Un agente antiriciclaggio che replica il 40% delle analisi umane e va comunque riprogettato, strumenti approvati e poco usati, un ROI difficile da dimostrare al CFO: dall’Advisory Board di COO Day 2027 le questioni che i responsabili Operations non possono più rimandare.
Un agente AI riesce a riprodurre le analisi degli operatori su circa il 40% delle posizioni di antiriciclaggio esaminate. Sulla carta è un buon risultato. In un contesto bancario non basta: il sistema non permette di ricostruire le informazioni e le logiche alla base di ogni valutazione, e la tracciabilità non è negoziabile. Così l’architettura è stata rivista.
Il caso è stato portato da Marco Zaffaroni, COO – Direzione Centrale Operations di Mediobanca Premier, all’Advisory Board di COO Day 2027 organizzato da iKN Italy. Con lui Clara Fabiola Oliva, Head of Data Analytics, Artificial Intelligence & Customer Insight di TIM, e Marina Matrone, Compliance Process Improvement di Leonardo: telecomunicazioni, industria ad alta complessità e servizi finanziari. L’obiettivo era individuare le priorità operative su cui si confronteranno i responsabili Operations il 23 marzo 2027 a COO Day.
Ne è uscito un quadro chiaro: al COO non basta più garantire continuità ed efficienza. Ha il compito di definire quali processi cambiare, quali tecnologie adottare, come coinvolgere le persone e come dimostrare il valore economico di ciò che introduce.
Non un esperto di AI, ma un committente consapevole
Per Oliva, i vertici aziendali devono avere competenze sufficienti per giudicare le proposte tecnologiche, confrontarsi con gli specialisti e distinguere un’applicazione utile da una più complessa del necessario. Zaffaroni sposta il perimetro delle Operations sulle condizioni che rendono possibile l’AI: costi, infrastrutture, fornitori, qualità e controllo dei dati.
Da qui il secondo nodo: il processo viene prima della tecnologia. Matrone ha ricordato che anche nella stessa organizzazione i punti di partenza sono molto diversi. Aree abbastanza mature per applicazioni avanzate convivono con funzioni dove si deve ancora digitalizzare e automatizzare. Introdurre l’AI su procedure manuali e sistemi legacy che non dialogano rischia di aggiungere complessità, non di toglierla.
Né esiste una tecnologia valida per tutto. L’RPA resta efficace sulle attività ripetitive e strutturate, il Machine Learning su analisi e classificazioni, la Generative AI su sintesi, gestione delle informazioni e interazione con gli utenti. La decisione operativa riguarda cosa eliminare, cosa semplificare, cosa automatizzare e dove inserire componenti AI senza perdere il controllo.
Approvati, ma poco utilizzati: la sfida dell’adozione
Uno strumento può superare ogni test tecnico e restare senza effetti sull’operatività, se le persone continuano a lavorare come prima.
Matrone ha descritto in Leonardo il passaggio da soluzioni definite centralmente e poi calate sulle unità a un modello costruito con gli utilizzatori: referenti in ciascuna funzione, esigenze raccolte sul campo, requisiti definiti insieme. In TIM, Oliva ha osservato lo stesso cambio di direzione: dopo una fase in cui i team tecnologici proponevano applicazioni che suscitavano interesse ma avevano un’adozione molto bassa, oggi sono le funzioni di business a chiederle, in numero crescente.
Resta da accompagnare le persone nell’uso, superando diffidenza, abitudini consolidate e divari di competenze digitali. Per le Operations la misura non è quanti strumenti vengono messi a disposizione, ma quanti entrano stabilmente nel lavoro quotidiano, e con quali risultati. Lo stesso Zaffaroni ha raccontato che in Mediobanca Premier diversi agenti AI sono stati portati in produzione, con livelli di utilizzo ancora limitati.
Controllo e compliance: una questione di progetto, non di collaudo
Il caso dell’antiriciclaggio mostra che le prestazioni tecniche non bastano. Nella versione riprogettata, il Machine Learning svolge l’analisi e la Generative AI interviene solo nella presentazione finale dei risultati.
Il tema vale ben oltre la banca. In TIM, sottolinea Oliva, sicurezza e digital sovereignty sono centrali: anche gli strumenti di produttività individuale passano da linee guida e verifiche preventive. In Leonardo alcune soluzioni nascono in laboratori interni e girano in ambienti controllati, per ridurre il rischio di fuga di informazioni sensibili. Nel settore finanziario, aggiunge Zaffaroni, bisogna poter dimostrare la provenienza dei dati e la tracciabilità delle analisi.
Per il COO, governance e compliance condizionano fin dall’inizio la progettazione del processo, la scelta dei fornitori e la ripartizione delle responsabilità tra Operations, IT e funzioni di controllo.
Il ROI dell’AI non si misura in utenti attivi
Oliva chiede di agganciare gli investimenti AI a indicatori economici riconoscibili (marginalità, costi, ricavi) e ha descritto in TIM un monitoraggio periodico delle iniziative con il coinvolgimento dell’Amministratore Delegato e delle funzioni aziendali.
Zaffaroni ha messo a fuoco una differenza: per RPA e Machine Learning esistono metriche operative consolidate, mentre per la Generative AI usata nella produttività individuale la misurazione si ferma spesso a utilizzo e costi. Ma il numero di utenti attivi non dimostra un aumento di produttività. Servono tempi di esecuzione, volumi gestiti, qualità, errori, costi operativi e, dove possibile, impatto sui ricavi. È su questi dati che il COO può impostare il confronto con il CFO, separando i progetti riusciti dal punto di vista tecnologico da quelli che producono un beneficio economico dimostrabile.
Dall’Advisory Board a COO Day 2027
Tra i partecipanti è emersa anche la richiesta di un confronto diretto tra professionisti di settori diversi, in cui condividere non solo i progetti riusciti, ma anche le difficoltà, le soluzioni riprogettate e gli investimenti che non hanno dato i risultati attesi.
È su questo terreno che si muoverà COO Day 2027, il 23 marzo a Milano: come scegliere i processi su cui intervenire, quando ha senso l’Agentic AI, come ottenere un utilizzo effettivo, quali controlli prevedere e come misurare il ritorno.