Innovazione e regolamentazione: trovare il giusto equilibrio

L’industria finanziaria è stata storicamente tra le più aperte all’innovazione tecnologica. Complesse infrastrutture ICT consentono oggi di regolare in tempo reale gli enormi flussi di denaro generati dalle moderne economie, sia all’interno dei confini nazionali sia nel mondo globalizzato. Ora però lo scenario sta cambiando, come ha sottolineato Salvatore Rossi, sino a poco tempo fa direttore generale della Banca d’Italia e presidente dell’Ivass (Istituto per Vigilanza sulle Assicurazioni) inaugurando lo scorso anno il corso di Alta formazione per gli amministratori e gli organi di controllo delle imprese bancarie.

FinTech è diventata una parola di uso comune, che sintetizza questo cambiamento e può venire declinata in molti modi. Nel mondo del credito può intendere il crow-funding, il peer-to-peer lending, l’automated scoring; nel mondo dei servizi di pagamento gli instant payments, in quello dei servizi di consulenza finanziaria i robo-advisor, sino ad arrivare al fenomeno delle criptovalute basate su tecnologia Blockchain. Tutte applicazioni in cui si fa uso intensivo di algoritmi, basandosi sull’assunto che un algoritmo, se ben disegnato, può essere più efficiente dell’uomo nel prendere decisioni basate sull’enorme mole di dati che chiunque, singoli e imprese, dissemina in rete, in maniera più o meno consapevole.

Chi ha la responsabilità di regolamentare il mondo finanziario deve tenere conto di questi fenomeni, favorendo l’innovazione ma, al tempo stesso, tutelando adeguatamente la stabilità e la trasparenza del mercato e la privacy degli utenti. Se la risposta del legislatore fosse troppo rigida le imprese innovative, spesso start-up, perderebbero la loro spinta propulsiva e, d’altra parte, il puro e semplice laissez-faire presenterebbe rischi difficilmente prevedibili per la stabilità del sistema e la tutela dei consumatori. La risposta che stanno dando le economie avanzate a questo dilemma sono diverse. Gli Stati Uniti, dove il fenomeno FinTech è nato, hanno avuto finora una reazione regolatoria frammentata per Stati, nel complesso abbastanza restrittiva, ma il dibattito è aperto. Nell’Unione Europea il tessuto di regole e di standard tecnici in materia ha, secondo molti, facilitato l’evoluzione in Europa del mondo FinTech. Il Regno Unito, da parte sua, ha avuto un atteggiamento regolatoria decisamente benevolo. In Italia è stato istituito presso il Ministero dell’Economia e delle Finanze il Comitato di Coordinamento per il FinTech, al quale la Banca d’Italia e l’Ivass partecipano insieme ad altre autorità. Gli interventi regolamentari dovrebbero ispirarsi al principio ‘stesso rischio, stessa attività, stessa regola’, mantenendosi neutrali rispetto alle tecnologie messe in campo e cercando un’adeguata armonizzazione almeno a livello europeo. Operatori del settore e istituti di regolamentazione hanno, e devono continuare ad avere, ruoli distinti, ma l’analisi dei nuovi fenomeni e delle tecnologie a supporto può essere almeno in parte condivisa. Fare previsioni di medio-lungo periodo è difficile, ma è possibile cercare di capire come si sta muovendo oggi il mercato italiano. Per questo abbiamo posto le seguenti domande ad alcuni player del mondo dell’offerta.

1. Che approccio e quali soluzioni suggerite ai vostri clienti per affrontare con successo questa tematica?

2. Attività finanziare indirizzate al mondo consumer e a quello enterprise: dove esprimono maggiore valore le tecnologie che integrano funzionalità di IA?

3. Oltre alle banche, quali altre tipologie di operatori finanziari utilizza questi strumenti?

•1. Il settore finance e quello dei servizi bancari digitali hanno stimolato e guidato l’utilizzo delle tecnologie di intelligenza artificiale con l’obiettivo di migliorare l’esperienza della clientela. Due sono le principali applicazioni dell’IA nel settore finanziario. La prima è l’utilizzo delle chatbot; attraverso l’analisi predittiva, l’utilizzo delle informazioni esistenti, i clienti possono ottenere risposte in qualsiasi momento. Le banche implementano tecnologie simili ad Alexa o Google Home: un assistente virtuale può fornire ai clienti le informazioni di cui hanno bisogno. A ciò si aggiungono lo sviluppo di applicazioni mobili e funzionalità di gestione self-service. Il secondo beneficio derivante dall’utilizzo di intelligenza artificiale e machine learning è il rilevamento delle frodi.

•2. Molti operatori hanno iniziato a sfruttare queste tecnologie: il settore del trading ha implementato le tecnologie che forniscono analisi più rapide e consigli basati su algoritmi, le compagnie di assicurazione utilizzano l’IA per raccogliere ed elaborare i dati provenienti da sensori IoT per offrire polizze personalizzate. Le più recenti innovazioni che sfruttano l’IA – come i GPS intelligenti in grado di indicare al guidatore quale sia tra due percorsi quello meno pericoloso – aiuteranno a prevenire incidenti e permetteranno agli assicuratori di strutturare meglio la loro offerta.

•3. Quando si ha a che fare con le macchine, la qualità dell’analisi e gli esiti che ne derivano dipendono dalla qualità dei dati con cui si alimenta l’algoritmo. Infatti, le aziende non possono e non dovrebbero nemmeno iniziare a pensare di creare e applicare i propri modelli o algoritmi IA senza il supporto di dati democratizzati sicuri e integrati in sistemi mission-critical. I risultati possono essere disastrosi e costare milioni. La velocità e la credibilità dei dati, insieme al costo per poterli gestire, sono le variabili strategiche, a maggior ragione in presenza di strumenti che applicano algoritmi intelligenti, migliori rispetto ai sistemi software tradizionali, ma più esposti al rischio di analizzare dati poco credibili o in ritardo rispetto alle aspettative del business. Prima di pensare a come si può insegnare ad una macchina ad apprendere, sarebbe utile avere una visione e consapevolezza della governance dei dati che includa la qualità dei dati, la gestione dei metadati, la catalogazione dei dati e le API, per fornire reale valore al business. Le giuste strategie per i dati sono fondamentali per implementare le corrette strategie di IA. Inoltre, sono necessari esperti in grado di comprendere al meglio i dati per mantenere la qualità e l’integrità dei dati necessari per alimentare i tipi di informazioni dettagliate, intelligenti e automatizzate che l’IA può fornire.

•1. La maturazione dell’intelligenza artificiale e delle tecniche di machine learning a nostro avviso offre grandi opportunità in modo trasversale su tutti e tre i segmenti di mercato dell’industria bancaria. Avendo di recente acquisito una società altamente specializzata su queste tecnologie (Mantica), abbiamo intrapreso un processo di arricchimento delle nostre soluzioni proprio attraverso l’integrazione di modelli evoluti di machine learning e IA. In particolare, abbiamo lavorato sull’implementazione di modelli di Machine Learning per il monitoraggio e la prevenzione delle frodi nei pagamenti, basati sull’analisi dei casi d’uso e dei dati storici della clientela. Riteniamo che, laddove si ha a che fare con grosse moli di dati, le tecnologie IA abbiano enormi opportunità di valorizzare i dati processati. Pensiamo ad esempio al miglioramento dei processi di customer service ma anche alle operazioni di back office, alla gestione dei rischi e della compliance in ambito antiriciclaggio, al miglioramento della capacità di offerta e di pricing di servizi, tutti ambiti su cui TAS Group sta già lavorando.

•2. Il mercato dei pagamenti sta vivendo un fenomeno di forte cambiamento. I soggetti regolatori a loro volta stanno dando forma a nuovi scenari di mercato in cui operano insieme alle Banche nuove terze parti (denominate TPP o PISP/AISP/CISP in gergo “PSD2”), impegnate a traguardare nuovi business model focalizzati sulle esigenze dei clienti e basati sulle tecnologie digitali. Molti nuovi strumenti di pagamento si stanno diffondendo, ad esempio gli e-wallet, e di nuovi ne vedremo nei prossimi anni. La moltitudine di dati che saranno scambiati, la necessità che tutto avvenga in maniera sicura, daranno rilevanza fondamentale a soluzioni tecnologiche avanzate, in grado di adattarsi rapidamente ai mutamenti di scenario e ‘apprendere’ dallo storico delle transazioni modelli alternativi e adattabili di business. Un altro mercato su cui stiamo sperimentando l’applicazione del machine learning è quello degli NPL (Non Performing Loans), un tema molto caldo negli ultimi mesi, specialmente in Italia.

•3. Riteniamo che l’adozione di soluzioni che integrano tecnologie ‘intelligenti’ può costituire un elemento differenziante per gli operatori del settore. Le frodi realizzate sia con le carte di pagamento che sul canale internet, ad esempio, sono e saranno sempre di più. La nostra piattaforma di gestione delle frodi consente di attivare processi di controllo sull’operatività di ogni strumento di pagamento e sui canali dispositivi con minimo dispendio di risorse e massima flessibilità di definizione dei criteri di monitoraggio e rilevazione delle situazioni anomale, sia a livello di cliente che di singolo prodotto/servizio.

•1. Le piattaforme di Intelligenza artificiale esprimono il loro massimo potenziale quando c’è la necessità di automatizzare e velocizzare operazioni che, pur essendo ripetitive, richiedono la capacità discrezionale e l’abilità nel contestualizzare le informazioni tipiche dei processi di pensiero umani. Pensiamo quindi ad attività di supporto decisionale che implicano l’elaborazione in tempi rapidi di grandi moli dati. Qual è il prodotto finanziario che soddisfa nel modo migliore le esigenze di un correntista o di un prospect in un determinato momento? Quali iniziative di cross e up selling riescono a massimizzare il valore per l’organizzazione e per il cliente? Qual è il profilo di rischio di un investimento o di un finanziamento? Sono tutte domande che, per avere una risposta opportunamente circostanziata, necessitano di ore se non addirittura di giorni di analisi, confronto e valutazione. Rispetto all’approccio tradizionale, l’IA consente di ottenere un quadro chiaro della situazione in pochi istanti. Al punto di permettere non solo agli operatori – consulenti e sportellisti – di ‘accendere la luce verde o rossa’ su pratiche anche molto complesse in real time, ma anche di abilitare applicazioni fai-da-te capaci di rivoluzionare i concetti di home e mobile banking.

•2. Fondi d’investimento e assicurazioni sono sicuramente due mondi che possono sfruttare tutte le potenzialità dell’IA. Penso anche alle piattaforme di trading, specialmente quelle online, che oggi rappresentano un mercato esternamente complesso e di nicchia, che guardano alle tecnologie di IA con estremo interesse. Senza contare il mondo del retail, il cui braccio finanziario può utilizzare gli strumenti basati sull’Intelligenza artificiale per semplificare la negoziazione delle condizioni di credito per le attività di vendita in ottica omnicanale.

•3. Teorema da oltre vent’anni collabora con alcuni dei maggiori player del mondo finanziario e assicurativo. Ci piace sempre ricordare che l’IA è ‘solo’ uno strumento al servizio di un’idea precisa di business. Per questo cerchiamo di mettere a disposizione dei nostri interlocutori casi di studio reali e nuovi scenari, in modo da confrontarli con le effettive esigenze dell’azienda. L’esperienza ci ha insegnato che è fondamentale procedere per gradi e affiancare l’organizzazione nel sistematizzare la raccolta e l’elaborazione di dati, che sono il carburante dell’IA. I chatbot sono una soluzione versatile ed efficace su cui Teorema sta investendo molto, perché crediamo che siano un primo passo per aiutare le aziende a prendere confidenza con il tema e, soprattutto nel mondo Finance, sperimentare nuovi modi di gestire la relazione con la clientela.

•1. La diffusione dell’intelligenza artificiale, intesa come machine learning e advanced analytics, nel settore finanziario dimostra quanto rapidamente stia cambiando l’attenzione e la sensibilità alle nuove tecnologie anche in aree tradizionalmente conservatrici. In questo contesto, risulta difficile definire in quale ambito l’integrazione dell’IA porti maggiori benefici: dipende dalla capacità dell’azienda di passare dalla sola ‘introduzione’ di un’innovazione all’attuazione di una strategia aziendale di trasformazione digitale; in altri termini passare da un approccio tattico a uno strategico. Quindi, la capacità di ‘produrre’ benefici non dipende dall’ambito – enterprise o consumer – ma dall’attitudine di perseguire un approccio orientato al miglioramento continuo e all’innovazione. Un aspetto da considerare, inoltre, è che IA e Machine learning sono strettamente connessa a big data e blockchain: l’utilizzo sui processi di business della blockchain permette di far evolvere la gestione di quelle transazioni che creano immense mole di dati; questo set di dati di dimensioni straordinariamente grandi deve essere aperto a fonti diverse, esterne all’azienda; la sua gestione (data mining) deve quindi permettere di ricavare valore e informazioni utili. Abbiamo avviato, come Tesisquare, dei progetti con clienti che vogliono usare la blockchain non per scambiare criptovalute o gestire uno smart contract, ma per gestire processi, come ad esempio il tracking delle consegne a livello dei trasporti.

•2. Un settore molto interessante è il mondo del supply chain finance, dove stanno nascendo tante iniziative, per la maggior parte basate sul modello FinTech, come ad esempio il Primo Fondo Italiano di Supply Chain Finance realizzato nel 2017 da Tesisquare, Groupama AM SGR e Fifty – Finance Beyond. Nella gestione del rischio nella concessione di linee di credito è difficile ignorare l’utilità degli algoritmi: la capacità di analisi in tempi brevi di enormi quantità di dati in vari formati relativa alla storia dei casi di rischio consente proprio di analizzare e identificare i primi segni di potenziali problemi futuri.

•3. Tesisquare sta affrontando la sfida delle nuove frontiere dell’innovazione soprattutto in ambito supply chain visibility, con l’approccio che da sempre la contraddistingue: il pragmatismo. I clienti hanno forti aspettative, ma è anche vero che non ci sono ancora best practice diffuse ed è per questo che proponiamo un approccio basato su un ‘piano a fasi’ attraverso Pilot e PoC su perimetri ben definiti. Sviluppare un piano a fasi con scadenze, definizione degli obiettivi e valutazione dei benefici permette di assicurarsi di affrontare la sfida dell’innovazione e contemporaneamente di evidenziare per ogni fase i risultati tangibili, così da consentire di superare eventuali vincoli di budget che potrebbero limitare la stessa trasformazione digitale.