Morgan Stanley sta applicando l’intelligenza artificiale agentica a una delle attività più delicate delle funzioni di controllo: la riconciliazione delle differenze di profit and loss tra sistemi di trading, piattaforme di registrazione delle operazioni e dati contabili. In questo contesto, l’obiettivo non è soltanto individuare una discrepanza numerica, ma ricostruirne l’origine, verificare quali sistemi contengano il dato corretto e documentare una risoluzione utilizzabile anche nei cicli successivi.
Il sistema interno utilizzato dalla banca è denominato FIXR ed è stato progettato per supportare i controller nella gestione dei cosiddetti P&L breaks, cioè gli scostamenti tra valori che dovrebbero risultare coerenti lungo la catena di elaborazione delle operazioni finanziarie. Queste differenze possono dipendere da ritardi di caricamento, classificazioni non allineate, dati incompleti, errori di mapping, modifiche successive a una transazione o modalità differenti di calcolo tra piattaforme. In un ambiente di trading, anche una riconciliazione apparentemente circoscritta può richiedere l’analisi di più fonti, controlli incrociati e una valutazione puntuale dell’impatto sul risultato economico.
FIXR utilizza agenti AI per raccogliere evidenze dai sistemi disponibili, analizzare le anomalie, proporre una spiegazione e suggerire il percorso di risoluzione. Il sistema non viene però lasciato libero di eseguire autonomamente correzioni o chiudere le eccezioni. La decisione resta nelle mani dei professionisti responsabili del controllo, che verificano la proposta, valutano la fondatezza dell’analisi e stabiliscono se applicare o meno la soluzione indicata.
Questa architettura riduce deliberatamente il grado di autonomia degli agenti, ma rende l’automazione più adatta a processi dove accuratezza, tracciabilità e responsabilità operativa sono essenziali. Nella riconciliazione finanziaria, il valore dell’AI non deriva dalla sostituzione del giudizio umano, bensì dalla capacità di comprimere le attività ripetitive di ricerca, confronto e raccolta delle informazioni necessarie per decidere. L’agente può esaminare rapidamente dati provenienti da più sistemi e presentare al controller un insieme strutturato di cause possibili, eccezioni rilevate e azioni compatibili con le regole operative già adottate.
L’intervento umano assume inoltre una funzione di apprendimento operativo. Quando un controller approva una risoluzione, modifica una proposta o individua una causa non considerata dal sistema, la decisione può essere trasformata in una regola riutilizzabile. Nel tempo, le correzioni validate alimentano una base di conoscenza che permette agli agenti di riconoscere più velocemente schemi ricorrenti e di proporre risposte più aderenti alle procedure effettivamente seguite dal team.
Il risultato dichiarato è una riduzione significativa del tempo necessario per alcune riconciliazioni. Attività che potevano richiedere fino a sei ore per determinati portafogli di operazioni sono state portate a circa due o tre ore, mentre il sistema avrebbe consentito di recuperare complessivamente circa 1.500 ore di lavoro alla settimana. Il dato è rilevante non solo per il risparmio di tempo, ma perché libera risorse da destinare all’analisi delle eccezioni più complesse, alle verifiche sui casi ad alto impatto e al miglioramento delle regole di controllo.
Il caso evidenzia un modello concreto per l’adozione dell’AI nei processi finanziari ad alta criticità. Le attività più regolamentate e sensibili non richiedono necessariamente agenti capaci di operare senza supervisione. In molti casi, un sistema che propone, documenta, collega dati e accelera la ricerca delle cause può produrre un beneficio maggiore rispetto a un agente completamente autonomo, proprio perché mantiene separati il supporto analitico e l’assunzione della decisione.
Per le organizzazioni che lavorano con riconciliazioni contabili, flussi bancari, controlli su posizioni finanziarie, quadrature tra gestionali o verifiche di fine periodo, l’approccio mostra come strutturare l’automazione in modo prudente. L’AI può occuparsi della parte ad alta intensità informativa, mentre validazione, approvazione e responsabilità restano affidate a persone che conoscono il contesto operativo, le soglie di materialità e le conseguenze di ogni eccezione.