Cos'è l'AI nel settore bancario?

I fornitori di servizi finanziari tradizionali hanno sempre avuto difficoltà a innovare. Uno studio di McKinsey¹(link esterno a ibm.com) ha rivelato che le grandi banche erano meno produttive del 40% rispetto a quelle native digitali. Molte startup emergenti nel settore bancario stanno sperimentando casi d'uso dell'AI, amplificando la necessità, per le banche tradizionali, di recuperare il ritardo e di innovare a loro volta.

Le società di investment banking utilizzano da tempo l'elaborazione del linguaggio naturale (PNL) per analizzare le grandi quantità di dati di cui dispongono internamente o che estraggono da fonti terze. Utilizzano l'NLP per esaminare i set di dati e prendere decisioni più informate sugli investimenti chiave e sulla gestione patrimoniale.

Il settore bancario, in particolare, sta assorbendo i vantaggi desiderati dalle tecnologie AI. I clienti desiderano esperienze bancarie digitali: app in cui possano ottenere maggiori informazioni sui servizi forniti, interagire con persone o assistenti virtuali e gestire meglio le proprie finanze. Le aziende devono migliorare l'esperienza dell'utente per mantenere felici i clienti. Un modo per raggiungere questo obiettivo è adottare e implementare soluzioni di AI.

Sebbene l'intelligenza artificiale sia potente di per sé, la combinazione con l'automazione libera un potenziale ancora maggiore. L'automazione basata sull'AI integra l'intelligenza dell'AI con la ripetibilità dell'automazione. Ad esempio, l'AI può migliorare la robotic process automation (RPA) Per analizzare meglio i dati e intraprendere azioni in base a ciò che l'AI ritiene migliore. Un esempio sono le banche che utilizzano la RPA per convalidare i dati dei clienti necessari per soddisfare le restrizioni relative al Know Your Customer (KYC), all'antiriciclaggio (AML) e alla due diligence del cliente (CDD).

Le organizzazioni di servizi finanziari stanno adottando l'intelligenza artificiale (AI) per vari motivi, come la gestione del rischio, l' esperienza del cliente e la previsione delle tendenze del mercato.

L'AI aiuta i clienti a migliorare il loro processo decisionale in materia finanziaria. È più probabile che rimangano con banche che utilizzano una tecnologia di AI all'avanguardia che li aiuti a gestire meglio il proprio denaro.

Tuttavia, data l'ampia regolamentazione del settore, le banche e le altre organizzazioni di servizi finanziari hanno bisogno di una strategia completa per approcciare l'AI. L'uso dell'AI richiede un framework ponderato per mitigare il rischio e l'esposizione.

L'IBM Institute for Business Value ha pubblicato una guida per le banche che desiderano incorporare strumenti e pratiche di AI nelle loro operazioni nel suo report Global Outlook for Banking and Financial Markets del 2024. Alcune delle azioni chiave sono:

• Definire la governance dell'AI e il profilo di rischio della banca: ogni banca è diversa e i dirigenti di ogni banca devono prendere le proprie decisioni in merito al rischio e all'impiego dell'AI. Le banche dovrebbero adottare l'AI con la consapevolezza che è necessario contrastare qualsiasi potenziale rischio con solide misure di sicurezza.
• Dare priorità ai casi d'uso: le implementazioni AI devono essere legate a casi d'uso aziendali specifici che generino un impatto misurabile e si allineino agli obiettivi dell'organizzazione. Esempi di casi d'uso specifici sono i chatbot rivolti ai clienti, le strategie di investimento personalizzate, la prevenzione delle frodi e la valutazione dell'affidabilità creditizia.
• Scegliere una piattaforma di AI affidabile: la maggior parte degli approcci all'AI aziendali richiede l'applicazione di più modelli AI per garantire che un'organizzazione abbia tutto ciò di cui ha bisogno per avere successo. Pertanto, le banche devono scegliere se utilizzare modelli open source, modelli realizzati internamente o entrambi.
• Adottare un'architettura hybrid cloud: l'intelligenza artificiale richiede alle banche di affrontare eventuali inefficienze tecnologiche presenti e di dare priorità all'application resource management. Utilizzando un'architettura hybrid cloud, le banche possono passare da cloud pubblici a cloud privati per promuovere la resilienza e la reattività per il digital banking in tempo reale.
• Imparare dalle implementazioni iniziali: le banche preoccupate per i rischi dovrebbero implementare test e casi d'uso su scala ridotta per valutare gli impatti prima di espandersi e attuare nuove implementazioni. Le prime lezioni sono preziose perché aiutano le banche a capire meglio quali altre infrastrutture devono implementare e dove devono apportare modifiche.
• Creare un'"AI factory": una volta stabilita una strategia praticabile per la creazione o l'adozione dell'AI per casi d'uso specifici, un'organizzazione dovrebbe costruire un apparato che aggiunga l'AI alle sue operazioni e la renda centrale in tutti i metodi di sviluppo e di business.

Ci sono diversi vantaggi chiave per le banche che adottano e implementano l'AI.

• Miglioramento della cybersecurity e del rilevamento delle frodi: i criminali informatici ricorrono sempre più spesso all'AI per creare metodi più sofisticati per frodare gli istituti finanziari. Possono usare tracce audio create con l'AI²  (link esterno a ibm.com) per imitare i clienti, confondendo gli agenti del servizio clienti. Possono utilizzare l'AI per far sembrare più autentiche le e-mail di phishing. Di conseguenza, queste istituzioni finanziarie devono utilizzare algoritmi di AI per proteggere i propri dipendenti dalle minacce di cybersecurity in tempo reale, creando al contempo strumenti per aiutare i clienti a evitare gli stessi inganni. Gli istituti finanziari e le agenzie governative possono anche utilizzare i sistemi di AI per contrastare altri reati finanziari come il riciclaggio di denaro o l'impersonificazione.
• Miglioramento delle API: le operazioni bancarie dipendono sempre più dall'uso di application programming interface (API) per consentire ai clienti di tenere traccia del proprio denaro su varie applicazioni. Ad esempio, le banche devono concedere l'autorizzazione API alle app di budgeting di terze parti in modo che i clienti possano monitorare più conti bancari. L'AI migliora l'utilizzo delle API abilitando più misure di sicurezza e automatizzando le attività ripetitive, rendendole più potenti.
  
• Embeddable banking: si tratta dell'introduzione del settore bancario in esperienze non tradizionali, come quando Starbucks ha avviato la propria app di pagamento ³. Si prevede che l'embeddable banking crescerà, soprattutto perché l'AI aiuta i rivenditori e altre aziende a raccogliere e analizzare dati su potenziali opportunità di mercato, prevedere l'affidabilità creditizia e personalizzare meglio i servizi offerti ai clienti.
• Strumenti più intelligenti per i clienti: l'ascesa dell'AI generativa basata sul deep learning consente ai settori degli investimenti e delle banche di implementare strumenti più sofisticati per semplificare il servizio clienti. I chatbot e gli assistenti virtuali basati sull'AI possono migliorare l'assistenza clienti, aiutandoli a risolvere piccoli problemi da soli. L'AI può anche potenziare le app di budgeting che aiutano i clienti a gestire meglio le proprie finanze e a risparmiare di più.
• Nuovi mercati e opportunità: utilizzano anche l'AI per la predictive analytics, per avere una migliore conoscenza dei loro clienti. La predictive analytics basata sull'AI può identificare nuove aree di crescita per la loro attività e i loro clienti e possono stimare meglio quali clienti sono a rischio di abbandono. Ad esempio, le banche possono analizzare le abitudini dei propri clienti, ad esempio la frequenza con cui accedono o depositano denaro, e confrontarle con altri dati per determinare se i singoli clienti potrebbero essere sul punto di cancellare i propri conti.
  
• Carte di credito e credit scoring più intelligenti: la determinazione dell'affidabilità creditizia è un'attività critica dei servizi bancari. Le banche devono elaborare quantità significative di dati dei clienti per prendere decisioni importanti sul credito, ad esempio se accettare una richiesta di carta di credito o approvare un aumento del credito. Gli algoritmi di AI e machine learning possono aiutare gli istituti finanziari ad approvare o rifiutare carte di credito, aumenti del credito e altre richieste dei clienti a velocità elevate.

L'introduzione dell'AI nel settore bancario non è priva di rischi e complicazioni. Lo studio dell'IBM Institute for Business Value Global Outlook for Banking and Financial Markets 2024 ha rilevato che oltre il 60% dei CEO del settore bancario era preoccupato per le nuove vulnerabilità introdotte dall'AI. Ecco alcuni esempi:

• Cybersecurity: la tecnologia di AI generativa può essere utilizzata per la prevenzione delle frodi e la gestione della conformità, ma comporta anche dei rischi. L'integrazione di strumenti e tecnologie di AI aperti nei sistemi IT bancari crea alcune sfide di sicurezza perché i modelli AI sono obiettivi particolarmente preziosi per i malintenzionati. Ecco perché le banche hanno bisogno di un approccio olistico alla governance dell'AI che bilanci efficacemente innovazione e gestione del rischio.
• Incertezza sulle normative relativa alle operazioni: i modelli di AI generativa necessitano di essere addestrati su set di dati esistenti per essere efficaci. Ci sono ancora alcune questioni irrisolte circa il fatto che l'analisi di dati disponibili pubblicamente, come le notizie e i video esplicativi, costituisca una violazione del copyright⁴(link esterno a ibm.com). Un modo per evitare questo problema è quello di utilizzare modelli AI addestrati su dati di proprietà della banca, come le interazioni con il servizio clienti o le ricerche proprietarie.
• Difficoltà nel controllare l'accuratezza dei risultati: attualmente, i modelli AI non ragionano né "comprendono" i loro output. I modelli AI, invece, rilevano pattern⁵(link esterno a ibm.com) nei dati forniti e generano risultati. Pertanto, il modello non è in grado di indicare al dipendente umano se i dati sono errati o imprecisi.
• Pregiudizi derivanti da distorsioni del modello: le banche investono sempre più spesso in iniziative ambientali, sociali e di governance (ESG) per dimostrare trasparenza e responsabilità delle proprie azioni. Poiché i modelli AI sono addestrati su dati creati dall'uomo, possono ereditare alcuni dei pregiudizi che influenzano gli esseri umani. Le banche devono eliminare i pregiudizi nel modo in cui commercializzano i prodotti e determinano fattori come l'affidabilità creditizia, che hanno spesso avuto un impatto negativo su determinati gruppi demografici.

Gli istituti bancari avvertono sempre più l'urgenza di attuare una trasformazione digitale. I clienti chiedono esperienze automatizzate con funzionalità self-service, ma vogliono anche che le interazioni siano personalizzate e assolutamente umane.

Le banche continuano a dare priorità agli investimenti nell'AI per rimanere all'avanguardia rispetto alla concorrenza e offrire ai clienti strumenti sempre più sofisticati per gestire il loro denaro e i loro investimenti. I clienti continuano a dare priorità alle banche in grado di offrire applicazioni di AI personalizzate che li aiutino a ottenere visibilità sulle loro opportunità finanziarie.

In futuro, le banche pubblicizzeranno il loro utilizzo dell'AI e il modo in cui possono implementare i progressi più velocemente dei concorrenti. L'AI aiuterà le banche a passare a nuovi modelli operativi, ad adottare la digitalizzazione e l'automazione intelligente e a conseguire una redditività costante in una nuova era del settore bancario commerciale e retail.