Nell’ambito di una più ampia ondata di intelligenza artificiale nel settore finanziario, Goldman Sachs sta sperimentando Anthropic Claude per banche e processi operativi critici come contabilità di trading e onboarding clienti.
Summary
L’uso di Claude nei processi di back office
Goldman Sachs prevede di integrare il modello Claude di Anthropic nella contabilità delle operazioni e nell’onboarding dei clienti. L’iniziativa, descritta da American Banker, rientra in una strategia più ampia per usare l’AI generativa e aumentare l’efficienza nei processi di back office.
Queste attività includono la revisione di documenti, la riconciliazione dei dati e i controlli di compliance, tradizionalmente affidati a grandi team. L’obiettivo è ridurre i tempi di lavorazione e il numero di casi che richiedono intervento manuale.
Confronto con altre grandi banche
Diverse istituzioni stanno già adottando AI generativa per attività di knowledge work. JPMorganChase fornisce ai dipendenti una suite di modelli linguistici per ricerca di informazioni e analisi dei dati, mentre l’assistente Erica di Bank of America risponde a quesiti interni su tecnologia e risorse umane.
Inoltre, Citi e Goldman utilizzano sistemi di intelligenza artificiale per supportare gli sviluppatori nella scrittura del codice. La novità emersa, secondo l’articolo, è il passaggio dall’uso per attività di conoscenza all’impiego in operazioni come contabilità di trading e processi KYC (know-your-customer).
Automazione dei casi limite
Nel settore bancario, molti processi automatizzabili sono basati su regole: raccolta di dati, verifica con database interni ed esterni e predisposizione della documentazione obbligatoria. In teoria, il software tradizionale è già in grado di gestire queste sequenze operative.
Tuttavia, il chief information officer di Goldman, Marco Argenti, osserva che anche se un sistema a regole risolve la maggior parte dei casi, una piccola percentuale di transazioni resta fuori dai parametri predefiniti. A volumi elevati, ciò significa migliaia di casi individuali.
Argenti porta l’esempio della verifica d’identità per la compliance KYC, dove piccole discrepanze o documenti prossimi alla scadenza generano casi limite che richiedono valutazioni discrezionali. Inoltre, questi scenari si moltiplicano con l’aumentare del numero di clienti e controparti.
Come l’AI gestisce le micro-decisioni
Secondo Argenti, le reti neurali possono gestire queste micro-decisioni grazie alla capacità di applicare ragionamenti contestuali, proprio dove le regole fisse mancano o non forniscono una risposta chiara. In questo modello, l’AI generativa affianca i sistemi a regole esistenti, senza sostituirli.
Detto ciò, il miglioramento operativo arriva dalla riduzione del numero di eccezioni che richiedono l’intervento umano. Di conseguenza, si accorciano i tempi di risoluzione dei casi fuori standard, con un impatto diretto sui costi e sui livelli di servizio.
Esperienza precedente con lo sviluppo software
L’adozione odierna si basa sull’esperienza maturata da Goldman con i modelli Claude per lo sviluppo software interno. Gli sviluppatori utilizzano una versione di Claude integrata con l’agente Devin di Cognition per supporto alla programmazione.
In questo flusso, gli sviluppatori definiscono specifiche e vincoli regolamentari, l’agente genera il codice e gli esseri umani ne verificano gli output. Inoltre, l’agente esegue test e validazioni del software. Argenti descrive questo assetto come un cambiamento del workflow, con agenti che operano seguendo istruzioni codificate.
Il risultato è un aumento della produttività dei team di sviluppo e una più rapida realizzazione dei progetti. In prospettiva, tali benefici giustificano l’estensione dell’approccio AI a funzioni operative diverse dallo sviluppo.
Dal coding alle operazioni: focus su contabilità e onboarding
Per la contabilità delle operazioni e l’onboarding dei clienti, i responsabili di progetto di Goldman e Anthropic hanno analizzato i flussi esistenti insieme agli esperti di dominio per individuare i principali colli di bottiglia. Successivamente, sono stati introdotti agenti AI mirati.
Questi agenti esaminano i documenti, estraggono le entità rilevanti, determinano se servono ulteriori attestazioni, analizzano le strutture proprietarie e possono attivare controlli di compliance aggiuntivi. Si tratta di compiti molto intensivi in termini documentali che richiedono di norma giudizio individuale.
Inoltre, automatizzando la fase di estrazione dati e la valutazione preliminare, gli agenti riducono sensibilmente il tempo che gli analisti devono dedicare al confronto tra documenti, cifre e fonti differenti.
Flussi di riconciliazione e potenzialità di Claude
Indranil Bandyopadhyay, principal analyst di Forrester, spiega che la riconciliazione nella contabilità di trading richiede il confronto tra dati frammentati in diversi registri interni, conferme delle controparti e estratti conto bancari. Un workflow tipico dipende dall’estrazione accurata e dal corretto abbinamento di numeri e testi ai documenti esistenti.
La capacità di Claude di gestire ampie finestre di contesto e seguire istruzioni dettagliate lo rende adatto a questo tipo di attività. Nel contempo, i processi di onboarding dei clienti – come l’analisi di passaporti e certificati di registrazione societaria e il controllo incrociato delle varie fonti – beneficiano dell’abilità dell’AI di estrarre dati strutturati e segnalare incoerenze.
In questo quadro, Anthropic Claude per banche e funzioni operative riduce il carico di lavoro complessivo, pur lasciando ai team umani la supervisione delle decisioni più critiche e l’esame dei casi dubbi.
Ruolo dei sistemi di record e livello di workflow
Bandyopadhyay sottolinea che le piattaforme di contabilità e compliance restano i sistemi canonici di registrazione. Claude agisce nel livello di workflow, occupandosi di estrazione e confronto dei dati, mentre gli analisti umani gestiscono le eccezioni segnalate dal codice.
Nel complesso, il valore operativo in un ambiente regolamentato come quello bancario nasce da questa divisione di compiti: l’AI si concentra sui volumi e sulle attività ripetitive, mentre le decisioni finali rimangono in mano a personale qualificato.
Auditabilità, allucinazioni e controllo umano
Jonathan Pelosi, responsabile servizi finanziari di Anthropic, evidenzia che Claude è addestrato a rendere visibile il proprio livello di incertezza e a fornire attribuzione delle fonti. Questo crea una traccia di audit che aiuta a mitigare l’impatto delle allucinazioni.
Bandyopadhyay insiste anche sull’importanza della supervisione e della validazione umana, raccomandando che le istituzioni progetteranno sistemi in cui gli errori vengano intercettati nelle prime fasi del processo. Inoltre, i controlli interni devono restare centrali per garantire qualità dei dati e rispetto delle normative.
Capacità operativa e rischi di social engineering
Argenti respinge l’idea che i sistemi di AI siano intrinsecamente più facili da ingannare rispetto alle persone. Secondo lui, il social engineering sfrutta vulnerabilità umane, mentre un modello ben addestrato può riconoscere anomalie sottili su larga scala.
Inoltre, egli ribadisce la necessità di combinare giudizio umano e controlli automatizzati all’interno di team misti. La sua tesi implica un aumento della capacità operativa senza incrementi proporzionali del personale, nonostante le criticità note nelle implementazioni di AI.
Prospettive dell’AI generativa nelle banche
Nel settore bancario, l’AI generativa emerge come strumento per migliorare le prestazioni operative, accelerando l’elaborazione dei documenti, riducendo i tempi di gestione delle eccezioni e aumentando il throughput in flussi di lavoro ad alto volume.
Detto ciò, la necessità di mantenere un controllo umano continuo sui risultati dei modelli comporta la permanenza e la centralità degli attuali sistemi di record. L’intelligenza artificiale integra questi sistemi, ma non li sostituisce, specialmente in contesti regolamentati come quello delle grandi banche globali.
