Intelligenza artificiale nelle banche: guida 2026

2026-05-18 · Tommaso Maria Ricci

Intelligenza artificiale nelle banche: guida 2026

Il 59% delle banche italiane che hanno risposto all'indagine OCSE del 2026 usa già l'intelligenza artificiale, ma secondo la Banca d'Italia solo il 3,4% degli intermediari dichiara competenze almeno medio-alte sul tema. Questa distanza riassume la situazione dell'intelligenza artificiale nelle banche: i progetti partono più in fretta della capacità di governarli. E da quest'anno la vigilanza chiede conto proprio di quello, con richieste scritte e date precise.

Questa guida è per chi in banca deve decidere: direttori generali, responsabili di rischio, compliance, crediti e IT, consiglieri di amministrazione di istituti medi e BCC. Spiega dove l'AI sta portando risultati, come costruire una governance che regga un'ispezione, cosa chiedono davvero AI Act, DORA e Banca d'Italia, e come impostare i primi 90 giorni.

Non è consulenza legale né una lista di fornitori. Le decisioni di conformità restano ai vostri legali e alle funzioni di controllo.

Intelligenza artificiale nelle banche: i dati veri del 2026

Sul tema girano molte cifre senza fonte. Conviene partire dalle due indagini pubbliche più solide sul sistema italiano, cioè quella della Banca d'Italia sul fintech e quella dell'OCSE svolta insieme alla Banca d'Italia.

Indagine Fintech della Banca d'Italia, edizione 2025. Secondo la sintesi pubblicata da EconomyUp, i numeri principali sono questi:

IndicatoreDato
Investimenti in progetti di AI593 milioni di euro
Di cui banche significative508 milioni
Di cui banche meno significative33 milioni
Nuovi progetti di AI che usano la GenAIcirca 53%, dall'11% della rilevazione precedente
Progetti GenAI con supervisione umana94%
Intermediari con competenze almeno medio-alte3,4%
Intermediari con una struttura di governance dell'AIun terzo
Sistemi di AI censiti798, di cui 11% ad alto rischio

Due righe meritano attenzione. La prima è la concentrazione: le banche significative assorbono 508 milioni su 593. Le banche meno significative si dividono 33 milioni, quindi per loro la domanda diventa dove mettere poche risorse senza sbagliare. La seconda è la distanza tra spesa e competenze: strategie dichiarate molto diffuse, competenze rare.

Indagine OCSE 2026. Il rapporto dell'OCSE sui mercati finanziari italiani si basa su 450 risposte, pari al 49% dei soggetti interpellati. Il 39% del campione complessivo usa l'AI: il dato sale al 59% tra le banche e al 70% nelle assicurazioni. L'individuazione delle frodi è l'applicazione più usata e l'OCSE si aspetta che resti tale fino al 2028.

Sui benefici, chi usa l'AI cita efficienza operativa (75%), produttività (62%), processi interni migliori (45%) e riduzione dei costi (30%). Il rapporto segnala anche un rischio poco discusso: il 74% adotta l'AI attraverso servizi cloud di terzi e il primo fornitore compare nel 29% delle risposte. Sono numeri di concentrazione, e la concentrazione è esattamente ciò che DORA chiede di gestire.

Dove l'AI crea valore in banca: otto ambiti a confronto

Non tutti i casi d'uso hanno lo stesso profilo. La tabella ordina gli otto ambiti più discussi in base al rischio regolatorio e alla difficoltà di misurare il risultato. Le valutazioni sono qualitative: nessuno può darvi un ROI medio affidabile, e chi lo fa di solito sta vendendo.

AmbitoBeneficio principaleRischio regolatorioDa dove partire
Assistenti interni su normativa e procedureTempo di ricercaBassoSì, buon primo passo
Lettura documentale su istruttorieTempi di praticaMedioSì, con verifica umana
Assistenza clientiTempi di rispostaMedioPrima interna, poi esterna
AntifrodePerdite e falsi allarmiMedioSe i dati sono pronti
AntiriciclaggioQualità degli allarmiAltoSolo in parallelo
Merito creditizioQualità del portafoglioAltoCon forte validazione
Monitoraggio del creditoSegnali di deterioramentoMedio altoDopo aver sistemato i dati
Agenti autonomiProcessi interiAltoSolo con perimetro stretto

La logica è semplice: si comincia dove un errore costa poco e viene intercettato da una persona, così l'organizzazione impara a governare i modelli prima di affidare loro decisioni che toccano il cliente.

Un riscontro dal Regno Unito. Nell'indagine 2024 di Bank of England e FCA, il 75% delle imprese finanziarie usava già l'AI, ma solo il 2% dei casi d'uso prendeva decisioni in piena autonomia. Anche i grandi gruppi, in pratica, tengono le persone nel processo.

Per le BCC e le banche piccole la strada passa spesso dalle capogruppo e dai centri servizi, che possono mettere in comune dati, validazione e contratti. Chi non ha scala deve condividerla.

AI governance bancaria: cosa deve esistere prima dei modelli

La governance è il punto dove il sistema è più indietro. Secondo la Banca d'Italia solo un terzo degli intermediari ha una struttura dedicata, e il 30% (72% tra le banche significative) ha avviato o avvierà entro il 2026 il censimento e la valutazione dei rischi dei sistemi di AI.

Una governance credibile non richiede un nuovo comitato per ogni progetto. Richiede sei elementi, possibilmente dentro le strutture già esistenti.

1. Un inventario completo. Elenco di tutti i sistemi di AI, compresi quelli incorporati nei prodotti dei fornitori e gli strumenti usati informalmente dai dipendenti. Per ognuno: finalità, responsabile, dati usati, classe di rischio, fornitore. L'inventario è la prima cosa che chiederà un ispettore, e il problema delle AI non autorizzate rende difficile completarlo.

2. Una responsabilità chiara. Un dirigente che risponde del programma, un proprietario per ogni modello, e il consiglio di amministrazione informato sulla propensione al rischio. La comunicazione della Banca d'Italia del luglio 2026 chiede esplicitamente consiglieri con competenze tecnologiche adeguate, AI compresa.

3. Tre linee distinte. Chi sviluppa o acquista non valida. La convalida dei modelli è indipendente. La revisione interna verifica che il processo funzioni. Se oggi la stessa persona fa due di queste cose, parti da qui.

4. Una classificazione del rischio per uso. Lo stesso modello linguistico ha rischi diversi se riassume una circolare o se aiuta a decidere un fido. La classificazione va quindi fatta sull'uso.

5. Regole sulla decisione umana. Per iscritto: cosa può fare il modello da solo, cosa propone a una persona, cosa non deve toccare. "Human in the loop" perde senso se la persona firma trecento proposte al giorno senza guardarle. Serve misurare il tasso di modifica e campionare le decisioni.

6. Monitoraggio continuo. Metriche di prestazione, deriva dei dati, reclami, incidenti, con soglie che fanno scattare un intervento. Un modello validato una volta e lasciato solo peggiora senza avvisare.

Sul lato dati, il punto di partenza è la qualità e la tracciabilità; lo stesso approccio, applicato alle imprese in generale, è spiegato nella nostra guida su cosa controllare prima nella data governance dell'AI.

Quadro normativo: AI Act, credito ai consumatori, DORA e antiriciclaggio

Il quadro è stratificato, ma le norme sono più coerenti di quanto sembri. Ecco quelle che contano davvero per una banca italiana, con le date corrette.

AI Act. Dopo il Regolamento (UE) 2026/1744, gli obblighi per i sistemi ad alto rischio dell'Allegato III si applicano dal 2 dicembre 2027. Il punto 5, lettera b, include la valutazione del merito creditizio delle persone fisiche e il loro punteggio di credito, con un'eccezione esplicita per i sistemi usati per individuare frodi finanziarie. Gli obblighi di trasparenza dell'articolo 50 si applicano dal 2 agosto 2026: chi parla con un assistente deve sapere che è un'AI. L'articolo 4 chiede di adottare misure che sostengano l'alfabetizzazione del personale.

L'analisi dell'EBA. Nel novembre 2025 l'Autorità bancaria europea ha confrontato l'AI Act con la normativa bancaria e dei pagamenti, concentrandosi sul merito creditizio. La conclusione è rassicurante: nessun conflitto strutturale. Resta però il lavoro pratico. Secondo i commenti pubblicati sull'analisi, una banca che sviluppa i propri modelli può essere insieme fornitore e deployer, con l'intero pacchetto di obblighi, e le valutazioni d'impatto di GDPR e AI Act si sovrappongono senza un meccanismo formale di raccordo.

Credito ai consumatori. La seconda direttiva (UE) 2023/2225 è stata recepita con il decreto legislativo 212/2025 e si applica dal 20 novembre 2026, con possibili slittamenti legati alle disposizioni attuative della Banca d'Italia. Chi automatizza la valutazione del credito deve leggerla insieme all'AI Act e all'articolo 22 del GDPR. Va ricordata anche la sentenza SCHUFA della Corte di giustizia (C-634/21), per cui il punteggio può già costituire una decisione automatizzata quando è determinante per l'esito.

DORA. Applicabile dal 17 gennaio 2025, tratta i fornitori di AI come fornitori ICT: registro dei contratti, clausole, piani di uscita, test di resilienza. Con il 74% delle adozioni via cloud di terzi, è probabilmente la norma che inciderà di più sul quotidiano.

La comunicazione sul rischio cyber. Il 17 luglio 2026 la Banca d'Italia ha chiesto agli intermediari vigilati direttamente, comprese le banche meno significative, una relazione e un piano di lavoro da inviare entro il 31 dicembre 2026 sull'esposizione ai rischi informatici aggravati dall'AI avanzata. Per le banche significative la scadenza verso la BCE è il 31 ottobre 2026.

Antiriciclaggio. Il Regolamento (UE) 2024/1624, applicabile dal 10 luglio 2027, ammette decisioni basate su sistemi di AI a condizione che ci sia un intervento umano significativo sulle decisioni chiave e che il cliente possa ottenere spiegazioni e contestarle, salvo che per le segnalazioni. Ne parliamo sotto.

Lavoro. La legge 132/2025 impone di informare i lavoratori quando si usano sistemi decisionali o di monitoraggio automatizzati, nei casi previsti dal d.lgs. 152/1997. Riguarda anche gli strumenti che misurano la produttività delle filiali.

Per il quadro generale dell'AI Act fuori dal settore bancario, vedi la guida alla conformità per le aziende.

AI nella sicurezza del banking digitale: frodi e attacchi

La sicurezza è il primo uso dell'AI in banca ed è anche il primo fronte su cui l'AI viene usata contro le banche. Entrambi i lati meritano attenzione.

Dal lato della difesa. I modelli antifrode valutano ogni pagamento in frazioni di secondo combinando comportamento del cliente, dispositivo e rete di controparti. Il Regolamento (UE) 2024/886 sui bonifici istantanei ha reso questo lavoro più urgente: il denaro parte in pochi secondi e non c'è tempo per una verifica a posteriori. Il controllo si sposta quindi prima dell'esecuzione, e la tolleranza per i falsi allarmi scende, perché bloccare un cliente onesto ha un costo immediato.

Dal lato dell'attacco. La presentazione del Rapporto 2025 della UIF segnala l'uso di AI generativa per creare documenti impiegati nell'apertura di rapporti a distanza. Secondo quanto riportato sul rapporto, le frodi informatiche hanno generato circa 31.600 segnalazioni nel 2025. L'onboarding digitale diventa così un punto di attacco.

Cosa fare in concreto:

  • Rivedere l'onboarding a distanza partendo dall'ipotesi che documenti e video possano essere sintetici.
  • Usare più segnali indipendenti, non un solo controllo biometrico.
  • Portare i test di resilienza DORA su scenari realistici con attacchi assistiti da AI.
  • Accelerare inventario degli asset e correzione delle vulnerabilità, come chiede la comunicazione di luglio.
  • Mettere regole sui dati che possono entrare negli strumenti di AI, in particolare quelli esterni.
  • Misurare i falsi positivi dell'antifrode anche come metrica di qualità del servizio.

Il tema si allarga oltre il settore bancario: la nostra guida sull'intelligenza artificiale nella cybersecurity approfondisce difese e organizzazione.

Credito: AI, spiegabilità e dati transazionali

Molti responsabili crediti pongono la stessa domanda: conviene una piattaforma tradizionale o una soluzione basata su AI? La risposta dipende da quattro elementi: velocità, qualità della decisione, spiegabilità e integrazione dei dati.

Istruttoria. L'uso più sicuro è la lettura di bilanci, visure, contratti e perizie, con estrazione dei dati e prima bozza della relazione. La decisione resta dell'analista. Il guadagno è di tempo, facile da misurare sul vostro storico: giorni dalla richiesta alla delibera.

Scoring. Le variabili transazionali, ottenibili anche attraverso l'open banking con il consenso del cliente, possono aiutare a valutare chi ha poca storia creditizia. Ma ogni variabile aggiunta va giustificata: correlazioni con caratteristiche protette passano facilmente attraverso dati apparentemente neutri, come il CAP. Per questo servono test di equità prima e durante l'uso.

Spiegabilità. La banca deve poter dire a un cliente perché ha ricevuto un rifiuto, in termini comprensibili. Se il modello più accurato non lo consente, è il modello sbagliato per quella decisione. Un modello più semplice con buone variabili può essere la scelta migliore rispetto a uno complesso con spiegazioni approssimative.

Capitale. I modelli interni usati per i requisiti patrimoniali seguono le regole e le autorizzazioni della vigilanza prudenziale. Un modello gestionale non può trasformarsi in un modello regolamentare senza passare da lì. Verificate con la funzione di convalida il perimetro di ogni progetto.

Monitoraggio dopo l'erogazione. I segnali dai flussi sui conti (calo degli incassi, ritardi verso i fornitori, utilizzo crescente degli affidamenti) aiutano a individuare prima il deterioramento. È un'area meno esposta rispetto alla concessione, ma la gestione delle conseguenze sul cliente resta soggetta alle regole di correttezza e alle procedure interne.

Domande da fare al fornitore di una soluzione per il credito:

  1. Su quale popolazione è stato misurato il risultato, e quanto assomiglia al mio portafoglio?
  2. Il modello è stato testato su dati successivi a quelli di addestramento?
  3. Come genera i motivi di rifiuto per il singolo cliente?
  4. Chi è il fornitore ai sensi dell'AI Act se personalizzo il modello?
  5. Quale documentazione ricevo per la convalida?
  6. Come rientro dal progetto, e chi tiene dati, variabili e tracce di audit?

Per un approfondimento in inglese su questi temi, con il confronto tra regole americane ed europee, vedi la guida su AI in lending.

Se state valutando uno di questi progetti e volete un parere esterno sulla sequenza prima di impegnare il budget, potete mandare una breve richiesta di consulenza con i volumi e la decisione da prendere.

Antiriciclaggio: il caso d'uso più promettente e più delicato

Nel 2025 la UIF ha ricevuto 162.059 segnalazioni di operazioni sospette, in aumento dell'11,5%. Più volumi significa più pressione sui team, e qui l'AI ha i risultati pubblici più forti. HSBC ha dichiarato, con Google Cloud, da due a quattro volte più attività sospetta individuata e il 60% di allarmi in meno. Si tratta però di un dato riportato dalla banca stessa, ottenuto su oltre un miliardo di transazioni al mese.

Le nuove istruzioni UIF del dicembre 2025 ammettono l'AI per rilevare gli indici di anomalia, a tre condizioni: dati verificabili, intervento e supervisione umana, decisioni tracciabili. Il direttore della UIF aggiunge un avvertimento: un uso acritico dei modelli può ridurre la capacità di intercettare fenomeni nuovi, e la tecnologia non sostituisce il giudizio professionale.

Tre regole pratiche:

  • Comincia dal lavoro sugli allarmi esistenti, con priorità e sintesi, prima di cambiare la rilevazione.
  • Testa in parallelo sui tuoi dati, e controlla a campione ciò che il modello avrebbe scartato.
  • Non addestrare solo sulle segnalazioni passate, perché così il modello ripete gli stessi punti ciechi.

La guida completa, in inglese, è quella su AML AI e transaction monitoring.

Automazione dei processi bancari: GenAI e agenti

L'indagine della Banca d'Italia dice che poco meno della metà dei progetti di AI riguarda l'operatività. I casi più diffusi sono noti: riconciliazioni, gestione di reclami e richieste, verifica documentale, reportistica interna, supporto alla scrittura di codice.

La GenAI è entrata qui con grande rapidità. Nel campione OCSE l'84% delle imprese che usano o sviluppano AI cita modelli generativi, e il 18% cita l'AI agentica. Conta però come vengono adottati: il 73% usa modelli commerciali in licenza senza personalizzarli. È una scelta sensata per partire, ma espone a dipendenza dal fornitore e a cambi di versione non controllati.

Dove la GenAI funziona bene:

  • Ricerca su normativa interna e circolari, con citazione del documento di partenza.
  • Sintesi di pratiche e di posizioni prima di un incontro con il cliente.
  • Prime bozze di comunicazioni e relazioni, sempre da rileggere.
  • Classificazione di reclami e richieste in ingresso.

Dove non va usata da sola:

  • Calcoli e soglie regolamentari, che richiedono sistemi deterministici.
  • Decisioni che producono effetti sul cliente senza revisione umana.
  • Risposte su condizioni contrattuali senza un controllo sulla fonte.

Gli agenti. Un agente che raccoglie dati, apre pratiche e propone azioni può comprimere processi interi, ma moltiplica i punti di errore e i permessi da gestire. Regola di partenza: l'agente legge e prepara, la persona approva ogni azione irreversibile. Permessi minimi, registri completi e un modo semplice per fermarlo vanno progettati prima del lancio.

Sull'uso di strumenti come ChatGPT da parte dei dipendenti, la nostra guida a ChatGPT per le aziende spiega le differenze tra i piani e le regole minime. In banca le stesse regole si irrigidiscono: dati dei clienti solo in ambienti approvati.

Fornitori e concentrazione: il rischio che nessuno mette in slide

La maggior parte delle banche non costruisce i propri modelli di base. Li compra, spesso dentro prodotti che già usa. Il rapporto OCSE quantifica la dipendenza: il 74% adotta l'AI attraverso il cloud, il 39% usa modelli per finalità generali di terzi, e pochi nomi raccolgono molte citazioni. Questo cambia il modo di gestire il rischio.

Sotto DORA ogni fornitore che sostiene funzioni importanti deve stare nel registro, con clausole su audit, continuità e uscita. L'AI aggiunge domande che i contratti tradizionali non coprono:

  • Versioni. Il modello può cambiare senza preavviso? Come vengo avvisato, e posso restare sulla versione precedente durante i test?
  • Dati. I miei dati addestrano modelli usati da altri clienti? Dove vengono trattati, e per quanto tempo restano nei log?
  • Sub-fornitori. Quale modello di base c'è sotto il prodotto? Chi lo gestisce?
  • Prove. Quali prestazioni sono garantite, e posso replicare i test sulla mia popolazione?
  • Uscita. Se lascio il fornitore, riesco a portare via prompt, configurazioni, variabili e tracce di audit? Quanto tempo serve?
  • Responsabilità. Chi risponde se il prodotto rientra nell'alto rischio e viene personalizzato da me?

Un esercizio utile è simulare l'indisponibilità del fornitore principale per una settimana. Quali processi si fermano? Il personale sa ancora lavorare senza assistente? Se la risposta è incerta, il piano di continuità va aggiornato prima di estendere l'uso.

La comunicazione della Banca d'Italia del luglio 2026 lo dice in modo netto: sicurezza e continuità restano responsabilità dell'intermediario anche quando i servizi sono esternalizzati. Chi compra un prodotto cede il lavoro tecnico e conserva la responsabilità.

Dati e architettura: cosa preparare prima di scalare

Il rapporto OCSE segnala che il 63% delle imprese che hanno risposto alla domanda usa dati interni per addestrare o calibrare le proprie applicazioni. In banca questo significa fare i conti con sistemi stratificati in decenni, spesso esternalizzati e non pensati per dialogare.

Per iniziare bastano quattro passi concreti, senza un programma di trasformazione pluriennale:

  1. Scegliere i dati dei primi casi d'uso, non tutti i dati della banca. Una mappa dei dati critici per due o tre processi è un lavoro di settimane.
  2. Stabilire proprietari e controlli: chi risponde della qualità, con quali controlli automatici e con quale storico.
  3. Controllare gli accessi prima di collegare gli assistenti. Un assistente interno espone documenti che prima nessuno trovava: se i permessi sui file sono sbagliati, l'errore diventa visibile a tutti.
  4. Tenere traccia di ogni passaggio: quale dato, quale versione del modello, quale output e quale decisione umana. Sono le stesse informazioni che serviranno a validatori e ispettori.

Chi lavora con i dati transazionali deve anche ricordare che il consenso raccolto per un servizio di open banking ha una finalità precisa. Riusare quei dati per altri scopi richiede una verifica legale specifica.

Competenze e formazione: il vero collo di bottiglia

Il dato del 3,4% è il più importante di questo articolo. Le tecnologie si comprano, le competenze per governarle no. La domanda "corso intelligenza artificiale per banche" compare spesso nelle ricerche, ma un corso generico serve poco. Servono percorsi diversi per ruoli diversi.

RuoloCosa deve saper fare
Consiglio di amministrazioneFare le domande giuste, approvare la propensione al rischio, leggere il reporting
Direzione generaleScegliere le priorità, assegnare le responsabilità, misurare i risultati
Rischio, compliance, auditValutare modelli, evidenze e fornitori
ConvalidaTestare modelli complessi, inclusi quelli di terzi
Crediti e AMLLeggere un punteggio, contestarlo, riconoscere un errore
Rete e gestoriUsare gli assistenti, verificare gli output, spiegare le decisioni al cliente
IT e datiIntegrare, proteggere, monitorare

Tre scelte fanno la differenza. Lavorate sui processi reali della banca invece che su esempi generici. Documentate le attività, perché l'alfabetizzazione richiesta dall'articolo 4 dell'AI Act è un obbligo di mezzi e la formazione documentata è la misura più facile da dimostrare. Create una rete di referenti interni nelle funzioni, che restano quando i consulenti se ne vanno.

Coinvolgete presto le rappresentanze sindacali quando gli strumenti toccano il lavoro delle persone. Oltre all'obbligo di informazione, c'è una ragione pratica: gli strumenti che le persone percepiscono come controllo vengono aggirati.

Autovalutazione: la tua banca è pronta?

Assegna 0 (no), 1 (in parte) o 2 (sì e documentato) a ogni affermazione. Se non hai la prova, non è un 2.

Strategia e governance

  1. Abbiamo un elenco completo dei sistemi di AI, compresi quelli dei fornitori.
  2. Un dirigente risponde del programma e il consiglio ha discusso la propensione al rischio.
  3. Abbiamo classificato gli usi in base al rischio, compreso l'alto rischio dell'AI Act.
  4. Abbiamo regole scritte su ciò che il modello può decidere da solo.

Dati e tecnologia

  1. I dati principali hanno un proprietario, controlli di qualità e tracciabilità.
  2. Possiamo isolare i dati dei clienti dagli strumenti non approvati.
  3. Abbiamo testato il rientro da almeno un fornitore critico.

Persone e controlli

  1. Le funzioni di controllo hanno competenze per valutare i modelli.
  2. Misuriamo prestazioni, deriva e tasso di modifica umana dopo l'avvio.
  3. Il personale coinvolto è stato formato e la formazione è documentata.

Come leggere il punteggio:

PunteggioSituazioneProssima mossa
0 a 7Fondamenta da costruireInventario e responsabilità, nessun nuovo progetto ad alto rischio
8 a 14Pronti per usi a basso rischioAssistenti interni e lettura documentale, con misure iniziali
15 a 20Pronti per usi più espostiAntifrode, AML e credito, in parallelo e con validazione

Roadmap: i primi 90 giorni

Giorni 1 a 30: mettere ordine

  • Censire tutti gli strumenti in uso, anche quelli informali.
  • Nominare il responsabile del programma e chiarire le tre linee.
  • Classificare gli usi in base al rischio.
  • Verificare se la banca rientra nella comunicazione del 17 luglio 2026 e a che punto è il piano da inviare entro il 31 dicembre.
  • Pubblicare una regola semplice su quali dati possono entrare negli strumenti.
  • Fissare le misure di partenza per i processi candidati.

Giorni 31 a 60: un progetto vero

  • Scegliere un solo caso a basso rischio, di solito un assistente sulle procedure interne o la lettura documentale.
  • Scrivere criteri di successo e di stop prima di partire.
  • Controllare il contratto: dati, addestramento, sub-fornitori, uscita, registro DORA.
  • Valutare l'impatto sulla protezione dei dati e sui lavoratori.
  • Formare il gruppo pilota su come verificare gli output.

Giorni 61 a 90: decidere sui fatti

  • Confrontare i risultati con le misure di partenza.
  • Portare al comitato rischi una decisione chiara: estendere, correggere o chiudere.
  • Attivare il monitoraggio permanente.
  • Riferire al consiglio con le stesse metriche usate all'inizio.
  • Preparare il piano per gli usi ad alto rischio, tenendo conto del 2 dicembre 2027.

Chiudere un progetto che non funziona è un risultato. Una buona governance si misura anche dai progetti fermati in tempo.

Come calcolare costi e ritorno senza numeri inventati

Le cifre di ROI che circolano sul settore bancario raramente sono verificabili. Una stima difendibile si costruisce con i vostri dati:

Valore annuo = volume del processo x tempo risparmiato o perdita evitata per unità x costo unitario x tasso di adozione reale

Dal risultato si sottraggono licenze, integrazione, convalida, monitoraggio, formazione e il tempo delle persone che controllano gli output. Il tasso di adozione è la voce che si tende a sopravvalutare, quindi misuratelo durante il pilota.

La disciplina della misura vale in ogni settore. In un hotel con cui ho lavorato i ricavi sono passati da 9 a 10 milioni di euro, e il dato ha valore proprio perché esisteva una base di confronto chiara. Una banca ha vincoli ben diversi, ma il principio resta: senza una linea di partenza non c'è risultato da difendere.

Per impostare il calcolo, sono utili anche la nostra guida al ROI dell'intelligenza artificiale e quella sui costi dell'intelligenza artificiale in azienda.

Gli errori che si ripetono

Partire dalla tecnologia. Il bando per "una soluzione di AI" senza un processo e una metrica produce piloti che non finiscono mai.

Scambiare la supervisione umana per una firma. Se nessuno modifica mai una proposta del modello, la supervisione non esiste.

Ignorare i fornitori. Molti sistemi di AI arrivano dentro prodotti già in uso, con aggiornamenti che nessuno ha valutato.

Rimandare la documentazione. Ricostruire a posteriori perché un modello è stato scelto e come è stato testato costa molto più che scriverlo durante il progetto.

Sottovalutare i dati. Molti progetti si fermano perché i dati stanno in sistemi che non dialogano, non per colpa del modello.

Confondere le scadenze. L'alto rischio dell'Allegato III decorre dal 2 dicembre 2027, ma la trasparenza, il rischio ICT e l'alfabetizzazione riguardano già oggi la banca.

Copiare le banche grandi. Un istituto con pochi milioni da investire non deve imitare i programmi dei grandi gruppi. Deve scegliere uno o due usi, spesso condividendo soluzioni con la propria categoria o capogruppo.

Prossimi passi

Se dovete fare una cosa sola questo mese, fate l'inventario. Vi dirà quanti sistemi avete, chi ne risponde e cosa manca, e servirà sia per l'AI Act sia per la vigilanza.

Se volete confrontare il vostro piano con un punto di vista esterno, potete inviare una richiesta di consulenza spiegando dimensione dell'istituto, usi in corso e decisione da prendere. Sono un fondatore che affianca le organizzazioni su questi progetti, e se la risposta giusta è aspettare ve lo dico.

Domande frequenti

Quante banche italiane usano l'intelligenza artificiale?

Secondo l'indagine OCSE pubblicata nel 2026 e condotta insieme alla Banca d'Italia, il 59% delle banche rispondenti usa l'intelligenza artificiale nelle proprie attività, contro il 39% del campione finanziario complessivo. L'indagine ha raccolto 450 risposte. L'Indagine Fintech della Banca d'Italia aggiunge che gli investimenti in progetti di AI ammontano a 593 milioni di euro, in larghissima parte delle banche significative, e che solo il 3,4% degli intermediari dichiara competenze almeno medio-alte.

Cos'è l'AI governance bancaria e da cosa si comincia?

L'AI governance bancaria è l'insieme di regole, responsabilità e controlli con cui una banca decide quali sistemi di intelligenza artificiale usare e come sorvegliarli. Si comincia dall'inventario completo dei sistemi, compresi quelli dei fornitori. Poi si nomina un responsabile, si classificano gli usi per rischio, si stabilisce per iscritto cosa può decidere il modello e si attiva il monitoraggio. Secondo la Banca d'Italia, solo un terzo degli intermediari ha oggi una struttura dedicata.

Il credit scoring con AI è ad alto rischio per l'AI Act?

Sì, quando valuta il merito creditizio o assegna un punteggio di credito a persone fisiche: lo prevede l'Allegato III, punto 5, lettera b, con un'eccezione per i sistemi usati per individuare frodi finanziarie. Gli obblighi per questi sistemi si applicano dal 2 dicembre 2027. L'Autorità bancaria europea non ha riscontrato conflitti strutturali con la normativa bancaria, ma una banca che sviluppa il proprio modello può trovarsi a rispondere sia come fornitore sia come deployer.

Quali norme deve rispettare una banca italiana che usa l'AI?

Le principali sono l'AI Act, il GDPR, DORA per i fornitori tecnologici e la resilienza, la nuova disciplina del credito ai consumatori applicabile dal 20 novembre 2026, le regole antiriciclaggio con il Regolamento (UE) 2024/1624 dal 10 luglio 2027 e la legge 132/2025 sull'informazione ai lavoratori. A queste si aggiunge la comunicazione della Banca d'Italia del 17 luglio 2026, che chiede a molti intermediari una relazione e un piano sui rischi informatici entro il 31 dicembre 2026.

Da quale caso d'uso conviene partire in banca?

Conviene partire da usi interni in cui un errore costa poco e viene intercettato da una persona, come un assistente sulle procedure e sulla normativa interna o la lettura di documenti nelle istruttorie. Questi progetti insegnano a gestire dati, fornitori e verifica degli output senza toccare direttamente le decisioni sui clienti. Antifrode, antiriciclaggio e merito creditizio possono offrire più valore, ma vanno affrontati dopo, con test in parallelo e una validazione indipendente.

Come usa l'AI una banca per la sicurezza del banking digitale?

L'uso principale è l'antifrode: i modelli valutano in tempo reale comportamento del cliente, dispositivo e controparti, cosa ancora più importante con i bonifici istantanei. L'OCSE indica le frodi come applicazione più usata nel settore finanziario italiano. L'AI serve anche al monitoraggio degli attacchi informatici. Ma viene usata pure contro le banche: la UIF ha segnalato documenti creati con AI generativa per aprire rapporti a distanza, quindi l'onboarding digitale va rivisto.

Le BCC e le banche piccole possono permettersi l'intelligenza artificiale?

Sì, se scelgono pochi usi e condividono le risorse. L'Indagine Fintech mostra che le banche meno significative investono complessivamente 33 milioni di euro in progetti di AI, contro i 508 milioni delle significative, quindi imitare i grandi gruppi non ha senso. Per le realtà minori le strade più sensate passano da capogruppo, centri servizi e soluzioni già integrate nei sistemi esistenti, tenendo però dentro la banca inventario, responsabilità e controllo sui fornitori.

L'AI può sostituire i gestori e gli analisti di una banca?

Oggi l'AI assiste queste figure più di quanto le sostituisca. Nell'indagine di Bank of England e FCA solo il 2% dei casi d'uso prende decisioni in piena autonomia, e in Italia il 94% dei progetti di GenAI prevede la supervisione umana. L'AI toglie tempo a ricerche, sintesi e bozze. Le decisioni di credito, le relazioni con il cliente e il giudizio sulle operazioni sospette richiedono responsabilità umana, anche per ragioni normative.