Modernizzare il ciclo di vita delle transazioni con dati governati e AI

Le società dei mercati dei capitali stanno modernizzando il ciclo di vita delle transazioni sotto la pressione di molteplici fattori: volumi di dati in crescita, maggiori aspettative di insight in tempo reale, iniziative di AI che si spostano verso la produzione e cicli di regolamento più brevi. A questo punto, nessuno mette in dubbio l'utilità dell'AI. La vera domanda è se la ricerca, il trading, il rischio, le operazioni e la compliance lavorino tutti sugli stessi dati governati, o se si stiano solo illudendo di farlo.

Mentre le aziende passano dalla sperimentazione alla produzione, emerge un pattern chiaro: il vantaggio duraturo non è un modello isolato. È la capacità di rendere i dati proprietari — come ordini, esecuzioni, posizioni, ricerca, rischio, clienti e dati operativi — più facilmente individuabili, affidabili e governati lungo tutto il ciclo di vita.

Ho parlato con Andrea DeSosa, Global Head of Capital Markets GTM di Databricks, delle pressioni operative che stanno ridefinendo i flussi di lavoro di pre-trade, esecuzione, post-trade e sorveglianza, per comprendere meglio i modi pratici per dare priorità alla modernizzazione. Questa conversazione è stata modificata per motivi di chiarezza e brevità e si ispira ai temi approfonditi nell'ebook Modernizing the Trade Lifecycle in Capital Markets.

Perché la pressione sul ciclo di vita delle transazioni è cumulativa nel 2026

Kim Hatton: Cosa sta spingendo i leader del trading e della ricerca a riconsiderare il ciclo di vita delle transazioni proprio ora?

Andrea DeSosa: Le aziende gestiscono una quantità maggiore di dati alternativi, più sperimentazione sull'AI, tempistiche operative più brevi e un controllo più rigoroso su come vengono prese e monitorate le decisioni. Allo stesso tempo, la ricerca, il trading, il rischio, le operazioni e la sorveglianza spesso si affidano a sistemi separati e a visualizzazioni dei dati non coerenti.

Questa frammentazione rallenta il processo decisionale, complica l'analisi dell'esecuzione, limita la visibilità del rischio e rende più difficile ricostruire l'accaduto in caso di richieste da parte di autorità di regolamentazione, clienti o funzioni di controllo interno.

Kim Hatton: In quali punti del ciclo di vita delle transazioni si manifesta la frammentazione dei dati?

Andrea DeSosa: Nel pre-trade, i team possono dedicare molto tempo alla preparazione e alla riconciliazione dei dati di mercato, fondamentali, ESG e alternativi prima di poter testare un'ipotesi di investimento o eseguire un backtest.

Durante l'esecuzione, i desk hanno bisogno di visualizzazioni tempestive della qualità dell'esecuzione, della liquidità, del flusso degli ordini e dello slippage per sede di negoziazione, strategia e cliente. Tuttavia, la visualizzazione sul desktop di un trader potrebbe non coincidere con i dati a disposizione di rischio, compliance o operazioni.

Nel post-trade, molte aziende dipendono ancora da processi di rischio overnight, riconciliazioni basate su fogli di calcolo e reportistica progettata per un ciclo di regolamento più lungo. Queste pratiche diventano difficili da sostenere con la riduzione dei tempi di regolamento e l'aumento delle aspettative di resilienza operativa e trasparenza.

Il ruolo dell'AI nella modernizzazione del ciclo di vita delle transazioni

Kim Hatton: In che modo l'AI si inserisce nella modernizzazione del ciclo di vita delle transazioni?

Andrea DeSosa: Le aziende che traggono un valore ripetibile dall'AI non sono necessariamente quelle che avviano il maggior numero di progetti pilota. Sono quelle in grado di connettere e governare in modo sicuro il contesto proprietario — flusso degli ordini, ricerca interna, posizioni, risultati di rischio, informazioni sui clienti e dati operativi — lungo tutto il ciclo di vita.

Senza questa base, l'AI rischia di creare un altro flusso di lavoro scollegato. Con essa, invece, le aziende possono creare strumenti che aiutano i dipendenti a esaminare le eccezioni, analizzare la qualità dell'esecuzione, sintetizzare le ricerche o individuare potenziali problemi di sorveglianza, mantenendo al contempo controlli di accesso e tracciabilità adeguati.

La domanda strategica si sposta da "Quale modello dovremmo usare?" a "Come colleghiamo i nostri dati, l'analytics e i controlli nei flussi di lavoro di produzione?"

Tre segnali che indicano che è il momento di modernizzare il ciclo di vita delle transazioni

Kim Hatton: Quali sono i segnali che indicano la necessità di modernizzare l'architettura di trading?

Andrea DeSosa: Ne emergono tre in particolare.

1. Cicli di regolamento più brevi. Aumentano la necessità di visualizzazioni tempestive e affidabili dello stato delle transazioni, dei finanziamenti, delle garanzie, delle eccezioni e del rischio operativo. In Europa, il passaggio al regolamento T+1 è previsto per l'11 ottobre 2027, rendendo la preparazione una priorità di pianificazione a breve termine per le aziende attive nei mercati dell'UE e del SEE.
    
2. Requisiti di governance e verificabilità. Le aziende devono dimostrare come i flussi di lavoro automatizzati e abilitati dall'AI siano governati, testati, monitorati e analizzati end-to-end. Questo requisito riguarda la qualità dei dati, le autorizzazioni, la lineage, la valutazione di modelli e agenti, i registri delle decisioni e la capacità di esaminare le eccezioni.
    
3. Evitare strumenti di shadow AI. I team vogliono integrare l'AI nei flussi di lavoro di ricerca, analytics dell'esecuzione, operazioni e sorveglianza senza creare set di dati ombra, strumenti non gestiti o controlli incoerenti.

Queste pressioni portano a un test pratico: quando i tassi variano, gli spread si ampliano, la liquidità peggiora o si verifica un incidente operativo, con quale rapidità l'azienda riesce a visualizzare le proprie posizioni, comprendere le esposizioni, identificare i flussi di lavoro interessati e produrre un resoconto verificabile dei dati e delle decisioni coinvolte?

Come avviare la modernizzazione del ciclo di vita delle transazioni: le decisioni prima della migrazione

Kim Hatton: Da dove dovrebbero iniziare le aziende per modernizzare il ciclo di vita delle transazioni?

Andrea DeSosa: Iniziando dalle decisioni che i leader devono già prendere:

• In quali casi il costo di esecuzione si discosta dalle aspettative per sede di negoziazione, strategia e cliente?
• In che modo uno shock dei tassi o della volatilità influenzerebbe il rischio e la liquidità per desk, area geografica o portafoglio?
• Quali linee di business, asset class o controparti sono associate ai tassi più elevati di eccezioni, interruzioni o mancati regolamenti?

Una volta chiarite le domande prioritarie, anche i domini di dati richiesti diventano più evidenti.

Per l'analisi della qualità dell'esecuzione, ciò può significare dati di mercato e di riferimento insieme a ordini, esecuzioni, dati sulle sedi di negoziazione e benchmark. Per la resilienza post-trade, può significare transazioni, allocazioni, conferme, stato del regolamento, garanzie, finanziamenti ed eccezioni operative.

L'obiettivo non è modernizzare tutti i sistemi contemporaneamente, ma stabilire una base di dati governata e riutilizzabile per un numero limitato di flussi di lavoro ad alto valore, dimostrare risultati misurabili e poi espandersi.

In che modo Databricks governa l'AI lungo tutto il ciclo di vita delle transazioni

Kim Hatton: Cosa consente di fare la piattaforma Databricks Data + AI con questo approccio?

Andrea DeSosa: La piattaforma supporta questa evoluzione unendo dati storici e in tempo reale, analytics e AI su una base comune.

Unity Catalog offre governance centralizzata, controllo degli accessi, discovery e lineage per tutti gli asset di dati e AI. Agent Bricks può aiutare i team a creare, distribuire e governare agenti specifici per il dominio, mentre l'AI/BI consente agli utenti aziendali di esplorare i dati governati tramite dashboard, visualizzazioni ed esperienze in linguaggio naturale.

Il valore non si limita a un singolo flusso di lavoro. È la capacità di consentire a ricerca, trading, rischio, operazioni e compliance di lavorare a partire da dati coerenti e governati, preservando i controlli e il contesto necessari per ciascuna funzione.

I modelli si evolveranno. Le domande di business, i dati proprietari e i requisiti per controlli affidabili rimarranno. Le aziende che affrontano la modernizzazione del ciclo di vita delle transazioni come un'iniziativa di dati governati e modello operativo — e non come una raccolta di funzionalità AI isolate — sono posizionate meglio per migliorare la rapidità decisionale, la resilienza operativa e la capacità di scalare nuovi casi d'uso nel tempo.

Scopri di più

Scarica il nostro nuovo ebook Modernizing the Trade Lifecycle in Capital Markets per casi d'uso pratici di pre-trade, esecuzione, post-trade e sorveglianza, e per un framework volto a dare priorità alle iniziative di dati governati e AI lungo tutto il ciclo di vita.

(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale