Il valore dell’AI dipende dalla qualità dei dati, dalla governance e dalla capacità di portare le decisioni dentro i processi operativi
Giulio Mariani | Direttore Data & AI, Experian
Molte organizzazioni hanno già avviato progetti di intelligenza artificiale. La sfida ora è farli uscire dai progetti pilota e renderli capaci di sostenere decisioni affidabili, ripetibili e governabili nei processi di credito e prevenzione delle frodi.
Il report Connected Intelligence: Scaling AI with Trusted Data and Decisioning, realizzato da Experian con Phronesis, mette a fuoco questo passaggio. La ricerca mostra che il problema non è soltanto scegliere un modello più potente: occorre connettere dati, analytics, policy, sistemi e responsabilità nel punto in cui una decisione viene presa.
Dai progetti pilota all’AI su larga scala nei processi di rischio
Il 68% delle istituzioni finanziarie coinvolte si trova ancora in una fase iniziale o emergente di adozione dell’AI. Pur essendo diffusa l’intenzione di usare l’intelligenza artificiale a supporto delle decisioni, meno del 30% dichiara di averla estesa su larga scala agli ambienti di rischio centrali. Il divario tra sperimentazione e impatto operativo resta quindi significativo.
Al tempo stesso, il 73% delle istituzioni finanziarie indica il decisioning in tempo reale tra le priorità. Per ottenere questo risultato non basta avere un modello in produzione: la decisione deve poter reagire al contesto, rispettare le policy e mantenere coerenza tra canali e momenti diversi del ciclo di vita del cliente.
Data quality: i dati devono arrivare nel momento della decisione
La ricerca segnala un problema strutturale di disponibilità, qualità e integrazione. Il 54% delle organizzazioni rileva una maggiore esigenza di dati di alta qualità e correttamente strutturati; il 48% indica la difficoltà di integrare fonti alternative o di terze parti nei flussi di lavoro dell’AI. Se i dati sono incompleti, non aggiornati o privi di una provenienza ricostruibile, un modello può amplificare l’incertezza invece di ridurla.
Il lavoro, quindi, non consiste solo nel raccogliere più informazioni. Servono definizioni condivise, controlli di qualità, aggiornamento adeguato al caso d’uso e regole chiare su accesso e utilizzo. Per decisioni su credito e frode, integrare dati interni, informazioni creditizie, segnali comportamentali e fonti alternative può migliorare il contesto della valutazione, a condizione che ogni dato sia pertinente e ammesso per quello specifico processo.
AI governance: la fiducia si costruisce dentro i processi decisionali
Per scalare, ogni decisione deve poter essere spiegata, tracciata e confrontata con la policy che l’ha generata. L’86% dei rispondenti considera la trasparenza di analytics e insight importante per migliorare le decisioni; il 62% collega la qualità dei dati e la governance alle difficoltà nel portare l’AI su scala. La governance applicata solo dopo l’esito, con verifiche manuali separate, può rendere più lenta l’operatività e più difficile mantenere controlli coerenti.
Un principio utile e definire l’autorità decisionale: chi, o quale sistema, può agire; su quali dati; entro quali limiti; e in quali situazioni e necessario l’intervento umano. Questa chiarezza diventa ancora più importante quando agenti AI possono coordinare strumenti o avviare azioni. Tracciabilita, spiegabilità, gestione del consenso e monitoraggio devono accompagnare l’esecuzione, non essere aggiunti a posteriori.
Dalle componenti isolate a un’intelligenza connessa
Il 43% delle istituzioni finanziarie individua la frammentazione tra sistemi come un ostacolo alla scalabilita. Dati, analytics, strumenti antifrode e controlli possono essere validi singolarmente, ma produrre risultati disomogenei se restano separati. Il report descrive un livello decisionale connesso che combina fonti dati, risoluzione dell’identità, software di decisioning e orchestrazione dei flussi, governance incorporata e integrazione modulare con gli ambienti esistenti.
L’80% dei rispondenti si dichiara disponibile a testare o adottare una soluzione unificata che combini dati, software e AI per il rischio di credito e di frode. Questo interesse si traduce in valore solo quando l’architettura consente di passare dalla sperimentazione a decisioni controllate e misurabili. Anche telco e utilities possono applicare lo stesso approccio ai propri processi di onboarding, pagamento, rateizzazione e prevenzione delle frodi, adattando dati, policy e livelli di intervento al proprio contesto.
Experian come partner nell’adozione responsabile dell’AI nel credito e nell’antifrode
Per Experian, essere un player strategico significa aiutare le organizzazioni a collegare dati affidabili, conoscenza del rischio, decisioning e governance in un percorso operativo coerente. La ricerca richiama Experian Ascend Platform e Aperture Data Studio come soluzioni da approfondire per sviluppare questa capacità, integrandola con i sistemi e le priorità dell’organizzazione.
Il passo iniziale può essere concreto: scegliere una decisione ad alto impatto, misurare qualità e tempi dei dati che la alimentano, assegnare responsabilità tra persone e automazione e definire come verificare ogni esito. Solo dopo aver costruito questo contesto e possibile estendere l’AI ad altri processi mantenendo controllo, trasparenza e fiducia.
La ricerca: campione e metodologia
La ricerca Experian e Phronesis del 2026 ha coinvolto oltre 800 decisori senior in 12 Paesi, Italia inclusa, e comprende più di 80 interviste a esperti. I risultati citati descrivono il campione internazionale e non sono stime riferite esclusivamente al mercato italiano.
Approfondisci
Scarica Connected Intelligence: Scaling AI with Trusted Data and Decisioning per approfondire le priorità di implementazione.
Scopri Experian Ascend Platform e Aperture Data Studio per valutare il ruolo di dati e decisioning nei tuoi processi di credito e frode.