Negli ultimi due decenni, le banche hanno investito nella digitalizzazione. Le filiali sono diventate app. La carta ha lasciato il posto ai workflow digitali. I processi che un tempo richiedevano interventi manuali sono stati semplificati, automatizzati e accelerati.
Eppure, nonostante questi progressi, gran parte del modello operativo del settore è rimasta sostanzialmente invariata. Dietro ogni esperienza digitale si nasconde una complessa rete di passaggi, approvazioni, revisioni, eccezioni e decisioni che richiedono ancora un significativo coordinamento umano. Le banche sono diventate più digitali, ma non necessariamente più autonome.
Allo stesso tempo, le aspettative dei clienti continuano a crescere. I consumatori si aspettano ormai esperienze in tempo reale, rendendo sempre più difficile giustificare perché l’apertura di un conto, l’ottenimento di un mutuo, la risoluzione di un problema di pagamento o il completamento dei controlli di conformità possano richiedere ancora giorni o persino settimane. Nel frattempo, le banche devono far fronte a pressioni crescenti per migliorare l’efficienza, rafforzare la gestione del rischio, orientarsi in un quadro normativo in continua evoluzione e favorire la crescita in mercati sempre più competitivi.
È in questo contesto che è emersa l’AI agentica. A differenza delle precedenti ondate di automazione, incentrate sull’ottimizzazione di singole attività, l’AI agentica è in grado di orchestrare interi risultati. Rappresenta il passaggio dall’esecuzione dei processi all’orchestrazione dei risultati e, con esso, una visione radicalmente diversa del modo in cui operano le banche.
LEGGI ANCHE → Perché il cloud è l’anello mancante dell’AI nel settore bancario
Perché questo momento dell’AI nel settore bancario è radicalmente diverso
Il settore dei servizi finanziari ha già attraversato diverse ondate tecnologiche: la modernizzazione dei sistemi di core banking, internet, il mobile e il cloud. Ognuna ha portato cambiamenti concreti. Ma ciò che sta accadendo oggi è diverso, perché il mercato, il rapporto con i clienti e il modello operativo stanno cambiando contemporaneamente.
Non si tratta semplicemente di un altro ciclo di aggiornamento tecnologico. Il vantaggio competitivo non è più determinato esclusivamente dall’accesso al capitale, dai prodotti o dai canali di distribuzione. Dipende sempre più dalla capacità delle organizzazioni di integrare efficacemente intelligenza, automazione, dati e processi decisionali nelle proprie attività.
Sta cambiando anche il rapporto con partner come i fornitori di servizi IT. I contratti, un tempo incentrati sul numero di risorse e sulla fornitura di competenze, sono sempre più strutturati intorno ai risultati. Le banche stanno affrontando questa riconfigurazione mentre gestiscono esigenze crescenti in materia di tecnologia, fornitori e governance.
Questa convergenza di forze rappresenta un cambiamento strutturale, con l’AI agentica al centro.
In che modo l’AI agentica si differenzia dall’automazione tradizionale
La distinzione tra AI agentica e automazione tradizionale è importante, perché viene spesso fraintesa.
L’automazione tradizionale, inclusi la robotic process automation, l’orchestrazione dei workflow e i motori decisionali basati su regole, opera in modo deterministico. Si mappa un processo, si definiscono i passaggi e si prevedono le possibili diramazioni; il sistema esegue quindi le istruzioni di conseguenza. È prevedibile per definizione.
L’AI agentica funziona diversamente. Al sistema viene assegnato un obiettivo anziché una serie di istruzioni. Il sistema valuta dati, contesto e condizioni in evoluzione per determinare il percorso più efficace verso il risultato.
Un’analogia può essere utile: l’automazione tradizionale segue una mappa, mentre l’AI agentica naviga verso una destinazione. Non esiste una sequenza fissa di azioni. Il percorso si evolve in base a ciò che il sistema incontra, apprende e considera prioritario in tempo reale.
È questo il cambio di mentalità che i leader del settore bancario devono fare proprio. L’AI agentica rappresenta una categoria diversa di capacità, che amplia ciò che le banche possono concretamente affidare alla tecnologia.
I casi d’uso bancari in cui l’AI agentica genera il maggiore impatto
Non tutti i processi bancari sono ugualmente adatti a una trasformazione agentica. Le opportunità più significative tendono ad avere tre caratteristiche in comune: complessità, forte controllo normativo e un’elevata dipendenza da processi decisionali trasversali a più funzioni.
Per comprendere meglio dove si concentrerà probabilmente l’impatto, NTT DATA ha riunito specialisti del settore bancario negli ambiti retail, wholesale, wealth management, governance, rischio e compliance. Sono emerse diverse aree ad alta priorità.
- Prestiti e mutui rappresentano la più evidente opportunità a breve termine nel retail banking e nel segmento delle piccole e medie imprese (PMI). Si tratta di processi caratterizzati da un’elevata quantità di documenti, dal coinvolgimento di più parti, da specificità normative legate alle diverse giurisdizioni e da tempistiche tradizionalmente lunghe. Completare un processo di mutuo in pochi giorni anziché in settimane sta diventando sempre più un problema ingegneristico per il quale esiste un percorso concreto verso una soluzione.
- I pagamenti transfrontalieri rappresentano un’opportunità analoga nel wholesale banking. Cicli di regolamento che durano diversi giorni sono sempre più difficili da giustificare in un mondo in cui i sistemi di pagamento domestici in tempo reale stanno diventando la norma. L’“atomic settlement”, ovvero un regolamento transfrontaliero fluido e quasi istantaneo, rimane uno degli obiettivi più ambiziosi del settore. NTT DATA sta sviluppando, in collaborazione con SWIFT, una soluzione di validazione basata sull’AI per accelerare l’adozione di nuovi schemi di pagamento transfrontalieri.
- Il rilevamento delle frodi e i processi di antiriciclaggio (AML) e Know Your Customer (KYC) rappresentano una terza area ad alta priorità. Le banche si trovano ad affrontare una sfida sempre più complessa: le stesse capacità di AI che stanno adottando per trasformarsi vengono utilizzate anche da soggetti malintenzionati.
La risposta deve essere intelligente, adattiva e rapida. Gestiamo piattaforme end-to-end per il rilevamento delle frodi per importanti banche globali e stiamo sviluppando la prossima generazione di controlli intelligenti. Secondo la ricerca Intelligent Banking in the Age of AI, il 53% dei decision-maker del settore bancario considera già l’AI altamente efficace nella prevenzione delle frodi.
In tutti e tre questi ambiti, le opportunità a maggior valore non riguardano singole attività, ma interi processi aziendali nei quali l’orchestrazione autonoma può creare valore su larga scala.
Dati e conoscenza sono alla base di ogni agente AI efficace
Ogni conversazione sull’AI agentica arriva prima o poi alla stessa domanda: su quale conoscenza si basano gli agenti per agire?
Una delle evidenze più ricorrenti emerse dai nostri progetti di AI nel settore bancario è semplice: quando i sistemi non raggiungono le prestazioni attese, spesso la causa sono i dati. Un agente non può prendere decisioni valide senza informazioni affidabili e ricche di contesto, e la maggior parte dei fallimenti dell’AI è riconducibile, in ultima analisi, all’accesso inadeguato alle conoscenze giuste nel momento giusto.
Il valore di un livello di dati e conoscenza ben governato è sia operativo sia competitivo. Con l’evoluzione dell’infrastruttura di conoscenza su cui si basano, gli agenti diventano più accurati, adattivi ed efficaci. Ogni transazione elaborata correttamente, ogni eccezione risolta e ogni caso limite gestito con successo diventano patrimonio di conoscenza dell’organizzazione, riutilizzabile nel tempo.
I clienti ne percepiscono i vantaggi attraverso decisioni più rapide, servizi più personalizzati, meno errori e interazioni più fluide.
Gli investimenti in qualità dei dati, architettura dei dati e knowledge management costituiscono quindi condizioni fondamentali affinché l’AI possa raggiungere i livelli di performance richiesti dal settore bancario.
I dati sulle performance lo dimostrano chiaramente, come evidenziato nel nostro 2026 Global AI Report: A Playbook for Banking and Financial Services. Tra le organizzazioni bancarie e di servizi finanziari che hanno pienamente allineato le strategie di AI e di business, l’84,1% dichiara un incremento dei profitti di almeno il 5% grazie all’AI. Tra quelle prive di un allineamento strategico, la percentuale scende al 58,3%.
I leader nell’AI hanno inoltre una probabilità significativamente maggiore di ottenere una crescita dei ricavi più elevata e margini di profitto superiori. La differenza tra leader e ritardatari non dipende principalmente dall’accesso alla tecnologia, ma dalla coerenza strategica, dalla preparazione dei dati e dalla capacità di esecuzione disciplinata.
L’approccio delle banche leader alla governance e alle infrastrutture sovrane
In un settore regolamentato, la velocità senza controllo non è una strategia sostenibile. Man mano che i sistemi agentici diventano più capaci, la governance assume un’importanza ancora maggiore. Sarà la fiducia, in ultima analisi, a determinare la velocità di adozione nel settore bancario.
La governance nell’era agentica opera su due livelli:
- Governance dell’AI a livello organizzativo: le policy, i framework di rischio, i comitati direttivi e le strutture di responsabilità che determinano come l’AI viene implementata, monitorata e controllata all’interno dell’organizzazione.
- Governance degli agenti: i controlli, gli audit trail e i meccanismi di supervisione che stabiliscono quali azioni i singoli agenti sono autorizzati a compiere, quando è necessario l’intervento umano e come vengono registrate e spiegate le decisioni.
Entrambi sono necessari. Confonderli crea punti ciechi strutturali che le autorità di regolamentazione e i team di gestione del rischio finiranno per individuare.
Anche la Sovereign AI rappresenta una priorità altrettanto urgente. Per le banche, il principio è semplice: i dati di addestramento, i protocolli dei modelli e le attività di inferenza devono rimanere all’interno del perimetro controllato dall’istituto. Nessun dato sensibile dei clienti, modello di rischio proprietario o informazione soggetta a requisiti normativi dovrebbe risiedere su infrastrutture che la banca non controlla.
NTT DATA partecipa al consorzio globale emergente sulla Sovereign AI e collabora con banche di diverse regioni per sviluppare i framework e le infrastrutture necessari a rendere questo standard parte integrante della progettazione.
La ricerca conferma l’urgenza della situazione. Molte organizzazioni non dispongono ancora di policy formali sull’AI, mentre le preoccupazioni relative alla sicurezza dell’AI continuano a crescere più rapidamente della maturità della governance. Il divario tra ambizione e preparazione sul fronte della governance rimane ampio, ma è anche proprio in questo spazio che è possibile costruire un vantaggio competitivo duraturo.
LEGGI ANCHE → L’AI privata e sovrana deve essere al centro della strategia aziendale
La banca agentica non è una visione lontana
Le condizioni per la trasformazione sono già presenti. La maggior parte delle banche dispone ormai di una strategia di GenAI, l’adozione sta accelerando e gli investimenti continuano a crescere. La volontà organizzativa è presente e le iniziative di AI sono sempre più spesso promosse direttamente dal C-level.
Ma che aspetto ha, concretamente, una banca agentica?
Le approvazioni dei mutui che un tempo richiedevano settimane vengono completate in pochi giorni, o persino in poche ore. Il monitoraggio della compliance avviene in modo continuo anziché periodico. I pagamenti transfrontalieri viaggiano alla stessa velocità che i clienti si aspettano dalle transazioni domestiche. I controlli antifrode si adattano in tempo reale alle minacce emergenti. E, soprattutto, i dipendenti dedicano meno tempo alla gestione di processi complessi e più tempo ad applicare il proprio giudizio, costruire relazioni e creare valore per i clienti.
Ciò che conta maggiormente è la qualità dell’allineamento tra le strategie di AI e i risultati di business, la maturità dell’infrastruttura di dati e conoscenza, la solidità dei framework di governance e la capacità di realizzare la trasformazione su larga scala.
Supportiamo le banche lungo l’intero percorso di trasformazione, dalla definizione della strategia e della governance fino all’implementazione e alle operations. Grazie a una profonda esperienza nel retail banking, nel segmento PMI, nel wholesale banking e nei mercati dei capitali, a una gamma crescente di asset e acceleratori proprietari e a una presenza nell’implementazione che si estende in Europa, nelle Americhe e nell’area Asia-Pacifico, operiamo non come un fornitore tecnologico interessato al settore bancario, ma come un partner per la trasformazione bancaria dotato di solide competenze tecnologiche.
La banca agentica non è una roadmap a cinque anni. È già in costruzione.
LEGGI ANCHE → Il settore bancario guarda oltre i progetti pilota per trasformare l’AI in risultati di business
Prossimi passi
Consulta il 2026 Global AI Report: A Playbook for Banking and Financial Services di NTT DATA per scoprire come le organizzazioni leader stanno costruendo il proprio vantaggio competitivo grazie all’AI e dove stanno aumentando i divari nelle performance.