L'intelligenza artificiale nei servizi finanziari si sta evolvendo rapidamente. Il 52% delle società di servizi finanziari intervistate per il Global AI in Financial Services Report 2026 dell'Università di Cambridge sta già adottando l'AI agentica. Di queste, il 29% sta eseguendo pilot e il 23% ha raggiunto la fase di scaling o trasformazione. L'adozione dell'AI in una qualche forma raggiunge l'81%.
Quel divario di 29 punti è dove si trovano attualmente la maggior parte delle funzioni di compliance. Un modello che riassume una policy è utile. Un agente che legge la stessa policy, ispeziona il flusso di verifica a cui si applica e redige una configurazione sostitutiva è un'altra cosa, perché agisce sui sistemi invece di produrre testo su di essi.
Questo cambiamento solleva una domanda fondamentale: ogni azione intrapresa da un agente può essere autorizzata in anticipo e ricostruita successivamente?
Cos'è un agente AI nella compliance?
Un #agenteAI è un sistema software autonomo che utilizza un modello per perseguire un obiettivo definito. La documentazione ufficiale di OpenAI descrive gli agenti come "applicazioni che pianificano, chiamano strumenti, collaborano tra specialisti e mantengono abbastanza stato da completare lavori multi-step".
In un workflow di agente AI per la compliance, un grande modello linguistico (LLM) sottostante interpreta le istruzioni del compito e ragiona, mentre il framework dell'agente e la piattaforma di compliance connessa forniscono i dati, le autorizzazioni e gli strumenti che consentono all'agente di agire. L'agente potrebbe leggere una policy antiriciclaggio (AML), identificarne i requisiti, ispezionare un flusso esistente di know your customer (KYC), utilizzare un'API per creare una bozza di configurazione e presentare il risultato per l'approvazione.
L'autonomia esiste su uno spettro. Un agente può completare passaggi a basso rischio in modo indipendente ma fermarsi prima di modificare un workflow attivo, rifiutare un richiedente o inviare un report normativo.
Come funziona l'AI agentica: Spiegazione delle skill degli agenti e di MCP
Gli agenti hanno bisogno di più di un modello linguistico per completare il lavoro operativo in modo affidabile. Richiedono un obiettivo, istruzioni, accesso ai sistemi rilevanti e regole che governino ciò che possono fare.
Il Model Context Protocol (MCP) è uno standard aperto per collegare le applicazioni AI a sistemi esterni. Un server MCP espone strumenti con input definiti, consentendo a un agente di scoprire le azioni consentite, fornire gli argomenti richiesti e ricevere i risultati.
Mentre MCP collega un agente a sistemi esterni, le skill forniscono la conoscenza procedurale necessaria per completare un compito. La specifica aperta Agent Skills descrive una skill come una cartella contenente istruzioni e, opzionalmente, script, riferimenti e altre risorse. Una skill di un agente AI potrebbe insegnare all'agente come analizzare una regolamentazione o configurare un workflow KYC. Le skill e gli agenti AI MCP possono convertire una richiesta ampia in un workflow ripetibile.
La tabella seguente spiega la funzione di ciascun componente:
Dai chatbot agli agenti di compliance autonomi
Un chatbot tradizionale risponde principalmente ai prompt che riceve. Può spiegare una regola o riassumere una policy, ma generalmente non traduce l'analisi in azione. Gli strumenti di compliance basati sull'AI generativa hanno ampliato queste capacità redigendo report, riassumendo fascicoli di casi ed estraendo informazioni dai documenti.
Gli agenti coordinano invece le azioni. Una richiesta viene suddivisa in passaggi: vengono selezionati gli strumenti, ispezionati i risultati e il passaggio successivo si adatta a quanto restituito. Se interrogato sui documenti di onboarding – un chatbot li elenca. Un agente può aprire il flusso di verifica attuale dell'azienda, trovare i controlli mancanti rispetto a uno standard dato, costruire una proposta sostitutiva e presentarla a qualcuno per l'approvazione.
Perché i team di compliance stanno adottando gli agenti AI
Il lavoro di compliance comporta una grande quantità di traduzione. Un requisito scritto in linguaggio legale diventa una regola operativa, poi un'impostazione della piattaforma, che deve essere documentata e provata. Una modifica alla policy può significare aggiornamenti separati su diversi prodotti e giurisdizioni, ognuno fatto a mano, ognuno un'opportunità affinché le implementazioni divergano.
Gli agenti possono estrarre i requisiti e seguire una procedura definita senza che uno specialista riscriva ogni passaggio. La coerenza è il vero vantaggio qui: la quinta giurisdizione riceve lo stesso trattamento della prima.
Il costo dell'errore scala nello stesso modo. Le regole di accesso, le soglie di approvazione e i log delle attività sono ciò che mantiene le azioni di un agente attribuibili alla persona che le ha autorizzate. Senza di esse, l'automazione aumenta solo la velocità e la scala degli errori.
Agenti AI nella compliance AML e nei workflow KYC
Nell'AML, un agente può trasformare il testo di una policy in una configurazione proposta pronta per essere lanciata in una dashboard, riassumere la storia delle revisioni di un richiedente o assemblare i dati del richiedente e delle transazioni di cui un investigatore ha bisogno prima di aprire un caso. Può anche confrontare una policy aggiornata con la configurazione attuale e segnalare i controlli che non corrispondono più.
Il lavoro KYC consiste principalmente nell'impostazione e nel recupero: flussi di onboarding per paese o fascia di rischio, questionari, link di verifica, ricerche dello stato dei richiedenti. Un agente può sequenziare un workflow che combina controlli di documenti, indirizzi, biometrici e database. La piattaforma di verifica continua comunque a eseguire i controlli.
Rifiutare un cliente e presentare un report sulle attività sospette sono cose diverse. Entrambi richiedono l'approvazione umana, indipendentemente da quanto fluidamente il resto del workflow funzioni.
Costruire un setup di compliance gestito da agenti
Due elementi devono essere in atto prima che tutto questo funzioni: l'accesso alle policy rilevanti e l'autorizzazione a ispezionare o modificare le impostazioni della piattaforma. La sequenza è quindi la seguente:
- Fornire il materiale sorgente, che sia una regolamentazione, una valutazione dei rischi o una policy interna
- Estrarre gli obblighi, i fattori di rischio, le regole di scoring e i requisiti condizionali, segnalando le ambiguità a una persona anziché risolverle tramite l'agente
- Mappare ogni requisito su qualcosa che la piattaforma effettivamente possiede: un livello di verifica, un questionario, una regola di rischio, un controllo di monitoraggio o un workflow
- Produrre un piano di configurazione per la revisione del team di compliance prima di costruire qualsiasi cosa
- Costruire la configurazione proposta in un ambiente sandbox o di test
- Confrontare la configurazione costruita con la policy sorgente, quindi testarla con casi rappresentativi ed eccezioni note
- Far approvare il deployment da un utente autorizzato, quindi registrare le modifiche e monitorare i risultati
Mappatura delle skill degli agenti ai compiti di compliance
Ogni skill di un agente AI dovrebbe corrispondere a un compito di compliance definito e guidare il modo in cui l'agente dovrebbe affrontarlo. Una skill di analisi delle policy potrebbe istruire l'agente a leggere un documento e produrre un piano di configurazione. Una skill di configurazione potrebbe guidare l'agente attraverso la creazione di livelli di verifica in una sandbox, mentre una skill di revisione dei casi potrebbe delineare come recuperare e analizzare i dati dei richiedenti.
Questa distinzione è importante per gli agenti AI nei servizi finanziari, dove l'accesso ai dati dei clienti, la preparazione di impostazioni bozza e la modifica dei controlli attivi possono creare significative esposizioni al rischio. Le skill stesse non dovrebbero essere trattate come confini di sicurezza o di autorizzazione. Piuttosto, la piattaforma connessa deve far rispettare ciò che l'agente può leggere o modificare, con le modifiche alle impostazioni di verifica e monitoraggio attive limitate tramite adeguati controlli di accesso e meccanismi di autorizzazione.
Agenti AI nelle banche e nei servizi finanziari
Usi plausibili nel settore bancario includono la raccolta di materiale per revisioni periodiche KYC, il recupero delle transazioni che hanno attivato una regola di monitoraggio e la redazione di report normativi per un controllo umano.
La frammentazione è l'ostacolo pratico. I record di identità risiedono in una piattaforma KYC, le transazioni in un sistema di pagamenti o core banking, gli avvisi in uno strumento di monitoraggio e le note di indagine in un software di gestione dei casi. Il report Cambridge 2026 ha rilevato che il 46% dei fornitori di AI intervistati ha incontrato sistemi legacy o silos presso i siti dei clienti, e il 41% ha riportato restrizioni sulla condivisione dei dati.
Ogni connessione necessita della propria risposta a due domande: cosa può leggere l'agente e cosa può modificare. Una revisione periodica è pesante in termini di lettura. Un agente può raccogliere lo stato di verifica, le transazioni recenti, gli avvisi precedenti e le decisioni di revisione passate, quindi consegnare il file assemblato a un analista.
Rischi dell'AI, governance e supervisione umana
Un agente può fraintendere una policy, inventare un requisito o selezionare lo strumento sbagliato. Istruzioni malevole nascoste in un documento o in una fonte di dati connessa potrebbero manipolare il suo comportamento, e permessi eccessivi potrebbero consentire a un piccolo errore di alterare configurazioni attive o record dei clienti.
I revisori potrebbero inoltre riporre troppa fiducia nell'output di un agente, mentre registri incompleti possono rendere difficile indagare sugli errori. Gli aggiornamenti del modello possono cambiare il comportamento dell'agente, e la dipendenza da fornitori esterni può creare rischi operativi.
Per mitigare i rischi, un'efficace governance dell'AI e controlli di compliance dovrebbero includere:
- accesso limitato alle informazioni e alle azioni richieste per ogni compito, con autorizzazioni separate per leggere informazioni, creare bozze e modificare impostazioni attive
- strumenti e fonti di dati approvati
- test in un ambiente sandbox o di test prima che le modifiche vengano applicate ai sistemi attivi
- approvazione umana per le azioni che influenzano i clienti, le soglie di rischio o le presentazioni normative, nonché per i casi in cui i requisiti non sono chiari
- registri delle istruzioni fornite, delle fonti consultate, degli strumenti utilizzati e delle modifiche apportate
- un processo di contingenza se l'agente o un fornitore esterno diventa indisponibile
