L’impatto positivo dell’AI al servizio delle banche

L’intelligenza artificiale (IA) si diffonde a ritmi sempre più rapidi. Secondo una ricerca Gartner, il numero di società che hanno adottato l’IA è aumentato del 270% dal 2015 al 2019 e si prevede che nel 2027 il mercato globale dell’IA avrà un valore di 267 miliardi di dollari.

Eppure, ora come ora, la stragrande maggioranza dei modelli di IA creati non arriva mai alla produzione. Algoritmi accuratamente progettati rimangono allo stadio di prototipi e non vengono mai adottati su ampia scala. In che modo le banche possono utilizzare meglio questi modelli per creare un impatto positivo sulle proprie attività? La risposta risiede nell’industrializzazione dell’IA. Si tratta del processo che consente di estendere l’applicazione dell’IA all’intera azienda in modo che tutta l’attività possa trarne vantaggio su ampia scala.

Sono tre i criteri principali da seguire per industrializzare l’IA che vado ad analizzare.

L’IA è efficace unicamente se lo sono i dati sui quali si basa. Quindi, se un’azienda intende industrializzare il suo modello di intelligenza artificiale, deve prima analizzare i propri dati. La maggior parte delle aziende si basa su silos di dati, che quindi non possono essere utilizzati per eseguire i modelli di IA su ampia scala: se il team che crea i modelli di IA ha accesso soltanto a serie limitate e isolate di dati non potrà che produrre modelli che avranno un uso limitato.

Per industrializzare l’IA è pertanto essenziale migliorare i processi di condivisione dei dati. Disporre di dati condivisi e centralizzati permetterà di avere una base più affidabile sulla quale strutturare le proprie soluzioni AI-based.

Attraverso ampie serie di dati di buona qualità, è possibile creare modelli di AI standardizzati e solidi, replicabili in tutta l’azienda.

L’innovazione richiede l’utilizzo di dati e informazioni provenienti da un ampio ventaglio di fonti. La collaborazione tra funzioni e dipartimenti permette di ottenere risultati migliori.

Per garantire un’industrializzazione efficace dell’IA è necessario un coordinamento interdipartimentale in modo che i team possano mettere in comune le diverse informazioni. Meno si coopera e più sarà difficile costruire modelli eseguibili nei diversi reparti dell’azienda. Anche la sperimentazione dovrebbe essere incoraggiata per trarre il meglio dalle migliori professionalità dell’azienda.

Può essere effettivamente difficile assumere e fidelizzare i talenti specializzati nell’IA. Nel 2020, un’indagine del World Economic Forum relativa alle istituzioni finanziarie ha rivelato che l'84% delle aziende ritiene che la difficoltà di accesso ai talenti sia un ostacolo per l’implementazione dell’IA. Pertanto è fondamentale saper trarre il meglio dai talenti interni, e metterli nelle condizioni di crescere.

È possibile applicare l’IA su larga scala solo se le aziende sono disposte a integrare le soluzioni basate su questa tecnologia nei modelli operativi esistenti. Una delle principali barriere all’implementazione su ampia scala dell’intelligenza artificiale è la scarsa flessibilità, una lacuna presente anche nel settore bancario i cui sistemi sono progettati per assicurare stabilità e sicurezza e in cui esistono molti sistemi legacy. Può essere pertanto difficile integrare le soluzioni basate sull’IA nello stack di software.

Se vogliono superare questa problematica, le aziende devono avere una chiara strategia di IA. Devono individuare le aree da modificare per consentire l’adozione generalizzata della nuova tecnologia. E devono creare processi standardizzati per strutturare, testare e implementare i nuovi modelli di intelligenza artificiale. In tal modo sarà più facile assicurare la replicabilità e la scalabilità dei modelli implementati.

Affinando tutti questi processi, le aziende saranno più capaci di utilizzare in maniera ottimale le informazioni e i dati forniti dall’intelligenza artificiale. Se infatti è sicuramente positivo avere un modello scalabile e applicabile in maniera estesa all’intera organizzazione, è altrettanto importante sapere come sfruttarlo al meglio.

Industrializzare lo sviluppo e l’implementazione dei modelli di intelligenza artificiale offre vantaggi tangibili. L’obiettivo dell’industrializzazione dei modelli AI deve essere esattamente lo stesso di quello perseguito con i progetti di digital transformation. Se si perde il treno, si rischia di farsi superare da concorrenti più svelti e agili.

L’IA consente di migliorare notevolmente l’efficienza. Il potenziale risparmio di costi aggregati per le banche derivante dall’utilizzo delle applicazioni di IA è valutato attorno ai 447 miliardi di dollari nel 2023 secondo uno studio di Business Insider Intelligence.

Tuttavia, la riduzione dei costi è solo uno dei vantaggi dell’implementazione su larga scala dell’IA. L’utilizzo su ampia scala dei modelli di IA più adeguati consente di migliorare i servizi e i prodotti esistenti o di creare nuovi servizi. L’intelligenza artificiale può avere un ruolo centrale nella generazione di ricavi e nel miglioramento della customer experience.

Alcune delle applicazioni esistenti di IA danno già i loro frutti. L’uso dei chatbot è particolarmente diffuso. The Bank of America, per esempio, utilizza un chatbot chiamato Erica per aiutare i clienti ad assumere decisioni più informate su come impiegare il proprio denaro. Nel 2019 Erica ha superato i 10 milioni di utenti e continuare a crescere a ritmi accelerati.

Chiaramente, il potenziale dell’IA per il settore finanziario è immenso. Tuttavia, per iniziare a goderne i frutti dobbiamo assicurarci che i modelli di IA vadano oltre la sperimentazione. Come? Attraverso l’industrializzazione dell’IA.