Benchmark finanziario basato sull'IA agentiva: FinRobot vs FinRL vs FinGPT
Il 79% dei dirigenti afferma che le proprie aziende hanno iniziato ad adottare agenti di intelligenza artificiale, ma solo il 34% li utilizza attualmente nei settori della contabilità e della finanza. 1
Eseguiamo un benchmark su 3 strumenti finanziari basati sull'IA agentiva, progettati per i flussi di lavoro finanziari. I risultati suggeriscono che
- FinGPT sembra più adatto all'analisi dei bilanci,
- FinRobot mostra una forza relativa nelle attività di valutazione e
- FinRL ha ottenuto risultati inferiori alle aspettative in entrambi gli ambiti applicativi, pur eguagliando le altre aziende in ambito di finanza concettuale.
Questo articolo presenta i risultati dei benchmark, insieme a casi d'uso e sfide di implementazione.
Benchmark del finanziamento degli agenti
Risultati
I risultati mettono in luce diversi schemi importanti:
- Conoscenza concettuale: tutti e tre gli strumenti hanno ottenuto risultati ugualmente buoni (88%), il che suggerisce una solida conoscenza di base in ambito finanziario su tutte le piattaforme.
- Analisi del bilancio: è stata osservata una variazione significativa. FinGPT ha ottenuto il punteggio più alto (86%), mentre FinRL è rimasto notevolmente indietro (29%). Ciò suggerisce che FinGPT possiede maggiori capacità nella gestione di dati finanziari tabellari e calcoli contabili.
- Valutazione: FinRobot ha superato gli altri (75%), dimostrando una migliore capacità nell'applicazione di modelli di finanza quantitativa come lo sconto dei dividendi e la determinazione del prezzo delle obbligazioni. Al contrario, FinRL ha mostrato capacità limitate in questo ambito (25%).
- Prestazioni medie: FinGPT ha ottenuto il punteggio complessivo più alto (79%), seguito da FinRobot (74%). FinRL è risultato meno costante, con un punteggio totale del 53%.
Dal punto di vista del flusso di lavoro e dell'organizzazione:
- FinGPT : 2 Grazie alle sue ottime prestazioni nell'analisi dei bilanci (86%), FinGPT è particolarmente adatto ai flussi di lavoro che coinvolgono funzioni di reporting, contabilità e controllo di gestione. Può supportare i team finanziari nell'analisi delle varianze di budget, nel reporting trimestrale e nella diagnostica della salute finanziaria, risultando quindi ideale per i team finanziari e contabili aziendali.
- FinRobot : 3 Grazie alla sua elevata precisione nelle attività di valutazione (75%), FinRobot si rivela più adatto all'analisi degli investimenti, alla ricerca azionaria e ai flussi di lavoro di sviluppo aziendale. Può supportare i team nelle valutazioni di fusioni e acquisizioni, nella pianificazione del capitale e nel processo decisionale in materia di investimenti, risultando prezioso per i team di investment banking, strategia e pianificazione e analisi finanziaria (FP&A).
- FinRL : 4 Sebbene FinRL abbia mostrato prestazioni inferiori nelle attività di finanza applicata, la sua pari performance nella conoscenza concettuale (88%) indica un potenziale come strumento di formazione, istruzione o supporto alle decisioni. Potrebbe essere più adatto all'uso accademico, ai programmi di formazione finanziaria o ai team che esplorano approcci di apprendimento per rinforzo in contesti sperimentali, piuttosto che all'analisi finanziaria diretta.
Metodologia
Per valutare l'efficacia degli strumenti di intelligenza artificiale agentiva in ambito finanziario , sono state testate tre piattaforme: FinRobot, FinGPT e FinRL. Il benchmark consisteva in 9 quesiti di finanza strutturata che coprivano una serie di ambiti:
- Conoscenze finanziarie concettuali/teoriche : domande che valutano la comprensione dei concetti finanziari fondamentali, come la pianificazione degli investimenti, le decisioni di finanziamento e le implicazioni sui flussi di cassa.
- Analisi dei bilanci : esercizi che richiedono calcoli e interpretazioni basati su conti economici e stati patrimoniali, tra cui capitale circolante netto, valore contabile rispetto al valore di mercato e indicatori di performance come EVA, ROC e ROE.
- Valutazione – Questioni relative alla valutazione di azioni e obbligazioni, inclusi modelli di sconto dei dividendi, valore temporale del denaro e determinazione del prezzo delle obbligazioni in base a diversi rating creditizi.
Prestazione media – È stato calcolato un punteggio medio ponderato per le tre categorie, con pesi assegnati in base al numero di passaggi necessari per risolvere i quesiti. Le medie ponderate hanno consentito confronti più chiari tra i diversi strumenti e sono servite come base per i risultati complessivi del benchmark.
Per garantire un ambiente di test standardizzato per tutti gli strumenti:
- Le connessioni sono state effettuate al turbo GPT-3.5 tramite l'API OpenRouter.
- A ciascuno strumento è stato posto lo stesso insieme di domande.
- Le risposte sono state quindi valutate in termini di accuratezza, completezza e correttezza del ragionamento finanziario. È stato applicato un margine di errore dell'1% nella valutazione delle risposte numeriche per tenere conto di lievi differenze di arrotondamento.
I punteggi sono stati aggregati per fornire risultati sia a livello di categoria che a livello complessivo.
Possibili ragioni alla base delle differenze di prestazione rispetto al benchmark
I risultati del benchmark riflettono differenze nell'attenzione dedicata al compito, piuttosto che lacune nelle conoscenze finanziarie di base. Tutti e tre gli strumenti hanno ottenuto punteggi identici nella finanza concettuale (88%), indicando una comprensione di base comparabile.
Le prestazioni hanno mostrato differenze nelle attività applicate. FinGPT ha ottenuto il punteggio più alto nell'analisi dei bilanci (86%), il che è in linea con la sua maggiore capacità di gestire calcoli contabili e dati finanziari tabellari. FinRobot ha ottenuto i risultati migliori nella valutazione (75%), suggerendo un'applicazione più efficace di modelli di finanza quantitativa come il flusso di cassa scontato e la determinazione del prezzo delle obbligazioni. FinRL ha ottenuto risultati inferiori in entrambe le categorie applicate, pur essendo concettualmente simile agli altri, indicando una minore capacità di esecuzione in attività finanziarie complesse e a più fasi che richiedono numerosi calcoli.
Le differenze complessive sono determinate dal modo in cui ciascuno strumento traduce la conoscenza concettuale condivisa in ragionamento finanziario applicato, in particolare per l'analisi contabile rispetto ai flussi di lavoro incentrati sulla valutazione.
Come vengono utilizzati i sistemi di intelligenza artificiale agentiva nelle operazioni finanziarie
L'intelligenza artificiale agentiva sta plasmando sempre più le operazioni finanziarie automatizzando i processi decisionali e migliorando l'efficienza. Questi sistemi intelligenti sono utilizzati in ambito bancario, nella finanza aziendale e nei mercati dei capitali per affrontare le sfide operative, gestire il rischio e migliorare il servizio clienti.
Fonte: PwC 5
1. Individuazione delle frodi e gestione del rischio
Caso d'uso: Monitoraggio delle transazioni e dei modelli comportamentali in tempo reale.
Vantaggio: rileva istantaneamente attività sospette, riducendo le potenziali perdite finanziarie.
Trasformazione: gli agenti analizzano continuamente le transazioni, segnalano le anomalie e intervengono immediatamente, ad esempio bloccando gli account o notificando i team di conformità. Questo colma il divario tra rilevamento e risposta, passando da una gestione del rischio reattiva a una proattiva.
2. Valutazione del credito e concessione di prestiti
Caso d'uso: Valutazione della solvibilità del mutuatario e adeguamento dei criteri di concessione del prestito.
Vantaggio: Migliora l'accuratezza e l'inclusività delle decisioni di concessione del credito.
Trasformazione: gli agenti di intelligenza artificiale analizzano gli indicatori finanziari in tempo reale e adeguano le valutazioni in modo dinamico. Ciò consente ai team di erogare credito in modo più efficiente, mantenendo al contempo il controllo del rischio.
3. Automazione della conformità e monitoraggio normativo
Caso d'uso: Garantire il rispetto di politiche, regolamenti e controlli interni.
Vantaggio: Riduce gli errori di conformità e favorisce la preparazione agli audit.
Trasformazione: gli agenti convalidano automaticamente i documenti, verificano gli elenchi normativi e mantengono tracce di controllo continue. Gli aggiornamenti alle regole si propagano istantaneamente, rendendo la conformità proattiva anziché reattiva.
4. Analisi finanziaria e contabilità
Caso d'uso: Riconoscimento dei ricavi, gestione delle spese e reporting.
Vantaggio: Aumenta la precisione dei report e riduce il lavoro manuale.
Trasformazione: Agentic AI consolida i dati, identifica le discrepanze e genera report pronti per la verifica. Monitora costantemente transazioni e contratti, consentendo flussi di lavoro contabili più rapidi e affidabili.
5. Liquidgestione della solvibilità e del portafoglio
Caso d'uso: Gestione del flusso di cassa, riallocazione del capitale e ribilanciamento dei portafogli.
Vantaggio: migliora l'efficienza operativa e la velocità decisionale.
Trasformazione: gli agenti di intelligenza artificiale monitorano in tempo reale le posizioni di cassa, le condizioni di mercato e le soglie di esposizione. Possono avviare trasferimenti interni, ribilanciare gli asset o segnalare immediatamente le eccezioni, sostituendo i lenti processi batch con azioni continue basate sui dati.
6. Intelelaborazione documentale delicata (IDP)
Caso d'uso: Estrazione di informazioni utili da testi non strutturati come contratti, documenti e notizie.
Vantaggio: accelera il processo decisionale e riduce il rischio di perdere informazioni cruciali.
Trasformazione: gli agenti di intelligenza artificiale classificano, riassumono e recuperano automaticamente i dati rilevanti, consentendo raccomandazioni di investimento e decisioni operative più rapide senza la necessità di revisione manuale dei documenti.
7. Automazione del servizio clienti
Caso d'uso: Gestione delle richieste, elaborazione dei moduli e supporto alla gestione degli account.
Vantaggio: Riduce i costi operativi, garantisce la disponibilità 24 ore su 24, 7 giorni su 7 e minimizza gli errori umani.
Trasformazione: l'IA agentica smista automaticamente le richieste, inoltra i casi complessi con il contesto completo e offre una guida personalizzata. I dipendenti possono concentrarsi su attività complesse ad alto valore aggiunto che richiedono capacità di giudizio, anziché su processi di routine.
6 sfide dell'IA agentiva nei servizi finanziari
L'intelligenza artificiale agentiva apporta potenti capacità al settore finanziario , ma introduce anche nuovi rischi e complessità. I sistemi autonomi non eliminano la responsabilità, bensì ne modificano le modalità e i contesti di gestione.
Privacy e sicurezza
Gli agenti di intelligenza artificiale gestiscono dati finanziari e personali sensibili. Devono pertanto rispettare rigide norme sulla privacy, come il GDPR e il CCPA. Autorizzazioni chiare, crittografia e gestione sicura dei dati sono essenziali. Autonomia non significa assenza di controllo. Una sicurezza inadeguata può mettere a rischio sia la banca che i clienti.
supervisione umana
Delegare compiti di routine all'IA significa spostare le responsabilità anziché eliminarle. I team umani devono supervisionare le eccezioni, valutare le questioni etiche e perfezionare le politiche. L'IA funziona al meglio quando i percorsi di escalation sono chiari e le responsabilità sono definite.
Pregiudizi e spiegabilità
L'intelligenza artificiale apprende dai dati storici. Se questi dati sono distorti o incompleti, le decisioni dell'IA possono essere inique. Le banche dovrebbero:
- Utilizzare set di dati diversificati e rappresentativi.
- Implementare modelli di intelligenza artificiale interpretabili in grado di giustificare le decisioni.
- Eseguire regolarmente audit e test di equità.
Registri decisionali trasparenti e comportamenti prevedibili sono fondamentali per la fiducia.
Conformità normativa
L'IA agentiva solleva nuove questioni di conformità:
- Chi è responsabile delle decisioni autonome?
- Il sistema può spiegare perché si è comportato in un certo modo?
- Come può la banca dimostrare la conformità quando l'intelligenza artificiale assume un ruolo di primo piano?
Nell'Unione europea , la legge europea sull'intelligenza artificiale (Regolamento (UE) 2021/0106) stabilisce requisiti rigorosi per i sistemi di intelligenza artificiale ad alto rischio, compresi quelli utilizzati nel settore finanziario. 6 Le banche devono garantire che i sistemi di intelligenza artificiale siano tracciabili, verificabili e responsabili. Ciò include la tenuta di registri dettagliati delle decisioni, l'esecuzione di valutazioni del rischio e la dimostrazione che l'intervento umano sia previsto per i processi critici.
Negli Stati Uniti non esiste ancora una legge unica e completa sull'intelligenza artificiale. Tuttavia, le banche devono seguire le linee guida di diverse autorità:
- L'Office of the Comptroller of the Currency (OCC) e la Federal Reserve definiscono le aspettative in materia di convalida dei modelli e di governance per l'intelligenza artificiale nel settore bancario. 7
- Il quadro di riferimento NIST per la gestione del rischio nell'IA offre linee guida volontarie in materia di affidabilità, responsabilità e valutazione del rischio dell'intelligenza artificiale. 8
Mantenere un modello "human-in-the-loop" per le decisioni critiche e conservare registrazioni dettagliate contribuisce a soddisfare questi requisiti normativi. Rimanere aggiornati sulle leggi in continua evoluzione è essenziale per un utilizzo sicuro e conforme dell'IA agentiva.
Gli attuali sistemi di identità bancaria presuppongono solo soggetti umani, lasciando gli agenti di intelligenza artificiale in una situazione di stallo. I processi KYC verificano le identità umane; non esiste un quadro di riferimento equivalente per gli agenti di intelligenza artificiale. 9 Di conseguenza, un assistente IA con accesso alle transazioni potrebbe essere clonato da un malintenzionato ed eseguire operazioni o trasferimenti apparendo legittimo nei registri di controllo. La gestione delle identità e degli accessi (IAM) tradizionale si basa su sessioni a utente singolo e autorizzazioni fisse, che risultano inefficaci quando gli agenti IA concatenano autonomamente le attività. 10 Questa discrepanza crea lacune in termini di responsabilità: può diventare poco chiaro quale agente abbia avviato una transazione o se una persona l'abbia approvata, rendendo necessari nuovi meccanismi di verifica.
Ai sensi della legge europea sull'IA (ad esempio, alcuni algoritmi di credito o antifrode), i sistemi di intelligenza artificiale ad alto rischio richiedono documentazione dettagliata, supervisione e trasparenza per gli utenti. 11 Le violazioni della legge sull'IA possono comportare sanzioni fino a 35 milioni di euro (o il 7% del fatturato globale). 12 Le banche devono bilanciare questi costi di conformità con i benefici derivanti dall'automazione.
Cambiamento organizzativo e culturale
L'intelligenza artificiale modifica i ruoli all'interno dei team e può causare un cambiamento culturale. I dipendenti che si occupavano di compiti ripetitivi o di inserimento dati potrebbero dover guidare, monitorare o addestrare gli agenti di intelligenza artificiale. Le organizzazioni dovrebbero fornire opportunità di riqualificazione, definire chiaramente i ruoli e offrire supporto continuo.
Governance e gestione del rischio
Una solida governance è essenziale per un'IA sicura e scalabile. Questa include:
- Protezione dei dati e controlli sulla privacy
- Supervisione etica e controllo umano
- Monitoraggio continuo per individuare pregiudizi ed errori
- Strutture di responsabilità chiare
Se applicate in modo mirato, queste misure consentono agli istituti finanziari di sfruttare efficacemente l'intelligenza artificiale agentiva, riducendo al minimo i rischi.
FAQ
I sistemi di intelligenza artificiale agentica sono composti da agenti intelligenti che pianificano, sequenziano ed eseguono interi flussi di lavoro verso obiettivi di alto livello, adattandosi ai cambiamenti e coordinando le azioni, anziché svolgere singoli compiti.
Ulteriori letture
- Le migliori piattaforme di ricerca finanziaria basate sull'intelligenza artificiale per gli investitori
- Strumenti di intelligenza artificiale per Excel per aumentare la produttività
- Trading azionario basato sull'intelligenza artificiale: quale strumento di IA di nuova generazione è migliore?
Collegamenti di riferimento
Prossimo da leggere
Ambienti RL: l'infrastruttura alla base dell'IA agentiva
Agentic Search nel 2026: benchmark 8 API di ricerca per agenti
Intelligenza artificiale agentiva nell'ITSM: 10 casi d'uso ed esempi
Creazione di agenti IA personali + 18 piattaforme e strumenti per agenti
Creazione di agenti di intelligenza artificiale con modelli componibili
Confronto tra framework di intelligenza artificiale agentica nei flussi di lavoro di analisi
Sii il primo a commentare
Il tuo indirizzo email non verrà pubblicato. Tutti i campi sono obbligatori.