L’uso dell’AI è aumentato nei servizi finanziari negli ultimi anni, sia per il numero che per le tipologie di casi d’uso. Sebbene l’AI presenti molti vantaggi, dalla maggiore efficienza operativa alla possibilità di fornire servizi personalizzati ai clienti, può rappresentare notevoli sfide per la sicurezza e la solidità del business, il trattamento equo dei consumatori e in generale la stessa stabilità del sistema finanziario.
Il terzo sondaggio congiunto condotto da Bank of England (BoE) e Financial Conduct Authority (FCA), pubblicato il 21 novembre 2024, fotografa un settore finanziario del Regno Unito ormai profondamente permeato dall’intelligenza artificiale. Su 118 istituzioni rispondenti — tra cui banche britanniche e internazionali, assicuratori, gestori patrimoniali, operatori di credito non bancario e infrastrutture di mercato — il 75% dichiara di utilizzare già sistemi di AI, con un ulteriore 10% che prevede di adottarli nei prossimi tre anni. Si tratta di un salto netto rispetto alla rilevazione del 2022, quando le percentuali erano rispettivamente del 58% e del 14%. I tassi di adozione più alti riguardano le banche internazionali e le compagnie assicurative.
Fonte: Bank of England e Financial Conduct Authority, “Artificial intelligence in UK financial services – 2024“
Il dato può essere messo a confronto con quello italiano che è stato misurato in una recente ricerca di OCSE e Banca d’Italia (“L’intelligenza artificiale nei mercati finanziari italiani – From Analysis to Action”, realizzato con il supporto della Commissione europea e il contributo di MEF, CONSOB, IVASS e COVIP e presentato ad aprile 2026), analizzando un campione di 450 attori (che copriva praticamente tutti i principali comparti finanziari, tra cui 99 banche e 100 gestori di portafoglio). Di nuovo, il settore assicurativo mostra il più alto tasso di adozione dell’IA, pari al 70% degli intervistati, mentre tra le banche, tale percentuale è pari al 59%, con un valore più alto per le Banche Popolari (96%). Gli operatori dei mercati finanziari, come i gestori di portafogli, i gestori patrimoniali e i consulenti d’investimento, segnalano tassi di adozione prossimi al 30%, mentre i fondi pensione si collocano al 10% (pur trattandosi di due indagini diverse, è possibile confrontare alcuni risultati generali, come riportato in Nota[1]).
Gli utilizzi dell’AI nel settore finanziario
Nel caso inglese, l’area con la percentuale più alta di intervistati che utilizzano l’AI è l’ottimizzazione dei processi interni (41% degli intervistati). A questo segue la cybersecurity (37%) e il rilevamento delle frodi (33%). Nei prossimi tre anni, un ulteriore 36% degli intervistati prevede di utilizzare l’AI per il supporto clienti (inclusi chatbot), il 32% per la conformità normativa e la reportistica, il 31% per il rilevamento di frodi e il 31% per l’ottimizzazione dei processi interni.
Fonte: Bank of England e Financial Conduct Authority, “Artificial intelligence in UK financial services – 2024“
Nella ricerca sul panorama italiano (che a livello metodologico ha distinto tra output di IA che supportano direttamente i risultati di attività aziendali, come le risorse umane, le vendite, la modellazione o il post-trading, e metodi, che rappresentano gli output di IA che sono utilizzati in vari processi e portano indirettamente ai risultati delle attività aziendali, come la scrittura di codice o l’analisi dei dati), di nuovo l’individuazione e la prevenzione delle frodi è l’applicazione più ampiamente utilizzata ed è prevista rimanere dominante fino al 2028. Le applicazioni specifiche del mercato finanziario su cui si è concentrata la maggior parte delle risposte includono l’allocazione degli attivi e le strategie di negoziazione. L’allocazione degli attivi include la gestione di portafoglio, la ricerca in materia di investimenti, la consulenza robotizzata, la consulenza finanziaria e l’analisi di mercato. Le strategie di negoziazione includono le attività di sottoscrizione, le IPO, la negoziazione algoritmica, la copertura dei rischi, l’analisi predittiva, le previsioni e il market-making.
Fonte: “L’intelligenza artificiale nei mercati finanziari italiani – From Analysis to Action”, OECD e Banca d’Italia, 24 aprile 2026
Tra gli intervistati del mercato finanziario italiano che utilizzano l’AI, i gestori di portafogli stanno sperimentando e introducendo intensamente questa tecnologia, e hanno riferito quasi 1.000 casi d’uso dell’AI in sperimentazione o produzione, secondi solo alle banche, che ne hanno segnalati oltre 2.500. Le banche indicano più casi d’uso in produzione e quasi altrettanti in fase di sviluppo o sperimentazione di tutti gli altri settori messi insieme. Le banche si sono inoltre collocate al primo posto per il numero medio di casi d’uso per partecipante; anche le imprese di assicurazione e riassicurazione riportano medie elevate. Nel complesso, i casi d’uso in produzione superano, in termini aggregati, quelli in fase di sviluppo o sperimentazione di quasi 1.000 unità (una differenza è più pronunciata nel settore bancario, segnale della propensione a investire in misura maggiore in casi d’uso concreti, oltre che a una maggiore maturità).
Un’adozione trainata dai fornitori
Un elemento strutturale è la crescita dell’esposizione a fornitori esterni, in entrambe le rilevazioni. Nel caso UK, un terzo di tutti i casi d’uso di AI censiti sono oggi implementazioni di terze parti, contro il 17% registrato due anni prima. Le aree aziendali più esposte sono le risorse umane (65% di implementazioni esterne), risk & compliance (64%) e operations & IT (56%). Inoltre, si osserva una concentrazione dei fornitori: i primi tre cloud provider coprono il 73% di tutte le relazioni segnalate, i primi tre fornitori di modelli AI il 44% (contro il 18% del 2022) e i primi tre fornitori di dati il 33% (contro il 25% del 2022). Questo ricorso crescente a un numero ristretto di provider — cloud, modelli e dataset — è precisamente ciò che alimenta il rischio sistemico legato alle “dipendenze critiche da terze parti“, identificato dal report come la voce di rischio sistemico destinata a crescere di più nei prossimi tre anni.
Anche la rilevazione in Italia conferma una forte esposizione verso fornitori terzi di tecnologia: emerge infatti che quasi tre partecipanti su quattro dipendono da servizi cloud di terze parti. Altri servizi di fornitori terzi frequentemente utilizzati sono l’adozione di modelli di GenAI (39%) e il supporto all’implementazione dei modelli (25%). Solo il 9% delle imprese gestisce casi d’uso dell’AI senza il coinvolgimento di terze parti. Nella selezione dei fornitori gli operatori del settore finanziario italiano adottano però approcci diversi, sulla base della policy e delle dimensioni dell’azienda. Alcune valutano le offerte di IA dei propri partner di servizi cloud, evitando al contempo la dipendenza esclusiva e mantenendo aperto il dialogo con più fornitori, al fine di confrontarne i servizi. Nel corso di riunioni bilaterali alcune società hanno comunicato di non dare priorità ai centri dati italiani, ipotizzando che tutti quelli con sede nell’UE soddisfino i requisiti di sovranità. Le imprese più grandi fanno spesso affidamento su fornitori Big Tech, integrati da venditori locali più piccoli, o prevedono soluzioni di back-up per ogni fornitore di servizi cloud coinvolto, in modo da poter migrare in caso di necessità.
Fonte: “L’intelligenza artificiale nei mercati finanziari italiani – From Analysis to Action”, OECD e Banca d’Italia, 24 aprile 2026
Spiegabilità dell’AI: come è impostata nel settore finanziario UK e in Italia
Gli assetti di governance ora elevano la spiegabilità dell’AI (Explainable AI o XAI) ad area di controllo prioritaria: di fatto, comincia ad essere considerata una componente chiave degli assetti di governance, al pari della protezione dei dati, dell’IT e della cybersicurezza.
Un’alta percentuale di istituti finanziari del Regno Unito che attualmente utilizzano l’AI (l’81%) impiegano anche qualche tipo di metodo di spiegabilità. Gli approcci più frequenti sono “Feature importance” (72%) e “Shapley additive explanations” (64%): entrambi mirano a spiegare quanto ogni variabile di input (o caratteristica) contribuisca alle previsioni di un modello di apprendimento automatico. Il primo fornisce una classifica generale delle caratteristiche, mentre i valori di Shapley considerano tutte le possibili combinazioni per valutare l’impatto di ciascuna. Oltre la metà degli istituti impiega 3 o più metodi per la spiegabilità.
I risultati dell’indagine in Italia mostrano un’elevata variabilità dei metodi di spiegabilità utilizzati, indicando tassi di adozione simili tra le imprese. Ciascuno dei metodi di spiegabilità presentati agli intervistati è stato scelto da una quota comparabile di partecipanti, vale a dire tecniche ex ante (49%), seguite da tecniche ex post indipendenti dal modello (model-agnostic) (46%), tecniche ex post specifiche per modello (modelspecific) (42%) e tecniche “in-process” (applicate durante il processo) (40%).
Tra le tecniche ex ante, gli intervistati segnalano di aver adottato durante la progettazione misure volte a migliorare la spiegabilità. Queste includono funzionalità chiare e comprensibili, prompt engineering, addestramento mirato (targeted-training) e apprendimento supervisionato (supervised learning). Tra le tecniche ex post, sono menzionati più di frequente i valori SHAP (SHapley Additive exPlanations), mentre la revisione manuale e gli approcci combinati ricorrono meno spesso.
Automazione decisionale: un moltiplicatore di rischio operativo
La rilevazione sugli attori finanziari nel Regno Unito evidenzia che il 55% di tutti i casi d’uso di AI comporta oggi un qualche grado di automazione decisionale. Di questi, il 24% è “semi-autonomo” — capace di prendere decisioni autonome ma progettato per prevedere una supervisione umana nei casi critici o ambigui — mentre solo il 2% opera con decisionalità pienamente autonoma e un ulteriore 2% con modelli dinamici. Sebbene la quota di sistemi completamente autonomi resti contenuta, la crescita attesa del numero di casi d’uso (la mediana dovrebbe più che raddoppiare, da 9 a 21, con punte di 39-49 casi d’uso per le grandi banche di Categoria 1) implica un ampliamento proporzionale della superficie esposta a possibili compromissioni, soprattutto laddove l’automazione riduce i controlli umani in tempo reale.
A questo si aggiunge un ulteriore fattore critico: il 46% delle imprese dichiara di avere solo una “comprensione parziale” delle tecnologie AI che utilizza, contro un 34% che rivendica una comprensione “completa”. Il gap si concentra proprio sui modelli di terze parti, dove la mancanza di piena visibilità tecnica rende più difficile individuare vulnerabilità, dipendenze nascoste o comportamenti anomali dei modelli — il fenomeno che il report definisce dei modelli “embedded o nascosti” (embedded or ‘hidden’ models), indicato insieme alla complessità dei modelli e alle dipendenze da terze parti come uno dei tre rischi destinati a crescere maggiormente nel prossimo triennio.
La situazione appare più prudente in Italia, dove alla domanda sull’autonomia di azione, il 75% risponde di operare in totale assenza di autonomia, ovvero con il “sostegno umano”. Il 35% delle imprese dichiara una bassa autonomia di azione (supervisione umana o “human-in-the-loop”), mentre il 16% segnala un’autonomia di azione di livello medio (“human-on-the-loop”). Solo l’8% degli intervistati indica che i rispettivi casi d’uso dell’IA prevedono un’elevata autonomia di azione, in un regime privo del controllo umano (“human-out-of-theloop”).
In generale, gli operatori italiani attestano casi d’uso dell’intelligenza artificiale con significativo livello di coinvolgimento umano, in linea con i loro quadri di riferimento per la gestione dei rischi. L’approccio è quello di limitare in larga misura l’autonomia di azione dell’IA al potenziamento con intervento umano, circoscrivendo i processi decisionali completamente automatizzati ad ambiti ristretti e meno esposti al rischio.
Governance dell’AI, responsabilità ancora frammentata
Passiamo dal considerare da quanto è usata l’AI, a quanto il settore è pronto a governarla. Sul piano della governance, il Regno Unito mostra un elevata maturità, con l’84% delle imprese che dichiara di avere già una figura responsabile per il proprio framework AI, mentre il 72% attribuisce la responsabilità dei casi d’uso e dei loro output alla leadership esecutiva. Tuttavia, la maggioranza delle imprese riporta tre o più soggetti responsabili contemporaneamente, segno di una responsabilità ancora distribuita tra funzioni diverse.
Sul fronte della gestione dei dati, pratiche specifiche per l’AI — distinte da quelle generali già in uso — restano relativamente poco diffuse: solo il 19% delle imprese applica pratiche di privacy e sicurezza dei dati specificamente pensate per l’AI, e appena il 16% adotta pratiche AI-specifiche per l’architettura e l’infrastruttura dei dati. L’area con la maggiore diffusione di pratiche dedicate è quella dell’etica, del bias e dell’equità dei dati (34%), mentre proprio le pratiche di sicurezza restano in gran parte mutuate da framework preesistenti, non ancora adattati alla specificità dei rischi posti dall’AI.
In Italia, la governance dell’AI nel settore finanziario è ancora in via di sviluppo: le percentuali di chi ricorre a strategia e linee guida complessive (27%), framework di sicurezza (24%), assetti specifici di governance dei modelli e dei dati (23 e 20%), sono ancora molto basse. Un intervistato su cinque dispone di un assetto di governance dei dati, incentrato sui concetti di privacy, amministrazione e proprietà. L’impiego di un esplicito assetto di governance dell’IA, in particolare, è stato dichiarato dal 16% degli intervistati.
I principali benefici dell’AI percepiti nel settore finanziario di Regno Unito e Italia
Gli operatori finanziari UK assegnano i principali benefici dell’AI all’area analitica (data and analytical insights), AML e contrasto frodi, cybersecurity. Sebbene i benefici siano previsti crescere in tutti i settori, quelli con il maggiore aumento previsto nei prossimi tre anni sono per l’efficienza operativa, la produttività e la riduzione dei costi.
Nel caso delle istituzioni finanziarie italiane, i benefici concreti derivanti dall’adozione dell’AI sono appunto l’efficienza operativa (75%), gli incrementi di produttività (62%) e i miglioramenti dei processi interni (45%). Gli intervistati citano anche efficienze nella scrittura di codice (33%), riduzioni dei costi (30%) e migliori traduzioni (29%). Tra i vantaggi dal lato del front-office figurano un miglioramento dei processi decisionali (49%), nuove informazioni analitiche (22%), nonché una maggiore efficacia dell’analisi predittiva e dell’attività di marketing o vendita (entrambe pari al 17%).
L’utilizzo dei dati collegato ai principali rischi dell’AI
Dalla rilevazione nel Regno Unito impariamo che quattro dei cinque principali rischi sono legati all’uso dei dati. I tre maggiori rischi attuali sono considerati essere la privacy e la protezione dei dati, la qualità dei dati e la sicurezza dei dati. I rischi che si prevede aumenteranno maggiormente nei prossimi tre anni sono le dipendenze da terze parti, la complessità dei modelli e i modelli embedded o ‘nascosti’.
La rilevazione in Italia ha invece misurato quanto oggi le banche si siano attrezzate per presidiare ilo rischio di attività non previste dell’IA: emerge che la metà degli intervistati ha dichiarato di utilizzare la supervisione umana (human-in-the-loop) come principale presidio per gestire i rischi di attività non previste dell’AI. Le altre misure di protezione sono state indicate in misura meno significativa: il 25% degli intervistati ha menzionato meccanismi di gestione e segnalazione degli incidenti, il 22% restrizioni di input e output e il 20% sistemi di back-up, monitoraggio dei guasti e segnalazione di allerta. Le imprese hanno inoltre citato, nell’ambito dei propri sistemi di gestione dei rischi, i controlli di integrità dei dati/le pipeline dati sicure (14%) e i sistemi di allarme per la segnalazione di comportamenti insoliti/inattesi (14%). Quanto ai rischi etici, le imprese puntano a garantire l’imparzialità dei modelli di intelligenza artificiale. In particolare, nei casi d’uso che coinvolgono terzi interessati (ad esempio i clienti), alcune imprese evitano l’impiego di dati sensibili nello sviluppo di modelli di IA, come il genere o l’etnia.
Cybersecurity: il rischio sistemico più alto
Il dato centrale dal punto di vista della sicurezza è netto: la cybersecurity è il rischio sistemico più elevato percepito dagli operatori, sia oggi sia nella proiezione a tre anni. Nella classifica dei rischi sistemici legati all’AI, la cybersecurity precede le dipendenze critiche da terze parti e l’uso di dataset o modelli comuni a più operatori (un ulteriore fattore di concentrazione, poiché un guasto o una vulnerabilità in un modello ampiamente condiviso potrebbe propagarsi trasversalmente al sistema finanziario).
Anche a livello di rischio operativo per la singola impresa, la cybersecurity compare stabilmente tra i primi cinque fattori di rischio, insieme a quattro voci direttamente legate ai dati: privacy e protezione dei dati, qualità dei dati, sicurezza dei dati, bias e rappresentatività dei dati. In altre parole, quattro rischi su cinque tra i più sentiti dal settore ruotano attorno alla gestione dei dati che alimentano i sistemi di AI — un terreno di intersezione diretta con la superficie di attacco cyber delle istituzioni.
Sul fronte dei vincoli regolamentari, la protezione dei dati e la privacy risultano il principale freno percepito all’adozione dell’AI (il 23% delle imprese la considera un vincolo “ampio”), seguita da resilienza, cybersecurity e regole sui rapporti con terze parti (12% delle imprese la classifica come vincolo ampio) e dal Consumer Duty della FCA. Sul fronte dei vincoli non regolamentari, la sicurezza, la robustezza e la protezione dei modelli AI sono il fattore più citato in assoluto, davanti persino alla carenza di competenze e talenti specializzati.
In conclusione
Il confronto tra Regno Unito e Italia mostra come l’intelligenza artificiale sia ormai entrata in una fase nuova nel settore finanziario. Il Regno Unito (l’indagine risale anche a un anno prima, il 2024, mentre quella relativa all’Italia è del 2025), presenta livelli di adozione più elevati e una maggiore strutturazione dei processi di governance, mentre l’Italia, pur partendo da una diffusione inferiore, mostra una forte accelerazione nella sperimentazione e nell’introduzione di nuovi casi d’uso. In entrambi i mercati, quindi, la questione non è più se l’AI verrà adottata, ma con quale velocità e secondo quali modalità verrà portata su scala.
La differenza più significativa riguarda probabilmente il passaggio dalla sperimentazione alla gestione industriale della tecnologia. Nel Regno Unito la crescita dei casi d’uso si accompagna già a forme strutturate di responsabilità, controllo e supervisione; in Italia la governance specifica dell’AI appare ancora meno consolidata, nonostante il numero di applicazioni in produzione e sperimentazione sia in rapida crescita. La sfida per gli operatori italiani sarà quindi trasformare la crescente attività progettuale in un modello stabile di governo dell’AI, integrato nei processi di gestione del rischio e nelle strutture decisionali aziendali.
Un secondo elemento comune riguarda la crescente dipendenza da fornitori esterni. Cloud, modelli di AI, dati e servizi tecnologici sono sempre più forniti da un numero ristretto di operatori, creando nuove forme di concentrazione e dipendenza. L’adozione dell’AI introduce quindi una dimensione ulteriore nel tema della resilienza operativa e della sovranità tecnologica: la capacità di governare l’AI non dipende soltanto dai modelli sviluppati internamente, ma anche dalla possibilità di controllare e, quando necessario, sostituire le tecnologie e i provider da cui tali modelli dipendono.
Infine, la crescente autonomia dei sistemi di AI rende sempre più stretto il rapporto tra innovazione e sicurezza. L’aumento dell’automazione decisionale, l’impiego di modelli di terze parti e la crescente complessità delle architetture ampliano la superficie potenziale di attacco e rendono più difficile mantenere una supervisione efficace. Non sorprende quindi che la cybersecurity emerga nel settore finanziario britannico come il principale rischio sistemico associato all’AI.
La prossima fase dell’adozione dell’intelligenza artificiale nel Finance sarà dunque caratterizzata da un equilibrio sempre più delicato tra scalabilità, autonomia e controllo. L’adozione crescente dell’AI è un dato di fatto: il report UK misura che l’aumento medio atteso dei benefici percepiti dall’AI nei prossimi tre anni (21%) supererà l’aumento medio del rischio percepito (9%). Da un lato l’adozione dell’AI accelera e si diffonde su scala crescente, dall’altro la sicurezza informatica — insieme alla protezione dei dati e alla gestione delle dipendenze da fornitori terzi — resta la sfida strutturale su cui regolatori e istituzioni dovranno concentrare l’attenzione nei prossimi anni, soprattutto man mano che cresce la quota di modelli complessi, esternalizzati e parzialmente compresi dalle stesse imprese che li utilizzano. Per gli operatori finanziari italiani, la priorità non sarà soltanto accelerare l’adozione dell’AI, ma costruire parallelamente le condizioni organizzative, tecnologiche e di sicurezza necessarie per renderla sostenibile. La competitività del settore dipenderà non solo dalla capacità di utilizzare l’AI, ma dalla capacità di governarla, proteggerla e mantenerne il controllo anche quando diventerà parte integrante dei processi decisionali.
Di Elena Vaciago, Research Manager, TIG – The Innovation Group
Fonti: Bank of England e Financial Conduct Authority, “Artificial intelligence in UK financial services – 2024“, pubblicato il 21 novembre 2024. “L’intelligenza artificiale nei mercati finanziari italiani – From Analysis to Action”, OECD e Banca d’Italia, 24 aprile 2026
——
[1] Nota metodologica: il confronto tra i dati relativi al Regno Unito e all’Italia deve essere interpretato tenendo conto di alcune differenze metodologiche tra le due rilevazioni. Le indagini sono state realizzate in momenti diversi, su campioni e popolazioni di riferimento non perfettamente coincidenti e attraverso domande e classificazioni degli utilizzi dell’AI che, in alcuni casi, presentano differenze. Di conseguenza, i singoli indicatori non sono sempre direttamente comparabili e le percentuali devono essere considerate come indicazioni di tendenza più che come misure perfettamente omogenee. Nel complesso, tuttavia, l’impostazione delle due ricerche e l’ampiezza delle dimensioni analizzate consentono un confronto significativo sui principali fenomeni di adozione dell’AI nei servizi finanziari, in particolare per quanto riguarda diffusione, casi d’uso, automazione, dipendenza da fornitori terzi, governance e rischi.
