L'intelligenza artificiale è un tema caldo e vengono pubblicati numerosi articoli in cui si afferma che le società di servizi finanziari che non adottano l’intelligenza artificiale oggi rischiano di diventare obsolete domani. Tuttavia, come spesso accade, l’adozione dell’intelligenza artificiale da parte del settore potrebbe non procedere così rapidamente come comunemente previsto. Tanto per fare un esempio, negli ultimi due decenni gli esperti hanno previsto l’obsolescenza delle banche che utilizzano vecchi sistemi mainframe legacy. Eppure, anche dopo 20 anni, molte banche fanno ancora affidamento su applicazioni bancarie fondamentali basate su tecnologie mainframe legacy, e queste banche rimangono forti (se non più forti) come lo erano due decenni fa.

Detto questo, l’intelligenza artificiale è qui per restare ed è essenziale un’adozione graduale. Come discusso nel mio blog, "La soluzione giusta: valutare il valore aziendale prima di adottare l'intelligenza artificiale/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), è fondamentale che le banche scelgano saggiamente le loro battaglie contro l'IA, piuttosto che implementarla per il gusto di farlo.

È quindi fondamentale creare un elenco completo di casi d’uso dell’intelligenza artificiale nel settore dei servizi finanziari. A mio parere, possiamo classificare tutti i casi d’uso dell’intelligenza artificiale nel settore dei servizi finanziari in due gruppi principali:

Gruppo 1: gestione più efficiente dei dati non strutturati

Questa categoria si concentra sulla raccolta, analisi ed elaborazione dei dati che non possono essere strutturati in modo ordinato in un database SQL. In genere includono dati provenienti da documenti, discorsi o immagini, spesso provenienti da terze parti come il governo o da servizi clienti non digitali che necessitano di trasformazione in un formato digitale. Questi casi d’uso mirano principalmente alla riduzione dei costi, poiché l’elaborazione di dati non strutturati può richiedere un utilizzo molto intenso delle risorse. L’ascesa dell’intelligenza artificiale sta rendendo sempre più fattibile l’automazione di questi processi.

Gli esempi includono:

• Gestione dei documenti KYC e KYB: elaborazione di immagini di carte d'identità, pubblicazioni governative o statuti aziendali per acquisire una migliore comprensione dei clienti e delle strutture aziendali.

• Gestione dell'identità: simile a KYC/KYB ma incentrato sull'autenticazione continua e sulla firma delle transazioni, utilizzando dati non strutturati come immagini di carte d'identità, identificazione biometrica (come volto e impronte digitali) e identificazione comportamentale.

• Gestione del marchio e della reputazione: monitorare il sentiment dei clienti e dei media nei confronti dell'azienda per reagire alle campagne di marketing e affrontare la pubblicità negativa. Ciò viene fatto monitorando i media tradizionali e i social media (come commenti di feedback, Mi piace, condivisioni, opinioni...) e altre fonti di informazione (ad esempio i registri dei call center) per identificare il sentiment e le tendenze dei clienti.

• Gestione dei reclami: automatizzazione dell'elaborazione dei sinistri con dati non strutturati, come immagini di oggetti assicurati danneggiati e perizie assicurative.

• Chatbot e call center automatizzati: utilizzo dell'intelligenza artificiale per classificare e taggare le interazioni con i clienti, inviare le interazioni in modo efficiente, proporre modelli di risposta standard e persino automatizzare completamente le risposte su vari canali di comunicazione (posta, telefonata e casella di chat).

• Analisi del sentimento su e-mail, sessioni di chat, registrazioni vocali e video e riepiloghi non strutturati delle comunicazioni per comprendere il feedback dei clienti e le interazioni dipendente-cliente.

• Gestione spese e fatture: Conversione di documenti finanziari in dati strutturati per l'elaborazione automatica (ad esempio, contabilizzandoli correttamente nella giusta categoria contabile).

Gruppo 2: Migliore previsione e allocazione delle risorse

Nel settore dei servizi finanziari (proprio come in qualsiasi altro settore), le risorse come le persone e il denaro sono scarse e dovrebbero essere allocate nel modo più efficiente possibile. L’intelligenza artificiale può svolgere un ruolo cruciale nel prevedere dove queste risorse sono maggiormente necessarie e dove possono produrre il massimo valore aggiunto.

Note:: Anche l'attenzione del cliente può essere considerata una risorsa scarsa, il che significa che qualsiasi comunicazione o offerta dovrebbe essere altamente personalizzata per garantire che la limitata capacità di attenzione del cliente sia utilizzata in modo ottimale.

Questi casi d'uso possono essere classificati in due sottocategorie:

Casi d'uso indipendenti dal settore

• Segmentazione dei clienti sulla base dei dati disponibili (ad es. profilazione dei clienti, analisi dei modelli di transazione, comportamento passato e immediato dei clienti...​) per determinare i migliori mezzi possibili (miglior mix di canali) e lo stile di comunicazione (ottimizzazione dei contatti) e allocare le risorse ai clienti con il potenziale più elevato entrate future.

• Rilevamento dell'abbandono identificare e fidelizzare i clienti a rischio di abbandono. Assegnando risorse aggiuntive a tali clienti, ad esempio dipendenti che contattano il cliente o offrono determinati incentivi (ad esempio sconti o tassi di interesse migliori) per evitare che il cliente abbandoni.

• Identificare i migliori prospect e opportunità di vendita: da un elenco di lead identificare quelli che hanno maggiori probabilità di diventare clienti, ma anche identificare quali clienti esistenti possono essere meglio targettizzati per azioni di cross-selling e up-selling.

• Prevedere l’evoluzione della domanda e dell’offerta, ad esempio identificare dove dovrebbero essere posizionati meglio gli sportelli bancomat o le filiali, prevedere quante interazioni di assistenza clienti possono essere previste per garantire un personale ottimale del team di assistenza clienti o prevedere il carico sull'infrastruttura IT per ottimizzare i costi dell'infrastruttura cloud.

• Migliore azione successiva, Migliore offerta successiva o Motore di suggerimenti per interazioni personalizzate con il cliente, ovvero prevedere quale azione, prodotto o servizio potrebbe interessare maggiormente un utente in un dato momento. Consentire un facile accesso a questo processo può aiutare il cliente o qualsiasi altro utente (come i dipendenti interni) a raggiungere il proprio obiettivo più velocemente, con conseguente aumento dei ricavi e riduzione dei costi.

• Motore di prezzi per determinare il prezzo ottimale del prodotto o del servizio.

Casi d'uso specifici del settore dei servizi finanziari

• Motore di punteggio del credito valutare l’affidabilità creditizia e prendere decisioni di prestito efficienti. Questo motore mira a prevedere la probabilità di default e il valore stimato della perdita in caso di default, per determinare se un credito debba essere accettato o meno. Anche questo è un problema di previsione, che garantisce che il denaro della banca venga speso nel modo più efficiente possibile.

• Motore di rilevamento delle frodi identificare e prevenire transazioni finanziarie fraudolente, comprese le frodi online (minacce informatiche) e le frodi nei pagamenti. Il motore prevede se il comportamento effettivo di un utente corrisponde al comportamento previsto (previsto). In caso contrario, è probabile che si tratti di una frode. Questi motori aiutano a ridurre le perdite di entrate, evitare danni al marchio e fornire ai clienti un'esperienza online senza intoppi.

• Robo-consulenza servizi per creare portafogli di investimento ottimali in base alle tendenze del mercato, al portafoglio di investimenti attuale e ai vincoli del cliente (come profilo di rischio, vincoli di sostenibilità, orizzonte di investimento…​).

  • Motore di rilevamento AML per individuare (e fermare) il riciclaggio di denaro e le attività criminali nelle transazioni finanziarie.

  • Motore di gestione del rischio di liquidità per ottimizzare i flussi di cassa. Si tratta di un servizio che può essere offerto alla clientela, ma che è richiesto anche internamente alla banca. La banca deve garantire liquidità sufficiente nel proprio bilancio per coprire tutti i prelievi, ma anche prevedere il fabbisogno fisico di contanti per rifornire gli sportelli bancomat e le filiali.

Oltre a questi casi d'uso dell'IA orientati al business, non trascurare l'uso interno dell'IA migliorare la produttività dei dipendenti. Gli strumenti di intelligenza artificiale generativa come ChatGPT possono aiutare vari dipartimenti, come vendite, marketing e IT, ad aumentare la loro produttività.

Come indicato nel mio blog "The Right Fit: Assessing Business Value before Adopting AI/ML" (https://bankloch.blogspot.com/2023/10/the-right-fit-assessing-business-value.html), la prima categoria (ovvero “Gestione più efficiente dei dati non strutturati”) detiene a mio avviso il potenziale maggiore, sebbene richieda competenze di intelligenza artificiale molto specifiche e modelli di intelligenza artificiale complessi. Pertanto, è probabile che molte società di servizi finanziari utilizzino modelli pre-addestrati per questa categoria di casi d’uso.

Anche i casi d’uso della seconda categoria (ovvero “Migliore previsione e migliore allocazione delle risorse scarse”) sono promettenti e possono produrre risultati più rapidamente rispetto ai casi d’uso della categoria 1. Tuttavia, il loro valore aggiunto rispetto ai tradizionali algoritmi basati su regole è non sempre garantiti, spesso mancano di trasparenza e sono difficili da mettere a punto. Di conseguenza, questi casi d’uso dell’intelligenza artificiale spesso sembrano più promettenti di quanto non siano in realtà.

In molti casi, le banche non avranno bisogno di investire direttamente nell’intelligenza artificiale, poiché esistono già numerose soluzioni software che offrono non solo modelli di intelligenza artificiale, ma comprendono anche il flusso di lavoro e la logica aziendale che li circonda.
Per ciascun caso d'uso, le società di servizi finanziari possono effettivamente scegliere tra tre opzioni:

• Opzione 1: Costruire un modello da zero utilizzando piattaforme come AWS SageMaker o GCP AI Platform. Ciò significa che l'azienda deve identificare un buon set di addestramento dei dati, impostare un modello e addestrare il modello stesso. Ad esempio, KBC ha costruito gran parte del suo assistente virtuale (chiamato Kate) completamente internamente utilizzando le tecnologie AI di GCP.

• Opzione 2: Utilizzando pre-addestrato modelli basati su cloud facilmente distribuibili e adattabili, come AWS Fraud Detector, AWS Personalize o versioni personalizzate di ChatGPT (cfr. annuncio di OpenAI per introdurre un nuovo concetto di GPT) per casi d'uso specifici.

• Opzione 3: Acquisire soluzioni software complete che includono modelli, schermate, flussi di lavoro e processi di intelligenza artificiale interni. Esistono numerose soluzioni nel settore dei servizi finanziari, come Discai (che commercializza i modelli di intelligenza artificiale costruiti internamente dalla banca KBC), ComplyAdvantage, Zest AI, Scienaptic AI, DataRobot, Kensho Technologies, Tegus, Canoe, Abe.ai…​

La decisione su quale opzione scegliere dipende dalle esigenze specifiche della società di servizi finanziari. Comprendere le capacità e i limiti dei modelli di intelligenza artificiale, disporre di una solida strategia sui dati e sapere come rendere i dati disponibili per modelli e strumenti esterni sono passaggi cruciali per una società di servizi finanziari che desidera adottare l’intelligenza artificiale. Questi passaggi sono generalmente più importanti della profonda conoscenza interna dell'IA.

L’adozione dell’intelligenza artificiale nel settore dei servizi finanziari è chiaramente una necessità per rimanere competitivi e soddisfare le richieste dei clienti. Il giusto approccio (di costruzione rispetto all’acquisto), combinato con casi d’uso ben ponderati, può aprire la strada a un percorso di intelligenza artificiale di successo.

Dai un'occhiata a tutti i miei blog su https://bankloch.blogspot.com/

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://www.finextra.com/blogposting/25219/unlocking-the-power-of-ai-reshaping-financial-services?utm_medium=rssfinextra&utm_source=finextrablogs