Una pressione competitiva sempre maggiore sta spingendo gli operatori dell’ecosistema finanziario a incrementare gli investimenti in tecnologie e innovazione. Mentre il florido ecosistema delle startup elabora nuovi modelli di business con cui entrare nella catena del valore finanziario, gli incumbent accelerano il percorso di innovazione sfruttando il potenziale del cloud e di AI per valorizzare grandi volumi di dati, con l’obiettivo finale di ottimizzare i processi interni, ridurre il rischio e creare customer experience di riferimento.
Secondo Gartner, l’attuale contesto di mercato spingerà le banche e gli altri operatori verso importanti investimenti in prodotti e servizi tecnologici, con una spesa totale quantificabile in 623 miliardi di dollari entro la fine dell’anno.
Quali sono, dunque, i trend tecnologici che stanno condizionando il mercato finanziario e sono alla base del suo futuro?
Indice degli argomenti
I grandi tech trend, da AI a blockchain
Un’overview di alto livello non potrebbe che riportare tendenze ben note e consolidate da anni, quanto meno sulla carta:
- l’ascesa del cloud, che dopo aver conquistato i processi e le attività non-core, ora gode di un sufficiente trust da coinvolgere anche i processi mission-critical;
- il mobile banking, fondamentale in un mondo con oltre 6 miliardi di smartphone, nonché elemento base per CX di qualità;
- AI e ML, per l’automazione dei processi, l’adozione dell’approccio predittivo e la costruzione di una nuova relazione con il cliente;
- blockchain, ormai uscita dai confini originari (criptovalute) e in grado di plasmare nuovi processi, collaborazioni e modelli di business innovativi.
Aiutati dalle ricerche e dalle previsioni degli analisti, possiamo andare più in profondità evidenziando alcuni trend tecnologici a elevato impatto potenziale.
Industrializzare AI con MLOps
Secondo Deloitte, a partire dal 2021 MLOps è un tech trend di primissimo piano all’interno dell’industria finanziaria. Gli operatori conoscono perfettamente il valore dell’AI in ambiti di applicazione che vanno dal risk management alla relazione con i clienti. Tuttavia, per diversi motivi i progetti faticano ad andare oltre la fase del PoC: in primis, la qualità del dato e la carenza di professionalità competenti, ma anche i limiti e le complessità dei processi di sviluppo e deployment dei modelli di AI.
MLOps nasce per risolvere le criticità evidenziate industrializzando il ciclo di vita degli algoritmi di apprendimento automatico, dall’addestramento al deployment in produzione. Il tutto, ovviamente, applicando i principi delle metodologie DevOps.
L’automazione delle pipeline di sviluppo è un concetto fondante di MLOps, così come i tool che semplificano lo sviluppo e il deployment dei modelli, le diverse professionalità coinvolte nel processo e la centralità del feedback. Gli obiettivi sono chiari:
- riduzione dei costi operativi;
- maggiore trasparenza, che ha un impatto sulla compliance;
- efficienza in ambito di sviluppo e distribuzione dei modelli;
- time to market;
- evoluzione continua, un fattore centrale in una industry frizzante come quella dei servizi finanziari.
Sistemi Autonomici e Generative AI
Riflettendo sui tech trend dell’ecosistema finanziario, Gartner evidenzia i Sistemi Autonomici e Generative AI.
I sistemi autonomici (software o fisici) acquisiscono le informazioni dagli ambienti in cui operano e, identificando nuovi trend e requisiti, modificano dinamicamente i propri algoritmi per ottimizzare il loro comportamento. Gli attuali robo-advisor, utilizzati da diverse strutture finanziarie per indirizzare i clienti verso investimenti in linea con il profilo di rischio, sono il punto di partenza del percorso evolutivo. Interessanti ambiti di applicazione sono proprio la gestione delle finanze personali e la concessione/gestione del credito.
Secondo Gartner, l’AI Generativa (o Creativa) fa parte dei trend tecnologici dell’universo finanziario. Addirittura, gli analisti suppongono che il 20% di tutti i dati di test di molti use case saranno sintetici entro il 2025, ovvero creati a loro volta da algoritmi di AI (GANs, Generative Adversarial Networks).
Generative AI può avere un ruolo importante nell’evoluzione del sistema finanziario. Le capacità predittive di AI, infatti, sono fortemente legate ai volumi (oltre che alla qualità) dei dati, volumi che – per definizione – non sono sufficienti a descrivere gli eventi rari. Generative AI ha un ruolo strategico in questo contesto, poiché consente di creare dati sintetici di eventi rari, che migliorano le capacità predittive degli algoritmi stessi.
Composable Banking (BaaS) sempre sulla cresta dell’onda
L’attenzione verso il Composable Banking, noto anche come Banking as a Service (BaaS), è quanto mai viva. Secondo Finastra, il valore del mercato BaaS crescerà fino a 7.000 miliardi di dollari entro il 2030, a testimonianza non solo dell’interesse nei confronti del fenomeno, ma anche della sua pervasività. I principali attori del mercato intendono incrementare la propria offerta BaaS, nella certezza di una crescita del mercato superiore al 50% annuo per i prossimi 5 anni.
Poter integrare in modo sicuro, veloce e con un modello di costo flessibile prodotti e servizi finanziari all’interno della propria offerta è motivo di attenzione da parte di svariati settori, dal retail all’healthcare. Attraverso i servizi BaaS, infatti, le imprese possono sviluppare nuovi modelli di business e costruire customer experience eccellenti, da cui ottenere una differenziazione competitiva. Al momento, la maggior parte dei servizi si concentra sul retail banking (es, il fenomeno del point of sale financing tramite strumenti innovativi).
Nuovi paradigmi di Data Management
Secondo Benedikt Kratz, direttore di Deloitte Consulting, “Le banche si affidano spesso a tecnologie e modelli di dati legacy. L’architettura dei dati è basata su silos e progettata per supportare decisioni umane”. In altri termini, gli attori dell’ecosistema finanziario (nella fattispecie, le banche) hanno realizzato il valore dei dati, ma le architetture di dati non consentono la piena valorizzazione degli stessi né l’impiego sistematico e pervasivo di AI e ML. Oltre a non permettere la cosiddetta democratizzazione del dato.
Uno dei punti chiave è MLOps, di cui si è detto precedentemente, ma anche – e soprattutto – la riorganizzazione della data-architecture, un percorso estremamente complesso per molte organizzazioni, eppure determinate per il loro futuro. L’obiettivo è passare dalla logica dei silos e dei sistemi legacy non comunicanti a un modello decentralizzato e flessibile, basato su processi standardizzati e automatizzati (DataOps). Il tutto, deve essere assistito dalla massima trasparenza e governance centralizzata. Data Fabric e Data Mesh sono risposte adeguate.
