L’intelligenza artificiale nella compliance e nella vigilanza

Leggi l’edizione PDF (3 pagine)

Monitoraggio delle transazioni e criminalità finanziaria

La compliance è uno dei campi più promettenti e al tempo stesso più delicati per l’intelligenza artificiale. I sistemi tradizionali di monitoraggio delle transazioni generano un gran numero di segnalazioni, la maggior parte delle quali si rivela infondata dopo l’esame manuale. I modelli di machine learning possono ordinare le segnalazioni in base alla probabilità che siano fondate, individuare schemi ricorrenti tra più conti e analizzare informazioni non strutturate come le notizie di stampa. La MAS ha osservato che le banche utilizzano comunemente tali modelli nei sistemi antiriciclaggio e nel rilevamento delle frodi. Il pericolo regolamentare è simmetrico: un modello che sopprime segnalazioni fondate espone la banca a violazioni delle norme antiriciclaggio esaminate nella parte H, mentre un modello che non sa spiegare il proprio risultato è difficile da difendere davanti a un’autorità di vigilanza o a un tribunale. La MAS annovera il rischio regolamentare tra i principali rischi dell’intelligenza artificiale e porta l’esempio delle prestazioni insufficienti di un modello utilizzato a supporto delle attività antiriciclaggio.¹

Anche i dati da cui tali modelli dipendono sono cambiati. Dal 1º aprile 2024 sei grandi banche commerciali possono condividere informazioni sui clienti che presentano molteplici indicatori di rischio tramite COSMIC, una piattaforma digitale che la MAS ha avviato con esse ai sensi del Financial Services and Markets (Amendment) Act 2023. Essa si concentra inizialmente sull’uso improprio di persone giuridiche, sull’abuso del trade finance e sul finanziamento della proliferazione.² Una piattaforma di questo tipo è una fonte di segnali strutturati che i modelli analitici possono sfruttare. Il suo quadro giuridico e il suo rilievo per la lotta al riciclaggio sono discussi nella parte H.

Modelli di terzi e concentrazione

La maggior parte degli istituti acquista i propri modelli generativi da un numero ristretto di fornitori globali. La MAS ne ha ricavato tre rischi: distorsioni ignote derivanti dai dati di pre-addestramento, problemi di protezione dei dati e un rischio di concentrazione, quando molti istituti dipendono dagli stessi modelli sottostanti. Le banche hanno reagito con collaudi compensativi, piani di emergenza e contratti rivisti che prevedono garanzie di prestazione, protezione dei dati, diritti di audit e l’obbligo di notifica quando un fornitore introduce l’intelligenza artificiale in un servizio esistente.³

Le Guidelines definitive fissano il principio: un istituto può non essere in grado di imporre a un fornitore terzo l’adozione di solide prassi di gestione dei rischi, ma resta comunque responsabile del modo in cui l’IA di terzi è utilizzata all’interno della propria organizzazione e del possibile impatto sui clienti e sugli altri portatori di interessi.⁴ Si applicano parallelamente le norme sull’esternalizzazione e sulla gestione del rischio tecnologico, esaminate nel capitolo E.I.

Incidenti, monitoraggio ed emergenze

Le Guidelines definiscono gli incidenti di IA come incidenti che comportano un guasto, un malfunzionamento o prestazioni insufficienti del sistema o del modello sottostante. La MAS ha deciso di non istituire per essi un regime di segnalazione separato: gli istituti devono continuare a segnalare gli incidenti ai sensi dei vigenti requisiti in materia di rischio tecnologico e continuità operativa, quale che ne sia la causa. Per i casi d’uso a elevata rilevanza di rischio sono richiesti piani di emergenza. I modelli che si aggiornano automaticamente, come i sistemi di apprendimento per rinforzo, richiedono un monitoraggio più rigoroso, perché il loro comportamento può evolvere durante il funzionamento senza intervento umano.⁵

Per i sistemi agentici, il monitoraggio deve estendersi ai flussi informativi e ai percorsi decisionali lungo i processi, compresi i processi di ragionamento, le azioni compiute e gli strumenti utilizzati. Tale monitoraggio consente a un istituto di ricostruire le singole azioni lungo catene di agenti e di individuare l’origine di un malfunzionamento. La MAS ha inoltre suggerito che l’ampiezza dell’accesso a strumenti e sistemi possa costituire un’ulteriore dimensione della rilevanza del rischio, perché agenti con ampie autorizzazioni possono aggravare il rischio di compromissione dei dati.⁶

L’uso dei dati da parte dell’autorità di vigilanza

La MAS applica l’analisi dei dati al proprio lavoro da quando ha istituito la funzione di Chief Data Officer, ricoperta da David Hardoon al momento della pubblicazione dei FEAT Principles. Gli addetti alla vigilanza utilizzano strumenti analitici per elaborare le segnalazioni regolamentari, vagliare le segnalazioni di operazioni sospette e individuare schemi di abuso di mercato.⁷ Il rapporto di vigilanza in quanto tale non è modificato da questi strumenti, che aiutano l’autorità a selezionare gli istituti e le operazioni meritevoli di attenzione, mentre la valutazione resta un giudizio umano esercitato in base alle leggi descritte nel capitolo E.I.

Note

1. MAS, Information Paper, dicembre 2024, par. 2.1: i modelli di ML basati su alberi decisionali sono “commonly used in anti-money laundering (AML) systems to detect suspicious transactions, and in fraud detection systems” – MAS, Information Paper, dicembre 2024, par. 2.2: “Regulatory risks, e.g., poor performance of AI used to support AML efforts could lead to non-compliance with regulations.” ↩
2. MAS, “COSMIC” (mas.gov.sg, consultato a novembre 2026): avviata il 1º aprile 2024; partecipanti DBS, OCBC, UOB, SCB, Citibank e HSBC; base giuridica nel Financial Services and Markets (Amendment) Act 2023 e nelle Financial Services and Markets (Information Sharing Scheme for Prescribed Financial Institutions) Regulations 2024; tre aree di rischio. ↩
3. MAS, Information Paper, dicembre 2024, par. 7.2.1: i rischi derivanti dall’IA di terzi comprendono “unknown biases from pre-training data, data protection concerns, as well as concentration risks due to increased interdependencies” – MAS, Information Paper, dicembre 2024, par. 7.2.2(a)–(d): collaudi compensativi, pianificazione delle emergenze, accordi contrattuali con clausole su “performance guarantees, data protection, the right to audit, and notification when AI is introduced” e iniziative di sensibilizzazione. ↩
4. MAS, Response to Feedback, 7 ottobre 2026, parr. 9.3–9.4: l’istituto finanziario “remains accountable for how third-party AI is used within its organisation”; “the onus is on the FI to ensure that risks arising from its use of third-party AI are appropriately managed”. ↩
5. MAS, Response to Feedback, 7 ottobre 2026, par. 10.69: definizione di “AI incidents”; “MAS does not intend to introduce AI-specific incident reporting requirements at this juncture” – MAS, Response to Feedback, 7 ottobre 2026, parr. 10.67 e 10.70. ↩
6. MAS, Response to Feedback, 7 ottobre 2026, par. 12.8 – MAS, Response to Feedback, 7 ottobre 2026, par. 7.7: un istituto finanziario può considerare “the extent of access to tools and systems granted as an additional dimension for AI risk materiality assessments of agentic AI”. ↩
7. Sull’uso dell’analisi dei dati e del machine learning da parte della MAS nella vigilanza e nell’analisi delle segnalazioni di operazioni sospette, si vedano le relazioni annuali della MAS dal 2018/19 in poi e i discorsi di funzionari della MAS sulla tecnologia di vigilanza. ↩

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.