Serafini (Fideuram Ispb):così l’AI cambia il lavoro del private banker

L’intelligenza artificiale sta entrando nel wealth management, ma la sua applicazione concreta nelle reti di consulenza richiede molto più dell'adozione di nuovi strumenti tecnologici. Per trasformare l'AI in un supporto efficace per il private banker occorre innanzitutto lavorare sulla qualità e sulla governance dei dati, costruendo un ecosistema in cui informazioni, modelli e competenze possano dialogare. L'obiettivo è passare da una consulenza reattiva a una capace di anticipare i bisogni del cliente, fino ad arrivare, in prospettiva, all'impiego di agenti di intelligenza artificiale in grado di supportare il consulente nella predisposizione di proposte personalizzate. È questa la direzione intrapresa da Fideuram – Intesa Sanpaolo Private Banking. A raccontarla è Gianluca Serafini, condirettore generale di Fideuram – Ispb, intervenuto in occasione del Wealth Management Summit 2026 di We Wealth, che si è tenuto al Palazzo Serbelloni di Milano. Serafini, da dov’è partita l'integrazione dell'AI nella rete di consulenza e quali sono state le prime difficoltà? Il punto di partenza è sempre il trade-off tra innovazione e adozione. In questo caso, però, c'è una particolarità: il cliente spesso adotta l'intelligenza artificiale prima della banca. Si trova quindi ad avere a disposizione uno strumento potente, che impara a utilizzare e con il quale può mettere alla prova le indicazioni ricevute. Si crea così un nuovo elemento di confronto tra il consulente e il cliente. Per una banca, invece, l'adozione è più complessa, per diverse ragioni. La prima è individuare il valore effettivo della tecnologia e capire come estrarlo. La seconda riguarda la natura stessa del wealth management: cambiano le performance dei portafogli, i comportamenti dei clienti e, soprattutto, il rapporto fiduciario, che ne rappresenta un pilastro.C'è poi un terzo aspetto, tutt'altro che secondario: la tecnologia non è ancora sufficientemente matura su tutti questi fronti. Esiste molta retorica intorno all'intelligenza artificiale, ma l'AI non può lavorare efficacemente su dati scarsi, rumorosi e stocastici. È quindi anche un problema tecnologico. In fondo, l'intelligenza artificiale è un amplificatore. Possiamo immaginarla come uno strumento musicale: inserisco dei suoni, li trasformo in una melodia e la amplifico. Ma il punto è capire quali suoni inserisco e se sono in grado di dialogare tra loro. Se introduco un suono sbagliato, o elementi che non comunicano, rischio semplicemente di amplificare un errore o qualcosa di disarmonico. È proprio su questo aspetto che abbiamo lavorato molto, arrivando a dedicarci per circa due anni alla comprensione della sua effettiva applicabilità: il tema dei dati. Occorre costruire un perimetro ben definito all'interno del quale far interagire tutti gli attori coinvolti: clienti, banca, intelligenza artificiale e consulenti. Questo perimetro si chiama data governance. La governance dei dati strutturati è, in termini di importanza, persino superiore all'algoritmo utilizzato. È un passaggio fondamentale: se non interveniamo sui dati, che definiamo le «terre rare» della banca, non possiamo far lavorare correttamente l'intelligenza artificiale né trasformarne i risultati in raccomandazioni solide. Guarda l’intervento integrale https://www.youtube.com/watch?v=c4f-WTJ5jfI In questa fase avete anche rivisto l'approccio iniziale, dopo averne sperimentato i limiti? Assolutamente. Nella fase iniziale abbiamo avviato una sperimentazione con una grande società specializzata in intelligenza artificiale, lavorando sui dati allora disponibili. I risultati non hanno risposto pienamente alle nostre aspettative, evidenziando la necessità di intervenire sulla qualità e sull'organizzazione dei dati. Questa esperienza ci ha portato a ripensare e a evolvere profondamente il modello. In che modo l'intelligenza artificiale sta già cambiando concretamente il lavoro del private banker? E quale valore aggiunto può generare rispetto a un semplice supporto operativo? La vera potenzialità dell'intelligenza artificiale nella consulenza è trasformarla da reattiva, cioè capace di rispondere a un fenomeno quando si manifesta, ad anticipatoria. Questo è il punto fondamentale. Per spiegare come stiamo lavorando, bisogna partire dall'analisi dei clienti e dei loro bisogni, ambiti nei quali applichiamo il machine learning. In questo modo possiamo supportare il consulente nell'individuazione e nella comprensione delle esigenze della clientela, attraverso l'analisi delle informazioni disponibili, nel rispetto dei presidi di governance e protezione dei dati. Successivamente, colleghiamo queste informazioni all'avvio degli investimenti e all'asset mix, per poi arrivare alla loro traduzione in un mix di prodotti. A questo aggiungiamo contenuti interni ed esterni: attraverso cinque passaggi, il consulente può così disporre di elementi e proposte di investimento già elaborati, da valutare e personalizzare nell'ambito della relazione con il cliente. Sono i singoli «suoni» che, messi insieme, contribuiscono a comporre un'offerta. Oggi utilizziamo l'intelligenza artificiale sia all'inizio del processo, per comprendere le esigenze e supportare l'analisi dei profili della clientela, sia nella fase finale, per lavorare sui contenuti. Ma stiamo anche facendo dialogare tutti questi elementi in maniera coerente. Per riuscirci è necessario adottare un'unica semantica, un linguaggio comune che permetta alle diverse componenti di comunicare tra loro.Abbiamo quindi integrato anche la parte regolamentare, l'Investment View, i rendimenti attesi e gli elementi relativi al rischio, affinché tutte queste informazioni possano interagire. Il prossimo passo potrebbe concretizzarsi nel corso del 2027, quando contiamo di introdurre gli agenti di intelligenza artificiale, che potranno supportare il consulente nella predisposizione, in tempi più rapidi, di proposte sofisticate e personalizzate sulle esigenze del cliente Ma c'è un aspetto ulteriore che considero fondamentale rispetto a ciò che mi aspetto dall'intelligenza artificiale e a ciò che voglio mettere a disposizione del consulente. Abbiamo detto che l'obiettivo è passare da una consulenza reattiva a una capace di anticipare i bisogni. Ecco, non voglio che l'intelligenza artificiale si limiti a ricevere un prompt e a restituire una risposta. Voglio che sia in grado di suggerire al consulente quale domanda porre al cliente per anticiparne le necessità. È questo il risultato a cui vogliamo arrivare. Finché i mercati salgono, è relativamente facile affidarsi alla tecnologia, ma quando attraversano una fase di forte correzione, chi guida la decisione e perché? Questi sono proprio i casi in cui emergono gli errori più comuni commessi dai clienti e, talvolta, anche dai consulenti. Quando i mercati salgono, infatti, si tende a pensare che non valga la pena pagare qualcuno che aiuti a mettere in discussione le proprie scelte. Lo stesso può accadere con l'intelligenza artificiale. Oggi esistono diversi strumenti, da ChatGpt a Claude e Copilot, capaci di elaborare proposte e analisi molto sofisticate su portafogli complessi, che nelle fasi di mercato positive possono anche ottenere buone performance. Il vero problema emerge quando i mercati scendono. In quel momento i portafogli possono subire forti perdite e la componente emotiva può assumere un peso crescente nelle decisioni del cliente. Può quindi rivolgersi all'intelligenza artificiale, ricevere suggerimenti su come riallocare il portafoglio e trovarsi davanti a indicazioni che non è poi in grado di seguire, perché comportano la realizzazione di perdite. Ma c'è un rischio ancora più grande: il mercato potrebbe successivamente recuperare, senza che il portafoglio riesca necessariamente a beneficiare della ripresa nella stessa misura. Il cliente finisce così per rimanere intrappolato in scelte sbagliate. Il punto è che i mercati possono essere estremamente violenti e, proprio per questo, diventa fondamentale il ruolo del professionista, che attraverso la consulenza e il confronto costante con il cliente può accompagnarlo nelle decisioni di investimento, aiutandolo a mantenere una prospettiva di lungo periodo e a costruire un portafoglio coerente con i suoi obiettivi e il suo profilo di rischio. In questo modo si riduce il peso della componente emotiva nelle decisioni del cliente. Scopri le altre interviste dei grandi protagonisti del wealth: Marcello Marra (Banco Desio), Stefano Vecchi (Banca Investis), Stefano Manfrone (BNL BNP Paribas), Fabrizio Greco (Bper Banca Private Cesare Ponti), Gianni Franco Papa (Bper Banca), Alberica Brivio Sforza (Lombard Odier).

Cerca nel sito

Serafini (Fideuram Ispb): così l’AI cambia il lavoro del private banker

Indice

Caro lettore, per continuare ad informarti con i nostri contenuti esclusivi accedi o registrati gratuitamente!
La registrazione richiede meno di un minuto.

Caro lettore, questo articolo è riservato ai professionisti del settore. Accedi o registrati gratuitamente!
La registrazione richiede meno di un minuto.

di Stefania Pescarmona

Messina (Intesa Sanpaolo): con Mps utili oltre 16 miliardi nel 2029

Elli (Fideuram Ispb): “La gestione professionale torna centrale”

Ghidoni (Fideuram): il private banker evolve tra AI e lavoro in team

Fideuram-Ispb, i digital specialist crescono del 59% in 6 anni

Marra (Banco Desio): “Se l’impresa cambia, deve cambiare anche la banca”

Assemblea Mps, sei ore per bocciare il piano Lovaglio. Che non si arrende

Articoli più letti

UniCredit: acquisire Banca Generali avrebbe senso?

Mps, Delfin porta il 17,6% a Intesa: l’Opas ora si gioca in assemblea

Risiko bancario, oltre Mps e Bpm: intrecci con assicurazioni e private equity

Mps: le armi che restano per resistere a Intesa

Risiko bancario, così cambiano banche, assicurazioni e risparmio gestito

Venture Capital: quando l’investimento non si esaurisce nel capitale

Ultime pubblicazioni

Daily

Weekend

Best Of

Private Market

Per continuare, disattiva il tuo ad blocker

Assistente