Servizi finanziari: la spesa per l’AI cresce, ma il ROI non è ancora garantito

Banche, assicurazioni e altri operatori finanziari stanno aumentando gli investimenti nell’intelligenza artificiale. Ma l’adozione non equivale automaticamente a valore economico: la sfida ora è dimostrare quali applicazioni migliorino davvero ricavi, costi, rischio o servizio al cliente.

76 miliardi di dollari spesi, ma il ROI resta incerto

Secondo Quinlan & Associates, il comparto dei servizi finanziari ha speso 76 miliardi di dollari in iniziative legate all’AI nel 2025 e la spesa dovrebbe superare i 130 miliardi di dollari entro il 2030. 14 Eppure, il 95% delle istituzioni finanziarie tradizionali sta esplorando l’AI o la impiega già nelle attività operative, mentre il 71% dichiara di avere difficoltà a ottenere o dimostrare un ritorno sull’investimento (ROI) chiaro. 3

Il divario è significativo: un’ampia diffusione segnala interesse e volontà di investire, non prova che i singoli progetti stiano generando benefici duraturi. I dati collegati a Quinlan indicano inoltre che il 43% delle iniziative AI viene cancellato, a conferma di quanto sia frequente l’interruzione prima di arrivare a un impiego stabile su scala. 15

I tre ostacoli che frenano i risultati

Quinlan individua tre problemi strettamente connessi tra loro:

1. Strategia guidata dalla tecnologia, non dal problema. Le organizzazioni possono partire dallo strumento disponibile anziché da un’esigenza aziendale definita, dal percorso del cliente, dal collo di bottiglia operativo e da un obiettivo di valore misurabile. In queste condizioni è più difficile scegliere casi d’uso con un percorso credibile verso l’impatto. 6
2. Governance introdotta troppo tardi. Se rischio, conformità e controlli vengono affrontati soltanto come fase di approvazione, dopo l’avvio della progettazione, vincoli importanti possono emergere quando tempo e budget sono già stati impegnati. 6
3. Modelli operativi inadatti alla scalabilità. Dati frammentati, basi di implementazione deboli e capacità insufficienti per governare, distribuire e far crescere l’AI possono lasciare progetti promettenti bloccati tra il pilot e l’adozione aziendale. 6

Non sono quindi limiti attribuibili soltanto ai modelli o al software. Un istituto può acquistare licenze, avviare proof of concept e accumulare esperimenti senza però riprogettare processi, responsabilità e metriche necessari per ottenere un risultato finanziario.

La governance non è un costo separato dal ROI

Nei servizi finanziari, una governance affidabile dell’AI è parte del meccanismo che rende possibile il ritorno economico. Determina se un caso d’uso può essere approvato, messo in produzione, monitorato e considerato affidabile al livello di autonomia previsto dal suo business case.

Il playbook del World Economic Forum per il settore raccomanda di integrare gestione del rischio e pratiche di AI responsabile in ogni livello: definire per tempo la propensione al rischio, validare rigorosamente i modelli e mantenere le azioni dell’AI spiegabili, tracciabili e controllabili. 1 Questi elementi diventano ancora più importanti quando si passa da sistemi di supporto a sistemi capaci di compiere azioni in più passaggi. Confini chiari, procedure di escalation e supervisione umana aiutano a ridurre l’incertezza operativa che ostacola la scalabilità dei casi d’uso più utili.

Anche l’indagine IIF-EY evidenzia il ruolo delle fondamenta operative: qualità e disponibilità dei dati figurano tra le principali difficoltà per portare l’AI in produzione, insieme alla disponibilità di competenze e a presidi di governance adeguati. 4

Cosa dicono BCG e NVIDIA

Le ricerche più ampie disponibili rafforzano la diagnosi di Quinlan, pur basandosi su campioni e metriche differenti.

Un sondaggio BCG condotto su oltre 280 dirigenti della funzione finance ha rilevato un ROI mediano dichiarato del 10% per AI e AI generativa, contro un obiettivo del 20% indicato da molti partecipanti; quasi un terzo ha riportato miglioramenti limitati. 43 In un’altra ricerca su più di 1.250 aziende, BCG ha rilevato che soltanto il 5% sta ottenendo valore dall’AI su larga scala, mentre il 60% non registra benefici materiali nonostante investimenti rilevanti.

Il sondaggio NVIDIA del 2025 mostra però l’altra faccia della medaglia: alcuni casi d’uso già distribuiti stanno producendo vantaggi tangibili. Quasi il 70% degli intervistati ha affermato che l’AI ha incrementato i ricavi di almeno il 5%, e oltre il 60% ha dichiarato una riduzione dei costi annuali di almeno il 5%. Tra i casi d’uso di AI generativa con il ROI più elevato figurano trading e ottimizzazione del portafoglio, seguiti dall’esperienza cliente.

I risultati non sono in contraddizione. L’AI può generare ritorni, ma il semplice rilascio di una soluzione non è il traguardo. La differenza dipende dalla scelta di un caso d’uso ad alto valore, dalla trasformazione del processo interessato, dalla qualità di dati e controlli e dalla misurazione degli effetti operativi e finanziari.

Dall’adozione all’esecuzione

Il segnale più chiaro del rapporto Quinlan è il contrasto tra una base di investimenti da 76 miliardi di dollari nel 2025, una partecipazione quasi generalizzata delle istituzioni e la persistente difficoltà nel dimostrare il valore prodotto. 14 3

Per i vertici del settore, la risposta pratica è trattare l’AI come un programma di trasformazione aziendale, non come un portafoglio di pilot scollegati. Occorre partire da un obiettivo di business misurabile, definire requisiti di rischio e governance prima dello sviluppo, assegnare una responsabilità chiara sui risultati e seguire metriche lungo tutto il ciclo di vita dopo la messa in produzione. BCG rileva in modo analogo che le imprese capaci di creare valore significativo si concentrano su un numero ristretto di iniziative, le scalano rapidamente, modificano i processi core, formano i team e misurano sistematicamente ritorni operativi e finanziari.

Il prossimo divario competitivo, dunque, difficilmente separerà chi possiede l’AI da chi non la possiede. Separarà piuttosto gli istituti capaci di usarla in modo sicuro e misurabile nei flussi di lavoro centrali da quelli che continueranno ad accumulare esperimenti senza un percorso ripetibile verso il valore.