L’anno scorso il Consiglio e il Parlamento europei hanno raggiunto un accordo provvisorio su nuove norme per rendere più efficienti le operazioni di investimento finanziario. Nell’ottobre del 2027 scatterà l’obbligo di adeguamento per tutti gli intermediari finanziari, che dovranno ridurre a un giorno il regolamento della compravendita di titoli. In questa dinamica, un notevole contributo può arrivare dalle tecnologie di machine learning e di intelligenza artificiale. Ce ne parla, in questa analisi tecnica, Mario Daniele, principal consultant di Capco.
Mario Daniele, principal consultant di Capco
La riduzione del regolamento post trade da due a un giorno lavorativo, cioè T+2 a T+1, stabilita nell’ottobre scorso dal Parlamento Europeo (il testo del regolamento è stato pubblicato nella Gazzetta ufficiale il 14 ottobre 2025), apre un nuovo fronte nella competizione tra operatori finanziari. L’obbligo scatterà nell’ottobre del 2027 ma fin da ora bisogna preparare il terreno adeguando l’organizzazione e i processi (front-to-back, post-trade, liquidity management) e scegliendo le tecnologie abilitanti. Dalle scelte di oggi dipenderanno efficacia ed efficienza del passaggio da T+2 a T+1 con i conseguenti effetti sulla qualità del servizio percepita dall’utenza e, quindi, sulla competitività.
Quali criticità, in ottica di adeguamento al nuovo regolamento, pongono i sistemi normalmente utilizzati dagli intermediari? Quali tecnologie offrono le migliori garanzie di superamento delle criticità ed efficacia/efficienza operativa? Quali sono gli impatti dell’adeguamento sulla struttura dei costi?
I limiti da superare
I sistemi oggi in uso hanno diversi limiti. Il primo è che non lavorano i dati appena arrivano ma (time-buffered) e lavorano i dati a blocchi (batch) eseguendo le operazioni in modo massivo (bulk). Con il passaggio a T+1 la pressione si sposterà verso l’operatività intraday e, progressivamente, verso modalità near real-time. Questo cambio di paradigma è particolarmente rilevante per repo e securities lending: la migrazione di volumi dal settlement notturno al real-time settlement intraday può introdurre nuovi costi e rischi legati a liquidità intraday, efficienza e resilienza operativa. Non a caso, la prassi raccomandata si orienta a privilegiare istruzioni intraday verso i CSD (Central Securities Depositories), riducendo l’affidamento su invii massivi.
Il secondo limite è dato dalla manualità residua e da una gestione delle eccezioni che non permette la scalabilità. Molti modelli operativi continuano a dipendere da interventi umani per compensare ritardi in allocazioni e conferme, nel disallineamento dei dati e nelle riconciliazioni tardive. Con il passaggio a T+1 la gestione delle eccezioni dovrà evolvere verso processi industrializzati con livelli più elevati di Straight-Through Processing end-to-end, controllo dei dati solido e riduzione sistematica delle attività manuali che oggi consumano tempo e introducono variabilità.
A rendere più complessa la transizione contribuisce la frammentazione degli standard in uso e delle comunicazioni. La molteplicità delle soluzioni di connettività e l’eterogeneità nella gestione di protocolli e istruzioni di regolamento (SSI) aumentano complessità e costi del flusso post-trade. Il passaggio a T+1 richiede uno scambio elettronico standardizzato di allocazioni/conferme, maggiore uniformità della messaggistica e riduzione delle varianti provider-specific con un focus sull’interoperabilità.
Un altro limite di oggi, spesso sottovalutato, è la static data readiness e, in generale, la qualità dei dati. Le cause che impediscono l’istruzione in Trade Date (il giorno in cui viene eseguito un ordine di acquisto o vendita di un titolo finanziario) sono diverse: ritardi in allocazioni/conferme, SSI mancanti o tardive, discrepanze su place of settlement, vincoli di fuso orario, ritardi su NAV, istruzioni mal formattate e ritardi nell’esecuzione dell’operazione.
Con il passaggio a T+1, questi limiti non si potranno correggere a fine giornata. Ne deriva un bisogno concreto d’istruzione continua e di capacità di processing real-time o near real-time e, qualora le piattaforme non lo consentano, almeno d’interventi più frequenti e coerenti con le nuove finestre operative.
Infine, emerge un gap specifico sull’automazione dei processi SFT e collateral. Repo, securities lending, recalls/returns, mark-to-market, collateral management e contract comparison richiedono un salto di automazione significativo rispetto alla situazione di oggi: la limitata penetrazione degli strumenti disponibili sul mercato segnala che il tema non è solo tecnologico ma anche di trasformazione del modello operativo e delle responsabilità front-to-back.
I limiti di oggi portano con sé numerosi rischi: aumento di unmatched e fails per mancanza di tempo nella risoluzione delle discrepanze; tensioni di liquidità intraday e criticità di resilienza operativa con lo spostamento di attività dal notturno all’intraday; rischi su margining, collateral e cut-off con la necessità di ripianificare chiamate intraday e finestre dei sistemi di pagamento; rischio di una automazione a silos con soluzioni vendor non interoperabili che aumentano la frammentazione anziché ridurla; infine, il rischio di un danno reputazionale e di un incremento dei costi da penali derivanti dal mancato regolamento delle operazioni.
L’integrazione tra AI e machine learning
L’adozione di tecnologie basate su AI e machine learning ha dato il via a una profonda revisione dei servizi di post-trade: il passaggio a T+1 offre la possibilità per un’accelerazione. La combinazione tra soluzioni avanzate di data governance, predictive analytics e automazione dei processi può diventare determinante per la competitività grazie a diversi benefici. Vediamo quali.
Una prima riflessione riguarda la qualità dei dati e la governance. La gestione dei dati statici, quali le informazioni sugli strumenti finanziari e le istruzioni di regolamento standard (SSI), è fondamentale per garantire l'accuratezza delle transazioni. I controlli basati sull'intelligenza artificiale possono supportare il rilevamento quasi in tempo reale di anomalie (in base alla disponibilità dei dati e alla progettazione dei modelli e dei quadri di controllo), riducendo il rischio di errori sistemici. La combinazione di convalide basate su regole e l'arricchimento automatizzato dei set di dati contribuiscono a ridurre al minimo gli errori di riconciliazione e di corrispondenza e a migliorare i flussi operativi.
Esempi pratici di controlli in tempo reale o quasi reale includono:
- Dati statici sugli strumenti finanziari: convalida in streaming degli attributi chiave (ad esempio, ISIN/CFI, valuta, luogo di regolamento, calendario di regolamento) rispetto a fonti interne affidabili e feed di riferimento esterni; avvisi in caso di campi mancanti, obsoleti o incoerenti tra le fonti.
- Controlli SSI (istituzione e controparti): controlli durante la fase di creazione/modifica di SSI per convalidare BIC/agente, formati di conto, ruoli dei soggetti e luogo di regolamento; riconciliazione quasi in tempo reale rispetto alle SSI del depositario e della controparte per rilevare eventuali discrepanze prima dell’istruzione.
- Controlli di messaggistica pre-istruzione al CSD: convalida automatizzata al momento della creazione del messaggio (ad esempio campi obbligatori, regole di formato e luogo di regolamento) e blocco/riscrittura delle istruzioni quando i dati SSI o dello strumento sono incompleti; apprendimento in loop di feedback dai rifiuti del CSD per prevenire il ripetersi.
Un modello operativo pragmatico
Un modello operativo pragmatico consiste nel combinare controlli deterministici (sintassi, campi obbligatori, controlli dei dati di riferimento) con il rilevamento e la prioritizzazione delle anomalie basati sul machine learning, nell'ambito della governance del MLOps e del rischio del modello. I modelli di machine learning anticipano gli errori consentendo un intervento mirato preventivo. La prioritizzazione delle operazioni che richiedono attenzione immediata diventa un elemento chiave per ridurre inefficienze e garantire continuità operativa.
Le eccezioni rappresentano un’area ad alto impatto su costi e risorse. L’uso di tecniche di Natural Language Processing (NLP) consente di classificarle automaticamente in base a gravità e tipologia favorendone una gestione più strutturata. La risoluzione automatica dei problemi ricorrenti riduce, inoltre, in misura rilevante la necessità d’intervento manuale liberando risorse per attività a maggior valore aggiunto.
Con cicli di regolamento sempre più compressi, la capacità di prevedere i fabbisogni di liquidità intraday è essenziale. L’AI permette di realizzare simulazioni di scenario per l’allocazione del collaterale, consentendo una gestione più efficiente delle risorse e una riduzione dei costi di funding. Questo approccio permette di affrontare la volatilità dei mercati con maggiore resilienza potenziale.
L’impatto sulla struttura dei costi
L’integrazione di AI e machine learning (insieme ad automazione e orchestrazione dei workflow) non è solo una scelta di efficienza, ma ha un impatto benefico sulla struttura dei costi: da una prevalenza di costi variabili e reattivi (penalty, straordinari operativi, firefighting) a costi prevedibili (data, MLOps, controlli) con benefici misurabili e ricorrenti. I risvolti sul conto economico sono evidenti.
Un primo vantaggio è la diminuzione delle penali. I dati più recenti dell’European Securities and Market Authority (ESMA) indicano che il 7,14% delle transazioni genera un errore (5,3 milioni di errori al mese). Tradotto in euro: il controvalore delle transazioni errate è pari a 2,5 miliardi e le sanzioni pecuniarie medie mensili ammontano a 127,2 milioni. Una piattaforma AI/ML può ridurre in modo significativo alcune classi di errori (o migliorare la combinazione di errori), in particolare i problemi ricorrenti relativi alla qualità dei dati, alla formattazione e ai modelli di eccezione. Tuttavia, le prestazioni dipendono in larga misura dalla qualità, dalla copertura e dalla governance dei dati. Se abbinato a metriche di base e progetti pilota controllati, il ROI diventa misurabile e difendibile.
C’è poi un beneficio di produttività. T+1 comprime la finestra per la risoluzione: senza automazione aumenta il costo umano per la gestione delle eccezioni (più turni, più escalation, più inefficienza). L’integrazione AI/ML cambia la dinamica per quattro motivi: prioritizza le eccezioni con maggiore impatto (probabilità di errore più costo atteso); suggerisce root-cause e next-best-action; abilita correzione più rapida su static data e formati; riduce la dipendenza da buffer e rework.
Un’area sottovalutata è la Securities Financing Transaction (SFT). Il report dell’International Capital Market Association sulla roadmap T+1 evidenzia la necessità di un’effettiva automazione (Straight-Through Processing) evidenziando che l’adozione di strumenti di automazione è ancora limitata. L’integrazione AI/ML porta valore sulla previsione di short positions e collateral shortfall, sull’ottimizzazione intraday e sulla riduzione degli errori dovuti a shorts. Da ultimo, l’esperienza degli Stati Uniti suggerisce che un sistema meglio strutturato può portare benefici anche su requisiti di garanzia e liquidity system-wide. La Depository Trust & Clearing Corporation riporta una riduzione rilevante del clearing fund a valle di T+1.
Concludendo, l’integrazione AI/ML è una leva per governare il costo del passaggio a T+1 evitando che la maggiore velocità trasformi le inefficienze di oggi in costi ricorrenti più elevati domani. Capco aiuta aziende importanti a prepararsi velocemente unendo la riprogettazione del modello operativo con un'automazione pragmatica basata sull'intelligenza artificiale, oltre ad assisterle nel prendere le giuste decisioni in merito alla scelta tra “costruire o acquistare”. Per esempio, abbiamo recentemente supportato un asset manager globale nella progettazione di un Mvp (prodotto minimo funzionante) basato sull'intelligenza artificiale agentica per la gestione delle eccezioni di conferma delle operazioni.