Applicare l’AI nelle banche, il supporto di GFT Technologies

GFT Technologies supporta gli le banche nell’applicazione dell’intelligenza artificiale ai propri dati transazionali storici attraverso i Transaction Foundation Model (TFM). L’obiettivo è superare un approccio nel quale pagamenti, bonifici, sottoscrizioni di prodotti e attività dei clienti alimentano modelli separati. Trasformandoli invece in un livello comune di intelligenza riutilizzabile in ambiti quali il rilevamento delle frodi, il rischio di credito, la compliance, i pagamenti, la personalizzazione e la gestione del credito deteriorato.

Le nuove sfide per le banche

Una delle principali sfide che il settore bancario si trova oggi ad affrontare è infatti la frammentazione dei modelli di intelligenza artificiale. Storicamente, ogni esigenza di business è stata gestita attraverso un modello dedicato, sviluppato e mantenuto separatamente. Ossia uno per le frodi, uno per il credit scoring (la valutazione del rischio di un cliente), uno per il cross-selling, uno per il KYC – Know Your Customer. Altri ancora per la compliance.

Vantaggi e svantaggi

Questo approccio ha permesso di ottenere risultati su singoli casi d’uso, ma ha anche generato duplicazioni, maggiori costi di manutenzione, infrastrutture ridondanti e team che lavorano in silos. Man mano che cresce l’uso dell’intelligenza artificiale nei servizi finanziari, questa frammentazione limita la capacità degli istituti di estrarre valore dai dati e rispondere a nuovi rischi. Il documento di consultazione Sound Practices for Responsible Adoption of Artificial Intelligence, pubblicato dal Financial Stability Board (FSB) il 10 giugno 2026 rafforza la necessità di implementare l’intelligenza artificiale. Assicurando governance, accountability, governo del dato, supervisione umana e controllo dei fornitori terzi.

La governance dei modelli delle banche

In questo contesto, un TFM addestrato all’interno del perimetro della banca e sui dati proprietari dell’istituto risponde direttamente a queste esigenze. Consente, infatti, di costruire un livello comune di intelligenza sottoposto alla governance dei modelli della banca. Inoltre garantisce un maggiore controllo sulla sovranità del dato. Per rispondere a queste sfide, GFT accompagna gli istituti finanziari nella creazione di un livello comune di intelligenza addestrato sui loro dati transazionali.

Rispondere alle esigenze del business

Anziché sviluppare ogni nuovo caso d’uso da zero, la banca può riutilizzare questa base condivisa e adattarla alle diverse esigenze di business. In una proof of concept realizzata da GFT su un dataset appositamente predisposto, il miglioramento più significativo osservato nella precisione del modello antifrode. Ovvero nella capacità di garantire che un’operazione segnalata come fraudolenta lo sia effettivamente. Nell’ambiente di test, la precisione è aumentata del 40%.

Un livello comune di intelligenza per i processi critici

Un livello comune di intelligenza migliora le prestazioni nei processi più critici. Ad esempio come il rilevamento delle frodi, la gestione del rischio e la personalizzazione, perché apprende dal comportamento reale dei clienti. Consente inoltre di ridurre costi e duplicazioni, sostituendo molteplici modelli gestiti separatamente. Poi di accelerare l’introduzione di nuovi casi d’uso, sviluppati a partire da una base già addestrata anziché da zero.

Inoltre di creare un vantaggio competitivo difendibile, fondato su dati proprietari che i concorrenti non possono replicare. Infine di rafforzare il controllo e la sovranità dei dati. Ciò grazie a un addestramento svolto all’interno del perimetro dell’istituto e sottoposto alla sua governance dei modelli, un aspetto particolarmente rilevante per il settore bancario e assicurativo.

Il ruolo dei Transaction Foundation Model

Ignasi Barri, Global Head of Data & AI di GFT Technologies
I Transaction Foundation Model consentono agli istituti finanziari di superare un approccio all’intelligenza artificiale basato su una somma di modelli isolati. Poi di iniziare a costruire un livello comune di intelligenza fondato sul proprio business. Il valore consiste nell’utilizzare lo storico transazionale in modo controllato, governato e orientato a casi d’uso concreti. Quando questa intelligenza viene addestrata all’interno del perimetro dell’istituto, contribuisce anche a ridurre le dipendenze esterne. Oltre a rafforzare la sovranità del dato e rispondere meglio ai requisiti di governance associati all’adozione dell’intelligenza artificiale nel settore bancario.

I benefici per le banche

In un istituto bancario, i processi che traggono maggior beneficio da questo livello comune di intelligenza sono i seguenti:

• Rischio e contrasto al crimine finanziario: rilevazione delle frodi, monitoraggio transazionale, prevenzione del riciclaggio e alert su comportamenti sospetti.
• Rischio di credito: scoring, definizione dei limiti, allerta precoce sugli insoluti e supporto all’underwriting (il processo di analisi e decisione per approvare, rifiutare o definire le condizioni di un prodotto finanziario).
• Crescita e gestione del cliente: personalizzazione, next-best-action (la raccomandazione dell’azione più adeguata per un cliente in un momento specifico). Cross-selling, up-selling (la proposta di un prodotto o servizio di valore superiore rispetto a quello che il cliente possiede o sta valutando), prevenzione dell’abbandono e segmentazione comportamentale.
• Pagamenti: ottimizzazione delle autorizzazioni, riduzione dei rifiuti di transazioni legittime e migliore instradamento.
• Compliance e KYC: monitoraggio continuo del comportamento e supporto al reporting regolamentare.
• Recupero crediti e gestione degli insoluti: prioritizzazione del portafoglio e strategie di contatto.