Nell’adozione dell’intelligenza artificiale per le aziende i dati sono, notoriamente, uno dei punti dolenti. E questo vale anche per le società del settore bancario e assicurativo: tra di esse, circa sette su dieci hanno già portato l’AI in produzione ma quasi altrettante faticano a “scalare” proprio per questioni legate ai dati, alla loro qualità e alla loro gestione.
A dirlo è il nuovo studio internazionale “The AI Trust Gap in Financial Services & Insurance Report” di Denodo. Tra banche, fintech e compagnie assicurative, il 73% delle realtà ha già portato soluzioni di AI in produzione, percentuale che supera la media globale del 67% e che evidenzia la buona maturità del settore rispetto a questa tecnologia. Prevenzione delle frodi, underwriting, gestione del rischio, customer experience personalizzata, automazione dei processi sono i principali casi d’uso.
Tra le organizzazioni del settore, nel 33% il principale ostacolo alla realizzazione di un'AI affidabile è l’incapacità di identificare i dati più rilevanti. Il 31% segnala difficoltà nella preparazione e nell'integrazione dei dati per i diversi casi d’uso. C’è anche un buon 64% di aziende in difficoltà nell’identificare dati affidabili o a integrarli correttamente nei progetti di AI, mentre il 61% fatica nel controllo dell’accesso ai dati utilizzati dall'AI. Come sottolineato da Denodo, molti problemi si concentrano nelle fasi iniziali dei progetti: è qui che le aziende faticano a garantire policy coerenti, standardizzazione dei metadati e governance uniforme in ambienti dati eterogenei e frammentati.
La proliferazione dei dati e delle fonti è sicuramente una delle cause: in media, le iniziative AI nel settore fanno affidamento su 489 diverse fonti di dati, e addirittura una realtà su cinque accedere a più di mille sorgenti informative. Il 55% delle aziende, inoltre, segnala difficoltà nell'ottimizzazione delle performance dei workload AI anche in presenza di moderne piattaforme per la gestione dei dati, data catalog o data lakehouse.
Un’altra criticità riguarda la latenza delle applicazioni e la capacità di attingere a dati in tempo reale o quasi. Per applicazioni come il monitoraggio delle transazioni, la rilevazione delle frodi e il risk management questo è un requisito fondamentale, e infatti che servano dati “freschi” (in tempo reale o usati entro un minuto dall'ultimo aggiornamento) è opinione condivisa dal 72% degli intervistati. DI fatto, però, molte aziende del settore continuano a basarsi su architetture progettate per l’analisi storica e la reportistica, dove i dati vengono aggregati e resi disponibili con ritardo considerevole.
Dati “giusti”, al momento giusto e contestualizzati
“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”, ha commentato Andrea Zinno, partner & channel sales director di Denodo. “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”.
Avere il “dato giusto al momento giusto”, quindi, è una precondizione importante ma non sufficiente. Denodo sottolinea l'importanza di individuare i dati corretti e pertinenti per ciascuna interazione, e a tal fine è essenziale che l’AI abbia visibilità sul contesto operativo.