Nel settore finanziario e assicurativo l’intelligenza artificiale ha superato la fase delle sperimentazioni più di quanto sia accaduto altrove. Secondo The AI Trust Gap in Financial Services & Insurance Report, la ricerca condotta da Arlington Research per Denodo, il 73% delle organizzazioni del comparto ha già portato soluzioni di IA in produzione, contro una media del 67% negli altri settori. Lo studio, condotto a giugno 2025 su 233 dirigenti del settore in Europa, America, Medio Oriente e Asia-Pacifico, mostra però anche quanto resti da fare su dati, governance e sicurezza perché questi progetti producano risultati concreti.
Andrea Zinno, Partner & Channel Sales Director di Denodo, è il primo a invitare alla prudenza nella lettura del dato principale. “Sono uno statistico, e quando sento parlare di sondaggi ci vado sempre con i piedi di piombo”, premette. Molti intervistati potrebbero aver considerato IA in produzione anche gli strumenti di produttività personale, un uso poco diverso da quello del singolo professionista. “La differenza si vede quando l’IA entra davvero nei processi aziendali e diventa a tutti gli effetti parte dei team di lavoro”.
Che banche e assicurazioni siano in testa, comunque, non lo sorprende. Sono i settori in cui più conta attingere al maggior numero possibile di informazioni, per prendere la decisione migliore nel momento in cui serve o per intercettare una frode. Dopo l’entusiasmo iniziale e la successiva disillusione, Zinno vede il comparto avviato verso la maturità. Il timore riguarda semmai la velocità, che ha spinto molti ad accantonare progetti di IA generativa mai arrivati in produzione per inseguire l’IA agentica.
Proprio gli agenti hanno riportato al centro un tema che per chi lavora con i dati non è mai stato nuovo, la loro qualità. “Sui grandi numeri, con un campione significativo, gli errori tutto sommato si compensano. Con l’IA agentica non è più così”, osserva Zinno. Quando si delega autonomia a un sistema, il livello di controllo necessario cambia radicalmente. Se un report contiene un errore, ce ne si accorge e si interviene. “Se un agente prende una decisione sbagliata perché i dati erano sbagliati, me ne accorgo, ma il danno ormai l’ho fatto”.
Dati freschi per decisioni che non si possono annullare
Il 72% delle organizzazioni del settore ritiene che i dati usati dall’IA debbano essere disponibili in tempo reale o aggiornati entro un minuto, contro il 66% degli altri comparti. In un contesto analitico, ricorda Zinno, un modello predittivo costruito con i dati della settimana precedente non dava risultati molto diversi da uno aggiornato al giorno prima. “Nel momento in cui prende una decisione, un agente deve avere una fotografia davvero aggiornata di ciò che sta succedendo, altrimenti decide su un mondo che è già cambiato”.
L’esempio che Denodo porta più spesso arriva dal credito. Se l’agente che valuta una richiesta di mutuo non riceve subito la segnalazione con cui, pochi minuti prima, il sistema antifrode della banca ha rilevato ritardi nei pagamenti o comportamenti sospetti del cliente, rischia di concedere un finanziamento che non andava concesso. Non tutti i dati richiedono però la stessa freschezza, e in ogni progetto va stabilito, agente per agente, quali informazioni servono in tempo reale e quali, come l’anagrafica, cambiano di rado.
Per Zinno la latenza è un problema che la tecnologia sa risolvere. Il paradigma ETL, che estrae i dati dalle sorgenti, li trasforma e li carica in un data warehouse, in un data lake o in un lakehouse, introduce un ritardo inevitabile, per quanto efficiente sia il processo. In un caso del settore pubblico citato dal manager l’aggiornamento del data lake richiede da cinque a sette giorni. Denodo, nata nel 1999, ha costruito la propria piattaforma sull’idea opposta, cioè non copiare né duplicare i dati ma collegare le sorgenti e interrogarle solo quando serve. “Per semplificare dico sempre che Denodo per i dati è quello che PayPal è per i pagamenti. PayPal non ti chiede di portare prima i soldi sul suo conto, va a prenderli nel momento in cui devi pagare”.
Quando “cliente” non significa la stessa cosa per tutti
Le iniziative di IA nel settore attingono in media a 489 fonti dati diverse, e quasi un’organizzazione su cinque supera le 1.000. Il 64% fatica a individuare dati affidabili o a integrarli correttamente nei progetti. Per Zinno la questione più complessa non è tecnica ma semantica. Con centinaia di sorgenti si hanno di fatto centinaia di definizioni diverse degli stessi concetti, e anche all’interno di una singola organizzazione customer care, amministrazione e marketing hanno ciascuno la propria idea di cosa sia un cliente. “L’idea di oggettivizzare a tutti i costi il significato è destinata a fallire, perché non esiste un significato oggettivo, a parte quello dei pochi concetti che esistono nel mondo fisico indipendentemente da come li interpretiamo”.
La tecnologia può aiutare con ambienti e automatismi che, come fa Denodo, usano a loro volta l’IA per suggerire che concetti chiamati in modo diverso potrebbero indicare la stessa cosa. Il resto dipende dalla capacità di chi modella i dati e dalla consapevolezza dell’azienda, che prima di qualsiasi intervento sui dati dovrebbe definire con cura il proprio modello semantico. Zinno nota che nei team che si occupano di IA entrano sempre più spesso dei filosofi, che di questo lavoro conoscono i limiti.
Senza un modello condiviso il rischio diventa concreto. Un agente che lavora con una definizione di cliente e un altro che ne usa una diversa non riescono a comunicare, come accade da sempre fra persone di divisioni diverse. “È il problema dei problemi, e non ha senso chiedersi quando verrà risolto, perché non si risolverà mai. Si potrà affinare gradualmente la modellazione del contesto di un’organizzazione, fino a un accordo ragionevole sul significato che conservi le differenze di visione ma le metta insieme”. Quando a sbagliare non è un report ma un’azione automatica, le conseguenze possono essere pesanti, come un mutuo negato o una pratica di sinistro respinta, con possibili implicazioni legali. All’inizio, ricorda Zinno, a frenare lo sviluppo dell’IA erano proprio gli uffici legali, che mettevano al primo posto il rischio potenziale e tendevano a dire no a tutto.
Fiducia, controllo e limiti dell’osservabilità
Il 61% delle istituzioni finanziarie e assicurative incontra difficoltà nel gestire la sicurezza dei dati e il controllo degli accessi per le applicazioni di IA, in un settore regolamentato da norme stringenti. Presentando lo studio, Zinno aveva sottolineato come “la differenza tra un semplice assistente digitale e un agente di IA realmente affidabile risiede proprio nella capacità di operare entro confini definiti di sicurezza, compliance e livelli di servizio”. Nel mondo dei dati, spiega, la fiducia nasce dal poter stabilire quali informazioni un agente può vedere, per esempio limitando un agente di marketing ai dati nati in quell’ambito, e dal poter ricostruire in ogni momento la filiera del dato, il cosiddetto lineage. “È un po’ come in un processo. Quante più prove ed evidenze porto, tanto più il giudizio finale si potrà basare su elementi concreti e non sull’impressione”.
L’approccio di Denodo consiste nel creare un unico punto in cui definire sia il significato dei concetti sia le regole che ne governano l’uso, come sicurezza, qualità, visibilità e tracciabilità, senza spostare fisicamente i dati. Le regole si applicano alle definizioni di cliente, sinistro o mutuo e da lì si estendono a tutti i dati che rappresentano quei concetti. Così, dopo ogni decisione di un agente, si può ricostruire quali dati ha usato e con quali regole. “La ricetta di Denodo è una forte centralizzazione, la semplicità di utilizzo e la separazione fra tutto ciò che riguarda significato, controllo e governance e i dati veri e propri, che poi si comporteranno in modo coerente con il modo in cui li ho modellati”.
Su osservabilità e spiegabilità Zinno considera il settore ancora immaturo. Dopo un periodo in cui si pensava di applicare a questi sistemi l’etica morale, profondamente soggettiva, si ragiona oggi di un’etica operazionale, che non giudica l’operato dei sistemi ma chiede che in ogni momento rendano visibile il perché delle loro azioni. Un principio che si scontra però con la pratica. “Se ho un agente che genera migliaia di decisioni al secondo, anche potendo esercitare questa osservazione non saprei come farla”.
Secondo Zinno le aziende hanno ormai compreso potenzialità e rischi. A una giornata di formazione sull’IA nel settore bancario a Milano, racconta, gli interventi riguardavano quasi tutti competenze, controlli e aspetti regolamentari, e di tecnologia non si è parlato affatto. “Secondo me è un bene, perché la tecnologia sappiamo che c’è. Con auto a guida autonoma sempre più performanti, forse è il caso di parlare di come si guida in strada, più che di cosa permette di fare la macchina che ci si è comprati”.
The AI Trust Gap Report commissionato da Denodo è scaricabile qui.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
