GFT Technologies sta supportando gli istituti finanziari nell’applicazione dell’intelligenza artificiale ai propri dati transazionali storici attraverso i Transaction Foundation Model (TFM).
L’obiettivo è superare un approccio nel quale pagamenti, bonifici, sottoscrizioni di prodotti e attività dei clienti alimentano modelli separati, trasformandoli invece in un livello comune di intelligenza riutilizzabile in ambiti quali il rilevamento delle frodi, il rischio di credito, la compliance, i pagamenti, la personalizzazione e la gestione del credito deteriorato.
Una delle principali sfide che il settore bancario si trova oggi ad affrontare è infatti la frammentazione dei modelli di intelligenza artificiale. Storicamente, ogni esigenza di business è stata gestita attraverso un modello dedicato, sviluppato e mantenuto separatamente: uno per le frodi, uno per il credit scoring (la valutazione del rischio di un cliente), uno per il cross-selling, uno per il KYC – Know Your Customer – e altri ancora per la compliance.
Questo approccio ha permesso di ottenere risultati su singoli casi d’uso, ma ha anche generato duplicazioni, maggiori costi di manutenzione, infrastrutture ridondanti e team che lavorano in silos. Man mano che cresce l’uso dell’intelligenza artificiale nei servizi finanziari, questa frammentazione limita la capacità degli istituti di estrarre valore dai propri dati e di rispondere con rapidità a nuovi rischi.
Il documento di consultazione Sound Practices for Responsible Adoption of Artificial Intelligence, pubblicato dal Financial Stability Board (FSB) il 10 giugno 2026 — con consultazione aperta fino al 22 luglio e pubblicazione del rapporto finale prevista per ottobre 2026 — rafforza la necessità di implementare l’intelligenza artificiale assicurando governance, accountability, governo del dato, supervisione umana e controllo dei fornitori terzi.
In questo contesto, un TFM addestrato all’interno del perimetro della banca e sui dati proprietari dell’istituto risponde direttamente a queste esigenze. Consente, infatti, di costruire un livello comune di intelligenza sottoposto alla governance dei modelli della banca e garantisce un maggiore controllo sulla sovranità del dato.
Per rispondere a queste sfide, GFT accompagna gli istituti finanziari nella creazione di un livello comune di intelligenza addestrato sui loro dati transazionali. Anziché sviluppare ogni nuovo caso d’uso da zero, la banca può riutilizzare questa base condivisa e adattarla alle diverse esigenze di business.
In una proof of concept realizzata da GFT su un dataset appositamente predisposto, il miglioramento più significativo è stato osservato nella precisione del modello antifrode, ovvero nella capacità di garantire che un’operazione segnalata come fraudolenta lo sia effettivamente. Nell’ambiente di test, la precisione è aumentata del 40%.
Un livello comune di intelligenza per i processi critici
Un livello comune di intelligenza migliora le prestazioni nei processi più critici, come il rilevamento delle frodi, la gestione del rischio e la personalizzazione, perché apprende dal comportamento reale dei clienti.
Consente inoltre di ridurre costi e duplicazioni, sostituendo molteplici modelli gestiti separatamente; di accelerare l’introduzione di nuovi casi d’uso, sviluppati a partire da una base già addestrata anziché da zero; di creare un vantaggio competitivo difendibile, fondato su dati proprietari che i concorrenti non possono replicare; e di rafforzare il controllo e la sovranità dei dati, grazie a un addestramento svolto all’interno del perimetro dell’istituto e sottoposto alla sua governance dei modelli, un aspetto particolarmente rilevante per il settore bancario e assicurativo.
«I Transaction Foundation Model consentono agli istituti finanziari di superare un approccio all’intelligenza artificiale basato su una somma di modelli isolati e di iniziare a costruire un livello comune di intelligenza fondato sul proprio business» afferma Ignasi Barri, Global Head of Data & AI di GFT Technologies. «Il valore consiste nell’utilizzare lo storico transazionale in modo controllato, governato e orientato a casi d’uso concreti. Quando questa intelligenza viene addestrata all’interno del perimetro dell’istituto, contribuisce anche a ridurre le dipendenze esterne, rafforzare la sovranità del dato e rispondere meglio ai requisiti di governance associati all’adozione dell’intelligenza artificiale nel settore bancario».
In un istituto bancario, i processi che traggono maggior beneficio da questo livello comune di intelligenza sono i seguenti:
GFT sta integrando i Transaction Foundation Model in Wynxx, la piattaforma di Agentic AI utilizzata da oltre cento istituti finanziari per l’adozione sicura dell’intelligenza artificiale in aree come il rischio di credito.
L’obiettivo è che il dato transazionale proprietario smetta di essere una fonte frammentata di informazioni e diventi un livello comune di intelligenza capace di migliorare la rilevazione delle frodi, anticipare i rischi, personalizzare i servizi, ridurre la complessità operativa e accelerare nuovi casi d’uso senza perdere il controllo sul dato.
