Il laboratorio della sperimentazione va a pieni giri e presto sapremo quali applicazioni d’Intelligenza Artificiale generativa cambieranno nel prossimo futuro (in uno-due anni) la gestione ordinaria di banche e assicurazioni italiane. Con le relative ricadute sui servizi ai clienti e i bilanci.
L’immagine del laboratorio rappresenta bene la situazione che oggi, da consulenti della digital transformation, vediamo in tutte le organizzazioni, più o meno analoga a quella degli altri principali Paesi europei, con la sola eccezione, forse, della Gran Bretagna che sembra un po’ più avanti. Stiamo, in pratica, rivivendo quanto accadde una quindicina di anni fa, quando con le sperimentazioni sulla raccolta e lavorazione di grandi quantità di dati abilitata dalla tecnologia digitale si apri l’epoca dei big data.
Il ruolo dell’IA generativa nelle funzioni commerciali e di customer care
L’attesa di uno spettacolare incremento di efficacia/efficienza sta moltiplicando le richieste di sperimentazione che arrivano da tutte le funzioni, come sanno bene i responsabili IA delle organizzazioni. A prevalere, per ora, sono le richieste delle funzioni commerciali e di customer care. È in queste due aree che si registra la più elevata quantità di Proof of Concept (PoC): la prima realizzazione, cioè, dei progetti per dimostrarne la fattibilità o confermare la validità dei principi che li ispirano. Ed è in queste due aree che, prevedibilmente, si arriverà prima all’applicazione industriale dell’IA generativa.
Il primato delle funzioni commerciali e di customer care è facilmente spiegabile. L’IA generativa si applica bene alle rendicontazioni: consente misurazioni puntuali e senza possibilità di errore. Si può quindi valutare, per esempio, l’andamento di una determinata attività di sviluppo business tagliando i tempi fin qui normalmente richiesti da ricerche ed elaborazioni manuali. Un responsabile commerciale, a qualunque livello dell’organizzazione, può interrogare un chatbot per aggiornarsi sulle vendite, fare confronti, visualizzare graficamente l’evoluzione, disporre di file pdf per circolare le informazioni, per esempio alla rete.
Una completezza informativa analoga si può ottenere nei servizi di customer care. Chiunque, da utente, abbia sperimentato i chatbot sa che oggi questi servizi hanno limiti nella capacità di fornire d’informazioni che l’IA generativa permette di superare.
Le applicazioni dell’IA generativa nelle funzioni commerciali e di customer care sono quindi relativamente semplici e garantiscono un miglioramento di efficacia/efficienza.
Restano da fare le valutazioni economiche per introdurle nella gestione ordinaria: un conto è sostenere il costo di un Proof of Concept (sopportabile da qualunque banca o compagnia assicurativa) tutt’altra cosa è industrializzare integralmente un processo gestendolo attraverso l’IA generativa. Quindi, restando nel caso della reportistica di business, mettere a disposizione le applicazioni a tutti i livelli di un’organizzazione commerciale vuol dire compiere investimenti rilevanti perché vuol dire raccogliere migliaia di dati.
Più complessa è l’applicazione in altri ambiti rilevanti per banche e assicurazioni, come per esempio la contrattualistica, dove l’efficacia dell’IA di gestire le sottigliezze della normativa è tutta da verificare.
Va evidenziato, infine, un punto di natura tecnica, rilevante in prospettiva: i sistemi oggi in fase di sperimentazione sono anche in grado di sviluppare automaticamente il codice software: lo generano, ne testano l’efficacia, se necessario lo correggono. Questo significa che quel codice viene continuamente sottoposto a test di performance e sarà sempre più efficace.
I punti chiave per l’industrializzazione dell’IA generativa
Qualità dei dati, capacità dell’organizzazione di sostenere i carichi di lavoro aggiuntivi, sicurezza: sono le tre questioni, di natura diversa, che insieme definiscono il quadro degli aspetti chiave. Vediamole rapidamente, sapendo che richiedono specifici approfondimenti.
L’importanza della qualità dei dati nell’IA generativa
L’IA generativa apprende se i dati dai quali si parte per costruire l’applicazione sono, come si dice comunemente, puliti. Sviluppare sistemi in grado di pulire i dati è quindi fondamentale: se l’obiettivo è industrializzare i processi gestiti attraverso l’IA generativa, il flusso dei dati che li interessa deve essere ottimizzato. Nelle banche e nelle compagnie assicurative (ma anche in altre categorie d’imprese) per uno stesso processo sono in genere molteplici le fonti di dati alle quali attingere: identificare i dati corretti (e utilizzarli per costruire l’applicazione) evitando le sovrapposizioni è, quindi, una sfida.
L’impatto sui carichi di lavoro
Industrializzare un’applicazione vuol dire, anche, lavoro aggiuntivo per l’organizzazione. Nel caso delle applicazioni in area commerciale, la raccolta dei dati necessaria per consentire a tutti i livelli di accedere alla reportistica è operazione complessa e onerosa. Bisogna stabilire, quindi, in quali processi e funzioni l’IA generativa può generare i maggiori benefici e definire le priorità nell’applicazione.
La questione della sicurezza
I rischi collegati all’IA generativa sono numerosi e di diversa natura. Alcuni, come quelli di cybersecurity e tutela della privacy, sono tipicamente legati alle applicazioni che banche e assicurazioni stanno sperimentando. In prospettiva, ipotizzando un incremento delle applicazioni che implicano l’uso di dati di fonti esterne all’organizzazioni, entrano in gioco i rischi di affidabilità, autenticità, tutela del diritto di proprietà. Un quadro complesso che sarà progressivamente disciplinato. Per ora, di certo, ci sono i principi stabiliti dall’AI Act, il Regolamento sull’IA che dopo la pubblicazione nella Gazzetta Ufficiale (prevista maggio) entrerà direttamente nella legislazione di ciascun Stato membro.
Morale: serve una governance capace di funzionare in presenza di diversi scenari di utilizzo, adatta alle diverse applicazioni.
C’è poi un ultimo punto da considerare per definire il quadro delle complessità attuative. Le banche italiane stanno compiendo le sperimentazioni applicative ma devono fare ancora molto, e in diverse aree essenziali, per completare la digital transformation dei processi: onboarding del cliente; pagamenti; prestiti; raccomandazioni operative ai clienti e cross selling; regtech. Molte banche, inoltre, non si sono ancora liberate dall’eredità digitale del passato e hanno sistemi obsoleti, che spesso si sono sovrapposti in seguito alla lunga stagione di fusioni e acquisizioni.
Che cosa emerge dai primi test di produttività
Nella fase di sperimentazione in corso in Italia può essere utile dare un’occhiata alle evidenze che arrivano dai Paesi con un’industria dei servizi finanziari tecnologicamente avanzata (Stati Uniti, Canada, Gran Bretagna) dove alcune banche sono andate avanti nei test. Sono già disponibili le prime simulazioni sull’incremento di produttività potenziale determinato, per esempio, dall’introduzione di sistemi che creano un assistente virtuale per diverse funzioni dell’organizzazione (sviluppo commerciale, relazione con i clienti, risorse umane, compliance, ecc.). Si tratta, per ora, di modelli previsionali semplificati che andranno perfezionati considerando più precisamente diversi fattori, tra i quali l’accuratezza e l’efficienza dei dati che guidano l’IA, i tempi e i costi di applicazione e manutenzione, la necessità di personale che supervisioni o corregga il lavoro dell’IA.
La stima dell’incremento di produttività merita attenzione. Si arriva quasi al 40% nella funzione di vendita e assistenza (che include attività come profilazione dei clienti e associazione dei prodotti e servizi coerenti; descrizione dei prodotti/servizi; indicazioni delle condizioni; spiegazione del rationale e dei benefici per il cliente).
Nello sviluppo dei sistemi informativi (creazione dei test unitari automatizzati per una copertura del codice superiore all’80%, documentazione e analisi del codice), il risparmio di tempo stimato è il 35%. Nei call center (ricerca delle informazioni per rispondere alle domande dei clienti, formulazione delle risposte) è poco sopra il 40% e arriva al 45% nel supporto alla gestione della funzione risorse umane (raccolta ed elaborazione delle informazioni per definire le politiche di gestione, risposte alle domande della funzione specifiche per la banca). Incrementi di produttività indubbiamente attraenti, che giustificano l’impegno a investire ma che, inutile dirlo, andranno maneggiate con molta cura a livello sistemico.
