Capital One porta l'AI negli audit: -85% di errori e 5.000 ore risparmiate

Capital One ha costruito un assistente intelligente per i team che fanno audit su rischio e compliance. Secondo Prem Natarajan, chief enterprise AI officer della banca, lo strumento ha ridotto del 85% gli errori di qualità. Ha anche fatto risparmiare circa 5.000 ore a 30 auditor in pochi mesi. Per chi guida una funzione di controllo, il punto interessante non è l'effetto annuncio. È il metodo: un processo circoscritto, formazione seria e risultati misurati su qualità e tempo.

Il contesto: una banca nata sui dati

Capital One è nata nel 1994 dallo scorporo dell'attività di carte di credito di Signet Bank. Fin dall'inizio ha puntato su una strategia basata sull'informazione: marketing mirato, esperimenti, tassi variabili sulle carte, gestione analitica del rischio. Oggi è l'ottava banca statunitense per attivi. Nell'Evident AI Index 2025, che classifica le banche globali per capacità sull'intelligenza artificiale, è seconda, dietro solo a JPMorgan Chase.

Questa storia spiega perché l'AI non arriva come esperimento isolato. Amy Lenander, chief data officer, la descrive come l'estensione di un percorso lungo: prima la regressione, poi il machine learning, poi modelli più complessi, ora l'AI generativa. Anche i dati sono cambiati: da strutturati a un mix di strutturati e non strutturati.

Cosa ha fatto la banca negli audit

L'assistente è pensato per chi si occupa di rischio e audit. Si basa su modelli open-weight (modelli di cui sono disponibili i parametri, quindi utilizzabili e adattabili in proprio), su analisi avanzata e su AI analitica. La fonte elenca che cosa permette di fare:

• valutazioni del rischio più rapide;
• un controllo di qualità più stretto;
• supporto alla revisione degli script;
• analisi delle cause profonde;
• un'assurance basata sui dati, su larga scala.

I numeri riportati da Natarajan sono tre. Gli errori di qualità sono scesi dell'85%. Le ore di lavoro manuale risparmiate sono circa 5.000, stimate su 30 auditor in pochi mesi. Un'attività di audit è passata da cinque ore a tre minuti.

Qualche cautela è doverosa. Sono dati dichiarati dal dirigente, non verificati da terzi. La fonte non spiega come si misuri l'errore di qualità, né rispetto a quale base sia calcolato il 85%. Né dice quale sia l'attività che scende da cinque ore a tre minuti. Il risparmio di ore, poi, è una stima. Restano però un buon esempio di come si può rendicontare un progetto di AI in un'area di controllo: non solo tempo, anche qualità.

La formazione come parte del progetto

Natarajan sottolinea che la maggior parte delle iniziative di AI della banca guarda a capacità aziendali e di linea di business, non alla produttività del singolo. E descrive l'approccio così: non si consegna uno strumento dicendo "usalo". La banca investe molto nella formazione per ogni nuovo caso d'uso, perché le persone abbiano le competenze per usare gli strumenti con cognizione.

Per un responsabile compliance è un messaggio concreto. Un assistente che interviene su valutazioni di rischio e revisioni funziona se gli auditor sanno quando fidarsi dell'output e quando rimetterlo in discussione. La formazione fa parte del progetto, non lo accompagna a margine.

Lo stesso schema nel customer service

L'esperienza dell'audit non è isolata. Nel servizio clienti la banca usa un riepilogo delle chiamate basato su AI agentica, cioè su più agenti software, ciascuno dedicato a un sotto-compito. Serve soprattutto sulle chiamate legate a frodi, dove le situazioni sono complesse. Secondo Natarajan, le prestazioni sono diventate soddisfacenti solo quando alla catena è stato aggiunto un agente con capacità di ragionamento. Alcune centinaia di operatori usano già lo strumento e i riepiloghi finiscono nella scheda del cliente.

Il dettaglio utile è che il progetto è stato scomposto e corretto in corsa. Il primo assetto non bastava. La banca ha aggiunto un pezzo e ha rivalutato il risultato.

I dati sotto il cofano

Lenander ricorda che l'AI sa usare anche dati molto poco strutturati, ma dà risultati migliori quando i dati sono organizzati. Per questo Capital One investe nella cura dei dati non strutturati, come aveva fatto in passato per quelli usati nel machine learning. Tra gli strumenti citati ci sono i knowledge graph, che mappano le relazioni tra persone, concetti e oggetti.

Natarajan aggiunge una posizione sul ritorno economico: "You can't achieve transformation if you're focused on quarterly ROI." A suo avviso è troppo presto, e miope, misurare l'AI solo sul breve periodo. Va detto che, nel caso degli audit, la banca riporta comunque metriche precise. Le due cose non si escludono.

Cosa può imparare un manager

• Scegliete un processo preciso. L'assistente di Capital One lavora su attività di audit definite, non su un generico "supporto alla compliance". Più il perimetro è chiaro, più è facile misurare l'effetto.
• Misurate qualità e tempo insieme. Il risparmio di ore da solo non basta in una funzione di controllo. Definite in anticipo che cosa conta come errore e rispetto a quale base lo confrontate.
• Pianificate la formazione dall'inizio. Capital One la considera parte di ogni caso d'uso. Un auditor deve saper valutare l'output dello strumento, non solo usarlo.
• Aspettatevi iterazioni. Il riepilogo delle chiamate ha funzionato solo dopo l'aggiunta di un agente di ragionamento. Prevedete test e correzioni.
• Curate i dati prima dello strumento. Documenti e trascrizioni ordinati e collegati migliorano i risultati. È un lavoro da avviare insieme a chi gestisce i dati in azienda.