Settore assicurativo e finanziario e IA Le iniziative di vigilanza SupTech adottate dalle Autorità italiane
Settore assicurativo e finanziario e IA Le iniziative di vigilanza SupTech adottate dalle Autorità italiane. Tra le varie iniziative adottate dalle Authority italiane per monitorare l’applicazione dell’Intelligenza Artificiale nei settori finanziario e assicurativo, il report menziona gli strumenti SupTech, i quali possono migliorare la capacità di tracciare, verificare e contestare la performance e i rischi dei sistemi AI usati dalle istituzioni finanziarie. Questi strumenti supportano una vigilanza data-driven e migliorano l’efficienza delle attività di supervisione. In un contesto in cui le responsabilità delle autorità nazionali competenti sono in aumento, le iniziative SupTech sono descritte come rivolte soprattutto al rafforzamento della capacità di vigilanza, delle capacità analitiche e della prioritizzazione dei rischi, non all’automazione del giudizio o della decisione di vigilanza.
Banca d’Italia dispone, secondo il Rapporto, di sei strumenti SupTech in produzione per la vigilanza su banche e intermediari finanziari non bancari. Gli strumenti per le ispezioni on-site possono aumentare l’efficienza automatizzando attività di routine, come la redazione dei rilievi, i controlli di coerenza, l’analisi di documenti di compliance e la generazione di suggerimenti sui rilievi. L’architettura comprende servizi applicativi che forniscono suggerimenti AI all’utente durante la redazione o verifica del rilievo e mantengono una base dati strutturata e aggiornata degli standard regolatori applicabili alle ispezioni.
Per la vigilanza continuativa, gli strumenti SupTech di Banca d’Italia possono supportare analisi dettagliate di specifiche aree di indagine, come la ricostruzione delle catene proprietarie nel settore finanziario. Nell’area della corporate governance, uno strumento supporta l’analisi del funzionamento effettivo dei board, considerando il comportamento dei componenti in termini di tipo e frequenza degli interventi, profondità della discussione e numero di temi affrontati.
Il rapporto cita poi lo strumento a supporto delle valutazioni fit and proper, che estrae informazioni da diverse banche dati, tra cui segnalazioni sulle grandi esposizioni, report sulle parti correlate a livello individuale e consolidato, database sanzioni Bankit, Centrale dei Rischi italiana e Registro delle Imprese. Sulla base delle informazioni estratte, vengono generati indicatori di anomalia che guidano l’analista nella valutazione dell’idoneità degli esponenti degli intermediari finanziari. Inoltre, tramite un modulo AI basato sul database Factiva, lo strumento consente di rilevare eventuali questioni reputazionali dell’incaricato attraverso articoli di stampa.
Un altro strumento Banca d’Italia riguarda la ricostruzione delle strutture proprietarie degli intermediari vigilati, banche e società finanziarie, mediante tecnologie AI, in particolare Automated Reasoning applicato a un Knowledge Graph. La piattaforma integra e visualizza dati provenienti da fonti multiple e genera conoscenza ulteriore rispetto ai dati originari, ampliando le informazioni disponibili per gli utenti.
Nel campo della tutela dei consumatori, Banca d’Italia sta testando sistemi AI per analizzare i reclami dei clienti e sostenere il ruolo dell’ombudsman, rispettivamente Esptech e AbefTech, entrambi sviluppati internamente. Esptech utilizza NLP e machine learning per gestire oltre 10.000 reclami ricevuti annualmente; i modelli raggruppano i reclami in cluster basati su similarità semantiche, in modo da mappare le tendenze e contribuire all’individuazione degli outlier.
CONSOB ha sviluppato prototipi SupTech in diverse aree. Uno degli ambiti indicati dal documento riguarda l’analisi risk-based degli emittenti: il sistema combina algoritmi AI applicati all’analisi predittiva dei rischi degli emittenti quotati, a supporto della vigilanza, utilizzando parametri di rischio e fonti dati strutturate e non strutturate. La piattaforma AI si basa su un data lake e utilizza algoritmi di machine learning per individuare cluster di emittenti a rischio tramite tecniche di anomaly detection; include inoltre una sperimentazione basata su text classification per etichettare i Key Audit Matters indicati dalle società di revisione e associarli al relativo principio contabile internazionale.
Per la vigilanza sui green bond europei, CONSOB ha avviato una sperimentazione in collaborazione con l’Università di Trento, che utilizza AI e tecniche NLP. Il progetto mira a costruire un prototipo in grado di analizzare automaticamente la documentazione testuale associata alle emissioni di green bond, identificando frasi ambientalmente rilevanti, classificandole in base al contenuto, associandole a una valutazione di sentiment e verificando la presenza o assenza di riferimenti agli Obiettivi di sviluppo sostenibile. Il sistema è poi stato oggetto di ingegnerizzazione tecnica e industrializzazione per il deployment cloud. Il valore aggiunto indicato dal documento è la capacità di generare alert su documenti e soggetti con caratteristiche potenzialmente anomale, come un disallineamento elevato tra SDGs dichiarati ed effettivi o un sentiment prevalentemente opportunistico in assenza di evidenze concrete.
Un ulteriore strumento CONSOB riguarda l’anonimizzazione delle sanzioni. Il sistema si basa su modelli di AI generativa e algoritmi di similarità, con l’obiettivo di anonimizzare la documentazione formale sanzionatoria attraverso un processo articolato in quattro attività, eliminando dal testo dei provvedimenti sanzionatori i dati e le informazioni potenzialmente idonei a identificare il soggetto sanzionato.
Il rapporto attribuisce anche a IVASS attività sperimentali con tecniche AI applicate a database sinistri per la prevenzione delle frodi, alla consultazione di documenti assicurativi, all’arricchimento degli indicatori sulla stabilità delle imprese assicurative e alla classificazione dei reclami per renderli più agevoli da gestire. La maggior parte dei progetti è stata sviluppata internamente con la collaborazione di terzi, tra cui Banca d’Italia, EIOPA/ECB e il mondo accademico. I benefici analitici derivanti dall’esplorazione di grandi basi dati comprendono la possibilità di definire e testare nuovi set di indicatori e di costruire competenze interne attraverso un approccio diretto a progetti pratici. Le principali barriere allo sviluppo di strumenti SupTech sono individuate nella disponibilità di personale qualificato, nella necessità di evitare priorità confliggenti, nell’esigenza di lasciare spazio alla sperimentazione e, se necessario, nella difficoltà di reperire business intelligence esterna per specifiche applicazioni interne. COVIP sta valutando la possibilità di sviluppare strumenti SupTech.
