La trasformazione digitale ha consentito alle banche di digitalizzare processi, servizi e canali. L’Intelligenza Artificiale apre oggi una fase diversa: non si tratta più soltanto di digitalizzare la banca, ma di ripensarne progressivamente il modo di operare, decidere e creare valore.
Sperimentare nuove applicazioni di AI è diventato relativamente semplice. Più complesso è trasformare queste iniziative in una capacità strutturale dell’organizzazione, in grado di produrre risultati misurabili e sostenibili nel tempo. Per riuscirci, l’AI non può essere considerata una componente tecnologica aggiuntiva: deve essere collegata alle priorità strategiche e integrata nei processi, nel modello operativo e nell’architettura della banca. I numeri mostrano la rilevanza di questo passaggio. Secondo il Global AI Report 2026 di NTT DATA, le organizzazioni più mature nell’adozione dell’AI hanno una probabilità quasi 2,5 volte superiore di registrare una crescita dei ricavi oltre il 10% e 3,6 volte superiore di raggiungere margini pari o superiori al 15% rispetto alle altre organizzazioni analizzate.
Il punto, quindi, non è moltiplicare le sperimentazioni, ma individuare gli ambiti nei quali l’AI può produrre un impatto concreto: dalla produttività alla velocità di sviluppo di nuovi prodotti e servizi, dalla qualità delle decisioni alla relazione con il cliente, fino alla resilienza e alla conformità normativa.
Portare l’AI su scala significa anche governarla. Nel settore bancario la domanda non è più soltanto se un modello funzioni, ma se la banca possa fidarsi dei risultati che produce e mantenere il controllo sui processi che abilita. Supervisione umana, monitoraggio continuo, tracciabilità, sicurezza, privacy e conformità devono quindi essere incorporati fin dalla progettazione. La governance non rappresenta un freno all’innovazione: è una delle condizioni necessarie per renderla affidabile e scalabile.
Modernizzare senza perdere la conoscenza
Portare l’AI nei processi centrali della banca richiede dati affidabili, sicurezza e governance, ma non presuppone necessariamente la modernizzazione preventiva dell’intero patrimonio applicativo. Al contrario, l’AI può diventare una leva per comprendere meglio i sistemi esistenti, recuperare la conoscenza che contengono e abilitarne un’evoluzione progressiva e governata.
È qui che emerge uno dei temi più rilevanti per il settore: il patrimonio applicativo esistente. Sistemi costruiti e stratificati nel corso di decenni possono rallentare l’innovazione e aumentare la complessità, ma considerarli esclusivamente come debito tecnico sarebbe riduttivo. Al loro interno risiede infatti una parte fondamentale della conoscenza della banca: regole di business, logiche applicative, processi, controlli, dipendenze e competenze accumulate nel tempo.
La sfida è recuperare questa conoscenza e trasformarla da potenziale vincolo a leva per l’innovazione. È il principio alla base dell’approccio di Knowledge-Driven Modernization di NTT DATA: rendere esplicita, strutturata e tracciabile la conoscenza incorporata nel patrimonio applicativo, così da farne una base riutilizzabile per supportare impact analysis e manutenzione applicativa, migliorare testing e documentazione, alimentare assistenti digitali per la fruizione della conoscenza e, quando necessario, guidare percorsi di modernizzazione attraverso specifiche funzionali, architetture target e nuove componenti applicative.
Nei progetti di modernizzazione realizzati da NTT DATA su primarie banche italiane, questo approccio ha consentito di registrare un incremento superiore al 60% nella velocità di recupero della conoscenza e una riduzione dei costi di modernizzazione compresa tra il 50% e il 60%.
L’AI generativa e i sistemi basati su agenti possono accelerare ulteriormente il percorso, supportando l’analisi del codice e della documentazione, la ricostruzione delle logiche funzionali e delle dipendenze, la generazione di specifiche, i test e la manutenzione.
Modernizzare, però, non significa necessariamente sostituire tutto. Significa comprendere cosa mantenere, integrare, riprogettare o sostituire, costruendo un percorso progressivo e governabile che valorizzi la conoscenza esistente e riduca i rischi della trasformazione.
Dalle singole applicazioni a un modello industriale
Il passaggio decisivo è quello dalla sperimentazione all’industrializzazione. Perché l’AI diventi una capacità permanente della banca occorre superare la logica dei singoli casi d’uso e costruire un modello nel quale piattaforme tecnologiche, dati, sviluppo applicativo, governo del rischio e misurazione del valore operino in modo integrato.
In questo scenario cambia anche il modo di sviluppare e gestire il software. Strumenti generativi, agenti specializzati e assistenti digitali possono aumentare la produttività lungo l’intero ciclo di vita delle applicazioni, dall’analisi dei requisiti alla documentazione, dalla revisione del codice ai test. Velocità e produttività devono però procedere insieme a controllo, tracciabilità e qualità, evitando che il vecchio debito tecnico venga semplicemente sostituito da nuove forme di dipendenza tecnologica o dalla perdita di conoscenza.
E soprattutto, cambia il ruolo delle persone. L’AI può assumere progressivamente le attività più ripetitive, mentre acquistano maggiore valore le competenze di indirizzo, supervisione, validazione e governo. Persone e sistemi intelligenti sono quindi destinati a collaborare sempre più strettamente, mantenendo in capo alle persone la responsabilità sulle decisioni, sull’architettura, sulla sicurezza, sulla conformità e sulla qualità.
È qui che si gioca la vera sfida dell’AI nel settore bancario. Non nel numero di modelli o sperimentazioni avviate, ma nella capacità di trasformare l’innovazione in valore concreto, in modo sicuro, governato e sostenibile. Modernizzazione tecnologica, persone, strategia e governance diventano così parti dello stesso percorso: quello verso una banca capace non soltanto di adottare l’Intelligenza Artificiale, ma di integrarla nel proprio modello operativo senza rinunciare a controllo, fiducia e resilienza.