L’intelligenza artificiale nel settore bancario e nella gestione del risparmio

Leggi l’edizione PDF (4 pagine)

Dai modelli statistici al machine learning

Le banche utilizzavano modelli statistici molto prima che il termine intelligenza artificiale diventasse di moda. Credit scoring, modelli di rischio di mercato e regole antifrode fanno parte dell’attività bancaria da decenni. Ciò che è cambiato negli anni Dieci di questo secolo è l’arrivo di tecniche di machine learning che apprendono schemi da grandi insiemi di dati senza essere programmate regola per regola. Quando nel 2024 la MAS ha esaminato le prassi di alcune banche selezionate, ha riscontrato un uso significativo dell’intelligenza artificiale in tre ambiti: la gestione dei rischi, la relazione e l’assistenza alla clientela e i processi operativi interni.¹

I modelli osservati in quell’esame erano spesso tecniche basate su alberi decisionali come XGBoost, LightGBM e CatBoost. Le banche li utilizzavano per individuare movimenti anomali dei mercati, stimare i tassi di rimborso anticipato dei prestiti, segnalare operazioni sospette nei sistemi antiriciclaggio e rilevare le frodi. Nella relazione con la clientela essi prevedevano le preferenze dei clienti e personalizzavano le raccomandazioni di prodotto. Nelle attività operative automatizzavano la verifica delle informazioni sui clienti, smistavano gli incidenti informatici e prevedevano la domanda di contante agli sportelli automatici.² Si tratta di applicazioni poco spettacolari, che tuttavia generano la maggior parte del valore che l’intelligenza artificiale crea nelle banche, perché incidono su processi che si ripetono milioni di volte all’anno.

L’arrivo dell’IA generativa

Il lancio di ChatGPT nel novembre 2022 ha cambiato i termini del dibattito. I grandi modelli linguistici erano in grado di riassumere documenti, redigere testi, rispondere a domande sulla base di conoscenze interne e scrivere codice informatico. La MAS ha osservato che questi modelli offrivano prestazioni migliori in compiti come il raggruppamento di documenti e consentivano nuovi usi, tra cui la generazione di contenuti di marketing e l’analisi di dati multimodali.³

In un primo momento l’adozione è stata prudente. A metà del 2024 l’uso dell’IA generativa nelle banche appariva alla MAS in una fase iniziale, incentrato sul supporto al personale per accrescerne la produttività e tenuto lontano dalle applicazioni rivolte direttamente alla clientela. Le banche esploravano la tecnologia per la gestione dei rischi, la sintesi delle interazioni con i clienti, i contenuti di marketing, l’analisi degli investimenti e gli assistenti di programmazione per il personale. Le ragioni della prudenza erano pratiche. I modelli generativi possono produrre affermazioni scorrevoli e sicure che sono semplicemente errate; i loro risultati sono difficili da verificare rispetto a un dato di riferimento certo; e la maggior parte delle banche utilizza modelli pre-addestrati da fornitori esterni, i cui dati di addestramento non può esaminare integralmente.⁴

Nel 2026 la frontiera si era spostata di nuovo, verso i cosiddetti sistemi agentici, che pianificano una sequenza di passaggi, richiamano altri strumenti e agiscono con un certo grado di autonomia. La MAS tratta tali sistemi come una categoria di rischio a sé stante, in ragione della loro capacità di decisione autonoma, di utilizzo di strumenti e di concatenazione di azioni attraverso più passaggi o agenti.⁵ Un agente capace di redigere un ordine di pagamento, verificarlo rispetto a una lista di sanzioni e trasmetterlo solleva questioni che uno strumento di sintesi non pone.

Le banche locali come utilizzatrici

Le tre banche locali di Singapore hanno fatto dell’intelligenza artificiale una parte della propria strategia pubblica. DBS, la maggiore di esse e in origine la Development Bank of Singapore le cui origini sono descritte nella parte C, ha riferito che le sue iniziative di intelligenza artificiale hanno generato nel 2025 un valore economico record di S$ 1 miliardo.⁶ Il dato è una stima della banca stessa e si basa su una metodologia propria. È nondimeno significativo, perché poche banche al mondo tentano anche solo di quantificare il rendimento dei propri modelli e perché l’affermazione espone la direzione alle domande degli investitori qualora il dato risulti inferiore alle attese.

La stessa banca ha parlato apertamente delle conseguenze sull’occupazione. Nel febbraio 2025 l’allora amministratore delegato, Piyush Gupta, ha dichiarato che la banca prevedeva di ridurre la propria forza lavoro di circa 4.000 posizioni a contratto e temporanee nell’arco di tre anni, man mano che l’intelligenza artificiale avesse assunto determinati compiti, creando al contempo circa 1.000 nuovi ruoli legati alla tecnologia.⁷ L’organico del gruppo è sceso da 41.638 unità alla fine del 2024 a 39.983 alla fine del 2025, benché la variazione rifletta molti fattori oltre all’automazione.⁸ Anche OCBC e UOB hanno introdotto assistenti di IA generativa per il proprio personale e utilizzano il machine learning nel credito, nel rilevamento delle frodi e nell’antiriciclaggio. I loro programmi sono descritti nelle relazioni annuali e nelle iniziative di formazione di settore illustrate più avanti.⁹

Gestione del risparmio e gestione patrimoniale

Nella gestione del risparmio e nella gestione patrimoniale l’intelligenza artificiale entra attraverso la ricerca, l’analisi di portafoglio, la rendicontazione alla clientela e la preparazione degli incontri con i clienti. Tra i consulenti che la MAS e l’Institute of Banking and Finance (IBF) hanno presentato come esempi nel settembre 2026 figurava una gestrice patrimoniale con oltre vent’anni di esperienza che utilizza strumenti di IA per la preparazione degli incontri e l’analisi di portafoglio. Il Vice Primo Ministro ha sottolineato che ella «resta responsabile della consulenza che fornisce».¹⁰ La frase riassume la posizione regolamentare nel settore della gestione patrimoniale: una raccomandazione a un cliente resta un atto regolamentato del rappresentante e dell’istituto, quale che sia lo strumento che ha contribuito a produrla.

La MAS ha di conseguenza collocato la prestazione di servizi di consulenza finanziaria e di gestione di fondi tra gli usi a più elevata rilevanza di rischio, insieme al credit scoring e all’assunzione dei rischi assicurativi. Per tali usi i controlli in materia di trasparenza, spiegabilità ed equità vanno applicati con maggiore rigore, poiché un malfunzionamento o prestazioni insufficienti potrebbero avere conseguenze significative per i clienti.¹¹ I family office e i gestori patrimoniali esterni descritti nella parte E sono soggetti alle stesse aspettative quando sono istituti finanziari autorizzati o esentati, benché la proporzionalità riduca l’onere per quelli che fanno un uso limitato della tecnologia.

Il sostegno pubblico all’adozione

Lo Stato ha sostenuto l’adozione sia con finanziamenti sia con la regolamentazione. Il Financial Sector Technology and Innovation scheme della MAS, nella sua quarta versione, mette a disposizione fino a S$ 220 milioni in tre anni. Uno dei suoi sei filoni è un filone «AI pathfinder», accanto a quelli per i centri di eccellenza, le infrastrutture e piattaforme, i progetti degli istituti, un contributo per lo sviluppo di hackathon e il capitale umano.¹² L’impostazione è tipica dell’approccio di Singapore al settore finanziario, che la parte D ha ricondotto alla strategia di sviluppo degli anni Novanta e Duemila: l’autorità di vigilanza finanzia capacità condivise e progetti pilota, lasciando agli istituti l’impiego commerciale.

Note

1. MAS, Artificial Intelligence Model Risk Management: Observations from a Thematic Review, Information Paper, dicembre 2024, parr. 1.1 e 2.1: gli ambiti principali di uso significativo sono “risk management, customer engagement and servicing, as well as to support internal operational processes”. ↩
2. MAS, Information Paper, dicembre 2024, par. 2.1: uso di modelli basati su alberi decisionali come XGBoost, LightGBM e CatBoost per “detect abnormal financial market movements”, “estimate loan prepayment rates”, nei sistemi AML e nel rilevamento delle frodi, per personalizzare le raccomandazioni di prodotto, automatizzare i processi di controllo e verifica, smistare gli incidenti informatici e prevedere gli “ATM cash withdrawals”. ↩
3. MAS, Information Paper, dicembre 2024, parr. 2.1 e 2.3: il lancio di ChatGPT nel novembre 2022 “has led to an increased interest”; i modelli di IA generativa “offer better performance in tasks such as clustering documents” e hanno consentito nuovi casi d’uso, “e.g., to generate text content and images for marketing, or to process multimodal data for financial analysis”. ↩
4. MAS, Information Paper, dicembre 2024, par. 2.4: l’uso dell’IA generativa nelle banche “appears to still be at an early stage”, incentrato sull’assistenza o il potenziamento delle persone a fini di produttività, “and not in applying Generative AI to direct customer facing applications”; i casi d’uso comprendono gestione dei rischi, sintesi delle interazioni con i clienti, contenuti di marketing, analisi degli investimenti e copilot – MAS, Information Paper, dicembre 2024, parr. 7.1.1(a)–(b) e 7.2.1: rischi di allucinazioni e comportamenti imprevisti, “a key concern highlighted by banks”; mancanza di dati di riferimento (ground truths) facilmente disponibili; la maggior parte delle banche utilizza modelli di IA generativa “pre-trained by an external party”, con distorsioni ignote derivanti dai dati di pre-addestramento e rischi di concentrazione. ↩
5. MAS, Response to Feedback Received on Guidelines on Artificial Intelligence Risk Management, P017-2025, 7 ottobre 2026, par. 12.4: “agentic AI introduces a distinct set of risks that warrant dedicated attention” data “its capacity for autonomous decision-making, tool use, and chaining of actions across multiple steps or agents”. ↩
6. Wikipedia, “DBS Bank” (consultato a novembre 2026), sezione sulla storia recente, che cita Heng Young Zhan, “DBS unlocks S$1 billion in AI value in 2025”, The Business Times, 14 gennaio 2026: le iniziative di IA “hit a record S$1 billion” nel 2025. ↩
7. Dichiarazioni di Piyush Gupta riportate nel febbraio 2025 (Reuters e The Straits Times, 24–25 febbraio 2025): circa 4.000 ruoli a contratto e temporanei da ridurre in tre anni; circa 1.000 ruoli legati all’IA da creare. ↩
8. Wikipedia, “DBS Bank” (consultato a novembre 2026), tabella finanziaria, che cita DBS Group Holdings Ltd, Annual Report 2025, p. 175: 41.638 dipendenti nel 2024 e 39.983 nel 2025. ↩
9. Comunicazioni di OCBC e UOB su strumenti interni di IA generativa per il personale (2023–2025) e sull’uso del machine learning nel credito, nelle frodi e nell’AML; si vedano le relazioni annuali di OCBC e UOB per il 2025. ↩
10. Gan Kim Yong, Vice Primo Ministro e Presidente della MAS, discorso programmatico all’IBF Distinction Evening, 24 settembre 2026 (mas.gov.sg): esempio di una gestrice patrimoniale di UBS con oltre vent’anni di esperienza che utilizza strumenti di IA per la preparazione degli incontri e l’analisi di portafoglio; “she remains responsible for the advice she gives, not the AI tools”. ↩
11. MAS, Response to Feedback, 7 ottobre 2026, par. 3.10: i controlli relativi a trasparenza, spiegabilità ed equità “should be applied with greater rigour for use cases of higher risk materiality, such as credit scoring, insurance underwriting, and the provision of financial advisory or fund management services”. ↩
12. MAS, “Financial Sector Technology and Innovation Scheme (FSTI 4.0)” (mas.gov.sg, pubblicato il 31 agosto 2026, consultato a novembre 2026): “up to S$220 million over three years”; filoni: Centre of Excellence, Infrastructure & Platform, Institution Project, Global FinTech Hackcelerator Scale-Up Grant, Manpower e AI pathfinder. ↩

Solo a scopo informativo generale. Il presente articolo non costituisce consulenza legale o fiscale, non sostituisce la consulenza sul singolo caso e non instaura alcun rapporto tra avvocato e cliente. Riflette la situazione giuridica aggiornata a novembre 2026.