- Le banche che attualmente utilizzano con successo l’intelligenza artificiale generativa si sono impegnate a costruire un modello operativo che tenesse conto dei rischi della nuova tecnologia, piuttosto che cercare di incorporarla in un modello operativo esistente
- Considerata la scarsità di talenti nell’ambito dell’Ai generativa, un modello operativo centralizzato consente all’azienda di allocare le risorse in modo più vantaggioso; oltre che prendere decisioni immediate su finanziamenti, fornitori e partnership
L’intelligenza artificiale generativa sta cambiando anche l’industria bancaria, tra chi ha iniziato a utilizzarla per potenziare i chatbot rivolti ai clienti, chi per prevenire le frodi e chi per accelerare determinate attività, come la stesura di pitchbook o la sintesi di rapporti normativi. Secondo le stime del McKinsey Global Institute, all’interno di questo settore l’Ai generativa può sbloccare tra i 200 e i 340 miliardi di dollari all’anno di valore in più a livello mondiale, pari al 2,8-4,7% dei ricavi totali del comparto, soprattutto grazie a un aumento della produttività. Ma per sfruttarne al massimo le potenzialità, la scelta del modello operativo da adottare può essere fondamentale.
Come evidenzia McKinsey in un report dal titolo Scaling gen Ai in banking: choosing the best operating model, le istituzioni finanziarie che attualmente utilizzano con successo l’intelligenza artificiale generativa si sono impegnate a costruire un modello operativo che tenesse conto dei rischi della nuova tecnologia, piuttosto che cercare di incorporarla in un modello operativo esistente. Da un’analisi su 16 tra le maggiori istituzioni finanziarie tra Europa e Stati Uniti che rappresentano circa 26mila miliardi di dollari di asset, sono emersi quattro “archetipi” organizzativi, ciascuno con i propri vantaggi e sfide:
- altamente centralizzato: un team centrale è interamente responsabile delle soluzioni di intelligenza artificiale generativa, dalla progettazione all’esecuzione, indipendentemente dal resto dell’azienda, il che può consentire un più rapido sviluppo delle competenze. C’è da dire però che con un modello organizzativo di questo tipo, il team rischia di venire isolato dai processi decisionali;
- guidato centralmente, ma eseguito da unità aziendali: questo modello presenta una maggiore integrazione tra le unità aziendali e il team dedicato all’intelligenza artificiale, riducendo l’attrito e facilitando l’uso della tecnologia a livello aziendale. Tuttavia, può rallentare il lavoro del team dedicato dovendo attendere l’input e l’approvazione delle unità aziendali per procedere;
- guidato dalle unità aziendali e supportato a livello aziendale: con questo modello diventa più facile ottenere il consenso delle unità e delle funzioni aziendali, poiché le strategie nascono dal basso. Può essere però difficile implementare l’utilizzo dell’Ai generativa in diverse unità aziendali oppure più unità aziendali possono riportare diversi gradi di sviluppo dell’Ai;
- altamente decentralizzato: in questo caso è facile ottenere il consenso delle unità e delle funzioni aziendali e le risorse specializzate possono produrre rapidamente informazioni rilevanti. Le singole unità aziendali rischiano però di non avere le conoscenze che possono derivare da un approccio più centralizzato. In più, possono riscontrare delle difficoltà nell’approfondire un singolo progetto di Ai generativa.
![](https://wewealth.fra1.digitaloceanspaces.com/2024/03/Intelligenza-artificiale-e-banche-1024x885.jpg)
Fonte: McKinsey & Company
Ai e banche: il modello operativo dai migliori risultati
Fatta questa premessa, in questa fase iniziale del percorso dell’Ai generativa, le banche che hanno centralizzato i loro modelli operativi sembrano essere in vantaggio. Circa il 70% degli istituti finanziari con modelli operativi altamente centralizzati sono arrivati a produrre casi d’uso di Ai generativa, a fronte del 30% di quelli con un approccio altamente decentralizzato. “La gestione centralizzata consente alle imprese di concentrare le risorse su una manciata di casi d’uso, superando rapidamente la sperimentazione iniziale per affrontare le sfide più difficili della messa in produzione e della scalabilità”, spiegano gli autori del rapporto. “Le istituzioni finanziarie che utilizzano approcci più dispersivi, invece, faticano a portare i casi d’uso oltre la fase pilota”.
I vantaggi di un modello operativo centralizzato sono essenzialmente quattro:
- considerata la scarsità di talenti nell’ambito dell’Ai generativa, la centralizzazione consente all’azienda di allocare le risorse in modo più vantaggioso per l’intera organizzazione;
- in un ambiente in rapida evoluzione, in cui vengono introdotti nuovi modelli linguistici e nuove funzionalità, un team centrale può restare più facilmente al passo rispetto a diversi team sparsi all’interno dell’azienda;
- un modello operativo centralizzato risulta utile nelle prime fasi, quando è necessario prendere decisioni frequenti su questioni come finanziamenti, architettura tecnologica, fornitori e partnership;
- la gestione del rischio e l’aggiornamento sugli sviluppi normativi sono facilitati.
I rischi di un modello operativo altamente centralizzato
La centralizzazione, avvertono, non è tuttavia priva di attriti. “Finora i principali ostacoli all’implementazione di un modello operativo centralizzato sono stati i disaccordi sulla roadmap strategica, sui meccanismi di finanziamento e sulla condivisione dei talenti, poiché le unità temono di perdere risorse cruciali o di veder trascurate le proprie priorità operative”, si legge nell’analisi. Le società di servizi finanziari che hanno gestito al meglio la transizione verdo l’Ai generativa avevano già un elevato livello di agilità organizzativa, che ha permesso loro di rielaborare rapidamente i processi e di mettere in comune in modo flessibile le risorse, collocandole in un hub centrale o creando squadre ad hoc, coordinate a livello centrale. Ad ogni modo, man mano che la tecnologia evolverà, secondo McKinsey il pendolo oscillerà probabilmente verso un approccio più “federato”. In generale, la scelta di un modello operativo non è univoca per tutti. “Un istituto può decidere quanto centralizzare le varie componenti del proprio modello operativo e adattare l’approccio alla propria struttura e cultura”, suggeriscono dalla società di consulenza. “Un’organizzazione, per esempio, potrebbe utilizzare un approccio più centralizzato per il rischio, l’architettura tecnologica e le decisioni in materia di partnership e optare invece per un modello più federato per esecuzione e processi decisionali”.