Per molti anni la relazione bancaria è stata costruita intorno alla filiale. Le relazioni erano fisiche e personali e, anche se spesso potevano risultare lente, erano certamente più comprensibili sul piano umano, perché il rapporto era diretto tra i clienti e la banca, rappresentata dai consulenti o dagli operatori.
Indice degli argomenti
Dalla filiale al digitale: la banca ha sempre disegnato canali per persone
Poi è arrivato il digitale. Home banking, mobile banking, notifiche, onboarding remoto, firma elettronica, assistenza online. Il cliente ha iniziato a fare da solo molte attività che prima richiedevano un passaggio fisico. Controllare il saldo, fare un bonifico, scaricare un documento, aggiornare alcuni dati, aprire una richiesta di assistenza.
In questa fase il centro della progettazione sono diventati i touchpoint digitali. Da un lato l’interfaccia doveva essere semplice; dall’altro, la banca doveva riuscire a connettere canali diversi. Il problema dell’omnicanalità non era più soltanto avere una buona app, ma fare in modo che servizi e transazioni potessero muoversi senza frizioni tra online, mobile e filiale.
L’omnicanalità ha quindi spostato l’attenzione dal singolo canale alla continuità del processo. La banca ha iniziato a ragionare su journey, CRM, integrazione dati, workflow, identità digitale e coerenza dell’esperienza.
Ora si apre un passaggio ulteriore. Dopo la filiale, il digitale e l’omnicanalità, l’introduzione di sistemi intelligenti in grado di operare con livelli crescenti di autonomia sta facendo emergere un nuovo livello di relazione: il canale agentico.
L’architettura tecnica e computazionale del canale agentico
L’era dell’AI agentica apre uno scenario diverso da quello osservato con le app e anche con i chatbot più evoluti. McKinsey, in un articolo del luglio 2026 sulla customer experience nell’era agentica, osserva che il 41% delle implementazioni AI nelle funzioni rivolte al cliente ha raggiunto una piena operatività. La probabilità che queste implementazioni arrivino a questo livello è 3,5 volte superiore rispetto a quelle rivolte ad altri ambiti aziendali. Il punto interessante è la tendenza che ne deriva: gli agenti AI spostano la customer experience dai singoli touchpoint a workflow più dinamici e interconnessi [1].
I sistemi autonomi potranno dialogare con gli utenti, ma anche tra loro e con i sistemi legacy; dovranno poter accedere a dati contestuali e, allo stesso tempo, rimanere regolati e controllabili. Il canale agentico non coincide quindi con un singolo agente o con uno specifico protocollo. Per rendere possibile questo grado di comunicazione, deve poggiare su una architettura tecnica e computazionale più ampia e, per quanto possibile, agnostica rispetto ai modelli di AI impiegati.
Un esempio è l’architettura agentica realizzata da DBS e applicata, tra gli altri ambiti, alla preparazione di documenti interni (credit memo) utilizzati nel processo di approvazione del credito ai grandi clienti corporate [2]. L’impianto prevede circa 70–80 agenti concatenati e si compone di tre livelli. Alla base si trova il sistema di conoscenza della banca: dati interni strutturati e non strutturati, oltre a flussi di dati esterni. Al livello intermedio si trova la fabbrica, in cui vengono creati ed eseguiti agenti e funzionalità riutilizzabili. L’ultimo livello è il consumo, che comprende i canali con i clienti e i flussi di lavoro interni.
Attorno a questi tre livelli c’è un piano di controllo che gestisce identità, osservabilità, tracciabilità, applicazione delle policy, valutazione e sicurezza, con azioni di governance per garantire che gli agenti si comportino come previsto.
In questa architettura la banca conserva la responsabilità delle regole, dei limiti e delle autorizzazioni, mentre l’intervento umano rimane necessario nei passaggi che richiedono verifica e giudizio. Una parte del percorso può tuttavia essere mediata da un sistema autonomo o semi-autonomo, capace di agire per conto del cliente entro un mandato definito. L’esempio di DBS non rappresenta ancora un canale attraverso il quale opera l’agente del cliente, ma offre un riferimento utile per comprenderne l’architettura sottostante.
Protocolli come MCP e A2A non rappresentano quindi il canale agentico in sé, ma standard tecnici che possono operare all’interno della sua architettura. MCP standardizza il collegamento delle applicazioni AI con fonti dati, strumenti e sistemi esterni e può quindi collocarsi tra la fabbrica degli agenti e il sistema della conoscenza. A2A riguarda invece la comunicazione e l’interoperabilità tra applicazioni agentiche e opera principalmente nel livello della fabbrica, potendo estendersi anche all’interazione con agenti esterni.
Per la relazione tra banca e cliente, questo significa che il cliente non attraversa più soltanto canali, ma processi. In futuro, una parte di questi processi potrà essere letta, preparata o attivata da agenti AI.
Proprio per questo, l’architettura tecnica del canale agentico va distinta dal modello operativo della banca, senza però separarla da esso. La prima rende possibili le connessioni tra agenti, dati e sistemi; il secondo mostra come queste capacità entrano nei processi in cui clienti, dipendenti e agenti condividono contesto, strumenti e azioni.
Figura 1 – Il modello operativo definisce intenti, ruoli e responsabilità; l’architettura tecnica mette a disposizione e orchestra dati, agenti e strumenti per eseguire concretamente le azioni. Le due prospettive si incontrano in un contratto operativo-tecnico, che traduce mandati, regole e responsabilità in accessi, capacità operative, controlli ed evidenze
Dal touchpoint ad un nuovo modello operativo
Il canale agentico costringe a spostare lo sguardo dal touchpoint a ciò che accade quando clienti, operatori e agenti AI operano nello stesso ambiente, condividendo workflow, contesto e azioni.
Può essere utile guardare anche a un ambito diverso dal banking. Uno studio presentato alla Bled eConference 2026, basato su 43 interviste semi-strutturate e dedicato all’impatto della GenAI nei processi di marketing B2B, evidenzia un risultato interessante: la GenAI incide soprattutto sulle attività di implementation, mentre information management e planning restano più sporadici e meno sistematici [3].
Questo accade perché la gestione dell’informazione e la pianificazione richiedono dati strutturati per poter essere gestite dall’intelligenza artificiale. Dati frammentati, come ad esempio molteplici versioni dei dati cliente che cambiano da un sistema all’altro, devono prima essere uniformati.
Questa impostazione aiuta anche nel ragionamento sul canale agentico. Non tutte le attività bancarie diventeranno agentiche allo stesso modo. Alcune azioni sono più facili da rendere attuabili da un agente; altre restano più sensibili e richiedono maggiore controllo.
Lo stesso studio distingue anche tra applicazioni basate su input generale e applicazioni basate su input custom. Le prime sono più facili da usare, ma meno integrate nei processi. Le seconde, basate su dati specifici e modelli integrati nei workflow, possono essere più precise e affidabili, ma richiedono maggiore complessità organizzativa e tecnologica.
Questo significa che il canale agentico diventa davvero rilevante all’interno di un modello operativo, come quello definito da Backbase con Banking OS [4]. In un modello di questo tipo, clienti, operatori e agenti AI interagiscono secondo ruoli, responsabilità e regole operative definite, all’interno di un ambiente in cui i dati sono strutturati, i processi tra persone e agenti sono orchestrati, le decisioni sono integrate e stati di processo, API, policy e workflow sono governati.
Il contratto di raccordo operativo-tecnico
Da un lato, il modello operativo definisce ruoli, responsabilità e processi; dall’altro, l’architettura tecnica rende eseguibili le azioni degli attori, umani e artificiali, coinvolti nei flussi di lavoro.
Tra queste due prospettive, quello che possiamo definire contratto operativo-tecnico svolge una funzione di raccordo: traduce mandati, responsabilità e regole operative nelle condizioni tecniche entro le quali l’agente AI può agire.
Un esempio è l’Agent Payments Protocol (AP2), sviluppato da Google e successivamente trasferito alla FIDO Alliance [5]. AP2 definisce un protocollo di sicurezza per i pagamenti eseguiti dagli agenti. Tra gli scenari previsti vi sono i pagamenti Human Not Present, nei quali l’utente stabilisce preventivamente le condizioni dell’acquisto e autorizza l’agente ad agire quando si verifica un determinato evento, come la disponibilità di biglietti in edizione limitata.
In questo caso, il livello del consumo comprende inizialmente l’interazione attraverso la quale l’utente esprime il proprio intento, stabilisce i vincoli e concede l’autorizzazione. Successivamente, l’agente può operare anche in sua assenza. L’orchestrazione coinvolge ruoli distinti, tra cui l’agente che effettua l’acquisto, il commerciante, il fornitore delle credenziali e il gestore del pagamento. Il piano di controllo si basa sui mandati che collegano l’intento dell’utente alle condizioni dell’ordine e al pagamento, insieme alle evidenze necessarie per ricostruire e verificare l’azione compiuta.
AP2 non disciplina però l’intero sistema della conoscenza. La sua specifica lascia fuori dal proprio perimetro le modalità di ricerca dei prodotti, le API dei cataloghi e i meccanismi attraverso i quali prezzi e disponibilità vengono esposti e aggiornati. Il protocollo rappresenta quindi un esempio concreto di contratto operativo-tecnico: mostra come il mandato dell’utente possa essere tradotto in vincoli tecnici, autorizzazioni verificabili ed evidenze dell’operazione.
Esempi del canale agentico nell’e-commerce
Questi elementi diventano più concreti osservando due iniziative con livelli diversi di maturità: un servizio già operativo e un progetto pilota. Se AP2 mostra come il mandato dell’utente possa essere tradotto in condizioni tecniche, i casi presentati in questa sezione permettono di osservare l’evoluzione dal commercio assistito in chat verso un modello nel quale ricerca, selezione e pagamento possono essere delegati a un agente AI, entro le condizioni definite dall’utente.
Un primo caso, già operativo, è Instant Checkout, sviluppato da Stripe e OpenAI. Negli Stati Uniti gli utenti di ChatGPT possono acquistare direttamente nella conversazione prodotti offerti da venditori Etsy [6]. La mappatura che segue non intende ricostruire l’infrastruttura dichiarata dagli operatori, ma utilizza i livelli dell’architettura tecnica come chiave di lettura delle diverse componenti del canale agentico.
- Il livello del consumo gestisce l’interazione tra l’utente e ChatGPT, che si conclude con il checkout integrato.
- Il livello della fabbrica include l’orchestrazione che viene svolta dall’agente acquirente di ChatGPT e dal collegamento con il sistema del commerciante attraverso l’Agentic Commerce Protocol (ACP).
- Il sistema della conoscenza comprende le informazioni commerciali necessarie alla transazione, come prodotto, prezzo e composizione del carrello.
- Il controllo rimane distribuito tra i diversi soggetti. L’utente conferma l’acquisto; Stripe genera uno Shared Payment Token limitato al commerciante e al valore del carrello, senza comunicare all’agente le credenziali di pagamento originali; il merchant conserva la facoltà di accettare o rifiutare l’ordine e continua a gestire imposte, consegna e resi.
Il caso mostra che il canale agentico non coincide con l’interfaccia conversazionale e comprende anche il contesto commerciale, l’orchestrazione dell’ordine, il mandato di pagamento e la separazione tra agente e credenziali.
Un secondo caso è il progetto pilota avviato negli Emirati Arabi Uniti da Mastercard e Majid Al Futtaim, inizialmente applicato all’acquisto dei biglietti dei cinema VOX [7]. L’assistente AI aiuta l’utente a individuare l’opzione appropriata e a completare l’acquisto. Le informazioni pubbliche sul progetto non permettono però di ricostruire un’architettura tecnica completa. In questo caso il pilota è utile soprattutto dal punto di vista del modello operativo: cliente, assistente, commerciante e circuito di pagamento partecipano allo stesso processo, ciascuno con un ruolo distinto.
Il caso rende visibile il passaggio da una conversazione alla conclusione della transazione. Per funzionare, il processo deve collegarsi all’offerta resa disponibile dal commerciante e coordinare ricerca, selezione e pagamento.
Letti insieme, i due casi mostrano diverse forme del canale agentico. Stripe rende già operativa la continuità tra conversazione, ordine e pagamento, mantenendo la conferma dell’utente. Mastercard e VOX sperimentano invece un percorso nel quale la ricerca e l’acquisto vengono mediati da un assistente AI.
I pagamenti rappresentano così uno dei primi ambiti nei quali il canale agentico comincia ad assumere una forma concreta. Il rispetto del mandato, tuttavia, non garantisce da solo la qualità della decisione: un agente può agire entro i limiti ricevuti e, nello stesso tempo, fondare la propria scelta su informazioni incomplete, non aggiornate o provenienti da fonti poco affidabili. Diventa quindi necessario comprendere non soltanto che cosa l’agente sia autorizzato a fare, ma anche su quale contesto informativo basi la propria azione e quali fonti possano essere considerate affidabili. È in questo passaggio che fiducia istituzionale e contesto informativo diventano condizioni operative del canale agentico.
L’importanza della scalabilità della fiducia e del contesto informativo
Se il canale agentico diventa una nuova forma di relazione, la banca deve progettare non solo per il cliente umano, ma anche per l’agente che agisce per lui. Questo non significa sostituire la relazione umana. Significa aggiungere una nuova grammatica che ruota attorno a due concetti: la fiducia istituzionale e il contesto informativo. Sono due elementi distinti, ma si incontrano nel momento in cui informazioni provenienti da fonti autorevoli diventano parte di una decisione assistita dall’AI. La fiducia istituzionale indica quali fonti possono essere considerate affidabili; il contesto stabilisce come quelle informazioni entrano nella decisione.
La storia finanziaria può essere interpretata come una progressiva scalabilità della fiducia. Si è passati dalla fiducia personale tra le parti a quella istituzionale, nella quale la banca ha sostituito la rete delle relazioni personali con regole, garanzie e responsabilità riconoscibili. Oggi le tecnologie permettono di rappresentare digitalmente non soltanto il valore, attraverso criptovalute e asset tokenizzati, ma anche attributi dell’identità, autorizzazioni e regole. Questi elementi rendono possibili scambi programmabili, utilizzabili anche dagli agenti AI. La programmabilità, tuttavia, non è sufficiente. Serve una tracciabilità end-to-end del processo, che permetta di verificare la provenienza delle informazioni, le autorizzazioni applicate e le condizioni entro cui l’agente ha operato. Questa esigenza trova un riscontro, per i sistemi AI classificati ad alto rischio, nell’AI Act, che richiede la registrazione automatica degli eventi attraverso log per garantire un livello di tracciabilità adeguato alla finalità del sistema [8].
Oggi molti prodotti bancari sono ancora descritti attraverso testi, brochure, fogli informativi, PDF, pagine web e documenti pensati per la lettura umana, ma nel canale agentico potrebbero non bastare. Per confrontare prodotti e servizi, un agente deve accedere al contesto informativo basato su formati leggibili ed interpretabili. L’obiettivo e le preferenze ricevute dal cliente devono essere tradotti in criteri verificabili. Deve quindi poter valutare alternative in base al costo totale, alla velocità, alla certezza dell’esecuzione, al rischio e al rispetto delle regole.
Applicato al banking, questo significa che la relazione non sarà più costruita soltanto per convincere il cliente, ma anche per essere interpretata da sistemi capaci di confrontare alternative secondo criteri espliciti, verificabili e strutturati. La fiducia continuerà a dipendere dalla responsabilità dell’istituzione, ma dovrà diventare leggibile anche attraverso la qualità delle fonti, la tracciabilità delle informazioni e il contesto utilizzato dall’agente nel momento della decisione.
Il caso Moody’s–Microsoft mostra il punto in cui fiducia istituzionale e contesto informativo si incontrano nei workflow assistiti dall’AI [9]. L’autorevolezza di Moody’s non rimane esterna al processo, ma viene incorporata negli strumenti in cui avviene il lavoro. Rating, ricerca, dati sulle entità e notizie vengono portati direttamente dentro Microsoft 365 Copilot, Researcher ed Excel, anche attraverso un agente dedicato e l’utilizzo di MCP. In questo modo, l’AI può fondare le proprie analisi su informazioni riconducibili a fonti autorevoli, identificabili e verificabili.
Il caso riguarda principalmente workflow professionali interni e non un agente che conclude autonomamente una transazione per conto del cliente. Il principio applicabile anche al canale agentico è il seguente: un agente che accede alle informazioni deve poter riconoscere da dove provengono, entro quali autorizzazioni possono essere utilizzate e quali evidenze sostengono l’analisi prodotta. È in questo passaggio che la fiducia istituzionale diventa contesto operativo della decisione.
Cosa può essere delegato e cosa resta da presidiare
Come discusso fin qui, il canale agentico può essere interpretato come un’infrastruttura composta da un modello operativo, che stabilisce chi fa cosa, quando e come, e da un’architettura tecnica che rende eseguibili le azioni. Tra i due, il contratto operativo-tecnico traduce mandati, vincoli e regole in condizioni tecniche, mentre il contesto informativo fornisce all’agente gli elementi su cui basare le proprie decisioni. La complessità deriva dal fatto che il canale agentico non avrà lo stesso impatto su tutte le attività bancarie.
L’AI può aiutare a stimare il rischio, rilevare frodi, analizzare comportamenti, ordinare documenti e accelerare decisioni. Resta però aperta la questione su chi accetta il rischio, chi ne risponde e quali controlli devono essere applicati.
L’AI Act non vieta in generale una tecnologia, ma ne distingue gli impieghi in base alla finalità e al rischio. Un sistema utilizzato per ordinare le email rappresenta normalmente un impiego a rischio minimo. Se viene invece utilizzato per valutare il merito creditizio di una persona o stabilirne il punteggio di credito, rientra tra i sistemi ad alto rischio indicati nell’Allegato III del regolamento. Da questa specifica classificazione sono esclusi i sistemi utilizzati per rilevare le frodi finanziarie [8][10].
Per i sistemi ad alto rischio il regolamento prevede requisiti stringenti in materia di gestione del rischio, qualità e governance dei dati, registrazione degli eventi, trasparenza, accuratezza, sicurezza e supervisione umana. Il regolamento vieta inoltre alcune forme di classificazione sociale. Il divieto riguarda i sistemi che valutano le persone nel tempo in base al loro comportamento sociale o a caratteristiche personali, quando il punteggio produce un trattamento sfavorevole in contesti estranei a quelli nei quali i dati sono stati raccolti, oppure un trattamento ingiustificato o sproporzionato [8]. Una banca non potrebbe quindi utilizzare un punteggio costruito su comportamenti estranei alla relazione finanziaria per penalizzare un cliente nei casi previsti dal regolamento.
In questa direzione vanno anche le preoccupazioni espresse dalle autorità. Secondo quanto riportato da Reuters, Sarah Breeden, Deputy Governor della Bank of England, ha osservato che gli sviluppi nei pagamenti agentici e nel trading potrebbero richiedere una risposta regolatoria e sistemi di governance più sofisticati. Ha inoltre sottolineato che affidarsi a un controllo umano puntuale per ogni azione dell’agente difficilmente sarà realistico quando i sistemi diventeranno più autonomi [11].
Questo non riduce la necessità della supervisione, ma ne cambia la forma. Il canale agentico è una nuova infrastruttura di relazione nella quale alcuni passaggi possono essere delegati ai sistemi AI, mentre altri devono rimanere sotto la responsabilità della banca e la supervisione umana, entro i limiti stabiliti dal regolatore.
Il nuovo canale della relazione bancaria
Il canale agentico non sostituisce filiale, app, web banking o contact center. Li attraversa. Dopo aver imparato a collegare canali fisici e digitali, le banche dovranno imparare a dialogare anche con agenti AI esterni, capaci di leggere condizioni, confrontare offerte, preparare richieste e attivare processi.
La relazione bancaria diventa quindi più complessa. Il cliente umano resta centrale, perché definisce bisogni, preferenze, limiti e responsabilità. Ma una parte crescente dell’interazione può essere mediata da software. Questo cambia il modo in cui la banca deve progettare prodotti, processi e livelli di servizio.
Il valore non sarà soltanto avere il miglior touchpoint, la migliore app o il chatbot più evoluto. Sarà costruire una banca leggibile anche da sistemi autonomi. Una banca capace di esporre dati, regole, condizioni, workflow e responsabilità in modo chiaro, strutturato e governato.
In questo senso il canale agentico rappresenta un nuovo passaggio nella storia della banca digitale. La filiale ha organizzato la relazione personale. Il digitale ha reso molte operazioni self-service. L’omnicanalità ha collegato i percorsi. Il canale agentico porta la relazione in uno spazio dove persone e AI interagiscono con la banca usando linguaggi diversi, ma dentro lo stesso processo fiduciario.
La banca che saprà governare questo passaggio potrà essere non solo più efficiente, ma anche più selezionabile e affidabile nell’economia degli agenti. Perché quando gli agenti AI iniziano a leggere, confrontare e agire per conto dei clienti, la relazione bancaria non scompare. Cambia lingua.
Riferimenti
[1] A. Rodriguez, N. Maechler, E. Karavdic e K. Quidwai, “Rewiring customer experience for the agentic era,” McKinsey & Company, Jul. 14, 2026. [Online]. Available: https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/rewiring-customer-experience-for-the-agentic-era
[2] A. Tan, “DBS holds off on letting AI agents run on their own as controls lag capability,” Computer Weekly, Jul. 28, 2026. [Online]. Available: https://www.computerweekly.com/news/366646190/DBS-holds-off-on-letting-AI-agents-run-on-their-own-as-controls-lag-capability
[3] M. Vesterinen, J. Mero, M. Skippari e H. Karjaluoto, “The Impact of Generative AI on B2B Marketing Processes: Evidence from Industrial Firms,” in 39th Bled eConference: Co-Creating Human-Centred and Responsible Digital Futures – Conference Proceedings, University of Maribor Press, pp. 523–536, 2026. doi: 10.18690/um.fov.4.2026.32. [Online]. Available: https://doi.org/10.18690/um.fov.4.2026.32
[4] Backbase, “Backbase launches the AI-Native Banking OS – defining a new category for agentic banking,” Backbase Press, Apr. 22, 2026. [Online]. Available: https://www.backbase.com/press/backbase-launches-the-ai-native-banking-os-a-new-category-for-agentic-banking
[5] S. Parikh, “We’re donating Agent Payments Protocol to the FIDO Alliance to support the future of secure, agentic payments,” Google, Apr. 28, 2026. [Online]. Available: https://blog.google/products-and-platforms/platforms/google-pay/agent-payments-protocol-fido-alliance/. See also Google, “Agentic Payment Protocol (v0.2),” technical specification. [Online]. Available: https://github.com/google-agentic-commerce/AP2/blob/main/docs/ap2/specification.md
[6] Stripe, “Stripe powers Instant Checkout in ChatGPT and releases Agentic Commerce Protocol codeveloped with OpenAI,” Stripe Newsroom, Sep. 29, 2025. [Online]. Available: https://stripe.com/newsroom/news/stripe-openai-instant-checkout
[7] P. Singh, “Bringing agentic payments to life in the UAE,” Mastercard, Nov. 20, 2025. [Online]. Available: https://www.mastercard.com/news/eemea/en/perspectives/en/2025/bringing-agentic-payments-to-life-in-the-uae/
[8] Parlamento europeo e Consiglio dell’Unione europea, Regolamento (UE) 2024/1689 del 13 giugno 2024 che stabilisce regole armonizzate sull’intelligenza artificiale (AI Act), testo consolidato al Jul. 27, 2026. [Online]. Available: https://eur-lex.europa.eu/eli/reg/2024/1689/2026-07-27/ita
[9] Moody’s, “Moody’s advances decision-grade credit intelligence powered by Microsoft 365 Copilot,” Moody’s, Apr. 21, 2026. [Online]. Available: https://www.moodys.com/web/en/us/media-relations/press-releases/moodys-advances-decision-grade-credit-intelligence-powered-by-microsoft-365-copilot.html
[10] Commissione europea, “AI Act,” European Commission, Aug. 3, 2026. [Online]. Available: https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
[11] P. Seers, “Bank of England’s Breeden signals new rules to govern agentic AI,” Reuters, Jun. 30, 2026. [Online]. Available: https://www.reuters.com/world/agentic-ai-may-require-regulatory-reform-boes-breeden-says-2026-06-30/
Partecipa alla community