alla guida di progetti tecnologici su vasta scala. La sua esperienza comprende strategia, sviluppo del business, gestione delle relazioni con i clienti, gestione del P&L, operations e tecnologie emergenti, tra cui IA, apprendimento automatico, automazione robotica dei processi, blockchain e scienza dei dati.

EvoluteIQ è un’azienda specializzata in IA per le imprese e automazione intelligente, impegnata ad aiutare le organizzazioni ad automatizzare e orchestrare processi aziendali complessi dall’inizio alla fine. La sua piattaforma EIQ riunisce IA agentica, IA generativa, automazione dei processi e delle decisioni, RPA intelligente, elaborazione degli eventi, data fabric, analisi dei dati, connettori aziendali e sviluppo di applicazioni multicanale in un ambiente low-code/no-code. La piattaforma è progettata per consentire alle imprese di collegare i sistemi esistenti, creare e distribuire agenti di IA e flussi di lavoro automatizzati, monitorare i risultati e ampliare l’automazione in ambiti quali l’esperienza del cliente, la finanza, le operations, le vendite e la gestione della catena di approvvigionamento. Fondata nel 2019, EvoluteIQ ha ampliato il proprio impegno nell’automazione agentica delle imprese con tecnologie come AI Workbench e Agentic Mesh Architecture e, nel 2025, ha annunciato un investimento di crescita di minoranza da 53 milioni di dollari, guidato da Baird Capital, a sostegno dell’espansione globale e di ulteriori investimenti nelle attività di ricerca e sviluppo a Bengaluru.

Prima di cofondare EvoluteIQ nel 2019, hai trascorso due decenni lavorando nei settori dei servizi finanziari, della tecnologia aziendale e della trasformazione digitale. Quali problemi ricorrenti hai riscontrato nelle grandi organizzazioni, che alla fine ti hanno convinto che ci fosse l’opportunità di fondare EvoluteIQ, e quale approccio volevi adottare per fare le cose diversamente?

Prima di EvoluteIQ, ho lavorato per 25 anni nella consulenza, dedicandomi in gran parte ad aiutare i grandi istituti finanziari nei loro progetti di trasformazione. Si trattava sia dei primi programmi di banca digitale, sia di attività di negoziazione, gestione del rischio e trasformazioni più ampie, dall’inizio alla fine. Col tempo ho visto crescere la domanda di automazione e abbiamo aiutato le imprese a implementare piattaforme di alcuni dei maggiori fornitori.

A spingerci a fondare EvoluteIQ è stata, in definitiva, l’opportunità di passare dall’implementazione di tecnologie altrui alla creazione di qualcosa di nostro. Abbiamo intravisto la possibilità di adottare un approccio più integrato all’automazione, anziché chiedere alle imprese di mettere insieme più tecnologie, licenze e livelli di integrazione. Questo è stato uno dei motivi che ci hanno portato a fondare EvoluteIQ nel 2019.

Nella nostra precedente intervista a Unite.AI con il tuo cofondatore Sameet Gupte, ha parlato della visione più ampia di EvoluteIQ: accompagnare le imprese dall’automazione basata sulle singole attività verso operazioni autonome end-to-end native dell’IA. In che modo la gestione delle modifiche normative dimostra perché è necessario passare dall’automazione di singole attività all’orchestrazione di interi processi aziendali?

Le modifiche normative raramente riguardano un’unica attività isolata. Nel 2020 abbiamo creato una soluzione per la transizione dal LIBOR. Le banche si trovavano ad affrontare un cambiamento su vasta scala che interessava i contratti esistenti e richiedeva ai team operativi, ai paralegali e ai team aziendali di esaminarli e porvi rimedio. Molti istituti, in sostanza, cercavano di risolvere il problema assegnandovi più persone. La lezione che abbiamo tratto dal LIBOR è che le singole normative cambiano, ma la sfida di fondo si ripresenta. La gestione delle modifiche normative e la conformità sono requisiti operativi permanenti.

Con le più recenti modifiche proposte dalla FinCen in materia di antiriciclaggio e contrasto al finanziamento del terrorismo (AML/CFT), stiamo assistendo a un allontanamento da un modello di conformità fortemente prescrittivo, basato sul semplice «spuntare caselle». Questo innalza l’asticella della conformità, anziché renderla meno impegnativa, perché gli istituti devono interpretare la normativa, esplicitare i propri rischi e stabilire cosa comportino per il loro modello operativo. Questo cambiamento coinvolge inevitabilmente diversi reparti e funzioni dell’organizzazione, non soltanto i team responsabili della conformità e dell’audit.

Hai sostenuto che le banche dovrebbero smettere di considerare ogni importante modifica normativa come un nuovo progetto di trasformazione e, invece, sviluppare la gestione delle modifiche normative come una capacità operativa permanente. Come si tradurrebbe concretamente questo modello operativo e perché gli istituti finanziari hanno storicamente faticato a realizzarlo?

Il nuovo modello operativo partirebbe dalla consapevolezza che il cambiamento è continuo: non è più un processo da avviare ogni trimestre o quando si presentano i revisori. Lo sviluppo di una soluzione per il LIBOR ci ha dimostrato che, anche quando una modifica normativa viene infine attuata, la necessità di adattarsi non viene meno. Per affrontare la successiva modifica normativa sarà necessario comprenderla, tradurla in requisiti operativi e aggiornare i processi.

Il nuovo modello operativo non deve inoltre restare confinato alla funzione compliance. In un modello maggiormente basato sul rischio, la responsabilità ultima del rispetto delle norme può ancora ricadere sulla funzione compliance, ma assumono un ruolo più importante anche le funzioni operative e legali e, in alcuni casi, la gestione del rischio di controparte. Un errore che le istituzioni possono commettere è sottovalutare quanto ampiamente il cambiamento normativo incida sull’organizzazione.

Storicamente, è stato difficile perché le aziende hanno accumulato infrastrutture tecnologiche frammentate e modelli operativi a silos. Quando diverse unità aziendali si affidano a piattaforme separate di RPA, BPM, reporting e altro tipo, rispondere a un nuovo requisito diventa di per sé un progetto di integrazione.

Quando viene introdotta una nuova normativa, una banca può dover stabilire quali clienti, prodotti, contratti, sistemi e processi ne sono interessati. In che modo l’IA può migliorare concretamente questa analisi d’impatto e quali fasi del processo richiedono ancora regole deterministiche o il giudizio umano?

L’IA può ridurre significativamente il lavoro manuale necessario per comprendere e attuare le modifiche normative. Più precisamente, può aiutare ad analizzare e classificare grandi volumi di informazioni e a individuare gli ambiti su cui concentrare l’attenzione umana. Per esempio, le funzionalità di risposta normativa di EvoluteIQ possono classificare e stabilire la priorità dei contratti in base al cliente e alla tipologia di asset, collegare queste informazioni ai sistemi aziendali e alle fonti di dati esterne e quindi coordinare le attività successive tra le funzioni legali, di gestione del rischio e operative. In questo modo, le istituzioni possono passare dall’individuare ciò che potrebbe essere interessato a gestire concretamente i cambiamenti che ne derivano lungo l’intero processo.

Il controllo e la supervisione umani restano essenziali. In alcune fasi di un processo regolamentato, un’istituzione ha bisogno di regole aziendali, condizioni, eccezioni e percorsi di escalation definiti con chiarezza. Il modello in cui crediamo combina l’adattabilità dell’IA con l’automazione deterministica e il giudizio umano, laddove opportuno. L’IA può contribuire a interpretare e mettere in evidenza ciò che potrebbe richiedere un intervento; le regole deterministiche possono disciplinare l’esecuzione di decisioni definite; le eccezioni e le decisioni che richiedono valutazione possono essere sottoposte alla persona competente.

L’attuazione delle normative coinvolge spesso i team legali, di compliance, di gestione del rischio, operativi, dei dati e della tecnologia. In che modo l’IA e il coordinamento dei processi possono aiutare questi gruppi a basarsi su un’interpretazione comune di una normativa, anziché creare flussi di lavoro separati e regole aziendali potenzialmente in conflitto?

Una delle conseguenze più significative di un modello di compliance maggiormente basato sul rischio è che la responsabilità si estende a una parte più ampia dell’organizzazione. La responsabilità ultima può continuare a ricadere sulla funzione compliance, ma anche i team operativi, legali e di gestione del rischio di controparte svolgono un ruolo importante. Le istituzioni devono quindi evitare di trattare l’attuazione come un’attività che la funzione compliance può svolgere in modo isolato.

Per questo è fondamentale disporre di una piattaforma integrata. In una grande organizzazione, con il nuovo modello occorre integrare i diversi sistemi di registrazione e le regole aziendali, tenendo conto anche delle complessità legate alla sicurezza. Un approccio unificato può ridurre il rischio che diverse parti dell’organizzazione attuino la stessa modifica ricorrendo a stack tecnologici del tutto separati.

L’IA generativa può interpretare documenti normativi complessi, ma le banche non possono permettersi allucinazioni o interpretazioni incoerenti quando sono coinvolte decisioni di compliance. Quali misure di salvaguardia dovrebbero essere previste per i sistemi di IA utilizzati nella gestione del cambiamento normativo e in quali fasi del processo decisionale dovrebbero continuare a intervenire gli esperti umani?

Primo, non implementare agenti di IA isolatamente, perché potrebbero proliferare senza un’adeguata governance.

Secondo, ciò che un’organizzazione può automatizzare non è limitato soltanto dalle sue capacità tecniche, ma anche dalla normativa, dalla privacy e dai dati che possono essere condivisi legalmente.

Il principio fondamentale di progettazione da seguire è che l’IA dovrebbe accelerare il lavoro di interpretazione senza assumersi la responsabilità della decisione. La responsabilità della compliance resta in capo a persone identificate, come si aspettano le autorità di regolamentazione. Le misure di salvaguardia si dividono in due gruppi: i controlli sui contenuti prodotti dall’IA e la definizione intenzionale dei punti in cui interviene il giudizio umano. Ogni risultato prodotto dall’IA deve basarsi su una fonte autorevole e il sistema di IA deve prevedere protezioni sia in ingresso sia in uscita.

Infine, per ogni risultato è necessario conservare una traccia di controllo che documenti le clausole di origine, le versioni del modello e dei prompt, il livello di affidabilità, il revisore, la decisione e la relativa motivazione.

La verificabilità è particolarmente importante nei servizi finanziari. Se l’IA contribuisce a interpretare una normativa, generare regole aziendali, individuare i clienti interessati e avviare flussi di lavoro, come possono le istituzioni conservare una documentazione chiara che mostri alle autorità di regolamentazione esattamente come e perché è stata presa ogni decisione?

Nei settori fortemente regolamentati, la tracciabilità deve andare oltre la semplice documentazione della decisione finale. È molto più utile poter ricostruire il percorso che ha portato a quella decisione, mostrando le informazioni utilizzate, le regole applicate, le decisioni prese, le modifiche intervenute durante il processo, i momenti in cui sono intervenute le persone e ciò che hanno approvato.

Quando più agenti, regole aziendali e flussi di lavoro interagiscono tra loro, la tracciabilità diventa ancora più importante. La verificabilità dovrebbe essere integrata nel livello di orchestrazione. I registri decisionali possono documentare le decisioni, le modifiche alle regole e le relative motivazioni, mentre la tracciabilità degli agenti da un’estremità all’altra offre visibilità su una catena di azioni autonome.

Se un’autorità di vigilanza chiede perché un determinato cliente, contratto o transazione sia stato gestito in un certo modo, l’istituto finanziario dovrebbe poter risalire, attraverso i dati, le regole, le decisioni basate sull’IA, le approvazioni e le azioni che hanno prodotto quell’esito. È questo che trasforma la spiegabilità da questione relativa al modello a capacità operativa.

Le grandi banche operano da decenni con infrastrutture legacy e dati fondamentali su clienti e transazioni distribuiti in numerosi sistemi. Come possono creare un livello di conformità riutilizzabile basato sull’IA senza cercare di sostituire, con costi elevati, l’intero parco tecnologico sottostante? 

Qualsiasi nuova capacità aziendale deve poter operare nell’infrastruttura esistente. Non è ragionevole aspettarsi il contrario. Anche il consolidamento è importante: sempre più spesso i clienti ci dicono di disporre di più piattaforme RPA o di un sistema BPM legacy affiancato da diverse tecnologie di reporting separate in tutta l’azienda. I nostri clienti chiedono con sempre maggiore insistenza di concentrarsi sugli strumenti e sui sistemi che generano un ritorno sull’investimento, invece di cercare un sostituto. Un livello di conformità riutilizzabile deve quindi integrarsi con l’ambiente esistente, senza presupporre che tutto ciò che vi è alla base venga sostituito.

Hai lavorato con istituti finanziari durante diverse generazioni tecnologiche, dai sistemi core tradizionali alla robotizzazione dei processi, all’apprendimento automatico e, oggi, all’IA agentica. Che cosa distingue fondamentalmente l’attuale transizione all’IA e dove pensi che gli istituti finanziari rischino di ripetere gli errori dei precedenti cicli di automazione?

Le prime generazioni di automazione erano destinate ad attività già ben definite. I sistemi core banking codificavano dati e transazioni. L’RPA automatizzava la sequenza di tasti tra le schermate. L’apprendimento automatico formulava previsioni circoscritte, come i punteggi di rischio di frode e di credito, basandosi su dati strutturati e con un’accuratezza misurabile. In ogni caso, era una persona o una regola fissa a decidere cosa sarebbe successo dopo, mentre la tecnologia seguiva un percorso prestabilito.

L’IA agentica cambia le cose sotto diversi aspetti:

• Gestisce con maggiore efficacia attività non strutturate e che richiedono capacità di giudizio. Le banche non si limitano più ad automatizzare compiti: delegano i risultati e il sistema sceglie autonomamente il percorso da seguire.
• Gli errori possono passare inosservati. Se una banca modificava la disposizione di una schermata, un bot RPA si bloccava in modo evidente e qualcuno interveniva per correggerlo. Un modello linguistico che sbaglia, invece, produce una risposta fluida, plausibile e sicura di sé. Questo è un problema.
• Il suo comportamento è probabilistico e, per evitare allucinazioni, è quindi fondamentale ancorarlo al contesto aziendale.
• Infine, sviluppare soluzioni con l’IA è diventato economico e gli utenti aziendali possono ora creare agenti funzionanti in un pomeriggio. In passato, la capacità dell’IT costituiva il collo di bottiglia dell’automazione; oggi il limite è la capacità di governance.

Gli istituti finanziari dovrebbero anche fare attenzione a non dimenticare le lezioni apprese nell’era dell’automazione tradizionale. Eccone alcuni esempi:

• Automatizzare processi inefficienti. La principale eredità dell’RPA è stata costituita da migliaia di bot sovrapposti a processi che nessuno aveva riprogettato. Ne è derivato un debito tecnico fragile, la cui manutenzione continua ancora a gravare sulle banche. Aggiungere agenti agli stessi flussi di lavoro frammentati significa ripetere l’errore a un livello di sofisticazione più elevato. Le banche dovrebbero prima riprogettare il lavoro e poi decidere cosa delegare.
• Inseguire metriche di facciata: le prove di fattibilità si arenano se non esiste un percorso finanziato verso la messa in produzione. Contare gli agenti distribuiti ripropone l’abitudine dell’RPA di contare i bot invece di misurare i risultati concreti per l’azienda.
• Investire troppo poco nelle basi dei dati. L’apprendimento automatico ha insegnato che la qualità dei modelli è limitata dalla qualità dei dati. Gli agenti che attingono a policy obsolete, documenti duplicati o fonti discordanti formuleranno ragionamenti sicuri di sé partendo da premesse errate.

Guardando al futuro, pensi che la conformità normativa evolverà verso una forma di conformità continua o persino in parte autonoma, in cui i sistemi di IA rilevano i cambiamenti normativi, ne valutano l’impatto, aggiornano i flussi di lavoro e segnalano solo le eccezioni che richiedono il giudizio umano? Che cosa dovrebbe accadere perché banche e autorità di vigilanza si sentano a proprio agio con un simile livello di autonomia?

Sì, ma l’autonomia si affermerà per fasi. Il rilevamento, la classificazione delle priorità, la mappatura degli impatti e l’aggiornamento dei flussi di lavoro per i cambiamenti ben definiti diventeranno in larga misura continui e automatizzati. Il giudizio sulle norme ambigue, sull’accettazione del rischio e sugli orientamenti normativi resterà affidato alle persone. Un possibile punto d’arrivo realistico è l’«autonomia supervisionata»: le macchine gestiscono il ciclo per impostazione predefinita, mentre le persone intervengono sulle eccezioni.

Perché ciò avvenga, anche le autorità di regolamentazione devono pubblicare norme in formati strutturati e soggetti a versionamento, facendo leva su iniziative come il lavoro della FCA e della Bank of England sulla rendicontazione normativa digitale.

Sarà inoltre necessario integrare nei sistemi di esecuzione la reversibilità e gli interruttori di arresto di emergenza, in modo che sia facile annullare le modifiche autonome ai flussi di lavoro quando vengono rilevate anomalie, tassi di errore o modifiche ai modelli. La fiducia crescerà più rapidamente se i supervisori utilizzeranno a loro volta strumenti simili. Ciò creerà un linguaggio condiviso per i test e, nel tempo, potrebbe consentire una supervisione diretta da macchina a macchina.

Grazie per questa splendida intervista. I lettori che desiderano saperne di più possono visitare EvoluteIQ.