Ospitato da Platmosphere 2026, Maurizio Sala, Head IT Application Service Manager (CIO Deputy) di Helvetia Insurance Italy, ha ripercorso le tappe fondamentali della trasformazione tecnologica della compagnia.
Il focus dell’intervento si è incentrato sulla necessità di gestire e far evolvere un patrimonio informativo frammentato, sbloccando l’agilità aziendale attraverso l’implementazione di una moderna architettura orientata agli eventi.
Indice degli argomenti
L’evoluzione del Gruppo Helvetia e la complessità dei sistemi legacy
La posizione che ricopre oggi il Gruppo Helvetia è il risultato di un’operazione di acquisizione e fusione avvenuta a fine anno con Baloise, che ha dato vita a un nuovo player continentale dislocato in almeno otto paesi e mercati europei.
I volumi globali del gruppo parlano di un giro d’affari complessivo pari a 20 miliardi di euro di premi, supportato dall’operato di circa 22.000 dipendenti che servono una base clienti di tredici milioni di persone.
Il percorso di crescita
Sul mercato italiano, la traiettoria di crescita della compagnia ha seguito una precisa strategia di espansione aziendale nel periodo compreso tra il 2010 e la fine del 2016. Helvetia ha incrementato la propria quota di mercato attraverso l’acquisizione progressiva di numerose compagnie specializzate.
All’inizio di questo percorso, precisamente nel 2009, la presenza in Italia era limitata a sole tre entità, rappresentate da una compagnia attiva nel ramo danni, una focalizzata nel ramo vita e la holding per la rappresentanza nazionale.
Il percorso di acquisizioni successive ha progressivamente integrato strutture specializzate nell’ambito della bancassurance, come Chiara Vita e successivamente Chiara Assicurazioni, ma anche realtà verticali nel mondo affinity (polizze che vengono proposte a gruppi omogenei di individui attraverso enti promotori come aziende e associazioni di categoria), tra cui spicca la compagnia Agip del gruppo Eni, oltre a Nationale Suisse, attiva sia sul mercato italiano sia su quello elvetico.
Questa espansione societaria si è inevitabilmente riflessa sulla struttura dei sistemi informativi aziendali. Come specificato da Sala, l’integrazione delle nuove compagnie portava con sé l’assimilazione dell’intera filiera verticale applicativa. Ogni singola realtà acquisita manteneva, infatti, il proprio sistema autonomo di gestione del portafoglio, la propria piattaforma per la gestione dei sinistri, un’anagrafica clienti dedicata e funzioni di supporto specifiche come il contact center.
La stratificazione tecnologica
Alla fine del 2017, la compagnia si è trovata a gestire una situazione infrastrutturale caratterizzata da almeno sei filiere differenti di sistemi dedicati a ogni marchio, completamente disconnessi e privi di qualsiasi interazione reciproca. Ci si trovava di fronte a veri e propri sistemi monolitici che generavano una continua duplicazione dei dati e che non esponevano API o microservizi, precludendo la possibilità di erogare servizi continui con modalità 24x7x365.
Dal punto di vista prettamente tecnologico, il panorama era variegato e obsoleto, vedendo la coesistenza di applicativi sviluppati su mainframe in Cobol, sistemi AS/400, database distribuiti tra DB2, SQL Server e ambienti di sviluppo scritti in Java e .NET.
Una simile complessità strutturale rendeva estremamente difficile sostenere e assecondare tempestivamente le nuove e crescenti esigenze di business generate dall’aumento dimensionale della compagnia.
La svolta strategica del 2018: disaccoppiare per accelerare
La prima grande sfida di business si è manifestata nel 2018, quando il board europeo della compagnia ha stabilito una nuova direttiva strategica: ogni singola unità di mercato locale avrebbe dovuto implementare un unico contact center.
L’obiettivo primario era consentire agli operatori di disporre di una vista a 360 gradi della posizione del cliente, nonostante le informazioni fossero originariamente frammentate e distribuite sui sei sistemi legacy operativi.
I requisiti vincolanti imponevano di garantire il servizio costantemente, assicurando l’accesso ai dati anche durante le canoniche finestre di manutenzione serale o nel fine settimana, momenti in cui i sistemi core venivano tipicamente spenti.
Il vincolo più stringente era, tuttavia, legato alla tempistica di implementazione, quantificata in una scadenza massima di soli otto mesi complessivi, suddivisi rigidamente in un singolo mese dedicato allo studio di fattibilità e sei mesi per l’attuazione pratica del progetto.
L’adozione del paradigma Fast Data per superare i vincoli del passato
Di fronte a una simile pianificazione, l’integrazione punto-a-punto di tutta la filiera dei sistemi verticali esistenti avrebbe rappresentato una scelta complessa e non strategica. La compagnia ha preferito adottare una visione differente, scegliendo nel 2018 di scommettere sulle soluzioni di Mia-Platform, all’epoca poco più che una startup.
La decisione rispondeva alla necessità di superare la rigidità strutturale radicata nei silos aziendali attraverso la tecnologia dei Fast Data. Sala ha spiegato la logica di questa svolta in questi termini: «Dovevamo disaccoppiare la complessità che c’era sui vari sistemi verticali rispetto alle diverse esigenze che richiedevano che quelle informazioni fossero messe a fattor comune ed esposte in una modalità diversa, con una vista a eventi».
L’adozione della piattaforma ha permesso di creare uno strato di disaccoppiamento efficace tra i sistemi legacy sottostanti e i differenti touchpoint esterni o frontend che stavano progressivamente nascendo all’interno dell’ecosistema aziendale.
I benefici operativi dei Fast Data sulla continuità del business
Dopo aver validato la tecnologia attraverso una Proof of Concept, il team IT ha implementato in poco più di un mese uno stack tecnologico moderno basato su Kubernetes e supportato da una suite di strumenti DevOps.
Questo impianto ha permesso di alimentare stabilmente il layer di Fast Data sfruttando MongoDB come database documentale.
Prestazioni elevate e superamento dei downtime notturni
In questo modo, la compagnia ha integrato le informazioni anagrafiche, le polizze e i sinistri provenienti dai silos verticali, aggregandoli in single view pronte per essere consumate istantaneamente dai servizi del contact center. Sala ha confermato l’efficacia del progetto dichiarando: «Siamo andati in produzione dopo 6 mesi, centrando in pieno i tempi».
L’architettura basata sui Fast Data ha garantito performance elevate, riducendo al minimo i tempi di risposta per l’interrogazione dei dati e risolvendo il problema della disponibilità dei servizi ventiquattro ore su ventiquattro per sette giorni su sette.
Quando i sistemi legacy vengono spenti per le consuete attività di manutenzione, l’operatività del contact center può proseguire senza interruzioni proprio grazie allo strato intermedio che conserva le viste unificate e aggiornate.
Dalla compliance IVASS alla trasformazione della Bancassurance
Il successo del primo progetto ha trasformato l’architettura in un vero e proprio acceleratore per le sfide successive, a partire dall’adeguamento normativo richiesto dalle autorità di vigilanza.
La compagnia ha dovuto rispondere tempestivamente alle disposizioni dell’IVASS relative all’introduzione della Home Insurance, una pagina web tramite la quale i clienti possono verificare la propria posizione assicurativa ed effettuare operazioni dispositive, come la sospensione di una polizza o la denuncia di un sinistro.
Il quadro normativo era stato pubblicato circa un anno prima e concedeva alle compagnie un periodo di soli otto mesi per conformarsi. Sfruttando lo strato intermedio di Fast Data, Helvetia ha realizzato la piattaforma consentendo ai clienti di effettuare le operazioni online in qualsiasi momento, anche di notte o durante i fine settimana, raccogliendo le informazioni per poi aggiornare i sistemi tecnici verticali in un secondo momento.
Uno strato architetturale intermedio che accelera il time-to-market
Subito dopo, la medesima infrastruttura ha abilitato il lancio di un nuovo portale web e di un’applicazione mobile finalizzati alla vendita diretta di specifiche tipologie di prodotti al cliente finale. L’agilità garantita dall’impianto costruito ha mostrato vantaggi significativi anche nel canale della Bancassurance.
In questo comparto, gli istituti bancari partner richiedono frequentemente di collegare i propri frontend direttamente ai sistemi di backend della compagnia assicurativa. Rispetto a questo scenario, Sala ha sottolineato l’impatto della tecnologia affermando: «Questa piattaforma ci ha consentito di accelerare e velocizzare questo tipo di progetti che una volta richiedevano diversi mesi. Oggi abbiamo ridotto drasticamente il tempo per queste integrazioni».
L’unificazione dei frontend e la governance senza lock-in
L’evoluzione di questa architettura ha raggiunto un traguardo significativo di recente. A luglio dello scorso anno è stato avviato un importante progetto volto a rinnovare e uniformare l’interfaccia utilizzata dalle reti di vendita. Sebbene il numero dei sistemi legacy sottostanti si sia ridotto nel corso del tempo, la compagnia gestiva ancora circa sei applicativi verticali distinti tra portafoglio danni, vita e gestione sinistri.
Fino alla settimana precedente il rilascio, gli agenti sul territorio e i partner bancari erano costretti a selezionare manualmente il sistema corretto e il relativo portale specifico in base al prodotto da commercializzare. Questa frammentazione è stata superata con il passaggio in produzione di un unico frontend centralizzato, che funge da punto d’ingresso unificato per tutta la rete di intermediari.
Attraverso questa nuova interfaccia trasparente, la rete può eseguire qualsiasi operazione indipendentemente dal sistema core di destinazione. Come spiegato da Sala, «dietro questo frontend opera la piattaforma, che gestisce la richiesta di tutti questi servizi e di tutti questi dati, decidendo e gestendo lo scambio con i sistemi legacy che sono ancora rimasti».
Autonomia tecnologica e sviluppo delle competenze interne
Un aspetto cruciale della governance di un’infrastruttura basata sul fast data riguarda la gestione dei rapporti con i fornitori tecnologici e il rischio di incorrere nel vendor lock-in. Avendo avviato la collaborazione con Mia-Platform tra la fine del 2017 e l’inizio del 2018, la compagnia ha strutturato il rapporto per mantenere la massima autonomia strategica.
Interpellato sull’eventualità di aver sviluppato un legame di dipendenza troppo stretto con il partner, Sala ha chiarito la posizione dell’azienda: «Non è diventato un lock-in perché, sempre con il supporto di Mia e grazie ad esempio alla loro Academy, siamo riusciti anche a internalizzare le competenze per monitorare, gestire e sviluppare questa piattaforma, attività che oggi facciamo con nostre risorse interne».
Grazie ai percorsi di formazione, il personale interno ha infatti sviluppato il know-how necessario per monitorare, gestire e far evolvere la piattaforma. Oggi le attività operative vengono condotte direttamente, mentre la collaborazione si concentra sull’evoluzione dei nuovi servizi e sul supporto per le necessità prettamente tecniche.
Sotto il profilo dei risultati , l’adozione strategica dei Fast Data ha permesso a Helvetia Italia di registrare una riduzione del 30% nei tempi di time-to-market per lo sviluppo e il lancio dei prodotti assicurativi, accompagnata da una sensibile contrazione dei costi di sviluppo complessivi grazie a integrazioni più rapide, flessibili e immediate.
Che cos’è l’intelligenza artificiale?
L’intelligenza artificiale è la disciplina che studia la progettazione, lo sviluppo e la realizzazione di sistemi hardware e software dotati di capacità caratteristiche dell’uomo, come ragionamento, apprendimento, pianificazione e adattamento. Si tratta di un ramo della computer science che studia lo sviluppo di sistemi in grado di emulare le capacità cognitive umane, permettendo alle macchine di apprendere dall’esperienza, adattarsi a nuovi input e svolgere compiti che tradizionalmente richiedono l’intelligenza umana. L’AI non ha una definizione univoca e condivisa, poiché comprende un ampio spettro di discipline, dalla neurologia all’informatica, dalla neurobiologia alla matematica.
Quali sono le principali tecniche di apprendimento nell’intelligenza artificiale?
Le principali tecniche di apprendimento nell’intelligenza artificiale si suddividono in tre approcci fondamentali: l’apprendimento supervisionato, l’apprendimento non supervisionato e l’apprendimento per rinforzo. Nell’apprendimento supervisionato, l’algoritmo viene addestrato su un dataset etichettato per prevedere output corretti. L’apprendimento non supervisionato lavora su dati non etichettati per scoprire pattern o strutture intrinseche. L’apprendimento per rinforzo permette a un agente di imparare a prendere decisioni interagendo con un ambiente e ricevendo feedback sotto forma di ricompense o penalità. A questi si aggiunge il deep learning, una sottocategoria del machine learning che utilizza reti neurali artificiali con molti strati per modellare ed estrarre caratteristiche complesse dai dati.
Come è nata e si è evoluta l’intelligenza artificiale nel corso della storia?
L’intelligenza artificiale ha radici che risalgono al XVII secolo, quando furono costruite le prime macchine in grado di effettuare calcoli automatici da Blaise Pascal e Gottfried Wilhelm von Leibniz. Tuttavia, è nel 1943 che la gestazione dell’AI si avvicina al termine con il lavoro del neurofisiologo Warren Sturgis McCulloch e del matematico Walter Harry Pitts, che teorizzarono come semplici neuroni potessero essere combinati per calcolare operazioni logiche elementari. La locuzione “intelligenza artificiale” venne utilizzata per la prima volta nel 1955 dai matematici e informatici John McCarthy, Marvin Minsky, Nathaniel Rochester e Claude Shannon, in preparazione della conferenza di Dartmouth del 1956, considerata la vera “sala parto” dell’intelligenza artificiale. Dopo un periodo di grandi aspettative (1950-1965), l’AI attraversò una fase di difficoltà negli anni ’60, per poi rinascere negli anni ’80 grazie agli studi di Jay McClelland e David Rumelhart sul connessionismo e le reti neurali. Oggi, l’evoluzione delle nanotecnologie e lo sviluppo di algoritmi sempre più sofisticati hanno portato a una nuova generazione di AI capace di apprendimento autonomo e analisi complesse.
Qual è la differenza tra intelligenza artificiale debole e intelligenza artificiale forte?
La differenza tra intelligenza artificiale debole (weak AI) e forte (strong AI) rappresenta una distinzione fondamentale nel campo dell’AI. L’intelligenza artificiale debole agisce e pensa simulando di essere intelligente, ma non lo è realmente. Essa risponde a problemi sulla base di regole conosciute, confrontando casi simili ed elaborando soluzioni razionali senza una vera comprensione. Si occupa essenzialmente di problem solving, simulando il comportamento umano senza comprendere totalmente i processi cognitivi. L’intelligenza artificiale forte, invece, possiede capacità cognitive non distinguibili da quelle umane. Include i “sistemi esperti” che riproducono prestazioni e conoscenze di persone esperte in un determinato ambito, utilizzando un motore inferenziale che, come la mente umana, passa da una proposizione assunta come vera a una seconda proposizione con logiche deduttive o induttive. La caratteristica distintiva di questi sistemi è l’analisi del linguaggio per comprenderne il significato, elemento essenziale per una vera intelligenza.
Quali sono le applicazioni pratiche dell’intelligenza artificiale nel mondo aziendale?
L’intelligenza artificiale trova numerose applicazioni pratiche nel mondo aziendale, trasformando processi e strategie. Nel settore finanziario, l’AI viene utilizzata per personalizzare tassi di interesse, rilevare frodi e migliorare i servizi finanziari attraverso l’analisi dei dati sulle abitudini di rimborso e altri comportamenti dei clienti. Nel marketing e nelle vendite, le tecnologie cognitive aiutano a ottenere una comprensione a 360 gradi dei clienti, prevedendo le loro esigenze e migliorando la loro esperienza, portando a un migliore ingaggio e strategie più efficaci. Nell’industria manifatturiera, l’AI viene implementata per la manutenzione predittiva, consentendo di prevedere guasti e anomalie prima che si verifichino, riducendo i tempi di inattività e migliorando l’efficienza operativa. Altre applicazioni includono l’automazione di processi, l’ottimizzazione della supply chain, il supporto decisionale basato sui dati e il miglioramento della sicurezza informatica.
Come funziona il machine learning e quale relazione ha con l’intelligenza artificiale?
Il machine learning è un sottogruppo dell’intelligenza artificiale che conferisce alle macchine la capacità di ricevere dati e modificare gli algoritmi man mano che acquisiscono più informazioni su ciò che stanno elaborando. Si tratta di sistemi di apprendimento automatico che permettono alle macchine di adattarsi e migliorarsi senza necessità di riprogrammazione da parte dell’uomo. Il machine learning automatizza la costruzione di modelli analitici, utilizzando reti neurali, modelli statistici e ricerche operative per trovare informazioni nascoste nei dati e rispondere a nuovi input esterni. Può essere implementato attraverso diversi approcci, come l’apprendimento supervisionato, non supervisionato e per rinforzo. Un esempio classico di machine learning è un sistema di visione artificiale capace di riconoscere oggetti ripresi da una videocamera: l’algoritmo distingue tra animali, persone e cose, memorizzando nuove situazioni che arricchiscono la sua conoscenza. Il machine learning rappresenta il metodo che “allena” l’AI, consentendole di sviluppare capacità sempre più sofisticate di analisi e decisione.
Quali sono le tecnologie hardware che supportano lo sviluppo dell’intelligenza artificiale?
Lo sviluppo dell’intelligenza artificiale è supportato da diverse tecnologie hardware avanzate. Le GPU (Graphic Processing Unit), originariamente create per elaborare informazioni grafiche nei videogiochi, sono diventate fondamentali per l’AI grazie alla loro capacità di eseguire calcoli in parallelo, a differenza delle CPU che lavorano in modo seriale. Le TPU (Tensor Processing Unit), sviluppate da Google, sono circuiti specificamente progettati per operazioni di machine learning ad alto carico di lavoro, in particolare per ridurre il tempo dedicato alla fase inferenziale. Le ReRAM (memorie resistive ad accesso casuale) possono immagazzinare fino a 1 terabyte di dati in chip delle dimensioni di un francobollo, sono non volatili e consumano pochissima energia, rendendole ideali per costruire reti neurali. I computer quantistici rappresentano un’altra frontiera, operando secondo la logica quantistica che consente calcoli esponenzialmente più potenti rispetto ai computer tradizionali. Infine, i chip neuromorfici simulano il funzionamento del cervello umano, utilizzando una logica di funzionamento analogica che si attiva in maniera differente a seconda del gradiente di segnale scambiato tra le unità.
Quali sono i principali rischi e sfide etiche legati all’intelligenza artificiale?
L’intelligenza artificiale presenta numerosi rischi e sfide etiche che devono essere attentamente considerati. Tra questi, la sicurezza informatica è particolarmente critica: l’AI può essere utilizzata per creare attacchi più sofisticati, come il phishing personalizzato o la manipolazione di sistemi di sicurezza, e le stesse tecnologie AI possono essere vulnerabili ad attacchi che compromettono la loro integrità. Un altro rischio significativo è rappresentato dalle allucinazioni, ovvero la generazione di risposte false o imprecise presentate come fatti plausibili, che possono avere conseguenze gravi in settori come la sanità o la finanza. Vi sono poi preoccupazioni riguardo alla privacy dei dati, alla possibilità di bias e discriminazione nei sistemi AI, e all’impatto sull’occupazione. Questioni etiche emergono anche nel contesto delle auto autonome, come evidenziato dall’esperimento “The Moral Machine” che ha esplorato le scelte morali che un’auto a guida autonoma dovrebbe compiere in situazioni di emergenza, rivelando differenze culturali significative nelle preferenze etiche.
Come sta cambiando il ruolo del CIO con l’avvento dell’intelligenza artificiale?
Il ruolo del Chief Information Officer (CIO) sta subendo una profonda trasformazione con l’avvento dell’intelligenza artificiale. I CIO sono passati da gestori di sistemi IT a leader strategici che guidano l’innovazione e la trasformazione digitale all’interno delle loro organizzazioni. Sono ora responsabili di sviluppare strategie per integrare efficacemente l’AI nei processi aziendali, ottimizzando operazioni e riducendo costi attraverso l’automazione e l’analisi dei dati. I CIO devono garantire che i dati aziendali siano gestiti in modo sicuro e conforme alle normative sulla privacy, mentre implementano soluzioni AI che possono aiutare a identificare e mitigare le minacce alla sicurezza informatica. Devono anche pianificare e facilitare la formazione e lo sviluppo delle competenze necessarie per preparare il personale a lavorare con le tecnologie AI. La loro responsabilità si estende alla valutazione e alla scelta delle giuste piattaforme e infrastrutture per supportare soluzioni AI, considerando aspetti come scalabilità, interoperabilità e costi. Il CIO moderno deve gestire il cambiamento organizzativo che l’introduzione dell’AI comporta, affrontando le preoccupazioni dei dipendenti e promuovendo una cultura aziendale orientata all’innovazione.
Qual è la differenza tra intelligenza artificiale e intelligenza umana?
La differenza fondamentale tra intelligenza artificiale e intelligenza umana risiede nella capacità di creare valore in un sistema aperto e infinito. Mentre l’intelligenza artificiale opera in un sistema chiuso di valori già definiti, l’intelligenza umana si confronta con l’esperienza e con l’infinita variabilità del mondo. L’AI utilizza algoritmi basati sulle probabilità che possono intercettare il rapporto causa/effetto senza realmente comprenderlo, trasformando l’informazione in conoscenza attraverso modelli matematici. Al contrario, l’intelligenza umana è in grado di utilizzare l’invenzione e la fantasia per osservare il mondo in modi nuovi e inaspettati, esplorando possibilità che le macchine, con i loro algoritmi predefiniti, non possono concepire. Il linguaggio naturale utilizzato dalle macchine è efficiente nel trattare grandi volumi di dati, ma manca della profondità semantica e della capacità di innovare che caratterizza il linguaggio umano. Mentre l’AI può facilitare e ottimizzare molti aspetti della nostra vita, è l’intelligenza umana che mantiene la chiave dell’innovazione dirompente, capace di vedere oltre l’ovvio e di creare valore in modi che sfidano le convenzioni.
