Le principali società di consulenza concordano: il limite dell’intelligenza artificiale non è tecnologico ma organizzativo. Nel banking emerge un nuovo modello operativo in cui sistemi, dati e decisioni vengono orchestrati in modo continuo, con agenti AI come attori operativi. Il vero cambiamento non riguarda l’adozione di nuovi strumenti, ma il modo stesso in cui la banca coordina il proprio funzionamento.
Indice degli argomenti
Il limite dell’AI nel modello operativo bancario
Negli ultimi tre anni l’intelligenza artificiale generativa è entrata nel settore bancario con una velocità che ha pochi precedenti nella storia recente dell’industria finanziaria. Dai contact center ai processi di onboarding, dalla compliance ai sistemi di supporto alle operation, quasi ogni funzione ha visto nascere progetti pilota basati su modelli generativi o agenti intelligenti capaci di automatizzare attività prima interamente affidate agli operatori umani.
Eppure, osservando i risultati concreti, emerge un paradosso sempre più evidente. A fronte di un numero crescente di sperimentazioni, solo una parte molto limitata di questi progetti riesce a produrre trasformazioni strutturali realmente misurabili. Molte iniziative restano confinate nella fase di proof of concept, oppure generano miglioramenti locali che faticano a scalare sull’intera organizzazione.
Su questo punto si sta consolidando una lettura ormai condivisa: il principale limite dell’intelligenza artificiale non è la tecnologia stessa. I modelli stanno migliorando rapidamente, i costi di adozione si riducono e le capacità computazionali crescono a ritmi impressionanti. Il vero problema è altrove. Riguarda il modello organizzativo entro cui queste tecnologie vengono inserite.
È un passaggio importante, perché ribalta completamente l’ordine delle priorità con cui molte banche hanno finora affrontato il tema. Per anni si è pensato che introdurre strumenti di AI più avanzati avrebbe automaticamente prodotto maggiore efficienza. In realtà, quando l’intelligenza artificiale viene semplicemente sovrapposta a processi frammentati, sistemi non coordinati e organizzazioni costruite secondo logiche tradizionali, il risultato è spesso deludente.
Il punto centrale è che l’intelligenza artificiale non sta introducendo soltanto una nuova categoria di strumenti software. Sta mettendo in discussione il modello operativo attraverso cui la banca organizza decisioni, dati e processi. E questo apre una domanda molto più profonda: se l’AI non è più un semplice strumento di supporto, come cambia il modo stesso in cui una banca opera?
Sistemi frammentati e lavoro reale della banca
Per rispondere a questa domanda bisogna partire da un’osservazione apparentemente semplice, ma spesso trascurata.
Le banche tendono a pensare di operare principalmente attraverso i propri sistemi informativi. Core banking, piattaforme di pagamento, sistemi carte, CRM, motori di rischio, canali digitali: ogni piattaforma svolge una funzione precisa e rappresenta un elemento essenziale dell’infrastruttura complessiva.
Ma il lavoro reale raramente avviene interamente all’interno di questi sistemi.
Nella pratica quotidiana, la parte più complessa del lavoro bancario si concentra nei punti di connessione tra piattaforme diverse. È qui che gli operatori raccolgono informazioni distribuite su più applicazioni, interpretano regole di business, verificano condizioni operative, coordinano decisioni distribuite e soprattutto gestiscono eccezioni che nessun workflow standardizzato riesce a risolvere autonomamente.
È in questo spazio invisibile che si accumulano costi operativi, ritardi decisionali e inefficienze strutturali.
Il problema tende inoltre ad amplificarsi con la crescita. Più clienti, più prodotti, più canali e più sistemi non significano automaticamente maggiore scalabilità. In molti casi producono l’effetto opposto: aumentano lo sforzo di coordinamento necessario per far funzionare insieme componenti tecnologiche che, prese singolarmente, operano correttamente ma non condividono realmente contesto operativo.
Questo spiega anche perché molte iniziative di AI non stanno producendo il valore atteso.
Un cliente raramente contatta la banca per una semplice operazione standardizzata. Nella maggior parte dei casi esiste un elemento di ambiguità: una transazione sospetta, un addebito inatteso, un pagamento non riconosciuto, un’operazione che richiede verifiche aggiuntive. In tutti questi casi il problema non consiste nell’eseguire una procedura predefinita, ma nel ricostruire rapidamente il contesto attraverso sistemi diversi.
Se la banca non riesce a comprendere queste cause profonde, l’intelligenza artificiale non risolve il problema. Lo amplifica.
Un assistente più veloce che opera sopra processi frammentati non produce trasformazione. Automatizza semplicemente inefficienze già esistenti.
Dall’AI come strumento al sistema operativo bancario
Per anni abbiamo pensato all’intelligenza artificiale come a un insieme di strumenti relativamente esterni rispetto al processo operativo principale. Si prendano come esempio: chatbot, sistemi di classificazione documentale, recommendation engine oppure copilot destinati a supportare singole attività svolte da operatori umani.
Ma questo paradigma sta cambiando rapidamente.
I nuovi agenti intelligenti non si limitano più a fornire supporto laterale agli operatori, ma iniziano a eseguire direttamente parti del processo stesso. Iniziano ad accedere ai sistemi, interpretano il contesto operativo, coordinano informazioni provenienti da più sorgenti e partecipano direttamente ai workflow decisionali.
Questo rappresenta un passaggio molto più radicale di quanto normalmente si immagini.
Non stiamo semplicemente introducendo una tecnologia più sofisticata. Stiamo modificando la posizione stessa dell’intelligenza artificiale all’interno dell’organizzazione.
Finora l’AI è stata trattata come uno strumento: qualcosa che un operatore invoca occasionalmente per ottenere supporto su un’attività specifica.
Nel modello che sta emergendo, invece, l’intelligenza artificiale smette di essere uno strumento esterno e diventa parte della superficie operativa della banca stessa.
In altre parole, stiamo passando da una fase in cui l’AI aumenta la produttività individuale a una fase in cui l’AI inizia a partecipare direttamente all’esecuzione operativa.
È questo il vero significato del passaggio dall’AI come strumento all’AI come sistema operativo.
Agent-Native Banking Operating Model e Banking OS
Se questa trasformazione è reale, allora diventa necessario immaginare un modello architetturale diverso da quello tradizionale.
Una delle architetture più interessanti che stanno emergendo in questa direzione è il Banking OS sviluppato da Backbase, che rappresenta bene il passaggio da un modello frammentato tradizionale a quello che possiamo definire un Agent-Native Banking Operating Model.
L’idea di fondo è relativamente semplice, ma radicale nelle sue implicazioni.
Il coordinamento tra sistemi esistenti
I sistemi esistenti non vengono sostituiti. Core banking, sistemi di pagamento, CRM, piattaforme legacy e motori di rischio restano in posizione. Quello che cambia è il modo in cui viene organizzato il lavoro che collega questi sistemi.
Il coordinamento non viene più affidato esclusivamente a persone che raccolgono informazioni da piattaforme separate e ricompongono manualmente il contesto operativo. Viene portato dentro un ambiente condiviso in cui clienti, dipendenti e agenti AI operano all’interno dello stesso spazio informativo.
Questo modello si fonda su alcuni principi architetturali profondamente diversi da quelli tradizionali.
Dati, decisioni e governance nel nuovo ambiente operativo
La migliore integrazione tecnologica non è l’unico valore di questo modello. La novità è che un’operatività bancaria tradizionalmente distribuita tra sistemi separati e ricomposta manualmente dagli operatori viene ora orchestrata dentro un ambiente condiviso dove dati, decisioni e azioni evolvono in modo continuo.
In questo contesto, interazione, workflow, intelligenza, rappresentazione del cliente, governance e connettività smettono di essere componenti separate e diventano parti di un unico sistema operativo bancario.
Parallelamente cambia il modo in cui viene rappresentato il cliente. Non più record statici distribuiti tra database diversi, ma uno stato dinamico continuamente aggiornato attraverso interazioni, comportamenti e decisioni contestuali. Allo stesso tempo, nel momento in cui gli agenti AI iniziano a partecipare direttamente ai processi operativi, autorizzazioni, policy e governance non possono più essere trattate come elementi esterni: devono essere incorporate nel flusso decisionale stesso.
I sistemi legacy continuano naturalmente a esistere, ma cessano di rappresentare il centro delle operations. Diventano componenti connesse all’interno di un ambiente operativo più ampio che orchestra continuamente dati, decisioni e azioni.
Il punto fondamentale è che non siamo di fronte a uno stack tecnologico semplicemente più integrato. Stiamo osservando la nascita di un nuovo modello operativo.
Operazioni coordinate nel futuro del modello bancario
Per oltre trent’anni l’innovazione bancaria ha seguito una logica relativamente lineare. Migliorare i singoli sistemi, renderli più efficienti, più rapidi, più digitali, più semplici da utilizzare.
L’intelligenza artificiale sta introducendo una discontinuità radicale rispetto a questo percorso.
Non stiamo assistendo all’arrivo di un nuovo software più potente dei precedenti. Per la prima volta, una tecnologia sta imponendo una ridefinizione del modello operativo attraverso cui la banca coordina il proprio funzionamento interno.
Questo spiega perché oggi molti progetti AI non riescono a scalare. Non basta aggiungere nuovi modelli sopra infrastrutture frammentate sperando che la tecnologia risolva problemi strutturali già esistenti.
La vera trasformazione richiede qualcosa di diverso.
Serve un ambiente operativo in cui sistemi, dati, decisioni, operatori umani e agenti intelligenti possano interagire all’interno di una struttura comune.
Il settore bancario sta entrando in una fase in cui il vantaggio competitivo non dipenderà semplicemente dall’avere più AI, ma dalla capacità di costruire un modello in cui questa intelligenza possa diventare parte integrante del funzionamento quotidiano della banca.
Il passaggio che stiamo osservando non è quindi quello da sistemi vecchi a sistemi nuovi. È un cambiamento molto più profondo.
Non dai sistemi ad altri sistemi.
Ma dall’esecuzione frammentata all’operazione coordinata.
Partecipa alla community