GenAI nel settore finanziario: sfide e modelli emergenti

Stato dell’arte della GenAI nel settore finanziario

Oggi, tuttavia, il quadro dei progetti di AI nel settore riflette una differenziazione netta tra tecnologie consolidate e ambiti emergenti. Attualmente, il 68% dei progetti di AI si concentra sul Machine Learning, mentre il 32% riguarda la Generative AI. Questa differenza si riflette anche nello stato di avanzamento: il Machine Learning è infatti per lo più in fase di piena adozione o maturità (77%), mentre la Generative AI si trova principalmente in fase di studio (47%) o sperimentazione (45%), con solo il 7% dei progetti già in produzione o in fase di lancio (Fonte: Cetif Research Insight Advanced Analytics & AI Hub 2024).

Questi dati evidenziano come il Machine Learning sia ormai integrato in molti processi aziendali, rappresentando una base tecnologica solida e consolidata. Al contrario, la Generative AI resta una frontiera ancora in fase di definizione e sviluppo, con potenzialità ancora tutte da esplorare.

Architetture multi-agente: precisione, trasparenza e adattabilità

Tuttavia, lo sviluppo delle soluzioni di Generative AI procede a una velocità significativamente superiore rispetto alle precedenti ondate tecnologiche. A questa rapidità si accompagna una crescente complessità in termini di governance e controllo, che impone alle istituzioni finanziarie di ripensare in modo sistemico e consapevole le proprie strategie: dal governo dei dati allo sviluppo di nuovi modelli operativi, fino alla revisione dei sistemi di controllo. Il percorso evolutivo in atto porterà progressivamente all’adozione di architetture sempre più sofisticate, fondate su modelli multi-agente (agentic AI).

A differenza dei modelli generalisti di tipo foundation, pensati per essere versatili e applicabili a una molteplicità di task, le architetture multi-agente si fondano sulla cooperazione tra agenti generativi specializzati, ciascuno progettato per svolgere una funzione specifica in modo efficiente, preciso e tracciabile.

Rispetto ai modelli general purpose, infatti, i sistemi multi-agente offrono diversi vantaggi. In primo luogo, migliorano la precisione delle risposte grazie alla specializzazione: ciascun agente può essere calibrato su un dominio informativo ristretto, utilizzando dati e logiche ottimizzate per il contesto di riferimento, riducendo così il rischio di errori o interpretazioni arbitrarie. In secondo luogo, i modelli multi-agente garantiscono maggiore fairness e trasparenza.

La distribuzione dei compiti tra agenti separati permette di identificare e monitorare più facilmente i singoli passaggi che portano a una decisione, abilitando forme di explainability granulari e più accessibili anche per le funzioni di controllo.

Un altro aspetto distintivo riguarda l’adattabilità: in mercati dinamici come quelli finanziari, dove il contesto muta rapidamente, la capacità degli agenti di aggiornare in modo indipendente strategie e logiche di azione garantisce una maggiore resilienza e continuità operativa. Se un componente perde efficacia, l’architettura è in grado di redistribuire i carichi o aggiornare i singoli agenti senza compromettere l’intero sistema.

Data governance per la GenAI: sfide e nuove fonti informative

Lo sviluppo dei modelli generativi si scontra, tuttavia, con la necessità di avere dati disponibili di elevata qualità, costituendo la base per l’addestramento, la validazione e il funzionamento dei modelli generativi. Tuttavia, il paradigma oggi si complica con la presenza di fonti dati alternative, come i dati non strutturati. Testi, documenti, log di sistema, immagini, contenuti vocali e comportamentali sono asset informativi cruciali per lo sviluppo dei nuovi modelli, ma richiedono processi rigorosi di normalizzazione, validazione e tracciabilità. A ciò si aggiunge la crescente rilevanza dei dati sintetici, generati artificialmente per superare le limitazioni legate alla privacy o alla scarsità di dati reali: se da un lato rappresentano una risorsa strategica, dall’altro impongono nuove sfide di governo e di controllo.

Per affrontare questa complessità, le istituzioni finanziarie stanno progressivamente rivedendo i propri modelli di Data Governance, estendendo il perimetro delle politiche di governo dei dati dai dati strutturati a tutte le tipologie di dato, adottando regole condivise, indicatori di qualità misurabili, strumenti di tracciabilità del lineage e meccanismi di gestione degli accessi. Solo ampliando la governance a queste nuove fonti sarà possibile per le istituzioni finanziare sfruttare efficacemente dati non strutturati e dati sintetici nell’addestramento dei modelli di AI. A oggi, infatti, solo il 10% delle istituzioni utilizza in modo significativo dati non strutturati per questo scopo, mentre nessuna impiega dati sintetici (fonte: Cetif Research Insight Advanced Analytics & AI Hub 2024).

LLMOps e trasformazione organizzativa nel settore finanziario

Su questo sfondo, si afferma il framework LLMOps (Large Language Model Operations), che rappresenta l’evoluzione del modello operativo MLOps (Machine Learning Operations), adattandosi alle specificità dei foundation model generativi. LLMOps è un modello che abbraccia l’intero ciclo di vita del modello, dalla progettazione alla messa in produzione, fino al monitoraggio continuo e alla gestione del rischio.

Tale approccio non si limita alla gestione tecnica dei modelli, ma introduce pratiche come il prompt engineering, l’orchestrazione intelligente tra cloud ed edge, l’integrazione di tecniche RAG (Retrieval-Augmented Generation) e la definizione di metriche per valutare coerenza, affidabilità e rischio dei contenuti generati.

Il passaggio alle logiche LLMOps impone, dunque, un cambiamento culturale profondo all’interno delle organizzazioni. La GenAI, infatti, richiede una trasformazione organizzativa che coinvolga in modo coordinato tutte le funzioni, dal business ai controlli interni, considerando che per il successo delle soluzioni generative sviluppate ogni stakeholder interno assume un ruolo cruciale. Un esempio emblematico è la gestione dei prompt, che diviene un’attività fondamentale, dal momento in cui la qualità degli output dipende in larga misura da come vengono formulate le richieste all’agente.

Supervisione, compliance e cultura del controllo nella GenAI

Inoltre, la natura probabilistica della GenAI, caratterizzata da comportamenti emergenti e talvolta imprevedibili, rende inadeguati i tradizionali presìdi di controllo statici, introducendo sfide inedite per le funzioni di controllo, in particolare per la Compliance. Questa sarà chiamata a ricoprire un ruolo sempre più strategico lungo l’intero ciclo di vita dei modelli, in un contesto in cui la supervisione umana resta centrale grazie all’approccio human-in-the-loop. Per garantire un controllo efficace, sarà però necessario rafforzare la collaborazione tra esperti di conformità normativa e team di sviluppo, promuovendo competenze trasversali e processi condivisi di monitoraggio, calibrazione e validazione continua dei modelli generativi.

In definitiva, l’adozione della GenAI nel settore finanziario non può essere affrontata come una semplice sfida tecnologica, ma richiede una trasformazione sistemica, che coniughi evoluzione operativa, innovazione dei modelli di controllo e una rinnovata cultura organizzativa. Il successo nell’impiego di architetture multi-agente e framework LLMOps dipenderà dalla capacità delle istituzioni di integrare competenze eterogenee, ridefinire i presìdi di governo del dato e sviluppare meccanismi di supervisione adattivi, capaci di rispondere alla natura dinamica e probabilistica di questi sistemi. In questo contesto, solo un approccio collaborativo, responsabile e consapevole potrà garantire un utilizzo della GenAI che sia al tempo stesso responsabile.