AI bancaria, GFT lancia i Transaction Foundation Model: “Un solo cervello per ridurre frodi e costi”

Le banche investono sempre di più nell’intelligenza artificiale, ma spesso lo fanno moltiplicando i modelli invece di renderli più intelligenti. È da questa criticità che parte la proposta di GFT Technologies, che dall’Italia presenta un nuovo approccio basato sui Transaction Foundation Model (TFM): modelli di AI addestrati sui dati transazionali storici della singola banca, progettati per alimentare molteplici applicazioni – dal contrasto alle frodi al credito, fino alla compliance – partendo da un’unica base di conoscenza.

Secondo GFT, il settore finanziario continua infatti a sviluppare modelli distinti per ogni funzione: uno per individuare le frodi, uno per valutare il merito creditizio, altri per il monitoraggio antiriciclaggio, il KYC o le attività commerciali. Una strategia che negli anni ha prodotto risultati, ma anche costi elevati, duplicazioni tecnologiche e una crescente complessità nella gestione dell’intelligenza artificiale.

L’azienda propone quindi di sostituire questa logica con un modello fondazionale costruito sui dati proprietari dell’istituto, capace di apprendere i comportamenti dei clienti e riutilizzare questa conoscenza in diversi processi aziendali. L’obiettivo è creare un’infrastruttura AI comune che possa essere adattata ai diversi casi d’uso senza dover ripartire ogni volta da zero.

I primi risultati sembrano promettenti. In una proof of concept realizzata da GFT su un dataset predisposto per il test, il modello ha registrato un miglioramento del 40% nella precisione del rilevamento delle frodi, aumentando la capacità di distinguere le transazioni realmente fraudolente dai falsi positivi.

L’iniziativa arriva mentre il settore finanziario è chiamato a rafforzare la governance dell’intelligenza artificiale. Il documento di consultazione pubblicato dal Financial Stability Board (FSB) lo scorso giugno richiama infatti le banche a garantire maggiore controllo sui dati, supervisione umana, accountability e gestione dei fornitori tecnologici. In questo scenario, addestrare i modelli direttamente all’interno del perimetro della banca rappresenta, secondo GFT, un vantaggio anche sotto il profilo della sovranità del dato e della conformità normativa.

«I Transaction Foundation Model consentono agli istituti finanziari di superare un approccio all’intelligenza artificiale basato su una somma di modelli isolati e di costruire un livello comune di intelligenza fondato sul proprio business», afferma Ignasi Barri (FOTO), 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».

Secondo GFT, un modello fondazionale di questo tipo può trovare applicazione in numerosi processi bancari: dal contrasto alle frodi e al riciclaggio alla valutazione del rischio di credito, dalla personalizzazione dei servizi ai pagamenti, fino alla gestione degli insoluti e al supporto alle attività di compliance.

La tecnologia sarà progressivamente integrata in Wynxx, la piattaforma di Agentic AI sviluppata da GFT e già adottata da oltre cento istituti finanziari per applicazioni legate, tra l’altro, alla gestione del rischio di credito.

Per l’azienda, la sfida non è aumentare il numero di modelli di intelligenza artificiale utilizzati dalle banche, ma trasformare il patrimonio di dati transazionali in un’unica piattaforma di conoscenza condivisa, capace di migliorare l’efficacia operativa, accelerare lo sviluppo di nuovi servizi e mantenere il controllo sui dati in un contesto normativo sempre più stringente.