L’adozione di nuove tecnologie di intelligenza artificiale sta modificando profondamente le strategie di difesa delle banche contro le frodi digitali. Durante l’Artificial Intelligence Talk, organizzato martedì 23 settembre 2025 dall’Osservatorio Artificial Intelligence del Politecnico di Milano, Dario Mazzola, Generative AI Consultant in Storm Reply, ha illustrato come l’Agentic AI rappresenti un passo avanti rispetto ai sistemi di rilevazione tradizionali, introducendo capacità di intervento in tempo reale e un livello superiore di spiegabilità.
Indice degli argomenti
L’evoluzione della rilevazione delle frodi bancarie
I sistemi di fraud detection utilizzati negli istituti finanziari hanno a lungo fatto affidamento su regole predefinite e analisi offline. Secondo Mazzola, questo approccio mostra limiti significativi nel nuovo scenario dei pagamenti: “Algoritmi classici basati su logiche rule-based non sono sufficienti per individuare le frodi odierne”.
Il passaggio dai bonifici tradizionali a quelli istantanei ha ridotto drasticamente i tempi a disposizione per identificare transazioni sospette. Oggi i tentativi di frode si consumano in frazioni di secondo, mentre le procedure di analisi tradizionali non riescono a garantire la stessa rapidità di reazione.
Generative AI e nuove sfide per l’identità digitale
L’emergere di strumenti di intelligenza artificiale generativa ha reso più complesso il lavoro di verifica delle identità. Tecniche avanzate consentono la creazione di documenti e immagini false, così come interazioni testuali credibili. “Pensiamo ai fake generati da strumenti come DALL-E o da ChatGPT”, ha sottolineato Mazzola, richiamando l’attenzione sulla necessità di monitoraggi continui, operativi 24 ore su 24.
Il rischio non riguarda soltanto la creazione di falsi profili, ma anche la loro capacità di superare controlli automatizzati, mettendo in difficoltà i processi di onboarding bancario e di verifica documentale.
Le basi dell’Agentic AI
Il modello proposto da Mazzola si fonda su tre pilastri: intelligenza, autonomia e capacità di apprendimento. L’intelligenza è garantita dai modelli generativi, in grado di produrre output verificabili e comprensibili. L’autonomia rappresenta il vero salto rispetto al Machine Learning tradizionale, che si limitava a segnalare potenziali anomalie. L’Agentic AI è invece capace di “intervenire real time in qualsiasi momento, bloccando una transazione potenzialmente fraudolenta o inviando avvisi agli utenti”.
Questa caratteristica trasforma l’AI da semplice strumento di supporto a sistema attivo di difesa, riducendo il margine temporale a disposizione degli attaccanti.
Identity verification: documenti e risk scoring
Uno degli ambiti di applicazione dell’Agentic AI nel banking è la verifica dell’identità. Il sistema descritto da Mazzola sfrutta NLP e tecniche di riconoscimento ottico dei caratteri per analizzare i documenti presentati in fase di registrazione. L’obiettivo è distinguere in modo affidabile i documenti autentici da quelli contraffatti, combinando Generative AI e Machine Learning classico per costruire sistemi di risk scoring.
Un ulteriore livello di sicurezza viene fornito attraverso simulazioni che mettono “sotto torchio” i modelli, cercando di ingannarli con tentativi sofisticati e verificandone così la resistenza.
Account takeover e anomaly detection
Il furto di credenziali e l’accesso abusivo agli account costituiscono una delle minacce più diffuse. In questo scenario, l’Agentic AI utilizza modelli di deep learning, tra cui reti convoluzionali e LSTM, per rilevare schemi temporali anomali nei log applicativi.
Un elemento innovativo è l’introduzione della Generative Anomaly Detection, che combina modelli generativi e knowledge base per simulare scenari di attacco. Questo consente anche di generare dati sintetici, utili a testare i sistemi e a migliorarne la capacità di risposta a situazioni non previste.
Transazioni e contrasto al riciclaggio
L’analisi delle transazioni non viene più condotta come sequenza di eventi isolati, ma come insieme interconnesso. Grazie alle Graph Neural Networks, è possibile rilevare pattern sospetti che emergono solo osservando le relazioni tra più operazioni.
Mazzola ha evidenziato che questo approccio è utile anche per contrastare fenomeni di antiriciclaggio: “Andiamo a collegare un insieme di transazioni sospette, così da evidenziare schemi complessi che altrimenti resterebbero nascosti”.
Una piattaforma integrata con i sistemi bancari
Il sistema non sostituisce le infrastrutture esistenti, ma si innesta sopra i sistemi informativi bancari già operativi, come CRM e database. La piattaforma descritta prevede la collaborazione di agenti specializzati, capaci di interagire tra loro in modo gerarchico o collaborativo, ma anche con agenti esterni.
I dati di input includono log, indirizzi IP, transazioni storiche e knowledge base strutturate e non strutturate. Queste informazioni alimentano modelli di Machine Learning tradizionali e reti neurali avanzate, che vengono combinati con la capacità generativa di fornire spiegazioni comprensibili agli operatori.
Explainability e supporto agli operatori
Un elemento centrale dell’Agentic AI nel banking è la spiegabilità delle decisioni. Il sistema non si limita a bloccare una transazione sospetta, ma fornisce anche descrizioni dettagliate utili agli operatori di back-end. In questo modo, le banche possono non solo reagire, ma anche comunicare al cliente le ragioni di un blocco o di un alert.
Secondo Mazzola, questo aspetto differenzia profondamente l’approccio: “Il Machine Learning segnala potenziali minacce, ma non fornisce un layer di explainability elevato. Gli strumenti di Agentic AI riescono a intervenire e al tempo stesso a spiegare cosa è accaduto”.
Metriche e risultati
Per valutare l’efficacia del sistema, vengono confrontate le metriche legate alle segnalazioni e ai falsi positivi. L’obiettivo è affinare costantemente gli algoritmi, riducendo gli errori e migliorando l’operatività degli operatori bancari. La logica agentica introduce infatti un “layer di evoluzione” che consente all’AI di apprendere dagli errori, adattando i modelli alle nuove forme di attacco.
