SAS Innovate 2026: data driven AI tra scala e controllo

Quando si parla di data driven AI, il rischio è ridurre tutto a uno slogan da conferenza. A SAS Innovate 2026 le testimonianze raccolte da banche, telco, istituti di statistica, agenzie ambientali e aziende farmaceutiche restituiscono, invece, un quadro molto più pragmatico e concreto. L’intelligenza artificiale alimentata da dati affidabili, tracciati e ben governati non è più un esperimento di laboratorio, ma una leva operativa che cambia il modo in cui le organizzazioni prendono decisioni, gestiscono il rischio e si relazionano con i propri stakeholder.Dal palco dell’evento sono arrivate due prospettive complementari: quella di Nicolò Cremonese, Head of Enterprise Risk Management di Banco BPM, intervistato sul tema della governance dell’AI nel Risk Management bancario, e quella corale di una tavola rotonda che ha messo a confronto sei realtà molto diverse tra loro – Fastweb, Dompé Farmaceutici, Istat, Ispra, BPER Banca e Agos – sul tema della valorizzazione del dato come asset strategico.Da sinistra: Nicolò Cremonese, Head of Enterprise Risk Management di Banco BPM, e Stu Bradley, Vice President Risk, Fraud and Compliance Solutions di SASIndice degli argomenti

Banco BPM: l’AI a scala tra accuratezza, efficienza e controlloIl percorso da Machine Learning ad AI agenticaIl nodo del controllo in un territorio non del tutto regolatoVelocità, affidabilità e comunicazione: le tre leve per portare l’AI in aziendaIl dato come asset, dalla tabella al Context GraphFastweb: dalla delega all’AI alla domanda sul “come”Le tre priorità AI di FastwebDa tabella a grafo: la nuova natura del dato secondo DompéISTAT: innovare nella statistica ufficiale senza perdere qualità e tempestivitàISPRA: il dato come asset storico e la centralità dell’human in the loopBPER Banca: dal Sample Based all’audit a popolazione pienaAgos: time-to-yes e time-to-cash al centro della data driven AIUn filo rosso: governance, fiducia e centralità delle personeBanco BPM: l’AI a scala tra accuratezza, efficienza e controlloCremonese ha aperto il suo intervento inquadrando la prospettiva di una banca regolata, una delle più rilevanti in Italia, raccontando come la funzione «Risk Management sia oggi guidata da due forze contrapposte. Da un lato, l’adozione dell’AI in scala come opportunità di accuratezza ed efficienza, dall’altro la necessità di un controllo che la regolamentazione attuale non riesce ancora a inquadrare del tutto».Il percorso da Machine Learning ad AI agenticaIl manager descrive un percorso graduale che parte dal Machine Learning e dall’Advanced Analytics, prosegue con l’AI generativa e approda oggi all’AI agentica, la fase più complessa dal punto di vista della governance.Cremonese ha portato due esempi concreti dei benefici già osservati. «Sul fronte dell’accuratezza, abbiamo sviluppato un sistema di Early Warning assimilabile a un sistema di prevenzione delle frodi, che ha permesso di ottenere un modello cinque volte più efficace nell’eliminazione dei falsi positivi. Sul fronte dell’efficienza, lo sviluppo di modelli regolatori e di credito, che richiedeva un anno di lavoro dallo sviluppo ex novo fino alla presentazione al regolatore, oggi grazie all’AI può essere ridotto a circa tre mesi».Il nodo del controllo in un territorio non del tutto regolatoA fronte di questi vantaggi, Cremonese ha sottolineato come il tema del controllo resti il più delicato. «La funzione di validazione e gestione rischi si trova, infatti, a dover certificare modelli che si muovono in un territorio in larga parte inesplorato dal punto di vista normativo in cui l’AI Act non è sufficiente», ha dichiarato il manager, spiegando come sia molto difficile, «trovare l’equilibrio tra la promessa di valore dell’AI e la giusta governance».Velocità, affidabilità e comunicazione: le tre leve per portare l’AI in aziendaChiamato a suggerire come tradurre modelli compliant in strumenti effettivamente utilizzati dal business, Cremonese ha indicato tre parole chiave: «Velocità, affidabilità e comunicazione. Velocità significa mettere il risultato del modello a disposizione del decisore nel momento in cui serve in un contesto, come quello dei mercati finanziari, che cambia in tempo reale. Affidabilità significa avere modelli stabili. Se l’output cambia da un giorno all’altro, il business smette di fidarsene. La comunicazione, infine, è forse il punto più delicato quando si lavora con sistemi percepiti come black box. Dobbiamo concentrarci sui messaggi, non sulle tecniche. Non possiamo limitarci a dire che il risultato è quello perché lo dice il modello. Dobbiamo avere chiaro il messaggio di fondo, perché il risultato è quello che è e quali azioni si possono intraprendere».A conti fatti, quindi, solo un modello affidabile e comunicato con chiarezza può essere usato rapidamente nei processi decisionali.Il dato come asset, dalla tabella al Context GraphIl secondo momento di confronto ha riunito sul palco sei interlocutor, per discutere di come il concetto stesso di dato si sia trasformato negli ultimi anni e di come ciascun settore stia traducendo questa trasformazione in valore attraverso un approccio di data driven AI.Fastweb: dalla delega all’AI alla domanda sul “come”Ad aprire il confronto è stata Marta Cavalleri, Manager dell’Artificial Intelligence Center of Excellence di Fastweb, che ha ricordato come analytics e AI siano ormai una scelta obbligata per le necessità di ottimizzazione della rete in un settore data intensive come le telecomunicazioni. «Fastweb ha costituito un centro d’eccellenza sull’AI già sette anni fa, quindi in tempi non sospetti, dapprima per occuparsi di Machine Learning». Con l’arrivo dell’AI generativa, nel 2023, il focus si è spostato dalla programmazione dei servizi all’infrastruttura e «la nostra azienda è salita rapidamente sul treno della GenAI. Ci siamo dotati di un supercomputer tra i più potenti in Italia, abbiamo siglato partnership strategiche e investito in algoritmi e hardware dedicato».Il punto più netto del suo intervento riguarda però la natura stessa dell’AI. «L’AI è una scienza probabilistica e questo è un presupposto che spesso dimentichiamo. Va usata con senso critico, perché ci sarà sempre una percentuale di errore. Il tema non è cosa delegare all’AI, ma come farlo», ha evidenziato Cavalleri, spiegando che il “come” presuppone fiducia, trasparenza e consapevolezza.Le tre priorità AI di FastwebSu questa base ha indicato tre filoni di investimento prioritari per Fastweb. «Quello della comprensione, attraverso le certificazioni e la creazione di una Digital Academy con corsi accessibili non solo al personale interno ma anche ai clienti». Corsi per imparare a usare bene l’AI e a farlo con spirito critico. «La trasparenza e il monitoraggio si traducono nella possibilità di verificare le fonti delle risposte e controllare nel tempo la qualità degli output del modello».Il modello operativo dello human-in-the-loop per Cavalleri deve essere incorporato direttamente nell’architettura dell’AI, impostando soglie di confidenza oltre le quali prevedere l’intervento umano. «Solo così è possibile offrire un’AI realmente trustable», ha concluso.Marta Cavalleri, Manager dell’Artificial Intelligence Center of Excellence di FastwebDa tabella a grafo: la nuova natura del dato secondo DompéAndrea Beccari, Vice President Excalate Drug Discovery Platform di Dompé Farmaceutici, ha descritto un cambiamento radicale nel modo di concepire il dato: da semplice tabella numerica a rete di relazioni, fino ai Context Graph che permettono di riportare la combinazione di dati correlati all’interno del contesto specifico di un problema, cambiando di fatto gli strumenti stessi con cui ci si approccia al dato.Beccari ha ricordato l’importanza dei modelli transformer, l’architettura di rete neurale che alimenta l’odierna intelligenza artificiale generativa, che hanno permesso di estrarre correlazioni significative da quantitativi di dati ingestibili fino a qualche anno fa.Beccari ha tenuto a rimarcare una distinzione spesso non compresa al di fuori del settore Pharma. «Per noi oggi l’AI è solo quella generativa. Il resto è Machine o Deel Learning. Una distinzione di sostanza, non di forma, perché nel campo della ricerca le traiettorie di sviluppo di un farmaco non possono essere affidate alla probabilità dell’AI generativa».Dompé lavora invece, in collaborazione con SAS, su circa un migliaio di modelli deterministici dotati di interfaccia agentica, che permettono al ricercatore di interrogare direttamente il dato. Il punto qualificante, ha spiegato Beccari, «è l’uso predittivo e non reattivo di questi agenti. Nell’istante stesso in cui un ricercatore progetta una molecola, l’agente è in grado di restituire da subito informazioni sullo spazio di brevettabilità e sul grado di tossicità probabile, perché i modelli sono stati addestrati su milioni di molecole e miliardi di dati sperimentali. Questo è quello che facciamo oggi, mentre la prossima frontiera è l’integrazione tra i dati generati in laboratorio e quelli di progettazione e test nel mondo reale, in un approccio che io definirei lab-in-the-loop».Andrea Beccari, Vice President Excalate Drug Discovery Platform di Dompé FarmaceuticiISTAT: innovare nella statistica ufficiale senza perdere qualità e tempestivitàSecondo Cecilia Colasanti, Chief Information Officer di ISTAT (Istituto Nazionale di Statistica), la sfida della Data Driven AI si gioca su un terreno fortemente regolato. La statistica ufficiale risponde a regolamenti europei che disciplinano in modo puntuale variabili da raccogliere e tecniche di indagine, in un contesto – quello del sistema statistico europeo e nazionale – dove la comparabilità tra i dati dei diversi Paesi è un vincolo strutturale. Colasanti ha portato l’esempio della «scomparsa progressiva della telefonia fissa, che impone di ripensare tecniche di rilevazione consolidate e dell’innovazione rappresentata dalla raccolta automatica di dati dai sensori degli smart device» che apre, però, questioni di privacy, compliance e rappresentatività del campione.Il lavoro più complesso è trovare il giusto equilibrio tra qualità e tempestività. «La qualità richiede tempo e precisione per essere raggiunta, mentre la tempestività richiede velocità e noi dobbiamo contemperare le due cose. Qualcosa che con un uso opportuno della tecnologia si può fare», ha spiegato Colasanti.Cecilia Colasanti, Chief Information Officer di ISTAT (Istituto Nazionale di Statistica)ISPRA: il dato come asset storico e la centralità dell’human in the loopCarlo Cipolloni, Responsabile Tecnico Nazionale Inspire di ISPRA (Istituto Superiore per la Protezione e la Ricerca Ambientale), ha definito «il dato l’asset principale dell’istituto, il nostro core business». Oltre 23 temi ambientali monitorati e più di 180 anni di serie storiche fanno del dato il «pane quotidiano di Ispra che, in Italia,La Direttiva INSPIRE (Infrastructure for Spatial Information in Europe) è la normativa europea che punta a creare un’infrastruttura condivisa dei dati territoriali, per facilitare le decisioni e le politiche ambientali in tutta l’Unione. ISPRA svolge un ruolo chiave di coordinamentoe standardizzazione, occupandosi di integrare i dati ambientali e coordinando il Repertorio Nazionale dei Dati Territoriali (RNDT). «Va da sé – ha spiegato – che nel nostro caso la qualità del dato debba essere un requisito imprescindibile. Un dato gestito secondo criteri FAIR, ovvero rintracciabile, accessibile, interoperabile e riutilizzabile».L’AI e, più in generale, l’innovazione tecnologica permettono di accelerare i processi e recuperare anche dati storici in maniera non convenzionale ma, sempre, sotto il vincolo di un dato di qualità certificata. «Per noi lo human-in-the-loop è un must. Altrimenti, anche con strumenti di innovazione digitale come l’AI, non potremmo garantire ai nostri interlocutori risposte di qualità certificata», ha avvertito Cipolloni.Carlo Cipolloni, Responsabile Tecnico Nazionale Inspire di ISPRA (Istituto Superiore per la Protezione e la Ricerca Ambientale)BPER Banca: dal Sample Based all’audit a popolazione piena Roberto Rovere, Chief Audit Officer di BPER Banca, ha raccontato il percorso quadriennale affrontato dall’istituto di credito modenese, nato da una «visione di audit più moderna, rapida ed efficace, capace di anticipare i fenomeni anziché limitarsi a registrarli».Attorno a questa visione, la funzione di Internal Audit ha costruito un piano strategico triennale, in cui il dato è stato individuato fin da subito come l’elemento abilitante fondamentale per realizzarla: «Strumenti, modelli, framework e attività di monitoraggio continuo», sostenuti dall’inserimento in organico di fisici, matematici e Data Analyst.È su questa infrastruttura di competenze e strumenti che si è innestato il vero cambio di passo.«Il dato racconta, se correttamente interpretato, ed è qui che diventa fondamentale lo human-in-the-loop, molto di più del numero o dell’informazione in sé stessa», ha spiegato Rovere.Il risultato, a suo dire, è un «salto di paradigma» reso possibile anche dalla collaborazione con SAS, ovveor «il superamento del tradizionale audit Sample Based (una metodologia in cui il revisore non analizza tutte le transazioni o i documenti, ma ne esamina solo una parte rappresentativa – ndr) a favore di un’analisi a popolazione piena».Roberto Rovere, Chief Audit Officer di BPER BancaAgos: time-to-yes e time-to-cash al centro della data driven AISergio Novelli, Chief Information Officer di Agos Crèdit Agricole, ha collocato analytics e AI saldamente al cuore del modello di business del credito al consumo da diversi anni, con algoritmi di scoring e sistemi di Machine Learning per la prevenzione delle frodi ormai consolidati.L’AI generativa e quella agentica, ha spiegato, «rappresentano per noi l’opportunità di migliorare due indicatori chiave per l’esperienza cliente. Il time-to-yes, ovvero la rapidità con cui si comunica l’esito di una richiesta di finanziamento, e il time-to-cash, il tempo che intercorre fino all’effettiva erogazione».Tradurre questi indicatori in risultati misurabili, però, richiede prima di tutto di mettere ordine nei dati su cui si appoggiano quegli algoritmi.Una trasformazione sintetizzata e supportata da un progetto tecnologico e organizzativo ambizioso, che sta spostando verso il cloud l’intera architettura dati, il CRM e i canali di vendita con l’obiettivo di costruire un ecosistema in cui il dato sia affidabile e tracciato. «Più che fare tanta AI, vogliamo imparare a usarla meglio, usarla all’interno di un’architettura nuova, in un sistema in cui i nostri dati siano certificati e tracciati».Un filo rosso: governance, fiducia e centralità delle personePur partendo da esperienze dirette maturate in ambiti settoriali molto diversi tra loro – telecomunicazioni, banking, farmaceutica, statistica pubblica, ambiente, credito al consumo -, le testimonianze raccolte a SAS Innovate 2026 convergono su alcuni punti fermi. La data driven AI funziona quando è sostenuta da governance solida, quando i risultati dei modelli vengono comunicati in modo comprensibile a chi deve prendere decisioni, e quando il presidio umano resta centrale nell’interpretazione degli output, specialmente nei contesti più regolati.È un equilibrio che, come ha sintetizzato Cremonese a proposito di Banco BPM, si gioca tutto sulla «capacità di coniugare velocità e fiducia. Senza la seconda, la prima rischia di restare lettera morta». Ed è lo stesso equilibrio richiamato da Cavalleri quando sposta l’attenzione dal “cosa” delegare all’AI al “come” farlo: la differenza, alla fine, la fa sempre la capacità di costruire fiducia attorno a una tecnologia che resta, per sua natura, probabilistica.Sergio Novelli, Chief Information Officer di Agos Crèdit Agricole