L’intelligenza artificiale si sta affermando come fattore di trasformazione nei settori più diversi. Banking e insurance non fanno eccezione, con istituti bancari e assicurativi che stanno accelerando gli investimenti per casi d’uso strategici come prevenzione delle frodi, underwriting, gestione del rischio, customer experience personalizzata e automazione dei processi regolamentari. Con il 73% delle organizzazioni che ha già portato soluzioni di AI in produzione, una percentuale superiore alla media globale del 67%, il comparto si distingue per un livello di maturità nell’adozione più avanzato rispetto alla maggior parte degli altri settori.
Tuttavia, non tutte sono già riuscite a trasformare i progetti di AI in risultati concreti, riscontrando criticità legate alla gestione dei dati, alla governance e alla sicurezza.
È quanto emerge dal recente The AI Trust Gap in Financial Services & Insurance Report, uno studio condotto a livello globale da Denodo, leader nell’ambito della gestione dei dati, che evidenzia diverse lacune tra ciò che un’AI affidabile richiede e quanto le organizzazioni sono davvero in grado di fornire.
“L’adozione dell’AI agentica sta portando istituti finanziari e assicurativi oltre la semplice analisi dei dati, verso sistemi in grado di prendere decisioni e agire in autonomia. Affinché questo approccio generi davvero valore, però, non bastano modelli avanzati: servono dati aggiornati in tempo reale, informazioni contestualizzate e una governance rigorosa. La vera sfida oggi non è l’AI in sé, ma la capacità di garantirle accesso a dati affidabili, coerenti e conformi alle policy aziendali e normative. Solo chi riuscirà a combinare dati in real-time, contesto di business e sistemi di controllo adeguati potrà trasformare i progetti di AI da semplici sperimentazioni a risultati misurabili”, dichiara Andrea Zinno, Partner & Channel Sales Director di Denodo.
Il problema della latenza
Secondo lo studio, il 72% delle organizzazioni del settore finanziario e assicurativo ritiene che i dati utilizzati dall’AI debbano essere disponibili in tempo reale o aggiornati entro un minuto per poter essere considerati affidabili. Si tratta di una percentuale superiore alla media globale degli altri settori (66%), a conferma della crescente necessità di “latenza zero” nei processi che richiedono flessibilità e rapidità decisionale, come il monitoraggio delle transazioni, la rilevazione delle frodi e il risk management.
Tuttavia, molte realtà continuano a basarsi su architetture progettate per l’analisi storica e la reportistica, dove i dati vengono aggregati e resi disponibili con ritardo considerevole. Questa latenza limita l’efficacia dell’AI, causando identificazione tardiva delle frodi, decisioni sul rischio basate su informazioni non aggiornate e interazioni con i clienti più reattive che proattive.
Con il passaggio dell’AI dalla fase di sperimentazione alla produzione, queste criticità diventano ancora più evidenti. Le aziende che hanno già implementato l’AI su larga scala sono maggiormente esposte ai problemi derivanti da dati ritardati o aggregati, mentre quelle nelle fasi iniziali potrebbero non averne ancora percepito l’impatto.
Il dato giusto al momento giusto
Se la disponibilità di dati in tempo reale rappresenta una condizione necessaria per il successo dell’intelligenza artificiale, la capacità di individuare il dato corretto rimane una delle principali sfide per il settore finanziario e assicurativo. Secondo il report, il 33% delle organizzazioni indica l’identificazione dei dati più rilevanti come il principale ostacolo alla realizzazione di un’AI realmente affidabile, mentre il 31% segnala difficoltà nella preparazione e nell’integrazione dei dati per i casi d’uso di AI.
Il problema, dunque, non è legato solo alla disponibilità delle informazioni, ma soprattutto alla loro contestualizzazione. In molte realtà, infatti, concetti chiave come cliente, rischio o esposizione possono avere definizioni differenti a seconda dei sistemi utilizzati, dal core banking alle piattaforme di compliance o gestione sinistri. Questa frammentazione può compromettere la qualità delle decisioni automatizzate e ridurre l’affidabilità degli agenti AI.
Per garantire risultati affidabili, molte aziende adottano un approccio multilivello che combina strumenti di business intelligence (62%), cataloghi dati (47%) o data lakehouse (39%), tuttavia nessuna singola tecnologia è oggi in grado di risolvere da sola il problema. Anche tra le organizzazioni che utilizzano data catalog e data lakehouse, il 55% segnala difficoltà nell’ottimizzazione delle prestazioni dei workload AI.
Accanto alle piattaforme di modern data management, dunque, per garantire fiducia nell’AI sono necessarie ulteriori capacità architetturali che consentano di identificare, validare e rendere disponibili le informazioni più pertinenti per ogni specifico processo decisionale.
Sicurezza, governance e compliance possono rallentare l’AI
Insieme alle sfide legate alla qualità dei dati, emerge con forza il tema della governance. Il report, infatti, evidenzia che il 61% delle istituzioni del settore finanziario e assicurativo incontra difficoltà nella gestione della sicurezza dei dati e dei controlli di accesso per le applicazioni di intelligenza artificiale. Questo dato conferma come, soprattutto nelle fasi iniziali di adozione dell’AI, le aziende fatichino a garantire policy coerenti, standardizzazione dei metadati e governance uniforme in ambienti caratterizzati da sistemi e fonti informative distribuite.
Nel settore dei servizi finanziari, dove l’AI deve operare nel rispetto di normative stringenti in materia di antiriciclaggio, conoscenza del cliente, monitoraggio delle transazioni, privacy e auditabilità, la presenza di guardrail adeguati rappresenta un fattore essenziale per costruire fiducia nelle decisioni automatizzate.
“La differenza tra un semplice assistente digitale e un agente AI realmente affidabile risiede proprio nella capacità di operare entro confini definiti di sicurezza, compliance e livelli di servizio. Quando questi controlli risultano frammentati o incoerenti tra le diverse fonti dati, aumenta il rischio di errori operativi, problemi di conformità e perdita di fiducia nei sistemi di AI”, prosegue Zinno.
Per questo, il settore è sempre più chiamato a sviluppare modelli di governance centralizzati, in grado di applicare regole di sicurezza, accesso e conformità in modo uniforme lungo l’intero ecosistema dati, creando le condizioni necessarie per un’adozione sicura e scalabile dell’AI agentica.
È in questo contesto che si inserisce il tema della scalabilità: le iniziative di AI nel settore finanziario e assicurativo si alimentano poco meno di 500 fonti dati diverse, con quasi 1 organizzazione su 5 che ne gestisce oltre 1.000. Una complessità crescente che rende sempre più difficile garantire coerenza dei dati, governance, sicurezza e prestazioni, ponendo nuove sfide per l’adozione su larga scala dell’AI agentica.
“I risultati della ricerca dimostrano che il futuro dell’AI non passa dalla sostituzione delle infrastrutture esistenti, ma dalla capacità di valorizzarle e integrarle. Data lakehouse, data warehouse e piattaforme cloud restano asset fondamentali per lo sviluppo dell’intelligenza artificiale. Tuttavia, per abilitare casi d’uso realmente operativi e agentici è necessario aggiungere un livello di gestione logica dei dati che consenta di accedere alle informazioni distribuite in modo governato, sicuro e in tempo reale. Le organizzazioni che sapranno combinare innovazione e continuità architetturale saranno quelle in grado di trasformare la complessità dei dati in un vantaggio competitivo e di scalare l’AI con risultati concreti e sostenibili nel tempo”, conclude Zinno.
È possibile scaricare lo studio completoThe AI Trust Gap in Financial Services & Insurance Report, realizzato da Arlington Research, qui.