Nelle banche e nelle assicurazioni la domanda non è più se l’AI entrerà nei processi che contano: ci è già entrata. L’approvazione di un finanziamento, la segnalazione di una transazione sospetta, la valutazione di un sinistro, la definizione di un prezzo. La domanda è se quei processi siano stati ripensati di conseguenza. Perché la differenza competitiva oggi non è tra chi usa l’AI e chi no, ma tra chi la innesta su processi rimasti identici e chi quei processi li ripensa attorno al fatto che una parte della decisione ora la prende una macchina.
Ripensarli significa chiedersi cosa resta all’organizzazione dopo che la decisione è stata presa. Oggi quasi nulla. L’AI entra nei bilanci come consumo, token, capacità di calcolo, spesa IT che cresce con l’uso, e ogni decisione si esaurisce nel momento stesso in cui viene presa: non lascia nulla che renda migliore la successiva. Il capitale di intelligenza è l’idea opposta: che ogni decisione lasci dietro di sé il criterio con cui è stata presa, e che quel criterio resti patrimonio dell’organizzazione. Perché questo accada, dati, modelli, regole e giudizio umano devono convergere su tre piani.
La convergenza decisionale: l’unità di misura non è il modello
Per anni le organizzazioni hanno ragionato in termini di modelli: ogni funzione sviluppava i propri algoritmi, ne misurava le prestazioni, li gestiva come asset separati. Ma un modello, da solo, non decide. Produce un punteggio, una previsione. La decisione nasce quando quel risultato incontra dati, regole operative, controlli e giudizio umano. L’unità di misura del valore non è il modello: è la decisione.
Pensiamo a una richiesta di credito. Lo score è solo uno degli elementi in gioco; la decisione invece tocca il rischio di portafoglio, il capitale assorbito, il pricing, la relazione con il cliente. Lo stesso vale per una segnalazione antiriciclaggio o per la liquidazione di un sinistro. Finché questi elementi restano in stanze separate, l’AI è un progetto. Quando convergono nella decisione, diventa un processo.
La convergenza funzionale: una decisione non appartiene a un reparto
Le decisioni non rispettano i confini delle funzioni. Una scelta presa nell’area rischio produce effetti sul business, sulla compliance, sulle operations, sul cliente. Eppure, molte istituzioni continuano a sviluppare tecnologie e competenze in modo frammentato. Questa frammentazione ha un costo che raramente si vede: le stesse capacità analitiche vengono ricostruite più volte in aree diverse – score di credito, antifrode, pricing – mentre dati e conoscenza restano confinati nei rispettivi silos. Una decisione non appartiene a un reparto: appartiene all’istituzione. Quando resta isolata genera valore una volta sola; quando è condivisa rende più intelligente ogni altra decisione.
La convergenza nel tempo: il patrimonio che non compare in bilancio
C’è una terza dimensione, meno evidente e forse la più importante. Ogni banca e ogni compagnia possiede un patrimonio che non compare in alcun bilancio: l’esperienza delle persone. Il giudizio costruito negli anni da analisti del credito, specialisti AML, liquidatori. Quando un professionista con trent’anni di mestiere lascia l’azienda, non se ne va una competenza tecnica: se ne va una capacità di giudizio. E qui sta il paradosso. Connettere i dati e automatizzare non basta a trattenerla.
Prendiamo un caso concreto. Un sinistro viene segnalato dal sistema come potenzialmente fraudolento: ricorrono gli indicatori che il modello ha imparato a riconoscere. Il liquidatore che lo esamina lo autorizza comunque, perché ha riconosciuto una dinamica che quei segnali li produce in modo del tutto legittimo. Ha ragione, e il caso si chiude. Ma nel sistema resta scritto solo l’esito: pratica approvata, modello smentito. Il perché – l’unica cosa che valeva davvero – non è scritto da nessuna parte. Quattro mesi dopo, un altro liquidatore riceve un caso con la stessa dinamica e ricomincia da capo. E il modello, non avendo mai saputo di aver sbagliato e per quale motivo, continuerà a segnalarlo. Conserviamo il cosa, ma perdiamo il perché: quali elementi hanno portato a rivedere il giudizio iniziale, quale esperienza è stata applicata. Moltiplicato per migliaia di pratiche all’anno, è la differenza tra un’organizzazione che impara e una che ripete.
È qui che la governance assume un significato diverso. Non solo presidio di conformità e di rischio, tema tutt’altro che secondario in settori vigilati, ma il meccanismo con cui l’organizzazione cattura quel perché, in linguaggio naturale, nel momento in cui l’esperto lo esprime, e lo rende riutilizzabile. Ogni override diventa conoscenza strutturata, disponibile per la decisione successiva. La governance smette di essere il guardrail che limita l’AI: diventa il terreno in cui l’AI impara.
È il principio su cui lavoriamo in SAS*: le decisioni vengono costruite e messe in esecuzione in un ambiente governato – SAS Intelligent Decisioning – dove modelli, regole e intervento umano convivono nello stesso flusso, mentre SAS Model Manager e SAS Model Risk Management ne conservano versioni, lineage ed evidenze.
La fiducia si progetta sul sistema, non sul modello
L’AI generativa e agentica rende tutto questo più urgente. Quando un sistema agisce dentro un processo e attiva azioni, il rischio non è più nel singolo modello: è nei dati che utilizza, nelle autorizzazioni che riceve, nei controlli che lo limitano, nelle persone che lo supervisionano. La fiducia, quindi, non è una proprietà dell’algoritmo. È una caratteristica del sistema che lo circonda, e come tale va progettata.
È la prospettiva che in SAS portiamo avanti da tempo: non una collezione di modelli isolati, ma un sistema decisionale governato, osservabile e responsabile.
Una domanda che vale il futuro
Le organizzazioni che otterranno il massimo dall’intelligenza artificiale non saranno quelle con più algoritmi o più agenti. Saranno quelle capaci di trasformare ogni decisione in apprendimento per la successiva. Perché il traguardo non è automatizzare: è costruire sistemi che imparano, mantengono la fiducia e accumulano valore. La domanda che banche e assicurazioni dovrebbero porsi oggi non è più “abbiamo l’AI?” o “ci fidiamo di lei?”. È una sola: ogni decisione che prendiamo oggi ci lascia più intelligenti di ieri, o la stiamo solo eseguendo più in fretta?
* Alena Tsishchanka, autrice di questo articolo, è Director, Global Solutions Engineering di SAS
© Riproduzione riservata
