Gli agenti AI nella finanza sono sistemi di intelligenza artificiale che, ricevuto un obiettivo, pianificano ed eseguono in autonomia una sequenza di attività nei processi di banche e assicurazioni.Raccolgono quindi documenti, interrogano i sistemi interni e verificano le regole: l’utente controlla poi i passaggi critici, come l'approvazione di un credito o la liquidazione di un sinistro.
Gli agenti AI entrano in un contesto già ben delineato: l'intelligenza artificiale è infatti la prima area di intervento delle banche italiane, con l'obiettivo di rendere più efficienti i processi interni e migliorare i servizi ai clienti - come indica il rapporto Scenario e trend ICT 2026. Tuttavia, solo il 29% delle banche giudica già ben sviluppate le proprie competenze in AI generativa e agentica.
Se da un punto di vista concettuale è fondamentale comprendere cosa sono gli agenti AI, nel settore finanziario la sfida diventa la loro messa a terra: qui analizziamo i casi d'uso per processo, vediamo la conformità con il quadro normativo (AI Act, DORA e GDPR) e proponiamo un metodo in cinque fasi per portare gli agenti AI in produzione, partendo dai processi a meno rischio normativo.
Un chatbot o un copilota rispondono a una richiesta, mentre un agente AI porta a termine un processo.
La differenza si vede nell'apertura di un rapporto con un nuovo cliente: il chatbot risponde alle domande sui documenti necessari, mentre l'agente AI raccoglie i documenti, li verifica, apre la pratica e segnala le anomalie all'operatore.
La verifica dell'identità del cliente, nota come KYC (Know Your Customer), diventa così un flusso controllato. Questo passaggio da risposta a esecuzione cambia la progettazione: l'agente ha bisogno di accesso ai sistemi e di regole chiare su ciò che può fare da solo – per questo è fondamentale conoscere le differenze tra chatbot, AI generativa e agenti AI.
Le banche italiane considerano l'AI una priorità. Per il Rapporto ABI Lab 2026, 8 banche su 10 inseriscono l'AI tra le prime dieci priorità di investimento, quota che sale a 9 su 10 tra le banche di grandi dimensioni. Il mercato segue la stessa direzione: nel 2025 il mercato italiano dell'intelligenza artificiale ha raggiunto 1,8 miliardi di euro, con una crescita del 50% sul 2024, secondo l'Osservatorio Artificial Intelligence del Politecnico di Milano.
La capacità operativa è però meno avanzata. Solo il 29% delle banche ritiene ben sviluppate le competenze in AI generativa e agentica, e il 33,4% quelle sulla gestione dei modelli AI in produzione. Anche sul mercato i sistemi di orchestrazione dei processi e di Agentic AI pesano ancora per il 4%.
Le iniziative si concentrano principalmente su controlli, Operations e credito, dove sono presenti in almeno l'80% delle banche rispondenti. L'area più matura è la sicurezza, segnalata da due terzi delle banche, con l'85% delle iniziative già in produzione. L'Agentic AI è quindi la frontiera successiva, e il tema, oggi, è come industrializzare l'AI, non se adottarla.
Gli agenti AI per la finanza – noti anche come Agentic AI for Finance - operano meglio nei processi ripetitivi, ricchi di documenti e facili da misurare. Vediamo caso per caso cosa fa l'agente, quali sistemi usa, dove resta il controllo umano e quale KPI misura il beneficio.
La tabella riassume i casi trattati: va da sé che il controllo umano cambia posizione da un caso all'altro, ma non scompare mai.
|
Processo |
Cosa fa l'agente |
Controllo umano |
KPI che misurano il successo dell’uso dell’agente AI |
|
Onboarding e KYC |
Raccoglie e verifica i documenti |
Decide sui casi dubbi |
Tempo di apertura |
|
Frodi |
Segnala le transazioni anomale |
Blocca e segnala |
Falsi positivi |
|
Sinistri |
Propone la liquidazione |
Gestore sui rifiuti |
Tempo di liquidazione |
|
Credito |
Prepara l'istruttoria |
Delibera il credito |
Tempo di istruttoria |
|
Back office |
Riconcilia e prepara i flussi |
Approva rettifiche e flussi |
Tempo di chiusura |
|
Assistenza |
Gestisce richieste complesse |
Consulente sui casi difficili |
Risoluzione al primo contatto |
L'agente raccoglie i documenti del cliente e ne verifica la completezza, poi confronta i nominativi con le liste di sanzioni e di persone politicamente esposte. Lavora sul sistema di gestione documentale, sull’anagrafica cliente e sugli strumenti di verifica dell'identità, segnalando eventuali anomalie con la motivazione.
L’utente decide poi sui casi dubbi e sull'apertura finale del rapporto. I controlli più approfonditi restano alla funzione antiriciclaggio. I KPI da misurare sono qui il tempo medio di apertura di un conto o di una polizza e la quota di pratiche chiuse senza correzioni.
L'agente analizza le transazioni in tempo reale e segnala i comportamenti anomali con il contesto utile a valutarli. Interroga i sistemi di pagamento, lo storico del cliente e le segnalazioni già aperte. Non blocca da solo i casi ambigui.
L'analista decide poi se bloccare l'operazione e se avviare una segnalazione. I KPI da tenere sott’occhio sono qui il tasso di falsi positivi e il tempo di analisi di ogni alert.
L'agente AI verifica la copertura della polizza, controlla l'evento denunciato e prepara la proposta di liquidazione - con primi risultati già visibili: in Australia, Allianz ha ridotto da circa sette giorni a meno di uno il tempo di gestione dei sinistri per alimenti deteriorati sotto i 500 dollari.
L'agente lavora quindi sul sistema di gestione dei sinistri e su fonti esterne, come i dati meteo dell'evento. I possibili rifiuti passano a un utente. I KPI che sono da tenere a mente sono il tempo di liquidazione e la quota di sinistri chiusi senza intervento manuale.
L'agente AI raccoglie qui bilanci, dati della centrale rischi e documenti del richiedente e prepara una bozza di istruttoria. Lavora sul sistema delle pratiche di fido e sulle banche dati di rischio, citando le fonti usate.
La decisione di concedere il credito resta all'analista e all'organo deliberante, con il primo che solitamente controlla le fonti e corregge la bozza. I KPI da considerare per la buona riuscita dell’impiego dell’agente sono il tempo di istruttoria e la quota di bozze accettate senza modifiche sostanziali.
L'agente confronta qui le registrazioni contabili con gli estratti delle controparti, individua le differenze e propone le scritture di rettifica. Lavora sul sistema contabile e sui flussi di tesoreria, mentre per il reporting regolamentare raccoglie i dati dai sistemi interni e prepara le bozze dei flussi.
Il responsabile di funzione approva le rettifiche e valida il flusso prima dell'invio all'autorità. I KPI sono quindi il tempo di chiusura contabile, il numero di differenze aperte e gli errori nei flussi inviati.
L'agente AI gestisce qui le richieste che richiedono più passaggi, come un blocco carta o la contestazione di un'operazione – fungendo quindi da agente AI integrato nel Customer service.
I casi complessi passano naturalmente a un consulente con il riepilogo già pronto. Il KPI è la quota di richieste risolte al primo contatto.
Nel panorama dell'Agentic AI for Financial Services, dell'Agentic AI for Banking e dei sinistri assicurativi, i livelli di maturità sono diversi e conviene distinguerli caso per caso.
Ad esempio, BBVA ha presentato a ottobre 2026 The Frame, uno standard comune per creare, distribuire e governare agenti AI su scala di gruppo. In questo caso gli agenti vocali risolvono quasi il 90% delle interazioni in progetti pilota in Perù e Messico, mentre l'estensione a sinistri e prevenzione dei crimini finanziari è in corso. Ogni agente ha accessi e limiti operativi definiti, con le azioni che richiedono la supervisione umana. Siamo quindi in un progetto che si muove tra pilota e rollout graduale.
Un altro player del settore, BNP Paribas, dichiara oltre 800 casi d'uso di intelligenza artificiale in produzione mentre sugli agenti c'è stato un annuncio: a settembre 2026 la banca ha firmato con Google Cloud un accordo quinquennale che prevede agenti per la preparazione dei memo di credito nella banca corporate e di investimento.Allianz è il caso più avanzato dei tre: il sistema agentico per i sinistri è in produzione in Australia da luglio 2025.
Per le istituzioni finanziarie italiane, l'insegnamento da trarre da questi casi sta tutto nel metodo: per portare l'Agentic AI in produzione e con successo occorre partire da un perimetro circoscritto, definire regole di controllo e governance chiare fin dall'inizio, e solo successivamente scalare la soluzione.
Tre normative europee incidono sul modo in cui gli agenti AI per la finanza entrano in un processo.
L'Allegato III dell'AI Act classifica come ad alto rischio i sistemi per la valutazione del merito di credito delle persone fisiche e per il pricing delle polizze vita e salute: sono i sistemi ad alto rischio secondo l'AI Act.
Il Digital Omnibus, Regolamento (UE) 2026/1744, in vigore dal 27 luglio 2026, ha spostato questi obblighi dal 2 agosto 2026 al 2 dicembre 2027. Il rinvio non vale per l'intero regolamento, per esempio per gli obblighi di trasparenza dell'articolo 50. Serve quindi un percorso di adeguamento all'AI Act.
Il regolamento DORA tratta l'agente AI come qualsiasi servizio ICT, quindi rientra nella gestione del rischio informatico dell'entità finanziaria. Se un fornitore esterno mette a disposizione l'agente, valgono quindi anche le regole sul rischio di terze parti, con contratti, controlli sul fornitore e strategie di uscita. L'agente va quindi censito nel registro degli accordi con i fornitori ICT – come riportato nella guida su cosa prevede il regolamento DORA.
Ogni agente AI che tratta dati personali richiede una base giuridica e il rispetto della minimizzazione, cioè l'uso dei soli dati necessari al compito.
L'articolo 22 del GDPR tutela chi è sottoposto a decisioni basate unicamente su un trattamento automatizzato, come il rifiuto di un credito. Quando il trattamento presenta rischi elevati serve anche una valutazione d'impatto sulla protezione dei dati. Nei processi di credito e di sinistri conviene quindi prevedere un intervento umano reale.
Un agente ha accesso a sistemi e dati e può eseguire azioni; quindi, un input manipolato può produrre effetti diretti sui sistemi della banca.
Servono permessi minimi per ogni agente, tracciamento delle azioni e test contro la manipolazione degli input – per cui è fondamentale predisporre un piano di sicurezza degli agenti AI.
Il metodo adatta alla finanza l'AI Adoption Framework: vediamo le cinque fasi e perché ognuna prepara le condizioni della successiva.
La prima fase mappa i processi candidati, la qualità dei dati disponibili e i vincoli normativi applicabili: serve a capire dove un agente può operare senza compromettere conformità e sicurezza.
Per questo un percorso di consulenza per l'adozione dell'intelligenza artificiale aiuta a strutturarla, così da arrivare a una mappa dei processi con il livello di rischio di ciascuno.
Il caso d'uso si sceglie incrociando impatto atteso, rischio normativo e misurabilità del risultato. Il consiglio è partire da back office e onboarding, non dal credito, che porta con sé più rischio normativo. Un buon primo caso ha volumi sufficienti, regole chiare e un risultato verificabile.
Il progetto pilota per l’agente AI nella finanza gira su un perimetro limitato, con un utente umano che valida i passaggi critici. I KPI si fissano naturalmente prima dell'avvio, per confrontare i risultati con quelli che emergono dal processo tradizionale.
L'operatore conserva poi il potere di correggere o fermare l'agente: questo serve perché il progetto pilota produce anche dati su errori, tempi e interventi dell'operatore, utili a decidere se estendere il perimetro.
Lo scaling richiede poi l'integrazione con il core banking e con il CRM, dove vivono dati e processi. Ogni azione dell'agente AI va registrata, per ricostruire come è stata presa una decisione.
Senza questo passaggio il pilota resta isolato dai sistemi che gli operatori usano ogni giorno: la tracciabilità serve quindi a rispondere ai controlli interni e delle autorità.
La governance continua si fonda su una policy AI, su un registro dei sistemi in uso e su revisioni periodiche. Un Chief AI Officer esterno si rivela senz’altro utile, perché può coordinare ruoli, rischi e priorità nel tempo. La revisione periodica verifica che l'agente rispetti le regole e produca i risultati attesi.
Gli agenti AI nella finanza sono sistemi che, ricevuto un obiettivo, eseguono in autonomia una sequenza di attività nei processi di banche e assicurazioni. Raccolgono documenti, interrogano i sistemi interni e preparano una decisione. Il controllo dei passaggi critici resta all'operatore.
Le banche usano l'intelligenza artificiale per assistere i clienti, individuare le frodi, istruire le pratiche di credito e automatizzare le attività di back office. Gli agenti AI aggiungono la capacità di eseguire processi completi, sotto il controllo di un operatore.
I processi più adatti sono ripetitivi, ricchi di documenti e verificabili: onboarding e KYC, prima analisi delle frodi, riconciliazioni contabili, reporting e assistenza ai clienti. Nelle assicurazioni anche la gestione dei sinistri è un caso già in produzione. In ogni processo un operatore convalida i passaggi critici.
Sì, se valuta il merito di credito delle persone fisiche rientra tra i sistemi ad alto rischio dell'Allegato III. Gli obblighi si applicano dal 2 dicembre 2027, come spiega l'approfondimento sull'AI Act.
Conviene partire da back office e onboarding, che hanno volumi alti, regole chiare e un KPI misurabile. Credito e polizze vita e salute portano più rischio normativo, perché sono ad alto rischio per l'AI Act. Si avvia quindi un pilota governato e si estende dopo i risultati.