Wells Fargo e l'AI: governance al centro, sviluppo nei team di business

Wells Fargo ha reso pubblico lo schema con cui gestisce l'intelligenza artificiale. Lo ha descritto Faraz Shafiq, responsabile AI products and solutions della banca, durante la conferenza Money20/20 di Las Vegas. Lo schema poggia su quattro pilastri: un modello organizzativo hub-and-spoke, pochi casi d'uso scelti con cura, velocità senza rinunciare ai controlli e formazione di tutto il personale. Il caso merita attenzione perché arriva da una banca da 2.300 miliardi di dollari di attivi, in uno dei settori più regolamentati al mondo, e perché contiene almeno un risultato misurato sulla produttività commerciale.

Il punto di partenza: l'AI c'è ovunque, il valore no

Shafiq è arrivato in Wells Fargo a febbraio dopo un'esperienza in Amazon Web Services. Il suo compito è guidare la roadmap e lo sviluppo dei prodotti basati sull'AI per tutta la banca. Secondo il racconto riportato da Banking Dive, il primo passo è stato distribuire ai dipendenti gli strumenti giusti. Poi la banca ha individuato alcuni utilizzi mirati, che stanno già dando benefici.

Ora la fase cambia. Per Shafiq la priorità principale per il resto dell'anno e per il 2027 è ripensare i processi di lavoro tenendo conto dell'AI fin dall'inizio, invece di applicarla a valle su procedure già esistenti. L'obiettivo dichiarato è trasformare il modo in cui la banca funziona, non aggiungere qualche strumento in più.

Pilastro 1: chi decide e chi costruisce

Il modello hub-and-spoke (letteralmente "mozzo e raggi") separa due responsabilità. Al centro, l'hub, c'è un team unico che gestisce ciò che riguarda tutta la banca: governance, sicurezza, controlli e scelta delle priorità. Secondo Shafiq, costruire questi elementi una volta sola è più efficiente, e dopo tutti possono usarli. Ai raggi, cioè ai team che possiedono le singole applicazioni, spetta lo sviluppo vero e proprio.

La ragione è semplice: chi conosce il mestiere sa dove l'AI serve davvero. Shafiq lo dice così: «la competenza di dominio è ciò che conterà davvero». Per un'organizzazione regolamentata lo schema risolve un dilemma classico. Accentrare tutto rallenta e allontana l'AI dai problemi reali. Decentrare tutto moltiplica i rischi e crea regole diverse in ogni divisione.

Pilastro 2: pochi casi d'uso, ma quelli giusti

Oggi qualunque progetto viene presentato come "AI-first" o "AI-native", ha osservato Shafiq. La sua tesi è che una piccola quota di casi d'uso produrrà una parte sproporzionata del valore. Per questo la banca concentra risorse e attenzione sulle applicazioni a maggiore impatto ed evita di disperdersi su troppi fronti. In pratica è una scelta di portafoglio. Saper dire di no a molte iniziative pesa quanto scegliere le poche su cui puntare.

Pilastro 3: velocità con disciplina

Il terzo pilastro tocca un nervo scoperto per chiunque lavori in banca. Shafiq vuole un modello operativo più rapido, ma non a scapito di sicurezza, controlli e governance. Tradotto in pratica: definire i controlli adeguati, darsi un quadro di governance e affrontare i rischi fin dall'avvio dei progetti, non alla fine. Il cambiamento più interessante è culturale. Davanti a una nuova idea la domanda non è più se si può fare, ma che cosa serve per farla in modo sicuro ed efficace.

Pilastro 4: 197.000 persone da formare

L'ultimo pilastro riguarda le persone. Wells Fargo vuole che i suoi 197.000 dipendenti sappiano usare gli strumenti AI nel lavoro quotidiano, con percorsi di apprendimento e formazione strutturati. Shafiq riconosce che a queste dimensioni l'adozione può richiedere più tempo.

I risultati citati

La banca porta tre prove concrete. La prima è Fargo, l'assistente virtuale, che ha gestito circa un miliardo di interazioni con i clienti e così ha accumulato una grande quantità di dati. La seconda sono le funzioni di banker intelligence, che aiutano i consulenti a prepararsi agli incontri con i clienti. Secondo Shafiq hanno fatto salire del 40% il tasso di vendita dei prodotti. La fonte non spiega però come sia stato misurato il dato, né su quale perimetro.

La terza è la più istruttiva sul piano organizzativo. Il team di model risk management, cioè la funzione che di solito valida e controlla i modelli, ha sviluppato un small language model, un modello linguistico di dimensioni ridotte e specializzato. Sul rilevamento delle frodi sulle carte di debito dà risultati migliori dei modelli standard disponibili sul mercato. Shafiq cita anche l'uso dell'AI per progettare campagne di marketing mirate, così da raggiungere i clienti al momento giusto e sul canale giusto.

Leadership e talenti

C'è poi un effetto meno visibile. Nell'Evident AI Index la banca è passata dal sesto al quinto posto, soprattutto grazie a un aumento di 11 punti nella componente leadership. Secondo Shafiq, avere risultati da mostrare rende più facile attrarre altri dirigenti. Wells Fargo ha appena nominato Cayetano Gea-Carrasco responsabile AI e dati per il consumer banking and lending. Come elemento distintivo rispetto alle altre grandi banche, Shafiq indica i dati proprietari e la capacità di scegliere le applicazioni con più impatto.

Cosa può imparare un manager

• Separare il controllo dall'esecuzione. Governance, sicurezza e priorità vanno costruite una volta sola, al centro. Lo sviluppo va lasciato a chi conosce il business. È uno schema replicabile anche in aziende molto più piccole.
• Gestire i progetti AI come un portafoglio. Se il valore si concentra in pochi casi d'uso, la disciplina sta nel tagliare. Conviene chiedere a ogni iniziativa quale impatto misurabile promette prima di finanziarla.
• Coinvolgere il rischio all'inizio, non alla fine. Portare compliance e risk management al tavolo dal primo giorno evita blocchi tardivi. Il caso del modello antifrode mostra che queste funzioni possono anche costruire soluzioni, non solo approvarle.
• Misurare sulle metriche di business. Il +40% sul tasso di vendita convince più del numero di strumenti distribuiti. Chiedete però sempre come è stato calcolato un dato prima di usarlo come riferimento.
• Mettere in conto i tempi della formazione. Distribuire gli strumenti è il primo passo. Il valore arriva quando cambiano i processi e le persone sanno usarli, e nelle grandi organizzazioni questo richiede tempo.