Per ogni dollaro che le aziende spendono in software, ne spendono sei in servizi. È un rapporto, citato dal partner Sequoia Julien Bek e ripreso nei comunicati che hanno accompagnato gli annunci di Anthropic in questi giorni, che riassume meglio di qualunque metrica di benchmark dove si gioca davvero la partita dell’AI nelle imprese. Non sui modelli, non sui token, non sulle API, ma sull’integrazione di quei modelli dentro i workflow esistenti, sulla capacità di mappare un processo, riscriverlo intorno a un agente, gestire le eccezioni, dare audit trail a chi governa il rischio.
È il livello in cui Anthropic, OpenAI e i grandi advisor stanno costruendo posizioni in queste settimane, ed è il livello che rende i dieci agenti per servizi finanziari rilasciati ieri a New York un episodio di una storia molto più ampia.
Indice degli argomenti
Agenti AI nei servizi finanziari e workflow regolato: l’annuncio Anthropic
I dieci template, presentati il 5 maggio da Dario Amodei di Anthropic al fianco di Jamie Dimon di JPMorgan, Peter Zaffino di AIG, Marco Argenti di Goldman Sachs e Lori Beer di JPMorgan, coprono pitch builder, meeting preparer, earnings reviewer, model builder, market researcher, KYC screener, valuation reviewer, general ledger reconciler, month-end closer, statement auditor.
Ognuno di essi è un pacchetto che combina skill specifiche, connettori dati governati e subagenti per task derivati. È il tipo di prodotto che, fino a diciotto mesi fa, sarebbe stato venduto da un system integrator dopo nove mesi di progetto.
Oggi è un plugin che gira dentro Claude Cowork accanto all’analista, oppure un Managed Agent autonomo sulla piattaforma di Anthropic, con sessioni multi-ora, audit log integrali e vault di credenziali gestite. La compressione di tempo e di costo che questo introduce, sulla parte regolata del lavoro finanziario, è la prima delle tre forze che stanno ridisegnando l’industria.
Audit log e AI nei servizi finanziari del middle office
Quando si parla di adozione AI nelle banche e nelle assicurazioni, l’errore più frequente è confondere il grado di intelligenza del modello con la sua collocabilità dentro un processo regolato. Un modello frontier può essere brillante e contemporaneamente non utilizzabile in produzione, perché manca la pista di tracciamento che permette al chief risk officer, al compliance officer, al revisore esterno, di ricostruire ogni singolo passaggio decisionale. È esattamente il punto dove gli annunci di queste settimane stanno spostando l’asticella. Ogni Managed Agent di Anthropic produce log granulari nella Console: ogni tool chiamato, ogni dato letto, ogni risultato prodotto, con timestamp e con permessi specifici per tool. La capacità tecnica del modello, che resta misurabile e che vede Opus 4.7 in testa al Vals AI Finance Agent benchmark con 64,37%, diventa un fattore necessario ma non sufficiente.
AIG ha riportato pubblicamente che con Claude i tempi di review per sottoscrivere business si sono compressi di oltre cinque volte e l’accuratezza dei dati è passata dal 75% a oltre il 90%. È un dato che, letto da chi non lavora in assicurazione, rischia di sembrare uno dei tanti claim aziendali, però sull’underwriting cambia la fisica del lavoro: la review che prima richiedeva una settimana ora si chiude in un giorno, e questo si traduce in meno escalation, meno rework, meno mispricing. Per arrivare a quel risultato, però, serviva un’infrastruttura di tracciabilità che permettesse di esibire ogni decisione presa dall’agente, perché senza quella nessun chief underwriting officer firma. Lo stesso meccanismo vale, replicato su altri verticali, per il KYC screener (compliance), per il general ledger reconciler (audit), per il valuation reviewer (governance del modello). La traccia è il prodotto, non il modello.
Wall Street e AI nei servizi finanziari: l’organigramma cambia
Il secondo fronte, e forse quello con effetti più profondi nei prossimi cinque anni, è la trasformazione del lavoro finanziario in sé. JPMorgan ha comunicato che la sua headcount è cresciuta solo dell’1% mentre l’utile è aumentato del 12%. Il CFO Jeremy Barnum ha detto agli analisti che ai manager è stato chiesto di evitare nuove assunzioni mentre la banca dispiega AI ovunque, e un dirigente del gruppo ha stimato che il personale di operations e support scenderà di almeno il 10% in cinque anni anche con il business in crescita.
Goldman Sachs, sotto la guida di David Solomon, ha lanciato OneGS 3.0, una riorganizzazione esplicitamente costruita intorno all’AI, in cui il CIO Marco Argenti ha introdotto un concetto che vale la pena fissare: la “hybrid workforce“, dove gli agenti AI vengono inclusi nelle valutazioni di performance e nei meccanismi di workflow oversight come fossero impiegati virtuali.
La hybrid workforce e il rallentamento delle assunzioni
C’è una tensione comunicativa interessante tra le grandi banche, e merita di essere osservata senza ideologia. Solomon dice ad Axios che l’idea che l’AI riduca i posti di lavoro sarebbe “una semplice narrazione mediatica”, argomentando che questi tool rendono più produttive le persone già produttive. Dimon, allo stesso microfono Bloomberg, dice che alcuni job verranno eliminati ma è meglio essere avanti rispetto alla curva e riqualificare le persone. Sono due sfumature diverse di una stessa realtà, e a livello di sistema il dato che resta è che le banche stanno assumendo significativamente meno mentre macinano profitti record. Goldman e Morgan Stanley, secondo report del New York Times rimbalzati anche su Fortune, starebbero valutando di tagliare le coorti di nuovi analyst fino ai due terzi rispetto al passato. JPMorgan Asset Management ha già eliminato l’uso dei proxy advisor sostituendoli con un tool AI interno per il voto in assemblea. Sono micro-decisioni operative che, messe in fila, descrivono una piramide organizzativa che si sta appiattendo dal basso.
Il nodo del talento e della formazione
Il problema vero, su cui chi guida una banca o un’azienda finanziaria farebbe bene a fermarsi a pensare, è cosa succede al pipeline del talento di lungo periodo. La generazione precedente di partner di investment banking si è formata su anni di reconciliation, modeling, deck assembly, KYC. Quelle sei-otto ore notturne di “grunt work” erano il modo in cui un junior costruiva il giudizio professionale, l’intuito sui mercati, la sensibilità ai numeri.
Se quel lavoro lo fa l’agente, la formazione del giudizio non sparisce, ma cambia luogo: si sposta dalla produzione del lavoro alla supervisione critica del lavoro dell’agente. È un’alfabetizzazione diversa, che richiede saper leggere un output AI con spirito critico, riconoscere casi limite, costruire prompt strutturati, identificare le fonti su cui l’agente si è appoggiato. Ed è un’alfabetizzazione che oggi nessuna delle grandi banche sa ancora insegnare bene, e che le scuole di management iniziano appena a integrare nei curricula.
Big Tech, PE e AI nei servizi finanziari: la nuova architettura
Il terzo livello, quello forse più sorprendente per chi guarda al settore senza occhio strategico, è il riassetto del rapporto tra fornitori AI e Wall Street. Per quindici anni le banche americane hanno comprato cloud da AWS, Azure, Google Cloud, e software enterprise dai system integrator e da una manciata di vendor specialistici. L’AI generativa è entrata in questo mercato non come nuovo prodotto, ma come nuovo modello di delivery, e Anthropic in queste settimane ha mostrato di averlo capito prima e meglio degli altri. Il giorno prima dell’annuncio dei dieci agenti, Anthropic ha lanciato una joint venture da 1,5 miliardi di dollari con Blackstone, Hellman & Friedman e Goldman Sachs, partecipata anche da Apollo Global Management, General Atlantic, Leonard Green, GIC e Sequoia Capital. La struttura ricalca esplicitamente il modello di forward-deployed engineering di Palantir: ingegneri Anthropic dispiegati dentro le aziende dei fondi PE per ridisegnare i workflow attorno agli agenti, partendo dalle portfolio company dei fondi stessi.
Il senso di questa mossa è duplice. Sul piano commerciale, è il modo in cui Anthropic risolve un collo di bottiglia che il CFO Krishna Rao ha riconosciuto pubblicamente: la domanda enterprise per Claude eccede qualsiasi singolo modello di delivery, e il PE diventa un canale di distribuzione capillare verso il mid-market. Sul piano strategico, è una mossa che attacca frontalmente l’industria della consulenza tradizionale, quella di McKinsey, Bain, BCG, Accenture, Deloitte. Jon Gray di Blackstone l’ha detto con chiarezza: la JV punta a smantellare uno dei principali bottleneck dell’adozione AI in azienda, cioè la scarsità di ingegneri capaci di implementare sistemi AI di frontiera a velocità. Tradotto: il sei contro uno citato all’inizio (sei dollari di servizi per ogni dollaro di software) è il mercato che Anthropic sta provando a redistribuire, prendendo per sé una quota significativa del lato servizi che storicamente è andata ad altri.
OpenAI, secondo quanto riportato da Fortune e altri, starebbe lavorando a una struttura quasi identica con TPG e Bain Capital. La conseguenza di sistema è che Wall Street sta diventando il banco di prova di un modello di business AI nuovo, in cui i lab non vendono più solo modelli ma vendono outcome implementati, e dove il PE diventa il canale di distribuzione e il banco di prova insieme.
Cosa significa l’AI nei servizi finanziari per le aziende italiane
Per chi guida un’azienda italiana che usa modelli frontier americani, questa traiettoria ha tre implicazioni che vale la pena tenere insieme.
Concentrazione dei fornitori e vendor risk
La prima è che la concentrazione dei fornitori si sta accelerando, non rallentando. Lo share di Anthropic sulla spesa enterprise AI negli Stati Uniti è passato al 40% all’inizio del 2026, mentre quello di OpenAI è sceso dal 50% al 27% nello stesso periodo, e queste JV con i grandi PE rendono la concentrazione strutturale, perché cementano relazioni di lungo periodo con i player più capitalizzati. Una clausola di vendor risk, oggi, deve esplicitamente prevedere la concentration risk del provider AI come una voce a sé.
Middle e back office come primo ROI
La seconda è che il middle e back office regolato non è più una funzione di costo: è il primo workflow dove l’AI agentica produce ROI misurabile entro tre mesi e dove la pista d’audit è il vero asset competitivo. Le funzioni compliance, finance, audit, risk, che fino a ieri erano l’ultimo dipartimento a ricevere investimenti tecnologici nelle banche italiane, dovrebbero diventare il primo da cui partire, perché è lì che la combinazione tra alta ripetitività dei task, dati strutturati, audit obbligatorio, rende la curva di adozione più rapida e meno rischiosa.
Talento junior e supervisione degli agenti
La terza riguarda il talento. Se il grunt work sparisce, e se la hybrid workforce di Argenti diventa norma, le aziende che oggi pensano di aspettare che la tecnologia maturi si troveranno tra cinque anni con una doppia carenza: di analisti junior senza l’esperienza che non hanno potuto fare, e di mid-level senza la capacità di supervisionare gli agenti, perché quella capacità non l’hanno costruita né gli uni né gli altri. La trasformazione del lavoro finanziario non si gestisce ex post, va anticipata di almeno due anni nell’organizzazione delle funzioni interne e nella formazione.
A valle di una traiettoria di questo tipo, ci si pone una domanda che vale la pena lasciare aperta. La prossima generazione di analisti, di compliance officer, di financial advisor in Italia, riuscirà a sviluppare il giudizio professionale che ha fatto la differenza per i loro predecessori, oppure il giudizio si formerà su basi diverse, perché parte del rodaggio sui task ripetitivi, che era il modo storico per imparare il mestiere, viene assorbito dagli agenti? E chi guida oggi una banca, un’assicurazione, un asset manager, sta investendo nel tempo necessario a costruire quell’alfabetizzazione nuova, oppure sta inseguendo solo la curva di efficienza di breve? Purtroppo ho l’impressione che si stia andando verso la seconda ipotesi, ma mi auguro di no.
