Le domande su AI, governance, dati e costi che vale la pena porsi al Sibos di Miami.
di Junta Nakai, Erin Butler, Roshni Joshi, Antoine Amend, Jennifer Miller, Andrea DeSosa, Rajaram Suresh, Kim Hatton, Naeem Rehman, Spencer Cook, Ed Bullen e Felix Mutzl
L'anno scorso al Sibos di Francoforte, la domanda era se l'AI funzionasse. Quest'anno: la tua AI può conquistare la tua fiducia?
I dati confermano questo cambiamento. Nel sondaggio Banking Insights AI Impact Survey 2026 di Grant Thornton, la metà dei dirigenti bancari ha dichiarato che la governance e la conformità stavano già limitando le prestazioni dell'AI, eppure solo il 18% si è detto fiducioso di poter superare un audit indipendente sui propri controlli dell'AI. La nostra ricerca condotta con Economist Enterprise, il report del 2026 Making AI Deliver, ha riscontrato un divario simile specificamente per l'AI agentica: meno della metà delle organizzazioni impone formalmente un framework di governance per i sistemi autonomi.
Queste sono le cinque domande che sentiamo più spesso da chief financial officers (CFO), responsabili della conformità, responsabili della tesoreria e relationship manager. Vale la pena porsi queste domande, che si vada o meno al Sibos quest'anno.
"Qual è la nostra reale posizione di liquidità in questo momento, in ogni entità e valuta?" Questa è la domanda che un addetto alla tesoreria si pone ogni giorno. Ed è quella a cui l'AI dovrebbe finalmente rispondere senza una maratona di tre giorni su fogli di calcolo.
Ottenere che un modello riassuma un report è semplice. La parte più difficile è inserire dati governati e AI nelle decisioni che i team finanziari prendono ogni giorno in materia di bilancio, liquidità, spesa e operazioni. L'obiettivo è aiutare i team a individuare i cambiamenti, analizzarne le cause e fare qualcosa di più che automatizzare semplicemente il ciclo di reportistica.
Presso lo stand Databricks (#DISL25) al Sibos di Miami, presenteremo un intervento dal titolo Trapped Capital, Released by AI: Reconciliation Your Regulator Can Audit. L'intervento individua le interruzioni dei dati da GL a Risk che gonfiano silenziosamente le attività ponderate per il rischio, le analizza con prove documentate e sblocca il capitale regolamentare intrappolato, mantenendo il controllo di un validatore umano (maker-checker) e un percorso di audit che un esaminatore può effettivamente seguire.
Approfondiremo anche ciò che accade dopo il trasferimento di denaro. I canali di regolamento tokenizzati risolvono parte del problema, ma la riconciliazione, i controlli sui reati finanziari e la gestione della liquidità infragiornaliera devono ancora avvenire off-chain. Il nostro lightning talk, Tokenization Moved the Money. It Didn't Move the Hard Part, illustra il modello operativo per mantenere costantemente allineati le posizioni dei token, i mastro dei depositi e i conti di finanziamento. Inoltre, potrai vedere dal vivo una console di controllo per la riconciliazione dei depositi tokenizzati.
"Questo avviso rappresenta un rischio reale o è solo rumore?" Questa è la domanda che un analista AML si pone decine di volte al giorno, ed è ciò che distingue un'AI che aiuta davvero da un'AI che aggiunge solo un altro sistema di cui nessuno si fida.
L'AI può esaminare i casi, collegare il contesto e supportare le decisioni degli analisti. Ma ogni raccomandazione ha bisogno di una fonte tracciabile: quali dati l'hanno alimentata, cosa ha raccomandato, se una persona ha esaminato l'output e se l'istituto può ricostruire l'indagine per un audit o una revisione normativa. La governance non può vivere solo in un documento di policy. Deve essere integrata nei dati stessi, nei controlli di accesso e nel flusso di lavoro.
Avremo una versione live di questo scenario presso il nostro stand: un agente che gestisce veri avvisi AML sul lakehouse della banca, vedendo solo ciò che l'analista è autorizzato a vedere. Redige la segnalazione di attività sospetta (SAR) e lascia l'invio a un operatore umano, con ogni passaggio registrato rispetto alle prove know-your-customer (KYC)/AML e al modello eseguito. È la stessa questione che tratteremo nella nostra sessione sul Discover Stage, How financial institutions are governing AI in financial crime operations, giovedì 1 ottobre alle 11:00, dimostrando ciò che l'AI ha fatto, non solo ciò che può fare.
"Di cosa ha effettivamente bisogno questo cliente da noi in questo momento?" Ogni relationship manager si pone una domanda simile prima di una chiamata, e la risposta onesta di solito dipende da dati sparsi su tre sistemi diversi e da una cartella di ricerca che non ha avuto il tempo di leggere.
RBC Brewin Dolphin utilizza l'AI generativa per automatizzare la preparazione dei pacchetti di riunione per la revisione dei clienti, risparmiando circa 4.700 ore all'anno. Altre aziende si stanno spingendo oltre. Presso un asset manager globale, flussi di lavoro multi-agente generano commenti sugli investimenti per centinaia di fondi, estendendo la copertura dei consulenti mentre il team di conformità rimane aggiornato. Presso un altro, gli agenti uniscono il punteggio proprietario dei fondi con i documenti interni per produrre analisi di portafoglio pronte per l'audit in pochi secondi, facendo emergere opportunità che un team non avrebbe avuto il tempo di trovare da solo.
L'obiettivo non è escludere le persone dalle decisioni di alto valore. Si tratta di ridurre il lavoro che ruota attorno a tali decisioni, in modo da dedicare più tempo alla valutazione e alla relazione stessa.
"Perché abbiamo appena rifiutato una transazione valida?" Questo è ciò che si chiede un responsabile del transaction banking quando le decisioni di rischio si basano su dati vecchi di minuti, non di millisecondi.
La maggior parte degli istituti dispone già dei dati. Solo che sono sparsi tra vari sistemi, rallentati da processi batch o difficili da utilizzare in modo governato. Coinbase esegue il rilevamento delle frodi in tempo reale su Databricks con una latenza P99 inferiore a 100 ms, un benchmark utile per definire cosa debba effettivamente significare "tempo reale".
L'aspetto economico dell'AI sembra gestibile in una fase pilota e molto diverso in produzione. In un recente Bloomberg CFO Briefing, un CFO ha definito la spesa per i token dell'AI una "cifra irrilevante" per la prima metà del 2026, notando al contempo che non tutte le attività richiedono il modello più costoso. Ma non rimarrà irrilevante a lungo, in quella banca o altrove. La disciplina dei costi deve iniziare prima che la spesa diventi difficile da tracciare, non dopo.
Per approfondire come i team di ingegneria stanno già risolvendo questo problema, consulta il post del blog di Databricks, Managing AI Coding Costs at Scale, che analizza le leve, dal routing dei modelli alla visibilità della spesa, che impediscono ai costi dell'AI di superare il valore che creano.
Se queste sono le conversazioni che il tuo team sta già affrontando, preferiremmo farle di persona. Databricks sarà a Miami per il Sibos 2026, dal 28 settembre al 1 ottobre. Invia un'e-mail a sibos@databricks.com o visita la nostra pagina dell'evento per consultare l'agenda completa e programmare un incontro.
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.