Secondo gli esperti, negli ultimi anni le banche centrali si sono dimostrate piuttosto inefficienti nelle previsioni finanziarie. Una delle motivazioni principali di questo insuccesso è stata la lunga serie di "shock" globali a cui abbiamo assistito, ma buona parte della colpa è da attribuire anche ai sistemi informatici obsoleti, ai dataset scarsi e a una cattiva gestione delle risorse umane.
Mike O'Sullivan, economista e autore per Forbes, afferma che l'intelligenza artificiale potrebbe diventare un valido supporto per le banche per anticipare i trend di crescita economica e di inflazione.
O'Sullivan specifica che ci sono già degli esempi di banche centrali che utilizzano l'intelligenza artificiale per, per esempio, anticipare la reazione dei cittadini alle nuove politiche monetarie o alle nuove regolamentazioni, così da rivedere le proprie decisioni. Ciò sta accadendo principalmente nelle nazioni emergenti, ma altre banche centrali hanno cominciato il loro percorso di digitalizzazione includendo l'IA nei processi.
È il caso anche della Banca Centrale Europea che ha lanciato Athena, un progetto che utilizza l'intelligenza artificiale per scansionare milioni di documenti e aiutare i professionisti del settore a individuare eventuali anomalie. La BCE sta usando inoltre questa tecnologia per monitorare l'attività delle firme fintech che usano loro stesse l'IA per allocare crediti e strategie d'investimento.
Questo tipo di utilizzo, in particolare, complicherebbe il lavoro dei regolatori, non solo perché devono tenersi aggiornati con dataset del tutto nuovi, ma anche perché devono comprendere a fondo come funzionano i modelli di IA usati dalle fintech.
Nonostante molte realtà bancarie utilizzino già da tempo modelli probabilistici e di machine learning, ci sono ancora degli ostacoli che rallentano l'integrazione completa dell'IA.
Il primo è sicuramente l'obsolescenza dei sistemi IT che complica l'analisi e la gestione dei dati, unita a una carenza di talenti tecnici specializzati nello sviluppo e nell'uso di modelli linguistici; il secondo, forse il più importante è la modalità di gestione dei dati.
In molti casi i dati di input usati per le previsioni economiche vengono ancora raccolti tramite fogli Excel e sono imprecisi e ricchi di errori. O'Sullivan sottolinea che oggi il mondo è ricco di dataset che possono aiutare le banche a descrivere e anticipare il comportamento di privati e organizzazioni, ma le istituzioni finanziarie fanno ancora molta fatica a usarli.
L'intelligenza artificiale aiuta le banche a raccogliere, pulire e analizzare questi dati per avere una visione completa delle organizzazioni, startup e istituzioni che seguono e prendere decisioni informate che guideranno le future policy monetarie, oltre a migliorare l'individuazione di frodi.
Se le banche vorranno davvero sfruttare l'IA per ottenere vantaggi, dovranno modificare il mindset e rinnovare i propri sistemi per attirare i migliori talenti e rimanere al passo con l'innovazione.
