Questi sistemi, capaci di agire con autonomia, sono sviluppati per superare le lacune dei tradizionali controlli basati su regole, ma la loro adozione introduce sfide legate alla spiegabilità e alla fiducia.
[In pillole] La sintesi per chi va di fretta:
Deutsche Bank e Goldman Sachs stanno testando una nuova intelligenza artificiale agentica per la sorveglianza dei mercati finanziari. Questa tecnologia supera i sistemi tradizionali basati su regole, agendo in modo autonomo per identificare anomalie complesse e ridurre i falsi allarmi. L'obiettivo è passare a un monitoraggio predittivo, pur mantenendo la supervisione umana per le decisioni finali.
Le banche si affidano a un nuovo tipo di intelligenza artificiale per sorvegliare i trader
Nel mondo della finanza, dove le transazioni avvengono alla velocità della luce e le informazioni valgono fortune, la sorveglianza delle attività di trading è da sempre una questione complessa.
Per decenni, le banche si sono affidate a sistemi basati su regole predefinite per individuare comportamenti anomali o illeciti. Un approccio che, per quanto metodico, mostra sempre più i suoi limiti di fronte alla crescente complessità dei mercati.
Ora, istituzioni come Deutsche Bank e Goldman Sachs stanno sperimentando una tecnologia che promette di cambiare le carte in tavola: sistemi di intelligenza artificiale “agentica”, capaci non solo di seguire istruzioni, ma di agire con un certo grado di autonomia per scovare le irregolarità più sottili.
Questa non è la solita intelligenza artificiale di cui si sente parlare spesso, quella che risponde a domande o genera testi.
Il termine “agentico” si riferisce a sistemi progettati per perseguire un obiettivo in modo proattivo.
Nel contesto della sorveglianza finanziaria, significa che un software può decidere autonomamente quali dati analizzare, come confrontare diverse fonti di informazione e quando segnalare una potenziale anomalia, senza attendere un input umano per ogni singolo passaggio.
Si tratta di un cambiamento di paradigma che sposta il monitoraggio da un controllo reattivo, basato su schemi noti, a una vigilanza predittiva e adattiva, in grado di identificare combinazioni di eventi che a un sistema tradizionale sfuggirebbero.
Un’evoluzione che, secondo i suoi promotori, è resa necessaria dalla mole di dati e dalla velocità operativa dei mercati moderni, ma che introduce anche una serie di complessità che meritano un’analisi più attenta.
Il nuovo guardiano digitale di Deutsche Bank
Deutsche Bank è una delle istituzioni che sta investendo con maggiore convinzione in questa direzione, attraverso una collaborazione con Google Cloud. L’obiettivo è sviluppare un modello linguistico di grandi dimensioni addestrato specificamente per riconoscere le anomalie nelle attività di trading, come descritto da diverse testate di settore tra cui Artificial Intelligence News.
Bernd Leukert, responsabile della divisione Technology, Data, and Innovation della banca, ha spiegato che il sistema sarà in grado di analizzare non solo ordini e transazioni, ma anche la volatilità del mercato per individuare schemi sospetti. Il suo rilascio è previsto per il 2026 e la sua applicazione dovrebbe estendersi a diverse funzioni di conformità.
I primi risultati di questa collaborazione sembrano promettenti. La tecnologia ha già permesso a Deutsche Bank di ottenere una riduzione del 25% dei “falsi positivi”, ovvero di quegli allarmi che si rivelano poi infondati, e di consolidare l’infrastruttura hardware necessaria, passando da 200 server a un sistema più efficiente.
Ma il raggio d’azione di questo guardiano digitale non si ferma ai numeri. Il sistema è progettato per monitorare anche le comunicazioni di trader, venditori e personale a contatto con i clienti, andando a caccia di segnali di allarme come, ad esempio, l’inoltro di dati riservati a indirizzi email personali.
– Leggi anche: Start Up Factory 2026 l’industria italiana incontra l’innovazione a MECSPE
Nonostante le sue capacità avanzate, la banca sottolinea che l’intelligenza artificiale non prenderà decisioni autonome. Funzionerà piuttosto come uno strato di intelligenza aggiuntivo, il cui compito è segnalare i casi più complessi e meritevoli di attenzione.
La responsabilità finale della revisione e della decisione di intraprendere eventuali azioni rimarrà saldamente nelle mani del personale umano.
Questa precisazione è fondamentale, perché delinea un modello di collaborazione uomo-macchina in cui la tecnologia serve a filtrare il “rumore” e a concentrare l’attenzione degli esperti dove è più necessaria. Ma per comprendere la portata di questa transizione, è necessario fare un passo indietro e capire perché i sistemi tradizionali sono diventati improvvisamente obsoleti.
Perché i vecchi sistemi non bastano più
La sorveglianza finanziaria tradizionale funziona secondo una logica semplice e lineare: si stabiliscono delle regole e, se un’operazione le viola, scatta un allarme. Per esempio, un’allerta può essere generata se una transazione supera una certa soglia di valore, se si discosta troppo da un indice di riferimento o se corrisponde a un modello di rischio già noto.
Questo metodo, però, presenta due problemi strutturali. Il primo è che i mercati finanziari moderni generano un volume di dati immenso, distribuito su diverse classi di asset, fusi orari e piattaforme di scambio. Un sistema basato su regole rigide, applicato a questa mole di informazioni, finisce per produrre una quantità enorme di falsi allarmi, sommergendo i team di conformità e rendendo difficile distinguere i veri rischi dal rumore di fondo.
Il secondo problema è ancora più insidioso: le forme di manipolazione più sofisticate sono spesso progettate proprio per non attivare questi allarmi. Un operatore malintenzionato può frazionare le operazioni, usare tattiche complesse o combinare azioni apparentemente innocue per mascherare le proprie intenzioni.
I sistemi di intelligenza artificiale agentica affrontano queste debolezze cambiando prospettiva. Invece di cercare la violazione di una regola specifica, analizzano il comportamento di un trader nel suo complesso, confrontandolo con i suoi schemi storici e con quelli del mercato.
Sono in grado di identificare combinazioni anomale di azioni che, prese singolarmente, non desterebbero alcun sospetto. La loro natura “agentica” permette loro di esplorare i dati in modo più dinamico, correlando informazioni provenienti da fonti diverse e portando all’attenzione umana solo le situazioni che presentano un profilo di rischio genuinamente insolito. Un’approccio che richiede modelli di machine learning capaci di imparare da enormi volumi di dati storici per riconoscere le vere anomalie
Questa tendenza non riguarda solo Deutsche Bank. Anche Goldman Sachs sta esplorando attivamente l’uso di questi sistemi per la sorveglianza, con l’intento di analizzare le operazioni commerciali alla ricerca di attività che, pur non violando una regola chiara, si distinguono come anomale. Altre istituzioni, come la banca giapponese Nomura, stanno discutendo collaborazioni per addestrare congiuntamente modelli di monitoraggio.
L’adozione di queste tecnologie sembra quindi essere parte di un movimento più ampio, che vede le principali banche mondiali, incluse HSBC e JPMorgan, integrare soluzioni tecnologiche avanzate per migliorare la conformità e ottimizzare i flussi di lavoro, come riportato anche da QA Financial.
Questo entusiasmo, tuttavia, si scontra con una domanda tanto semplice quanto fondamentale: di questi sistemi ci si può fidare?
Tra la spinta dei regolatori e le incognite della “scatola nera”
L’interesse delle banche per queste tecnologie è alimentato anche dalla pressione delle autorità di regolamentazione. Sia negli Stati Uniti che in Europa, gli organi di vigilanza hanno sollecitato le istituzioni finanziarie a migliorare i loro sistemi di monitoraggio per contrastare abusi di mercato e manipolazioni.
Sebbene nessuna normativa imponga esplicitamente l’uso dell’intelligenza artificiale agentica, viene richiesto alle aziende di mantenere sistemi e controlli efficaci.
Per un regolatore, la promessa di una tecnologia in grado di individuare i rischi prima che causino danni significativi al mercato e alla reputazione delle istituzioni è indubbiamente allettante.
Tuttavia, l’implementazione di sistemi di intelligenza artificiale così avanzati in un settore delicato come la conformità solleva importanti questioni di governance.
Uno dei problemi principali è quello della “spiegabilità”.
Le banche devono essere in grado di dimostrare a un ispettore perché un modello ha segnalato una certa operazione e non un’altra. Se l’intelligenza artificiale funziona come una “scatola nera”, il cui processo decisionale è opaco, la sua utilità in un contesto regolamentato diminuisce drasticamente.
A questo si aggiungono le preoccupazioni relative a possibili pregiudizi (bias) nei dati con cui i modelli vengono addestrati, che potrebbero portare a un monitoraggio iniquo, e le questioni legate alla sicurezza dei dati e alla tracciabilità delle decisioni. Una lacuna particolarmente critica per le istituzioni finanziarie che devono integrare questi sistemi di sorveglianza con infrastrutture consolidate come un sistema ERP dove ogni transazione deve essere tracciabile
La risposta del settore è orientata a progettare questi sistemi includendo fin dall’inizio meccanismi di spiegabilità, registri di tracciamento e auditabilità. Stanno prendendo piede approcci innovativi, come modelli basati su grafi che, oltre a identificare un’anomalia, generano una spiegazione narrativa del perché quella transazione è stata considerata sospetta.
Se questi strumenti si dimostreranno efficaci e affidabili, potrebbero trasformare radicalmente il lavoro dei team di conformità. Invece di passare le giornate a vagliare migliaia di allarmi di routine, il personale potrebbe concentrarsi sull’analisi di pochi casi complessi, evidenziati dall’intelligenza artificiale.
Non si tratterebbe di eliminare il giudizio umano, ma di indirizzarlo verso attività a più alto valore aggiunto.
La sorveglianza di mercato si sta trasformando sempre di più in una competizione tecnologica, dove la conformità non è più solo una questione di personale, ma una sfida di infrastruttura e innovazione.
Resta da vedere se questa sofisticata rete di vigilanza digitale manterrà le sue promesse di un mercato più trasparente o se introdurrà nuove, e forse più sottili, forme di vulnerabilità.
