JPMorgan Chase ha portato in produzione 450 casi d’uso AI distribuiti su back-office, customer service, risk management e operations. Il dato emerge dalla documentazione disponibile pubblicamente e dalle dichiarazioni del management ai mercati nei primi mesi del 2026. Oltre 200 mila dipendenti della banca usano oggi quotidianamente “LLM Suite”, la piattaforma proprietaria che JPMorgan ha costruito sopra modelli open source e commerciali. Il valore economico stimato dai sistemi AI in produzione è di circa 1,5 miliardi di dollari all’anno, con una crescita anno su anno tra il 30% e il 40% dall’inizio del programma.
La spesa tecnologica complessiva della banca per il 2026 è di 19,8 miliardi di dollari, di cui una parte significativa (non disaggregata pubblicamente) destinata alle iniziative AI. Per dare un confronto, in Italia le banche dichiarano la priorità AI ma la governance frena la corsa: l’intera spesa tecnologica annua di Intesa Sanpaolo è di circa 2 miliardi di euro, quella di UniCredit di circa 3 miliardi. JPMorgan opera su una scala dieci volte superiore alla maggior parte delle banche europee, e questo rende il suo caso una utile bussola per il settore senza essere direttamente replicabile.
Cosa la differenzia dalle altre banche
Il sondaggio Accenture Q1 2026 sul settore bancario ha misurato che il 91% degli executive bancari considera l’AI una priorità strategica, ma solo il 23% ha portato progetti oltre il pilota. JPMorgan è uno dei pochi casi in cui il numero di iniziative in produzione supera ampiamente quello dei pilot.
Il primo elemento distintivo è la scala dei dati interni. La banca processa oltre 10 trilioni di dollari di transazioni al giorno di dollari di transazioni al giorno, e questa massa di dati operativi è la base su cui i suoi modelli AI sono addestrati e calibrati. Nessuna banca europea ha una base dati di questa profondità, e questo limita per ragioni strutturali la qualità dei modelli che le banche europee possono costruire internamente senza dipendere da fornitori esterni.
Il secondo elemento è l’impegno C-level continuo dal 2017. JPMorgan ha cominciato a investire seriamente in AI prima dell’era LLM, costruendo team interni di ricerca, partnership accademiche con MIT e Cornell, e infrastrutture proprietarie di calcolo. Il programma “LLM Suite” lanciato nel 2024 si è innestato su una capability AI esistente. Le banche europee che oggi cercano di raggiungere risultati comparabili partendo da zero affrontano una curva di apprendimento di tre-cinque anni che JPMorgan ha completato nel decennio scorso.
Il terzo elemento è la governance interna. Tutti i 450 use case in produzione passano per un comitato di rischio AI che valuta esposizione regolatoria, compliance, impatto operativo, criteri di explainability. Nessun modello viene messo in produzione senza una formale approvazione, e ogni modello ha un proprietario operativo che ne risponde trimestralmente. Questa disciplina è il vero differenziale rispetto al pilot purgatory che blocca il 45% dei progetti AI bancari altrove.
Quattrocentocinquanta casi d’uso AI in produzione richiedono un comitato di rischio dedicato, non un’unità innovazione che annuncia pilot.
Cosa è davvero replicabile per le banche italiane
La prima lezione trasferibile riguarda i casi d’uso ad alto ROI verificato. La banca americana ha pubblicato cifre concrete sul valore generato dai sottoinsiemi più maturi: la riduzione del 95% dei falsi positivi sull’antiriciclaggio, l’automazione del 60% delle ricerche legali interne, la riduzione del 30% dei tempi di compilazione dei report di compliance, l’aumento del 25% della produttività degli analisti junior in equity research. Sono numeri replicabili dalle banche italiane in tre-cinque anni se affrontati con il rigore di rendicontazione di JPMorgan.
La seconda lezione è la piattaforma interna come moltiplicatore. LLM Suite non è una collezione di prodotti vendor, è un livello di astrazione interno che permette di sostituire i modelli sottostanti (oggi una combinazione di GPT, Claude, Llama) senza riscrivere i 450 use case. Le banche italiane che oggi adottano agenti AI direttamente sui prodotti vendor (Microsoft Copilot, Salesforce Agentforce, ServiceNow Now Assist) stanno costruendo dipendenze che saranno difficili da gestire al prossimo cambio di tecnologia. Investire oggi in un layer interno minimale (anche solo un proxy LLM con logging, audit, governance unificata) è la base per la sostenibilità a cinque anni. Il pattern è analogo a quello dei service provider che hanno scelto stack open source post-Broadcom.
La terza lezione è il tempo di maturazione realistico. JPMorgan ha impiegato sette anni per arrivare al deployment attuale. Le banche italiane che si aspettano di raggiungere capability comparabili in diciotto-ventiquattro mesi stanno fissando aspettative che le condurranno alla delusione registrata da quasi la metà degli executive AI. Pianificare un programma AI bancario su cinque-sette anni con milestone intermedie verificabili è più credibile, più sostenibile finanziariamente, più gestibile dal punto di vista del rischio operativo.
Il paradosso JPMorgan è che la banca ha investito tanto in AI proprio perché ne aveva meno bisogno commercialmente delle altre. La sua posizione di mercato (la più grande banca americana per attività, la più redditizia per ROE tra le maggiori) le ha permesso di sostenere costi e tempi che le concorrenti di scala minore non potevano permettersi. Il caso non è quindi “fate come JPMorgan”, è “imparate dal modello senza pretendere di replicarlo a scala diversa”. Per le banche italiane di taglio domestic (Intesa, UniCredit, BPM, BPER, Mediobanca), un modello più realistico è la combinazione di una piattaforma interna minimale, partnership selettive con vendor primari, e governance interna rigorosa sui pochi use case ad alto ROI verificato.
Il deployment AI di JPMorgan è il principale punto di riferimento per chi pianifica iniziative AI bancarie su scala globale. Non perché sia replicabile, ma perché mostra dove può arrivare un’organizzazione che ha investito in modo continuativo e disciplinato per un decennio. Le banche italiane che lo guardano come obiettivo a cinque-sette anni e ne adattano la metodologia stanno costruendo un percorso credibile. Quelle che lo citano nelle slide del CdA senza pianificare il decennio di investimenti che lo ha reso possibile stanno preparando deceptione future. La differenza tra le due categorie sarà visibile nelle relazioni annuali del 2028-2029, quando i risultati AI cominceranno a confluire stabilmente nei conti economici delle banche europee.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
Davide Greco
Source link
