L'IA nei servizi finanziari: perché la tua strategia di trasformazione ha bisogno di un livello di misurazione
L'IA nei servizi finanziari: perché la tua strategia di trasformazione ha bisogno di un livello di misurazione
In breve
→ Due terzi delle banche e degli assicuratori utilizzeranno modelli AI nel 2025. Più di due su cinque hanno rallentato lo sviluppo dell'AI a causa di risultati deludenti. L'adozione è elevata, ma la trasformazione tangibile non tiene il passo. → Le istituzioni finanziarie gestiscono contemporaneamente implementazioni di AI nel trading, nella compliance, nelle risorse umane, nell'ufficio legale, nel servizio clienti e nelle operation. La maggior parte valuta questo portafoglio attraverso dashboard di sistema e revisioni periodiche che indicano se gli strumenti sono attivi, non se stanno funzionando. → Tre lacune di misurazione bloccano costantemente la trasformazione: mancanza di visibilità sulla profondità di adozione per funzione, assenza di collegamento tra l'attività dell'AI e i risultati di business, e nessun preavviso sui rischi di governance e compliance derivanti dai pattern comportamentali. → L'analisi comportamentale sulle conversazioni AI rivela ciò che il monitoraggio del sistema non può mostrare: la profondità dell'adozione per reparto, i pattern di completamento delle attività, le ore risparmiate per funzione e i segnali premonitori che precedono gli incidenti di governance. → I quadri normativi, tra cui DORA, le linee guida FCA/PRA e gli standard di rischio dei modelli AI di Basilea, richiedono alle istituzioni finanziarie di dimostrare come i loro sistemi di AI vengano utilizzati nella pratica, non solo come sono stati progettati. La visibilità comportamentale fa parte dell'infrastruttura di governance, non è opzionale. Aggiornato il 6 luglio 2026
Le grandi banche stanno implementando l'IA da più tempo rispetto alla maggior parte dei settori. Dispongono dell'infrastruttura dati, della disciplina normativa e dei framework di gestione del rischio che rendono fattibile l'adozione dell'IA. Nel 2025, due terzi delle banche e degli assicuratori utilizzano modelli di IA e il 94% delle grandi banche utilizza la GenAI in almeno una funzione.
I numeri relativi all'adozione sono elevati. Quelli relativi al valore generato non stanno tenendo il passo.
Più di due istituti finanziari su cinque dichiarano di aver rallentato lo sviluppo dei casi d'uso a causa di risultati deludenti. Una ricerca di McKinsey sull'IA nel settore del credito ha rilevato un pattern costante: gli istituti che si sono concentrati sul ROI a breve termine avevano maggiori probabilità di abbandonare l'IA, mentre quelli che si sono impegnati superando le prime delusioni hanno iniziato a vedere ritorni composti. Il fattore di differenziazione non è stata la tecnologia, bensì l'infrastruttura di misurazione che indicava cosa funzionava e cosa no.
Ciò che distinguerà i leader di mercato nei servizi finanziari non sarà il tasso di adozione, ma la capacità di riprogettare i processi, l'assetto organizzativo e la gestione del cambiamento delle persone per trarre vantaggio dai guadagni di efficienza che l'IA può offrire. Questa riprogettazione richiede visibilità. Non puoi riprogettare ciò che non puoi misurare.
La mappa di implementazione dell'IA nei servizi finanziari
Gli istituti finanziari stanno implementando l'IA in un numero di funzioni contemporaneamente superiore a quasi tutti gli altri settori. La complessità è significativa.
Le sale trading dispongono di copilot IA per le ricerche di mercato, l'analisi di portafoglio e la stesura di rapporti di credito. McKinsey ha rilevato che una banca statunitense che ha utilizzato agenti IA per modificare il modo in cui crea i report sul rischio di credito ha registrato un aumento della produttività dal 20 al 60% e un miglioramento del 30% nei tempi di approvazione del credito. I team di compliance utilizzano l'IA per AML (antiriciclaggio), KYC (conoscenza del cliente) e revisione normativa. Un grande istituto finanziario olandese ha ottenuto una riduzione del 90% dei tempi di onboarding e ha dimezzato del 30% il carico di lavoro del personale grazie a processi di compliance assistiti dall'IA.
Le risorse umane, l'ufficio legale, la finanza e le operations hanno lanciato ciascuno i propri strumenti di IA, spesso in modo indipendente e con fornitori diversi. I team del servizio clienti gestiscono agenti IA che gestiscono query, escalation e supporto agli account su larga scala.
Ognuna di queste implementazioni ha utenti diversi, definizioni di successo diverse e profili di rischio differenti. Il team di compliance che utilizza l'IA per esaminare i documenti normativi ha un livello di precisione richiesto diverso rispetto al team di trading che la utilizza per la sintesi delle ricerche. L'agente del servizio clienti che gestisce le richieste sui prodotti ha requisiti di governance diversi rispetto al chatbot HR interno.
La sfida della misurazione risiede nel fatto che la maggior parte degli istituti finanziari cerca di valutare questo portafoglio di implementazioni attraverso una combinazione di dashboard di sistema, revisioni manuali e sondaggi periodici. Strumenti che non dicono ciò che è veramente necessario sapere.
Ciò che il monitoraggio di sistema non può vedere
Ogni implementazione di IA in un istituto finanziario genera metriche infrastrutturali: uptime, latenza, consumo di token, volume di chiamate API. Queste metriche sono necessarie per l'operatività, ma non sono sufficienti per guidare la trasformazione.
Quando gli analisti di trading chiedono una ricerca a un copilot IA e subito dopo pongono tre domande di chiarimento, la dashboard dell'infrastruttura registra quattro chiamate API andate a buon fine. Il segnale chiave — ovvero che la risposta iniziale non riesce sistematicamente a rispondere a ciò di cui gli analisti hanno effettivamente bisogno — rimane invisibile.
Quando il personale di compliance include dati sensibili nei prompt più frequentemente di quanto consentito dalle policy, non scatta alcun avviso infrastrutturale. Il pattern comportamentale diventa visibile solo quando i dati delle conversazioni vengono analizzati a livello aggregato e anonimizzato.
Quando una banca globale distribuisce copilot IA a 80.000 dipendenti e scopre che il personale di una determinata area geografica inserisce regolarmente nei prompt un numero maggiore di PII rispetto ad altre, questa informazione non proviene dal monitoraggio del sistema. Proviene dall'analisi comportamentale dei pattern di conversazione, emersa prima di un audit normativo anziché durante lo stesso.
Questi sono i segnali che determinano se la trasformazione dell'IA nei servizi finanziari produce i risultati che la leadership sta cercando di raggiungere e se i framework di governance stanno effettivamente funzionando nella pratica.
I tre gap di misurazione che bloccano la trasformazione
Gli istituti finanziari che registrano una battuta d'arresto nella trasformazione dell'IA condividono in genere tre gap di misurazione.
Nessuna visibilità sulla profondità di adozione per funzione. Il numero di accessi e il volume delle sessioni indicano semplicemente che si sta accedendo agli strumenti di IA. Non dicono se i responsabili della compliance utilizzino l'IA solo per l'archiviazione ordinaria dei documenti o per il complesso lavoro di interpretazione normativa che genererebbe reali guadagni di produttività. Non indicano se gli analisti di trading si affidino all'IA per query di ricerca semplici continuando a gestire manualmente le analisi di scenario complesse. La profondità d'adozione — ovvero se i dipendenti utilizzano l'IA per le attività che generano valore reale e se tale utilizzo si sta consolidando nel tempo — richiede dati comportamentali che il monitoraggio dell'infrastruttura non fornisce.
Nessun collegamento tra l'attività dell'IA e i risultati di business. Gli stakeholder esecutivi degli istituti finanziari vogliono sapere se l'investimento nell'IA stia migliorando la produttività degli analisti, riducendo i tempi di revisione della compliance o migliorando i tassi di risoluzione dei clienti. Il conteggio delle sessioni non risponde a queste domande. Collegare l'attività di IA ai risultati di business richiede la misurazione del completamento delle attività, delle ore risparmiate per funzione, dei tassi di errore sul lavoro assistito dall'IA e — per le implementazioni rivolte ai clienti — di segnali commerciali come i tassi di risoluzione, i pattern di escalation e gli indicatori di retention.
Nessun preavviso sui rischi di governance e compliance. Le implementazioni di IA nei servizi finanziari devono affrontare un requisito di governance peculiare: le conseguenze di un errore di conformità non sono solo operative, ma normative. L'indagine AI Trust del 2026 di McKinsey ha rilevato che nell'era degli agenti IA, le organizzazioni devono fare i conti con sistemi che compiono l'azione sbagliata, non solo che dicono la cosa sbagliata — rendendo la supervisione e la visibilità comportamentale requisiti fondamentali, non semplici miglioramenti opzionali. I pattern comportamentali nelle conversazioni con l'IA — dipendenti che testano i guardrail, inseriscono tipi di dati limitati o richiedono output che sfiorano i limiti delle policy — sono i segnali di preallarme che consentono ai team di governance di intervenire prima che si trasformino in incidenti normativi. (Fortune)
Cosa consente di fare in pratica il livello di misurazione
Un istituto finanziario globale che implementa l'analisi comportamentale sui propri copilot IA interni ottiene un tipo di informazioni diverso da quello disponibile tramite il semplice monitoraggio dell'infrastruttura.
A livello di reparto, può vedere che i team di compliance mostrano un coinvolgimento nell'IA superiore alle aspettative, mentre i dipartimenti di tesoreria generano volumi elevati di query di follow-up — un segnale che l'IA non sta performando abbastanza bene sulle query finanziarie specializzate per quella funzione. La soluzione per la tesoreria è mirata: migliorare i dati di addestramento e la copertura delle conoscenze per i tipi di query specifici di cui la tesoreria ha bisogno. Questa intuizione è possibile solo grazie ai dati comportamentali a livello di funzione.
A livello di governance, permette di individuare i pattern emergenti prima che si trasformino in incidenti. Un gruppo di dipendenti in una regione specifica che include nei prompt più dati sensibili di quanto consentito dalla policy è visibile nei dati aggregati delle conversazioni. Un pattern di query che si avvicina al limite di ciò su cui l'IA è autorizzata a fornire consulenza è rilevabile prima che produca un output non conforme.
A livello esecutivo, consente di presentare report con il linguaggio della trasformazione aziendale anziché con quello dell'infrastruttura. Non "l'IA ha registrato un uptime del 99,9% nell'ultimo trimestre", ma "gli analisti di trading pongono il 40% in più di query di ricerca complesse e completano le attività di analisi il 25% più velocemente. I tempi di revisione della compliance per i documenti standard sono ridotti in media di 18 minuti a documento. Tre reparti mostrano una forte profondità di adozione e sono pronti per nuovi casi d'uso. La tesoreria richiede miglioramenti mirati prima dell'espansione".
Questa è la reportistica che collega l'investimento in IA alle performance aziendali e consente alla leadership di prendere decisioni informate su dove scalare, dove investire in miglioramenti e dove fare una pausa.
La dimensione normativa
La governance dell'IA nei servizi finanziari non è facoltativa. Il DORA in Europa introduce requisiti di divulgazione dei rischi tecnologici che si estendono ai sistemi di IA. La FCA e la PRA nel Regno Unito hanno pubblicato aspettative chiare in materia di supervisione e spiegabilità dell'IA. I framework di Basilea stanno iniziando ad affrontare il rischio dei modelli di IA nelle richieste di credito. L'orientamento di tutti i framework normativi è coerente: gli istituti finanziari devono dimostrare di comprendere come i loro sistemi di IA vengono utilizzati nella pratica, non solo come sono stati progettati.
Questa dimostrazione richiede visibilità sul comportamento degli utenti, non solo sulle prestazioni del sistema. Un istituto in grado di mostrare alle autorità di regolamentazione non solo cosa fanno i suoi sistemi di IA, ma anche come i dipendenti li utilizzano, quali controlli di governance si applicano a specifici tipi di interazione e come tali controlli vengono convalidati attraverso il monitoraggio comportamentale, si trova in una posizione di compliance sostanzialmente diversa rispetto a chi può solo segnalare l'uptime del sistema e le metriche delle API.
Il livello di misurazione comportamentale non è, in questo senso, solo uno strumento per migliorare le prestazioni dell'IA. Fa parte dell'infrastruttura di governance di cui gli istituti finanziari regolamentati hanno bisogno per gestire l'IA su scala.
Nebuly
Nebuly è la piattaforma di ROI per l'IA aziendale. Si collega agli agenti IA su cui si basa la tua attività, agli assistenti con cui interagiscono i tuoi clienti e agli strumenti che i tuoi dipendenti utilizzano ogni giorno, inclusi Claude, ChatGPT e Copilot, traducendo tale attività in valore aziendale. Quanto tempo viene risparmiato nei vari team. Su quali ricavi influisce la tua IA. Come si presentano in pratica l'adozione e la competenza nell'uso dell'IA, tra dipartimenti e aree geografiche. Tutto aggregato a livello organizzativo, mai legato ai singoli individui.
Nebuly supporta l'implementazione self-hosted su AWS, Azure e GCP, mantenendo tutti i dati di interazione all'interno della tua infrastruttura. Soddisfa gli standard SOC 2 Type II, ISO 27001 e ISO 42001.
Se hai bisogno di chiarezza su ciò che il tuo investimento in IA sta effettivamente offrendo, prenota una demo.
Domande frequenti
Perché così tante istituzioni finanziarie faticano a dimostrare il ROI dell'IA, nonostante gli elevati tassi di adozione?
La ricerca di McKinsey sull'IA nei servizi finanziari ha rilevato che le istituzioni focalizzate sul ROI immediato avevano maggiori probabilità di abbandonare l'IA, mentre quelle che hanno perseverato superando le difficoltà iniziali hanno iniziato a vedere ritorni cumulativi. La differenza risiedeva nell'infrastruttura di misurazione: la capacità di vedere cosa funzionava a livello di attività e di funzione, e di agire su quel segnale continuamente invece di attendere revisioni periodiche. Senza una visibilità comportamentale su come i dipendenti utilizzano effettivamente gli strumenti di IA, non puoi identificare cosa migliorare, non puoi dimostrare i guadagni di produttività esistenti e non puoi prendere decisioni informate su dove scalare.
Cosa significa la profondità di adozione per l'IA nei servizi finanziari e perché è importante?
La profondità di adozione misura se i dipendenti utilizzano gli strumenti di IA per compiti che generano valore reale (sintesi di ricerche complesse, interpretazione normativa, analisi multifase) rispetto a query semplici e a basso rischio. Un analista di trading che usa l'IA per le normali ricerche di mercato ma continua a gestire manualmente le analisi di scenario complesse ha un'adozione nominale e una profondità ridotta. Un analista che si affida sempre più all'IA per ricerche sofisticate ha un'adozione profonda. I guadagni di produttività che giustificano l'investimento nell'IA derivano da questa seconda categoria. Il conteggio delle sessioni non permette di distinguerle. I dati comportamentali, in particolare la profondità delle sessioni, la complessità delle attività nel tempo e il tasso di ritorno sui casi d'uso ad alto valore, rivelano la differenza.
In che modo l'analisi comportamentale supporta la governance dell'IA nelle istituzioni finanziarie regolamentate?
L'analisi comportamentale delle conversazioni IA fa emergere i pattern che precedono gli incidenti di governance: dipendenti che inseriscono dati sensibili nei prompt, query che sfiorano il limite di ciò su cui l'IA è autorizzata a fornire consulenza, o modelli di utilizzo in aree specifiche che deviano dalle policy. Questi segnali appaiono nei dati aggregati delle conversazioni prima che si verifichi un problema di conformità, offrendo ai team di governance l'opportunità di intervenire tramite formazione, chiarimenti sulle policy o controlli di accesso. Questo approccio si distingue dal monitoraggio di sistema, che rileva i guasti tecnici solo dopo che si sono verificati. La governance comportamentale affronta i rischi legati alle policy e ai comportamenti prima che si manifestino.
In che modo le istituzioni finanziarie dovrebbero riferire la trasformazione dell'IA alla dirigenza e alle autorità di regolamentazione?
Un reporting d'AI efficace nei servizi finanziari collega le attività ai risultati, non solo l'utilizzo al tempo di attività. I report per la leadership che descrivono le ore risparmiate per funzione, i tassi di completamento delle attività per i flussi di lavoro assistiti dall'AI, la profondità di adozione per reparto e i trend dei segnali di governance sono più utili delle metriche sul volume delle sessioni e sulla disponibilità del sistema. Per le autorità di regolamentazione, i dati rilevanti riguardano ciò che i sistemi di AI fanno concretamente: cosa chiedono i dipendenti, come risponde il sistema, quali controlli si applicano a specifiche categorie di interazione e come vengono convalidati tali controlli. Entrambe le forme di reporting richiedono dati comportamentali derivanti dalle interazioni con l'AI, non solo metriche infrastrutturali.
Resta aggiornato su ciò che stiamo imparando, costruendo e osservando mentre i team enterprise distribuiscono e misurano gli agenti AI in produzione.