La rivoluzione dell'intelligenza artificiale nel banking non è arrivata con grande clamore, ma con il sospiro di un consulente. L'analisi recente di McKinsey & Company sul banking alimentato da AI si presenta come professionale e misurata in superficie, eppure sotto la prosa raffinata si cela un'osservazione devastante: la stragrande maggioranza delle istituzioni finanziarie storiche è organizzativamente incapace di catturare il valore che il machine learning e i sistemi di AI avanzati promettono. Non si tratta di un ritardo temporaneo nell'adozione tecnologica o di una carenza di competenze che i programmi di formazione possono risolvere. Si tratta di un problema strutturale insito nella stessa architettura del banking moderno.

Il problema centrale è il disallineamento architetturale. Le banche tradizionali sono state costruite in un'epoca di prodotti isolati, autonomia dipartimentale e processi decisionali sequenziali. Un mutuo vive in una divisione, la gestione patrimoniale in un'altra, i pagamenti in una terza. I dati fluiscono attraverso pipeline rigide. I processi di approvazione sono gerarchici. I sistemi legacy non sono mai stati concepiti per essere modulari o per alimentare in modo fluido sistemi intelligenti in grado di imparare e adattarsi in tempo reale. L'intelligenza artificiale, al contrario, prospera in un ambiente di dati integrati, sperimentazione rapida, confini organizzativi permeabili e cicli di feedback continui. I principi operativi fondamentali sono incompatibili.

Si consideri cosa richiederebbe una banca veramente alimentata da AI: dati cliente unificati accessibili su tutte le linee di business, API che dialogano fluidamente tra loro, team autorizzati a eseguire migliaia di micro-esperimenti senza strozzature burocratiche, e una cultura che tratta i dati come una risorsa strategica anziché come un sottoprodotto dell'elaborazione delle transazioni. Molti incumbent non possiedono nessuno di questi elementi in misura adeguata. Hanno data warehouse legacy che hanno richiesto decenni per essere costruiti e richiederebbero decenni per essere completamente riconciliati. Hanno dipartimenti di conformità normativa che operano a un ritmo diverso da quello dei team di machine learning. Hanno strutture di profitti e perdite che premiano i guadagni trimestrali rispetto alla trasformazione a lungo termine. Hanno percorsi di carriera per ufficiali di conformità e risk manager, ma pochi meccanismi istituzionali per trattenere ed elevare ingegneri di machine learning o data scientist.

Il paradosso dell'AI si approfondisce quando si considerano le puntate competitive. I player fintech nativi digitali e i giganti tecnologici che entrano nei servizi finanziari non affrontano tali vincoli organizzativi. Un competitor può progettarsi da zero con workflow AI-native fin dal primo giorno. Non ha sistemi legacy da integrare, nessun silo dipartimentale da abbattere, nessuna cultura organizzativa costruita su catene di approvazione sequenziali e guidate dall'uomo. Questo vantaggio strutturale si compone. Ogni mese che un incumbent trascorre a retrofittare la sua infrastruttura è un mese che un competitor puro trascorre ad addestrare modelli sul comportamento dei clienti, ottimizzare algoritmi di pricing, automatizzare il rilevamento delle frodi e personalizzare le raccomandazioni di prodotto con machine learning che impara più velocemente di qualsiasi framework di A/B testing tradizionale.

L'ambiente normativo aggiunge un altro strato di complessità. Le autorità bancarie mondiali—dalla Banca Centrale Europea alle banche centrali nazionali e alle autorità di condotta finanziaria—stanno giustamente scrutinando il modo in cui l'AI viene implementata nelle infrastrutture finanziarie critiche. Una banca incumbent che implementa l'AI deve navigare non solo i suoi sistemi legacy, ma anche i requisiti normativi attorno all'explicability, all'equità e al contenimento del rischio. Queste sono preoccupazioni legittime, eppure creano attrito che i competitor nati digitali nei mercati adiacenti potrebbero affrontare meno acutamente. Il risultato è una gara in cui un competitor deve ricostruire il suo motore mentre l'aereo vola ancora, e un altro può costruire un nuovo aereo da zero.

Ci sono eccezioni. Alcune grandi istituzioni finanziarie hanno fatto investimenti organizzativi genuini nella capacità di AI—non come aggiunta ai prodotti esistenti, ma come riconcettualizzazione fondamentale di come operano. Queste banche si sono ristrutturate attorno ai dati, hanno creato unità operative di AI dedicate con budget protetti e autonomia, hanno investito nel talento di machine learning su larga scala, e hanno iniziato il difficile lavoro di allentare i sili organizzativi. Ma questi sforzi rimangono rari, e anche dove esistono, vanno contro lo slancio istituzionale. Il segmento medio—banche abbastanza grandi per importare ma senza le risorse o l'appetito di trasformazione delle istituzioni globali di importanza sistemica—affrontano una situazione particolarmente acuta.

Cosa accade alle banche che non riescono a colmare questo divario? Nel breve termine, perderanno terreno competitivo in domini specifici: il trading algoritmico, il rilevamento delle frodi, la previsione del churn dei clienti e il pricing personalizzato migreranno verso competitor più agili strutturalmente. Nel medio termine, affronteranno compressione dei margini poiché gli incumbent guidati da AI e i partecipanti fintech automatizzano processi precedentemente ad alta intensità di lavoro umano e trasferiscono i risparmi ai clienti. Nel lungo termine, rischiano di diventare utility—fortemente regolamentate, modestamente redditizie, principalmente focalizzate sulla gestione di basi di depositi legacy e portafogli di prestiti che i competitor non vogliono più competere per ottenere.

La diagnosi di McKinsey, comunque rivestita di cortesia consulenziale, punta a una verità difficile: l'intelligenza artificiale non è semplicemente una nuova tecnologia che le banche possono adottare insieme ai loro modelli operativi esistenti. È una forza per la ristrutturazione organizzativa, e le istituzioni che non riescono a ristrutturarsi non ne trarranno benefici significativi. La prossima fase della competizione bancaria non sarà determinata principalmente da quali istituzioni hanno i migliori scienziati di AI o i budget di machine learning più grandi. Sarà determinata da quali istituzioni sono disposte a riorganizzarsi a livello fondamentale—ad appiattire le gerarchie, dissolvere i sili, decentralizzare il processo decisionale e trattare i dati come una risorsa viva e strategica. Quella ristrutturazione non è un problema tecnologico. È un problema umano, ed è molto più difficile da risolvere.

Scritto dal team editoriale — giornalismo indipendente alimentato da Codego Press.