Per le banche si apre l’era della strategic AI. A delinearne le caratteristiche un nuovo studio Juniper Research, secondo cui la spesa per la GenAI raggiungerà gli 85 miliardi di dollari nel 2030, rispetto ai 6 miliardi di dollari previsti per il 2024.
Le principali banche adotteranno servizi di generative AI per offrire esperienze utente più personalizzate e servizi più efficienti a costi ridotti.
Servizi a misura di clienti
Secondo gli analisti di Juniper, la generative AI consentirà alle banche di fornire ai clienti informazioni più personalizzate sulle spese e di avere un dati efficaci sulle tendenze dei clienti.
“Le banche devono comprendere che è importare investire in AI generativa adesso -– si evidenzia nel report – per avere abbastanza tempo per sviluppare casi d’uso a valore aggiunto, come l’uso della tecnologia per implementare i servizi ai clienti e riorganizzare il lavoro. Questo investimento consentirà alle banche di ottenere un vantaggio competitivo, poiché i costi si ridurranno e le aspettative degli utenti in termini di esperienza cambieranno”.
Come spiega Nick Maynard, co-autore della ricerca, “utilizzare l’AI consentirà alle banche di offrire un’esperienza utente differenziata e personalizzata, riducendo al contempo i costi. Non considerare l’AI una priorità oggi significa rischiare di perdere terreno rispetto ai concorrenti”.
I casi d’uso
Tra i casi d’uso che l’AI generativa può abilitare spiccano i servizi di acquisizione dei clienti, l’onboarding e gli insight sulle spese.
- Acquisizione di clienti. L’impatto più significativo dell’AI generativa è attualmente evidente soprattutto nelle funzioni di vendita e marketing e l’industria bancaria non fa eccezione a questa regola. I modelli di AI generativa, in particolare Llm, vengono utilizzati per analizzare, riassumere e generare contenuti da grandi quantità di dati, ottenuti dalla scansione di risorse esterne come post sui social media, forum online e recensioni dei clienti, facilitando l’identificazione dei sentimenti sui prodotti e servizi e delle decisioni di acquisto. Una volta compresi e segmentati i modelli nei dati, i team di marketing possono creare campagne di acquisizione per i lead più preziosi al fine di massimizzare il Roi (Return on Investment). Negli ultimi anni si è prestata maggiore attenzione alla banca “orientata al cliente”, digitalizzando i sistemi e i processi principali e, in questo contesto, l’impiego delle capacità di AI generativa per avere una visione continua delle esigenze e delle preferenze dei clienti avrà un ruolo importante. Secondo Juniper Research la focalizzazione sull’acquisizione di clienti abilitata dall’AI generativa si trasformerà in strategie per ridurre i costi di servizio sia per i nuovi sia per i clienti esistenti e per migliorare il ciclo di vita dei servizi nel medio termine.
- Onboarding dei clienti. L’onboarding dei clienti può essere un processo tedioso per le banche. Date le pressioni sui costi e la concorrenza tra i vari attori del settore, nonché gli obblighi normativi, sia le banche tradizionali che quelle digitali cercano di migliorare questa esperienza. A un livello di base, l’AI generativa può essere di aiuto ai clienti durante le fasi di onboarding, grazie all’uso di chatbot o voice bot per il supporto personalizzato. Andando oltre, però, l’AI generativa può essere utilizzata e integrata nei controlli di verifica dell’identità, in particolare per contrastare la frode di identità sintetica e proteggere dalle mancanze nei controlli Kyc (Know Your Client), Kyb (Know Your Busines) e Aml (Antiriciclaggio). La tecnologia può fornire un contributo aggiuntivo nella fase successiva all’onboarding, generando contenuti personalizzati per valutare l’interesse dei clienti e aiutando le banche a creare maggiore coinvolgimento e fedeltà. Juniper Research prevede che l’AI generativa sarà sempre più integrata nei processi di onboarding dei clienti, soprattutto per quanto riguarda l’orchestrazione di tutte le fasi.
- Insight sulle spese. Così come la personalizzazione del servizio al cliente, anche gli insight sulle spese basati su AI generativa possono essere un elemento rivoluzionario se integrati nei Crm (Customer Relationship Management), Erp (Enterprise Resource Planning) e altri sistemi finanziari. L’AI generativa può aiutare a scomporre sia i dati storici che quelli attuali per analizzare e identificare i modelli di spesa al livello più dettagliato possibile. Inoltre, poiché i modelli Llm possono monitorare grandi quantità di flussi di dati e fornire una visibilità immediata sulle abitudini di spesa, questo può facilitare il processo di raccomandazione dei prodotti, vendite incrociate e/o aggiuntive, e informazioni sui costi di acquisizione nonché sui cicli di vita medi dei clienti e dei prodotti. Ad esempio, nel settembre 2023, Temenos ha lanciato una soluzione basata sull’AI generativa che classifica e etichetta automaticamente le transazioni bancarie dei clienti, che possono essere utilizzate per analizzare la previsione del flusso di cassa, i consigli di bilancio e l’analisi dell’attrito dei clienti. Grazie alle capacità degli Llm, le banche sono in grado di estendere il credito o altri prodotti correlati ai propri clienti, sfruttando non solo i dati sui pagamenti, ma anche ulteriori insight sulle spese acquisiti tramite Open Banking. Secondo Juniper Research gli insight sulle spese potenziati dall’AI generativa guadagneranno sempre più popolarità, in particolare in linea con gli sviluppi nell’Open Banking.
