Banche e AI generativa, come accelerare lo sviluppo in 5 step

Ci sono almeno cinque mosse importanti, cinque passaggi chiave, per favorire e accelerare lo sviluppo dell’intelligenza artificiale generativa all’interno del mondo bancario e delle società finanziarie. Un percorso consigliato, che emerge da una recente analisi realizzata a livello internazionale da McKinsey.

Il report della celebre società di consulenza e management d’impresa è focalizzato in particolare sul settore Banking and Finance, ma, a ben vedere, molte di queste indicazioni e sollecitazioni possono riguardare e andare bene anche per un panorama aziendale molto più ampio e allargato, che comprende altri settori di attività, dalla manifattura alla logistica, dalla sanità all’e-Commerce.

AI generativa nelle banche: sviluppo in cinque punti

Ecco, secondo McKinsey, quali sono i cinque passi fondamentali per arrivare meglio e più velocemente al traguardo finale: allineamento con tutti gli stakeholder; uniformare e standardizzare i dati aziendali; sviluppare un’architettura di soluzioni modulare.

E poi: iniziare il percorso raccogliendo per primi i frutti e i risultati più facili da raggiungere; infine, ma non ultimo, implementare in azienda l’intelligenza artificiale agentica.

1. Allineare gli stakeholder dell’azienda

Allineamento con gli stakeholder. Una delle priorità principali delle istituzioni finanziarie – innanzitutto di quelle leader di mercato – è garantire il pieno allineamento con tutti gli stakeholder rilevanti.

Verso l’esterno, devono quindi impegnarsi in modo proattivo per comunicare a tutti i portatori di interessi e allinearli sulle strategie e attività che la società intende realizzare per raggiungere gli obiettivi prefissati. Verso l’interno dell’azienda e i propri dipendenti, va resa ben chiara l’importanza di adozione dell’AI generativa e le sue finalità, sostenendo queste iniziative con investimenti dedicati e corsi di formazione per aggiornare e fare crescere le conoscenze del personale.

2. Standardizzare i dati proprietari

Standardizzare i dati aziendali per semplificare l’implementazione. Algoritmi e AI generativa ‘mangiano’ e funzionano con grandi quantità di dati, e questi devono essere omogenei e di qualità per produrre risultati altrettanto validi.

Per quanto riguarda i dati aziendali, quindi, prima di diventare il ‘nutrimento’ delle macchine e delle loro elaborazioni, devono essere unificati e standardizzati, in modo che i vari team di lavoro interni, innanzitutto quelli dedicati allo sviluppo dell’AI, possano accedere a dati in origine non strutturati, come i documenti di testo, in un unico formato e in un’unica piattaforma tecnologica.

Va inoltre favorita la sperimentazione e l’implementazione end-to-end, perché attività e operazioni che fanno uso di Gen AI devono funzionare sull’intero processo aziendale, dall’inizio alla fine, non per compartimento stagni. E l’implementazione non procede finché tutte le applicazioni non funzionano come previsto.

3. Sistemi AI modulari e flessibili

Installare un’architettura di soluzioni modulare. Per massimizzare la produttività e i risultati nello sviluppo dei casi d’uso, “alcuni promotori della Gen AI aziendale stanno implementando un’architettura di soluzioni integrabile e modulare. Ovvero, progettano prodotti e servizi – in questo caso, finanziari – con componenti facilmente collegabili e intercambiabili”, rileva l’analisi di McKinsey. All’insegna della massima funzionalità e flessibilità.

Attraverso questo approccio, “risulta più semplice realizzare più casi d’uso in parallelo e creare connessioni personalizzabili su diversi livelli. In questo modo, i risultati e i benefici ottenuti in un settore di attività possono essere agevolmente duplicati e applicati con lo stesso successo ad altre operazioni e attività aziendali”.

4. AI generativa, iniziare dal più semplice

Iniziare il percorso con il raccogliere i frutti e i risultati più facili da raggiungere. Un’altra indicazione che arriva dalla multinazionale della consulenza assomiglia all’approccio da tenere per andare a raccogliere i frutti su un albero: vale a dire, cominciare a intascare e fare bottino con quelli più facili da raggiungere, per poi vedere di passare agli altri, ai punti più complessi e difficili.

Per ottenere risultati immediati e incoraggiare l’adesione alla Gen AI, le aziende dovrebbero concentrarsi inizialmente sui casi d’uso più abbordabili e meno rischiosi. Ad esempio, dando priorità allo sviluppo di Bot esclusivamente per uso interno, adottando un approccio di test e apprendimento per garantirne la fattibilità prima di passare alla scalabilità e alla diffusione verso l’esterno.

5. Sviluppare l’AI agentica

Implementare l’intelligenza artificiale agentica. Infine, per sfruttare appieno il valore messo a disposizione dalle nuove tecnologie generative, l’intelligenza artificiale agentica può svolgere un ruolo rilevante e d’impulso, aiutando le aziende a passare da applicazioni statiche come la stesura di promemoria e analisi, a una trasformazione dei processi lavorativi in grado di coinvolgere di più il personale e gli operatori.

In questo modo, un agente AI può guidare gli utenti nel processo aziendale e perfeziona i risultati in base al loro input. Ad esempio, nel percorso di sottoscrizione di un nuovo cliente per un prestito, l’AI agentica può notificare a un relationship manager una nuova richiesta e generare una bozza di email personalizzata per coinvolgere il cliente in pochi secondi.

Nelle conversazioni con il cliente, l’agente può trascrivere i punti chiave in tempo reale, visualizzare analisi o documenti pertinenti e fornire informazioni fruibili. E dopo la conversazione, l’agente può generare una lista di cose da fare personalizzata, consentendo all’operatore umano di preparare in modo efficiente il materiale da esaminare con il team del credito.

Se applicato all’intero percorso di approvazione del prestito, l’impatto è ancora maggiore, e consente alle banche e società finanziarie – ma non solo a quelle – di ottimizzare l’esperienza di clienti e dipendenti e di promuovere efficienza ed efficacia su larga scala.