Il settore del corporate banking oggi si trova di fronte a un paradosso evidente: le istituzioni finanziarie possiedono un tesoro di dati di portata inaudita, eppure in molti processi chiave, come l'analisi dei bilanci, prevalgono ancora metodologie che tecnicamente richiamano il secolo scorso. Mentre i giganti della tecnologia stanno rivoluzionando intere industrie con sistemi basati sull'intelligenza artificiale (AI), le banche nel corporate banking continuano ad affidarsi a metodi di analisi obsoleti e a processi manuali. Questa situazione, tuttavia, non è destinata a perdurare. La Retrieval-Augmented Generation (RAG) è pronta a rivoluzionare l'analisi dei bilanci, catapultando le banche dall'età della pietra dell'analisi dei dati all'era digitale.

La necessità di focalizzarsi sulla digitalizzazione nel corporate banking è innegabile, ma la trasformazione, come in molti altri settori, procede con esitazione. L'intelligenza artificiale emerge qui come un nuovo motore, fornendo un impulso decisivo all'argomento in molte istituzioni. Esperti concordano sul fatto che in futuro, oltre alla gestione del rischio, anche i settori delle vendite trarranno grandi benefici dagli sviluppi dell'AI. I possibili campi di applicazione sono estremamente ampi e vanno dall'analisi di marketing e clienti all'automazione dei processi e agli assistenti digitali ("Agentic AI"), fino ai requisiti normativi, ad esempio nell'ambito ESG.

LLM e RAG in dettaglio: espandere la conoscenza, migliorare le risposte

La RAG si basa su due componenti principali: i Large Language Models (LLM) e i meccanismi di recupero (Retrieval-Mechanisms). I Large Language Models (LLM) hanno compiuto progressi enormi negli ultimi mesi. Essi costituiscono la base per una comprensione intelligente del testo e possono generare, tradurre e riassumere testo in modo simile a quello umano. La loro capacità di riconoscere relazioni complesse li rende preziosi per l'automazione nel corporate banking, ad esempio nella risposta a domande dei clienti o nell'analisi di contratti. Tuttavia, gli LLM incontrano dei limiti, poiché la loro conoscenza si basa su dati di training che non sono sempre attuali o sufficientemente specifici per le questioni finanziarie. Inoltre, possono "allucinare" e generare informazioni false. È qui che interviene la RAG: la Retrieval-Augmented Generation estende gli LLM, consentendo loro di accedere a fonti di conoscenza esterne e aggiornate e di integrarle nelle loro risposte.

RAG in pratica: il processo tecnico e i suoi vantaggi

Il workflow tecnico dei sistemi RAG nel contesto finanziario può essere descritto come un processo multistadio che combina la potenza dei Large Language Models (LLM) con la precisione dei meccanismi di recupero specializzati.

1. Richiesta e analisi del contesto: Il processo inizia con una richiesta dell'utente, tipicamente formulata in linguaggio naturale. Questa richiesta può riguardare una domanda specifica su un'azienda, una voce di bilancio, un confronto settoriale o un requisito normativo. Il sistema RAG analizza innanzitutto il contesto della richiesta per identificare entità rilevanti, relazioni e parole chiave.
2. Recupero (Retrieval): Il cuore della RAG è il meccanismo di recupero. Ha il compito di identificare ed estrarre i documenti e i dati più rilevanti da una moltitudine di fonti potenziali. La scelta del meccanismo di recupero è cruciale per la qualità e la rilevanza dei risultati e dipende fortemente dal tipo di dati da ricercare.
3. Aumento (Augmentation): Le informazioni estratte dal meccanismo di recupero vengono passate all'LLM insieme alla richiesta originale dell'utente. Questo avviene spesso tramite l'integrazione delle informazioni nel prompt dell'LLM o tramite meccanismi di attenzione speciali che focalizzano l'LLM sui passaggi di testo rilevanti.
4. Generazione della risposta: L'LLM utilizza ora la sua conoscenza pre-addestrata e le informazioni contestuali aggiuntive per generare una risposta fondata. L'LLM è in grado di riassumere, parafrasare, correlare e trarre conclusioni dalle informazioni esterne.

Grazie alla combinazione di un recupero preciso e delle capacità generative dell'LLM, la RAG raggiunge nel contesto finanziario una precisione, attualità e rilevanza delle risposte significativamente più elevate rispetto ai sistemi tradizionali. Nel corporate banking, ciò consente un'analisi più profonda e completa della situazione finanziaria delle aziende, tenendo conto di tutti i fattori rilevanti.

Caso d'uso: analisi dei bilanci – rivoluzionare un processo chiave

Un caso d'uso particolarmente interessante per l'AI in generale e per la RAG in particolare è l'analisi dei bilanci. L'analisi dei bilanci annuali è un processo fondamentale nell'erogazione e nel monitoraggio dei crediti, ma spesso è dispendiosa in termini di tempo e costi. Il percorso verso un'analisi dei bilanci supportata dall'AI inizia con la digitalizzazione dei bilanci annuali, che nella pratica sono spesso disponibili in una vasta gamma di formati, dai PDF ai documenti cartacei scannerizzati, fino ai fax. Una semplice Optical Character Recognition (OCR) è qui di gran lunga insufficiente. Sono invece richiesti sistemi altamente sviluppati che, tramite l'analisi del layout del documento (Document Layout Analysis), rilevano e interpretano in modo intelligente la struttura dei documenti – tabelle, titoli, blocchi di testo. Il Named Entity Recognition (NER), spesso basato su Large Language Models (LLM) pre-addestrati o modelli specializzati per il settore finanziario, identifica e classifica informazioni chiave come le voci di bilancio ("ricavi", "crediti", "debiti"), i nomi delle aziende, le date e le valute rilevanti.

Un passo critico e spesso sottovalutato è la validazione dei dati. I dati estratti devono essere controllati per la plausibilità, puliti e liberati dagli errori OCR prima di poter essere utilizzati per ulteriori analisi. Ciò avviene tramite sistemi e algoritmi basati su regole che, ad esempio, eseguono verifiche di somma o confrontano i dati con i valori dell'anno precedente.

I moderni software di analisi dei bilanci offrono già alcune funzioni di automazione, come il calcolo di indici predefiniti, ma questi sistemi spesso raggiungono i loro limiti. Sebbene siano in grado di estrarre numeri, possono catturare il contesto delle informazioni contenute nelle note esplicative e nelle relazioni sulla gestione solo in modo insufficiente. Inoltre, sono spesso limitati a schemi di analisi rigidi e offrono poca flessibilità per domande individuali e ad hoc, che sono tuttavia essenziali nel lavoro quotidiano di un analista. È qui che inizia la vera rivoluzione: i sistemi RAG. I sistemi RAG, combinati con un'interfaccia chat intuitiva e collegati a database di bilancio, elevano l'analisi dei bilanci a un livello completamente nuovo.

Gli autori

Alex Bierhaus è un esperto di strategia IT e architettura software con oltre 20 anni di esperienza. Supporta i fornitori di servizi finanziari nell'utilizzo mirato delle innovazioni tecnologiche per la loro crescita e trasformazione digitale. In precedenza, ha lavorato nell'ambiente FinTech, anche come CTO, e ha guidato team IT e di prodotto, dove è stato significativamente coinvolto nell'implementazione di complessi progetti IT.

Dr. Nico Peters è amministratore delegato di Fintriq, docente universitario ed esperto nel settore del corporate banking. In precedenza, ha ricoperto diversi ruoli nel settore FinTech e come consulente aziendale presso la società di consulenza gestionale zeb in qualità di project manager. Da oltre dieci anni sviluppa approcci innovativi per la digitalizzazione del corporate banking. Nico Peters è un bancario qualificato e ha conseguito un dottorato di ricerca.