Strategia AI per le banche: una roadmap triennale

Un pilota di AI che entusiasma il consiglio di amministrazione e poi si ferma alla revisione del rischio di modello è una storia nota in banca. Una buona strategia AI per le banche la evita procedendo in quattro fasi, dai dati governati fino ad agenti che svolgono lavoro reale.

Con il mio ruolo in DXC ho lavorato con banche in Medio Oriente e Africa. L'ambizione raramente è il loro problema.

Il problema sono i dati. I record di clienti, conti e transazioni stanno in un core banking, in una piattaforma carte, in un CRM e in una dozzina di fogli di calcolo. Ognuno ha la propria idea di chi sia un cliente.

Questa roadmap funziona con qualunque piattaforma di core banking, cloud o fornitore di modelli accettato dal Suo regolatore. Copre retail, PMI e corporate banking.

Tre anni, quattro fasi

1. 01

   Oggi: fondamenta dei dati

   Dati su clienti, prodotti e rischio in un'unica piattaforma governata, con una tracciabilità che i regolatori possono seguire.

2. 02

   Anno 1: intelligenza governata

   Un unico linguaggio di business per clienti, conti e transazioni, governance dell'AI e i primi risultati rapidi.

3. 03

   Anno 2: scalare gli agenti AI

   Agenti per onboarding, credito, frodi e AML, più un coinvolgimento dei clienti quasi in tempo reale.

4. 04

   Anno 3: AI integrata su larga scala

   L'AI dentro le funzioni chiave, con persone e agenti che lavorano insieme e ogni decisione tracciabile.

Le fondamenta si ripagano da sole grazie a dati affidabili e a una segnalazione regolamentare più pulita. Il primo valore dell'AI arriva nel primo anno, e i guadagni più grandi arrivano quando gli agenti iniziano a svolgere lavoro reale nel secondo.

Le banche sanno già perché i dati contano, perché glielo hanno insegnato i regolatori. I principi BCBS 239 sull'aggregazione dei dati di rischio chiedono dati di rischio accurati, completi e tempestivi, con responsabili chiari. Buone fondamenta per l'AI sono la stessa disciplina, estesa anche ai dati su clienti e prodotti.

Ecco il lavoro, nell'ordine in cui lo farei.

1. Portare in un'unica piattaforma i dati di core banking, carte, pagamenti, finanziamenti, CRM e canali digitali. Di solito è un lakehouse, un unico archivio per dati grezzi e puliti, in cloud o nel Paese.
2. Aggiungere un catalogo e la tracciabilità, in modo che ogni numero di una segnalazione regolamentare e ogni input di un modello risalga al sistema di origine.
3. Dare ai team prodotto, rischio e finanza report self-service costruiti sugli stessi dati di clienti e saldi.

La parte più difficile è la vista unica del cliente. Prenda una donna con un conto corrente e una carta di credito presso la Sua banca. È anche garante del finanziamento aziendale del fratello e amministratrice di uno dei Suoi clienti corporate.

Nella maggior parte delle banche è quattro record diversi. Il core scrive il suo nome in un modo, la piattaforma carte in un altro, e la pratica corporate ha il numero di passaporto ma non la data di nascita. Un agente AI che verifica la sua esposizione totale perderebbe del tutto la garanzia.

La soluzione è noiosa. Si fissano regole di abbinamento su numero di documento, data di nascita e indirizzo, poi si costruisce un unico golden record con un responsabile di business nominato. Lo faccia una volta nelle fondamenta e ogni modello lo eredita.

Ecco un secondo caso. Il report di rischio e la contabilità generale mostrano esposizioni diverse per lo stesso cliente corporate. La piattaforma carte registra di notte e il sistema dei finanziamenti a mezzogiorno.

Con la tracciabilità attiva, un analista risale alla fonte di entrambi i numeri e vede lo sfasamento temporale. Senza, qualcuno ricostruisce il dato in un foglio di calcolo prima di ogni riunione del consiglio.

1. 01Core bankingConti, saldi e transazioni
2. 02Carte e pagamentiSpese con carta, bonifici e stipendi
3. 03Finanziamenti e CRMPrestiti, fidi e storico dei contatti
4. 04Area di atterraggioCopie grezze con tracciabilità dal primo giorno
5. 05Vista unica del clienteUna persona, ogni ruolo che ricopre
6. 06Report e segnalazioniDati di prodotto, rischio e regolamentari che coincidono

Dati affidabili che può tracciare per il regolatore

Il cuore del primo anno è un livello semantico. È un unico linguaggio di business, condiviso da persone e agenti AI, in cui cliente, conto, prodotto, fido, esposizione, transazione e reclamo hanno ciascuno una sola definizione.

Perché conta? Chieda a tre team quanti clienti attivi avete.

Il marketing conta chiunque abbia aperto l'app negli ultimi 90 giorni. La finanza conta chiunque abbia un saldo, e il rischio chiunque abbia un prodotto aperto.

Un agente che risponde a questa domanda per il consiglio deve usare la definizione del report per il consiglio. Il livello semantico è il posto in cui la si scrive una volta sola.

La governance dell'AI arriva nello stesso anno, modellata sul Suo regolatore. Negli Emirati Arabi Uniti significa le linee guida congiunte per le istituzioni finanziarie che adottano tecnologie abilitanti. Nel Regno Unito sono i principi della PRA sulla gestione del rischio di modello (SS1/23).

Nell'UE l'AI Act considera ad alto rischio la valutazione del merito creditizio delle persone fisiche. Il mio consiglio è tenere un unico registro dei casi d'uso AI. Dia a ciascuno un responsabile, una valutazione del rischio, i risultati dei test e un passaggio di revisione umana, poi mappi il registro su ogni norma a cui deve rispondere.

Poi punti a risultati rapidi che personale e clienti notano. Io sceglierei tra questi:

1. Un copilota per il personale, un assistente che risponde partendo da policy, condizioni di prodotto e storico del cliente.
2. Sintesi dei reclami che danno a chi gestisce la pratica tutta la storia in una schermata.
3. Un consulente personale di spesa dentro l'app che i clienti già usano.
4. Segnali di fidelizzazione che avvisano il gestore della relazione quando un cliente sembra pronto ad andarsene.

Ecco un copilota per il personale in un contact center. Una cliente chiama per una commissione su un pagamento con carta fatto all'estero. Il copilota trova la clausola sulla commissione, verifica il livello della sua carta e mostra la risposta con la clausola citata.

Rimborsare la commissione come gesto di cortesia resta una decisione dell'operatore, e credo debba restare così.

Il consulente di spesa lavora su schemi che i clienti vivono già. Supponiamo che lo stipendio arrivi il 25, l'affitto esca il 1° e le rette scolastiche arrivino ogni settembre. Il consulente suggerisce di mettere da parte un po' ogni mese per settembre.

I segnali di fidelizzazione leggono indizi più discreti, come uno stipendio che all'improvviso smette di arrivare il 25. Il gestore della relazione lo viene a sapere quella stessa settimana, quando c'è ancora tempo per chiamare.

1. 01Il gestore della relazione chiedeQuali dei miei clienti sembrano pronti ad andarsene?
2. 02Livello semanticoDefinizioni della banca per cliente, prodotto e attivo
3. 03Dati governatiConti, transazioni e reclami
4. 04Il copilota rispondeCon il motivo e la fonte per ciascuno
5. 05Il gestore verificaChiama il cliente o scarta il segnale

La stessa risposta che darebbe il report per il consiglio

Valore di businessAltoMedioBasso

• Consulente personale di spesa

• Segnali di fidelizzazione
• Triage degli alert AML

• Supporto alle decisioni di credito

• Copilota sulle policy per il personale
• Sintesi dei reclami

BassoMedioAltoRischio regolamentare

• Basso
• Moderato
• Critico

Il secondo anno si passa dagli assistenti agli agenti. Un assistente risponde alla domanda di una persona. Un agente svolge un pezzo di lavoro entro limiti fissati da Lei, poi lo passa a una persona.

In banca volumi e valore si concentrano in quattro punti:

1. Onboarding e KYC, le verifiche di adeguata conoscenza del cliente che ogni nuovo conto richiede.
2. Credito, dalla raccolta dei documenti alla stesura della relazione di fido.
3. Frodi, dove l'agente assegna un punteggio alle transazioni con carta e ai pagamenti quasi in tempo reale.
4. AML (antiriciclaggio), dove gli alert si accumulano più in fretta di quanto gli investigatori riescano a chiuderli.

Prendiamo l'onboarding di una PMI. Una società commerciale carica una licenza commerciale, un atto costitutivo e i passaporti dei soci. Uno dei soci è una società registrata in un altro Paese.

L'agente procede passo dopo passo:

1. Legge ogni documento ed estrae nomi, date e numeri di registrazione.
2. Verifica la licenza nel registro delle imprese e controlla ogni nome nelle liste di sanzioni e nelle watch list.
3. Risale la catena del socio estero per trovare il titolare effettivo, la persona fisica che possiede davvero l'impresa.
4. Trova una corrispondenza parziale in una lista di sanzioni per un amministratore, con lo stesso nome e una data di nascita diversa.
5. Prepara la pratica con quella corrispondenza segnalata e le evidenze allegate.

Una compliance officer esamina la segnalazione e decide. L'agente ha raccolto, e il giudizio spetta a lei.

Il credito funziona allo stesso modo. Per una PMI che chiede una linea di capitale circolante, l'agente raccoglie estratti conto, bilanci certificati e il report della centrale rischi. Riporta i numeri nel formato standard della banca (i team crediti lo chiamano spreading) e prepara la relazione di fido.

Potrebbe far notare che la maggior parte delle vendite va a un solo acquirente. La decisione resta all'analista fidi.

Le frodi viaggiano più veloci. Qualcuno usa una carta in un negozio nel proprio Paese, poi online in un altro Paese quaranta minuti dopo. L'agente sospende il secondo pagamento, chiede al cliente di confermare nell'app e mostra a un analista perché è intervenuto.

L'AML è più lento. Versamenti in contanti continuano ad arrivare appena sotto la soglia di segnalazione in filiali diverse. L'agente raccoglie lo storico e prepara la descrizione del caso, e l'investigatore decide se inviare una segnalazione di operazione sospetta.

Lo stesso anno porta un coinvolgimento quasi in tempo reale. Il titolare di una piccola impresa vede una previsione di cassa una settimana prima della scadenza di un grosso pagamento a un fornitore.

Cambia anche il modello operativo. Ogni agente ha bisogno di un responsabile, di un limite chiaro su ciò che può fare, di monitoraggio e di un interruttore di arresto. I team di rischio di modello dovrebbero rivedere gli agenti con la stessa cura che riservano ai modelli.

1. 01AlertIl monitoraggio delle transazioni genera un alert
2. 02RaccoglieConti, controparti, storico e corrispondenze nelle liste
3. 03ValutaValuta l'alert rispetto ai casi passati
4. 04PreparaScrive la descrizione del caso con le evidenze
5. 05DecideL'investigatore chiude o fa escalation
6. 06ImparaGli esiti affinano il triage successivo

Il rischio di modello rivede l'agente come un modello

Al terzo anno l'AI sta dentro credito retail, carte, banking per le PMI, tesoreria, operations e rischio. Persone e agenti lavorano fianco a fianco, e ogni percorso decisionale ha un responsabile nominato e una traccia di audit.

La condivisione dei dati allarga ciò che gli agenti possono vedere. Le API di open banking permettono ai clienti di condividere, con il loro consenso, conti tenuti presso altre banche. ISO 20022, lo standard più recente per i messaggi di pagamento, porta dettagli più ricchi su chi ha pagato chi e perché.

Prendiamo un cliente corporate che riceve centinaia di pagamenti al giorno. Un agente abbina ciascuno alla fattura giusta usando i dati di rimessa ISO 20022. Il resto lo segnala al team di tesoreria del cliente.

Cambia anche il back office. A fine mese un agente riconcilia riga per riga i conti nostro della banca (i suoi conti presso altre banche, in valuta estera). Un analista delle operations lavora solo le differenze che l'agente non sa spiegare.

I partner si collegano allo stesso livello governato e usano le Sue definizioni e i Suoi controlli. Un concorrente non può copiare in fretta tre anni di infrastruttura.

1. Chief operating officerResponsabile del portafoglio di agenti e dei risultati
   Rischio di modello e complianceValidazione, monitoraggio e un interruttore di arresto
2. Responsabili di businessResponsabili degli agenti nella propria linea di business

• Agente di onboardingIn capo al responsabile dell'onboarding
• Agente del creditoIn capo al chief credit officer
• Agente antifrodeIn capo al responsabile antifrode
• Agente AMLIn capo all'MLRO

1. 04Agenti e copiloti AIAgenti per onboarding, credito, frodi, AML e coinvolgimento dei clienti, con punti di approvazione umana
2. 03Livello di intelligenza governatoModello semantico di clienti, conti, prodotti e transazioni, più il registro dell'AI
3. 02Fondamenta dei datiLakehouse con tracciabilità, catalogo e qualità dei dati, nel Paese dove richiesto
4. 01Sistemi coreCore banking, carte, pagamenti, finanziamenti, CRM e canali digitali

Quattro impegni attraversano qualunque strategia AI per le banche.

1. Opzioni di AI nel Paese e sovrane. Molti regolatori si aspettano che i dati dei clienti restino nel Paese. Scelga piattaforme e modelli che possano girare lì, compresi modelli aperti ospitati in proprio.
2. Uno stack aperto e multipiattaforma. I modelli cambiano ogni pochi mesi, quindi lasci la banca libera di cambiare fornitore di AI.
3. Governance allineata al Suo regolatore. Un unico registro dell'AI e un unico processo di rischio di modello, mappati su ogni norma a cui deve rispondere.
4. Persone capaci di lavorare con gli agenti. Gestori della relazione, analisti e investigatori devono sapere quando fidarsi di un agente e quando scavalcarlo.

Ecco come appare lo scavalcamento. Un agente AML classifica un alert come a basso rischio perché i versamenti corrispondono al solito stipendio del cliente. L'investigatrice sa che il datore di lavoro ha chiuso il mese scorso, quindi riapre il caso.

Il primo errore è partire da un chatbot rivolto ai clienti. Senza un livello semantico dà risposte diverse alla stessa domanda.

Chieda due volte il limite della Sua carta e potrebbe ricevere due cifre. Una arriva dalla piattaforma carte, l'altra da una copia del CRM non aggiornata.

Io farei partire la strategia AI della Sua banca all'interno della banca. Copiloti per il personale e agenti per le operations sono posti più sicuri dove imparare, perché una persona controlla ogni risposta prima che la veda un cliente.

Il secondo errore è costruire l'AI al di fuori della gestione del rischio di modello. Un pilota che ha saltato la validazione non può andare in produzione, quindi il team ricomincia da capo. Coinvolga rischio e compliance fin dal primo caso d'uso, anche se sembra lento.

Come va stortaCosa funziona

1. 01Come va storta: Un chatbot per i clienti come primo progetto→Cosa funziona: Prima copiloti interni e agenti per le operations
2. 02Come va storta: Pilota costruiti fuori dalla gestione del rischio di modello→Cosa funziona: Rischio di modello coinvolto dal primo caso d'uso
3. 03Come va storta: Ogni modello con la propria definizione di cliente→Cosa funziona: Un'unica vista governata del cliente per ogni modello
4. 04Come va storta: Rischio e compliance invitati alla fine→Cosa funziona: Rischio, compliance e business ne sono responsabili insieme

Se vuole sapere in quale fase si trova oggi la Sua banca, prenoti una call con me. Porti l'elenco attuale dei Suoi casi d'uso AI e Le dirò da dove partirei.

Cosa dovrebbe includere la strategia AI di una banca?

Una buona strategia AI per le banche richiede fondamenta dei dati governate, un livello semantico e una governance dell'AI allineata al Suo regolatore. Poi aggiunge agenti per onboarding, credito, frodi e AML. Opzioni nel Paese, uno stack aperto e la formazione del personale stanno alla base di tutto.

Da dove dovrebbe partire una banca con l'AI?

Dalle fondamenta dei dati e dai casi d'uso interni. Copiloti per il personale, sintesi dei reclami e un consulente personale di spesa portano valore con un rischio gestibile. Le decisioni di credito arrivano dopo, con i controlli più forti e una persona che approva ciascuna di esse.

L'AI per il credit scoring è ad alto rischio secondo l'EU AI Act?

Sì, l'EU AI Act classifica ad alto rischio i sistemi di AI che valutano il merito creditizio delle persone fisiche o ne stabiliscono il punteggio di credito. Il rilevamento delle frodi è un'eccezione. I sistemi ad alto rischio richiedono gestione del rischio, governance dei dati, documentazione, supervisione umana e monitoraggio.

In cosa gli agenti AI differiscono dagli assistenti AI in banca?

Un assistente risponde alle domande di una persona. Un agente compie azioni entro limiti fissati da Lei, come raccogliere i documenti KYC, smistare gli alert o preparare una relazione di fido. In banca gli agenti dovrebbero preparare le decisioni e una persona dovrebbe approvarle.

Le banche possono usare l'AI e tenere i dati nel Paese?

Sì. Molti fornitori cloud offrono region nel Paese, e i modelli aperti possono girare su server controllati dalla banca. Decida quali dati possono uscire dal Paese prima di scegliere piattaforme e modelli.