servizi finanziari

L’AI non si adotta, si abilita: la lezione del caso Revolut

Il paradigma “AI-first” nei servizi finanziari è una narrazione seducente ma fuorviante. Il caso Revolut dimostra che l’intelligenza artificiale non si adotta come scelta strategica iniziale, ma emerge quando una piattaforma ha già costruito massa critica, frequenza e densità informativa

Pubblicato il 22 giu 2026

Aggiungi tra i preferiti su Google

Simone Chiappino

Executive Leader | Digital Transformation

Chiedi all'AI

Riassumi questo articolo

Approfondisci con altre fonti

L’intelligenza artificiale nei servizi finanziari non si implementa per decreto strategico. Si abilita, lentamente, come conseguenza di qualcosa che viene prima: una piattaforma usata con frequenza, una base dati costruita nel tempo, una relazione con il cliente che non si esaurisce nella transazione.

Il caso Revolut lo illustra con una chiarezza che vale più di molti paper di settore.

Non solo API: il futuro dei servizi finanziari passa dagli agenti AI

Il mito dell'”AI-first” e la sequenza causale reale

C’è una narrativa dominante nel dibattito sull’intelligenza artificiale nei servizi finanziari: quella del paradigma “AI-first”, secondo cui l’AI sarebbe il punto di partenza della trasformazione, il motore primario della competitività. È una narrativa seducente, ma sostanzialmente fuorviante.

O meglio, è corretta come descrizione di un’aspirazione, ma fallace come rappresentazione della sequenza causale reale. Il caso Revolut — tra le storie fintech più osservate degli ultimi anni — offre una lezione diversa, e più utile: l’AI nei servizi finanziari non si implementa, si abilita. Non è una scelta strategica di partenza, ma la conseguenza naturale di una strategia di crescita riuscita. Emerge solo dopo che una piattaforma ha raggiunto massa critica, densità di interazione e profondità informativa. Prima di quel momento, semplicemente non ha nulla su cui operare.

Tre fasi, un solo disegno

La traiettoria di Revolut si comprende meglio come una sequenza di costruzione progressiva, non come una roadmap tecnologica pianificata a tavolino.

La prima fase: infrastruttura finanziaria di base

La prima fase ha riguardato la costruzione di un’offerta concreta: conto corrente, cambio valuta a tassi interbancari, pagamenti internazionali. Nulla di particolarmente sofisticato sul piano dell’AI, ma decisivo sul piano della strategia: Revolut ha risolto problemi reali per segmenti specifici di utenti (viaggiatori, lavoratori internazionali, giovani urbani), ottenendo in cambio qualcosa di prezioso quanto il capitale. Ha ottenuto frequenza. Gli utenti tornavano con regolarità, non in modo sporadico come accade tipicamente per molti prodotti bancari tradizionali. Questa frequenza è la precondizione di tutto ciò che viene dopo.

La seconda fase: espansione dell’ecosistema

La seconda fase ha consolidato e moltiplicato quei touchpoint. Vaults, trading, prodotti assicurativi, benefit lifestyle: ogni nuovo servizio non era solo una fonte di ricavo aggiuntiva, ma un ulteriore livello di conoscenza sull’utente. Chi investe, chi utilizza strumenti di risparmio automatico, chi attiva servizi accessori: emergono pattern comportamentali, non semplici dati anagrafici. È qui che si costruisce la densità informativa che rende possibile, successivamente, qualcosa di più.

La terza fase: AI e consulenza autonoma

La terza fase — l’AI e la consulenza autonoma — diventa possibile proprio perché le due precedenti hanno creato le condizioni necessarie. Il supporto basato su modelli linguistici, le raccomandazioni personalizzate, le forme di consulenza automatizzata funzionano perché operano su dati persistenti, contestualizzati e frequenti. Non su snapshot occasionali, ma su flussi continui di comportamento finanziario. L’AI, in questo schema, non è la causa della crescita di Revolut. È la sua conseguenza più avanzata.

Perché l’AI ha bisogno di densità

Comprendere il timing dell’AI nei servizi finanziari richiede di capire da cosa dipende la sua utilità. Un modello di intelligenza artificiale applicato alla finanza personale può produrre raccomandazioni significative solo se dispone di tre condizioni: dati persistenti, interazioni ripetute e contesto. Non si tratta semplicemente di accumulare informazioni, ma di costruire una storia coerente del comportamento dell’utente, capace di evolvere nel tempo.

Revolut ha costruito esattamente questo. Con ricavi pari a 4,5 miliardi di sterline nel 2025, in crescita del 46% anno su anno, e un profitto di 1,7 miliardi, la sua solidità economica è evidente [1]. Ma più rilevante, ai fini di questa analisi, è la struttura di quel fatturato. Come evidenziato in Figura 1, il modello dei ricavi che emerge dal report annuale 2025 di Revolut è fee-based, cioè legato all’utilizzo attivo dei servizi, mentre il margine di interesse rappresenta solo il 21,6%. È un modello atipico per una banca, che riflette una scelta strategica precisa. In altri termini, Revolut non guadagna principalmente perché presta denaro, ma perché gli utenti utilizzano la piattaforma. È un modello in cui il dato comportamentale si accumula come effetto naturale del business, non come operazione separata di raccolta.

Figura 1 – Composizione dei ricavi di Revolut (2025) [1].

Questa è la differenza strutturale rispetto alla banca tradizionale. Non una questione di volontà o di investimento in AI, ma di infrastruttura informativa disponibile.

Il limite delle banche tradizionali non è tecnologico

Quando McKinsey analizza le condizioni necessarie per abilitare l’AI agentiva nelle organizzazioni, il messaggio è chiaro: scalare l’AI richiede di trasformare i dati in asset governati, integrati e riutilizzabili [2]. L’infrastruttura non è più solo una funzione di supporto, ma diventa la spina dorsale di un sistema che determina l’efficacia con cui le organizzazioni catturano valore dall’AI.

È precisamente questo il punto critico per le banche tradizionali. Il loro problema non è la mancanza di dati in senso assoluto. Le grandi banche custodiscono decenni di informazioni sui propri clienti. Il problema è la qualità, la struttura e l’accessibilità di quei dati. I sistemi legacy — costruiti per adempimenti regolatori e processi verticali — frammentano le informazioni in silos difficilmente integrabili, rendendo complessa la costruzione di una base dati coerente e riutilizzabile.

In questo contesto, implementare modelli di AI avanzati su una struttura informativa frammentata produce risultati marginali. L’intelligenza artificiale amplifica la qualità dei dati disponibili: se quella qualità è bassa, amplifica il rumore invece che il segnale. La banca che vuole competere sull’AI senza prima risolvere il problema della propria base dati rischia di costruire su fondamenta fragili.

Esiste anche un secondo limite, meno tecnico ma altrettanto rilevante: la natura episodica della relazione tra banca tradizionale e cliente. Un utente interagisce con la propria banca in modo discontinuo, spesso legato a momenti specifici. Non c’è la frequenza necessaria per generare il tipo di dato comportamentale che rende utile un sistema di AI personalizzata. La relazione resta prevalentemente transazionale, non continua.

La posta in gioco: il controllo dell’interfaccia

La partita che si sta aprendo non riguarda solo la capacità di usare l’AI internamente. Riguarda qualcosa di più strategico: chi controlla il punto di contatto tra il cliente e le decisioni finanziarie.

Man mano che i clienti si rivolgono sempre più a sistemi di AI per ottenere supporto e orientamento, le banche retail devono confrontarsi con un rischio concreto di disintermediazione. In uno scenario in cui un agente digitale può analizzare le offerte disponibili, selezionare le opzioni più rilevanti ed eseguire operazioni, il ruolo dell’interfaccia bancaria tradizionale tende a ridursi. Secondo McKinsey, questo potrebbe tradursi in una riduzione significativa dei pool di profitto per le banche retail, con impatti particolarmente rilevanti su alcune linee di business [3].

In questo contesto, chi possiede la relazione diretta con il cliente — la frequenza, il contesto, la fiducia quotidiana — dispone di un vantaggio strutturale. Non perché possa impedire ad altri di usare l’AI, ma perché controlla la qualità della base informativa su cui quell’AI può operare in modo efficace. Costruire questa base richiede tempo, scala e continuità di interazione.

Revolut come scelta strategica, non come casualità

Il modello Revolut si distingue, in questo contesto, per una scelta precisa: l’engagement come asset primario. Mentre i modelli bancari tradizionali — e molti modelli credit-driven — monetizzano principalmente attraverso il margine di interesse, Revolut ha costruito il proprio vantaggio sulla frequenza d’uso.

Un modello fee-based e orientato all’utilizzo crea un incentivo strutturale a mantenere l’utente attivo, a moltiplicare i punti di contatto, a rendere la piattaforma parte della quotidianità finanziaria. Questa scelta ha implicazioni profonde. Ogni interazione aggiunge contesto. Ogni funzione attivata arricchisce il profilo comportamentale disponibile.

Il cosiddetto growth algorithm di Revolut — basato su velocità di sviluppo, scala globale ed efficienza operativa — può essere letto anche come un meccanismo di accumulazione progressiva di informazione. Non come un fine in sé, ma come una condizione abilitante.

Quando la piattaforma raggiunge la massa critica, l’AI smette di essere un obiettivo e diventa un’estensione naturale. Non si tratta di un’aggiunta esterna, ma di uno strato che emerge dall’architettura costruita nel tempo. In questo senso, la strategia AI di Revolut non è una strategia autonoma, ma la conseguenza coerente di una strategia di engagement.

Abilitare, non adottare

Il rischio principale del paradigma “AI-first” non è che sia sbagliato in teoria. È che induce le organizzazioni a investire nell’AI prima di aver costruito le condizioni necessarie al suo funzionamento, confondendo l’adozione tecnologica con la trasformazione strategica.

Si può integrare un modello avanzato su una base dati frammentata, ma il risultato sarà inevitabilmente limitato. Si può dichiarare una strategia AI senza aver costruito una relazione continua con il cliente, ma difficilmente si otterranno benefici concreti.

Il caso Revolut suggerisce una prospettiva diversa. L’AI nei servizi finanziari si abilita, non si adotta. La sua utilità dipende da condizioni che si costruiscono nel tempo: massa critica, frequenza di interazione, coerenza della base informativa. L’intelligenza artificiale, quando emerge, non è l’inizio del percorso. È il suo punto di maturazione.

Per le istituzioni finanziarie, la questione non è replicare modelli specifici, ma comprendere dove si crea davvero il vantaggio competitivo. La corsa all’AI è, prima di tutto, una corsa alla qualità della relazione con il cliente. Chi riesce a costruirla in modo continuo e informativamente ricco crea anche le condizioni perché l’intelligenza produca valore reale.