Measuring agentic artificial intelligence intensity in banking: a validated disclosure-based index and identification strategy for estimating effects on bank performance and systemic risk

Nel mondo del settore bancario, l'intelligenza artificiale è da tempo un assistente utile. Per anni, questi sistemi hanno agito come scribi digitali, redigendo rapporti, riassumendo dati o suggerendo il passo successivo più opportuno affinché un manager umano lo prenda in considerazione. L'essere umano rimane saldamente al posto di guida, detenendo le chiavi di ogni decisione finale. Tuttavia, un cambiamento significativo è ora in corso. Le banche stanno iniziando a implementare un nuovo tipo di intelligenza, una che non si limita a suggerire, ma agisce. Si tratta di sistemi agentici, capaci di pianificare complessi flussi di lavoro finanziari ed eseguire transazioni con autorità delegata. Una volta che un tale sistema riceve il via libera per agire, può spostare denaro, approvare prestiti o saldare debiti senza attendere che un essere umano firmi ogni singola operazione. Questa transizione dal consiglio all'azione cambia la natura fondamentale del rischio e dell'efficienza nella finanza, eppure per ricercatori e regolatori è rimasto un problema critico irrisolto: come si misura?

Fino ad ora, non esisteva un modo affidabile per distinguere una banca che sta semplicemente parlando di intelligenza artificiale da una che ha effettivamente consegnato le redini delle proprie operazioni a macchine autonome. I metodi esistenti spesso trattano ogni menzione della tecnologia allo stesso modo, non riuscendo a vedere la differenza tra un chatbot che risponde alle domande dei clienti e un agente software che rilascia indipendentemente un pagamento. Senza uno strumento di misurazione chiaro, è impossibile sapere se questi nuovi sistemi stiano rendendo le banche più efficienti, più rischiose o entrambe le cose. Un team di ricercatori della Dayananda Sagar University in India ha affrontato questo vuoto creando un nuovo strumento, rigorosamente testato, chiamato Agentic AI Intensity Index (Indice di Intensità dell'IA Agente). Piuttosto che contare semplicemente quanto spesso una banca menziona la tecnologia, questo indice misura l'entità specifica con cui una banca ha delegato il potere di prendere ed eseguire decisioni finanziarie consequenziali a sistemi autonomi.

I ricercatori non si sono limitati a inventare un nuovo punteggio; hanno costruito un protocollo scientifico completo per garantire che il punteggio sia reale e affidabile. Hanno iniziato raccogliendo migliaia di pagine di documenti pubblici delle banche, inclusi rapporti annuali, comunicazioni normative e trascrizioni di chiamate sugli utili in cui gli esecutivi parlano agli investitori. Da questi testi, hanno sviluppato un metodo per identificare le frasi che descrivono l'effettiva delega di autorità. Hanno distinto tra il linguaggio che descrive un sistema in attesa dell'approvazione umana e il linguaggio che descrive un sistema che agisce autonomamente entro un mandato prestabilito. Per garantire l'accuratezza di questa distinzione, hanno riunito un panel di esperti, tra cui ricercatori accademici, responsabili tecnologici bancari e supervisori delle banche centrali. Questi esperti hanno perfezionato un elenco di parole chiave e frasi attraverso due round di discussione, concordando su quali termini segnalassero realmente un'azione autonoma e quali fossero invece mera retorica promozionale.

Una volta finalizzato l'elenco delle parole chiave, il team ha testato il proprio metodo per garantire che funzionasse in modo coerente. Hanno fatto in modo che più codificatori addestrati leggessero lo stesso set di frasi per vedere se concordavano sul fatto che un sistema fosse realmente autonomo. Hanno anche utilizzato modelli informatici avanzati per aiutare a filtrare la vasta quantità di testo, ma con una salvaguardia cruciale: ogni volta che il computer identificava un'azione autonoma di alto livello, un esperto umano la revisionava per confermare la classificazione. Questo approccio "human-in-the-loop" (uomo nel ciclo) ha impedito al sistema di essere ingannato da un linguaggio vago o fuorviante. I ricercatori hanno poi verificato se il loro nuovo indice misurasse effettivamente ciò che dichiarava di misurare, confrontandolo con prove indipendenti, come annunci di lavoro per tipi specifici di ingegneri, depositi di brevetti per sistemi autonomi e casi noti in cui le banche avevano implementato queste tecnologie. I risultati hanno mostrato che l'indice separava con successo le banche dotate di vere capacità autonome da quelle che stavano semplicemente discutendo di trasformazione digitale generale.

Il nucleo di questo lavoro è l'indice stesso, che assegna un punteggio a ciascuna banca in base all'intensità dell'adozione dell'IA agente. Il punteggio non è solo un conteggio grezzo di parole; è pesato in base al livello di autorità che la banca ha concesso alle sue macchine. Un sistema che esegue un pagamento entro un limite prestabilito riceve un punteggio più alto rispetto a uno che si limita a redigere una raccomandazione per la revisione umana. I ricercatori hanno anche normalizzato i dati per tenere conto del fatto che alcune banche scrivono molto più di altre riguardo alla tecnologia, assicurando che un punteggio elevato rifletta una genuina delega di potere piuttosto che solo molta conversazione. Ciò consente un confronto equo tra una grande banca globale e un istituto regionale più piccolo. L'indice è progettato per essere utilizzato in studi futuri per rispondere a domande pressanti: consegnare il potere decisionale alle macchine rende le banche più efficienti o introduce nuovi rischi imprevedibili? Aiuta le banche a rilevare le frodi più velocemente o crea nuove vulnerabilità?

Il documento non fornisce le risposte finali a queste domande sulle prestazioni, poiché si tratta di uno studio metodologico focalizzato sulla costruzione dello strumento di misura piuttosto che sull'uso dello stesso per misurare un risultato specifico. Invece, esso delinea una strategia chiara e ripetibile per consentire ad altri ricercatori e regolatori di utilizzarla. Specifica esattamente come costruire l'indice, come validarlo e come utilizzarlo in modelli statistici per isolare gli effetti dell'IA autonoma da altri fattori come la dimensione della banca o le condizioni economiche. I ricercatori riconoscono che la transizione verso l'IA agente è complessa e che i benefici e i rischi dipenderanno probabilmente molto da come una banca governa questi sistemi. Propongono che l'impatto di queste tecnologie varierà in base alla qualità della supervisione interna della banca, alla maturità della sua tecnologia e alla severità delle regolamentazioni sotto le quali opera.

Fornendo uno strumento validato, questo lavoro rimuove una barriera fondamentale alla comprensione del futuro del settore bancario. Permette alla comunità finanziaria di andare oltre le vaghe affermazioni sulla "trasformazione digitale" e iniziare a misurare lo spostamento specifico e tangibile verso l'autonomia delle macchine. I ricercatori hanno dimostrato che è possibile separare il segnale della vera azione agente dal rumore della discussione tecnologica generale. Questa chiarezza è essenziale per i supervisori che devono comprendere i rischi dei pagamenti automatizzati irreversibili e per gli investitori che cercano di valutare le reali capacità delle istituzioni che finanziano. Lo studio conclude che, sebbene la tecnologia stia avanzando rapidamente, la capacità di misurare la sua adozione con precisione è ora a portata di mano, a condizione che i ricercatori e i regolatori aderiscano ai rigorosi passaggi di validazione delineati nel nuovo protocollo. Questa base prepara la strada a una nuova era di analisi basata sull'evidenza nel settore bancario, dove gli effetti dei sistemi autonomi possono essere studiati con lo stesso rigore di qualsiasi altra innovazione finanziaria.