Da una relazione umana a un’interazione automatizzata

Per decenni, il modello bancario istituzionale si è fondato su un presupposto semplice: dall’altra parte della relazione c’è sempre una persona. Un gestore di portfolio chiama il desk, un analista accede a un portale di ricerca, un commerciante richiede informazioni sui prezzi. Tutti i workflow, i controlli, i framework di conformità e i modelli di relazione sono stati costruiti su questa idea.

Oggi quella premessa sta cambiando. Sempre più spesso la prima interazione non proviene da un operatore umano, ma da un software che agisce per conto del cliente. Il settore sta entrando in un’era agent‑to‑agent, in cui l’intelligenza artificiale del cliente si collega direttamente ai sistemi bancari e, in alcuni casi, all’AI della banca stessa.

I sistemi di AI lato acquisto stanno già recuperando ricerche, effettuando query sui prezzi, accedendo a analytics e, in certi casi, avviando l’esecuzione tramite interfacce programmatiche. L’elemento umano non è sparito, ma il livello di accesso è ormai automatizzato.

L’impatto sul mercato e le sfide emergenti

Non si tratta di un cambiamento marginale. In alcune aree del mercato, gli agenti AI dei clienti interagiscono già direttamente con le infrastrutture bancarie. La domanda cruciale è: le banche sono pronte a gestire queste interazioni? La risposta dipende da tre grandi sfide: proprietà dei dati, governance e infrastruttura tecnologica.

Gran parte dell’attenzione del settore sull’AI è stata interna – riepiloghi di ricerca, appunti di riunioni, automazione dei workflow e strumenti di produttività per i banchieri. Sebbene importanti, questi sforzi non rappresentano il cambiamento strutturale più significativo. Il vero driver è la rapida adozione dell’AI da parte dei clienti istituzionali, in particolare fondi speculativi, società quantitative e grandi gestori di asset, che già operano con infrastrutture altamente automatizzate.

Il caso del prime brokerage

Il prime brokerage è l’esempio più chiaro. I clienti consumano dati di posizione, finanziamento, analytics dei margini e informazioni sul rischio tramite API e interfacce strutturate. Il passaggio da API tradizionali a agenti AI non è un salto tecnico enorme, ma introduce nuove complessità di governance.

Il divario non è più “come lo facciamo”, ma “sappiamo come lo abbiamo fatto”. Quando un agente autonomo richiede informazioni, chi ha autorizzato l’accesso? Quali permessi si applicano? Cosa viene registrato? Come si configura la supervisione quando le decisioni sono assistite da macchine? La maggior parte delle banche non ha ancora risposte chiare a queste domande.

Standard emergenti: il Model Context Protocol (MCP)

Il Model Context Protocol (MCP) è uno standard aperto che consente agli agenti AI di connettersi direttamente a fonti di dati e servizi esterni tramite interfacce strutturate. MCP ha guadagnato attenzione di recente, ma il concetto è semplice: invece di creare integrazioni singole per ogni sistema, un agente AI utilizza un protocollo comune per scoprire le offerte di un servizio e interagire con esse.

In pratica, un agente AI lato client può:

    • estrarre ricerche direttamente da una banca;
    • controllare l’inventario o i termini di finanziamento;
    • recuperare analytics del rischio;
    • confrontare prezzi tra controparti;
    • instradare automaticamente l’esecuzione.

Ogni passaggio sposta l’agente dalla semplice lettura di informazioni all’azione concreta, trasformando l’interazione in un vero e proprio flusso operativo machine‑to‑machine.

Esempi concreti di adozione

Alcune aziende stanno già sperimentando questa evoluzione:

    • IG Group ha introdotto un livello MCP di sola lettura.
    • ThinkMarkets supporta workflow con capacità di esecuzione.
    • Aiera distribuisce ricerche sell‑side nei sistemi AI buy‑side con tracciamento integrato dei diritti.
    • Huatai Securities in Cina ha lanciato un’infrastruttura dedicata all’integrazione istituzionale dell’AI.

Questi esempi dimostrano che non si tratta più di fantascienza, ma di un fenomeno reale, sebbene ancora in fase embrionale e frammentata.

Governance, autorizzazioni e audit a velocità di macchina

Quando l’interazione è interamente automatizzata, il modello operativo cambia radicalmente rispetto a portali tradizionali o interfacce client. Diventa una questione di:

    • autorizzazioni granulari;
    • controlli di titolarità dei dati;
    • verificabilità delle transazioni;
    • governance in tempo reale.

Le banche devono costruire sistemi di audit che registrino ogni chiamata API, ogni decisione assistita dall’AI e ogni azione di esecuzione. Solo così potranno dimostrare conformità a normative come FINRA, che ha già segnalato la governance delle interazioni con agentic AI come priorità emergente per gli esami.

Le domande senza risposta

Le questioni fondamentali che il settore deve affrontare includono:

    • Chi è responsabile quando un sistema autonomo prende una decisione?
    • Come dovrebbe una banca supervisionare un’attività avviata dall’AI di un cliente?
    • Come si applicano gli obblighi di idoneità e le responsabilità di migliore esecuzione quando la controparte è un software?
    • Come si controlla un workflow gestito prevalentemente da macchine?

Queste interrogativi diventeranno più urgenti man mano che i sistemi capaci di eseguire operazioni si diffonderanno. L’infrastruttura di governance richiede anni per essere sviluppata, mentre le aspettative dei clienti possono cambiare rapidamente una volta che un nuovo modello di accesso si dimostra utile.

Il futuro competitivo: dall’informazione al livello infrastrutturale

Fondamentalmente, i servizi bancari per le istituzioni sono un business dell’informazione. Quando l’“utente” che consuma i servizi è un software, l’agente AI privilegerà piattaforme con:

    • interfacce pulite;
    • dati ben strutturati;
    • recupero rapido;
    • autorizzazioni chiare.

Nel tempo, la facilità di accesso alle macchine potrà diventare quasi altrettanto importante quanto la relazione personale. Nel prime brokerage, dove il prodotto è già operativo e basato sui dati, la differenziazione non sarà più solo la forza della relazione di vendita, ma la qualità dell’infrastruttura sottostante.

Strategie per le banche

Le principali banche stanno investendo nell’AI, ma la maggior parte degli investimenti è ancora interno: strumenti di ricerca, copiloti, sintesi di riunioni e automazione dei workflow. Queste funzioni stanno diventando standard, ma il vero vantaggio competitivo risiederà nella capacità di offrire:

    • una governance robusta per le interazioni AI‑client;
    • un’infrastruttura di autorizzazione e audit scalabile;
    • licenze di modelli AI difendibili e conformi.

Solo poche istituzioni saranno in grado di ricostruire rapidamente l’infrastruttura di conformità necessaria per supportare in modo sicuro e su larga scala l’interazione client‑macchina.

Conclusioni

L’avvento dell’AI del cliente come controparte cambia l’intero panorama bancario. Non si tratta più solo di migliorare i processi interni, ma di aprire le proprie infrastrutture a software autonomi che richiedono velocità, trasparenza e governance rigorosa. Le banche che sapranno costruire rapidamente sistemi di autorizzazione, audit e controllo potranno trasformare questa sfida in un vantaggio competitivo duraturo, mentre quelle che rimarranno ancorate a modelli di relazione tradizionali rischieranno di perdere quote di mercato a favore di fornitori più agili e “machine‑ready”.