La Product Oversight and Governance nasce con un obiettivo chiaro: riportare il cliente al centro della progettazione e della distribuzione dei prodotti finanziari e assicurativi. La logica è nota: il prodotto non deve essere costruito in astratto e poi collocato sul mercato in modo indistinto, ma deve essere pensato, testato, distribuito e monitorato in funzione di un determinato mercato di riferimento. L’ingresso dell’intelligenza artificiale nei processi di produzione e distribuzione dei prodotti apre, però, un cambio di paradigma. Se gli algoritmi contribuiscono a individuare il target market, a profilare il cliente, a suggerire il prodotto o a intercettare anomalie nella fase di monitoraggio, la POG non riguarda più soltanto il prodotto. Riguarda anche il modello tecnologico che ne orienta il ciclo di vita.
La POG diventa algoritmica
Nel quadro MiFID II e IDD, la POG assolve una funzione di presidio preventivo. Produttori e distributori sono chiamati a individuare il mercato di riferimento, verificare la coerenza tra bisogni della clientela e caratteristiche del prodotto, definire canali distributivi adeguati e mantenere flussi informativi idonei a intercettare eventuali scostamenti. Nel settore assicurativo, il Regolamento delegato (UE) 2017/2358 e, a livello nazionale, il Regolamento IVASS n. 45/2020 hanno rafforzato questa impostazione, imponendo processi di approvazione, test, monitoraggio e revisione dei prodotti.
L’intelligenza artificiale può inserirsi in ciascuna di queste fasi. Può analizzare grandi masse di dati, anticipare comportamenti della clientela, individuare correlazioni non immediatamente percepibili, simulare scenari di mercato e rendere più tempestiva l’attività di controllo. In questo senso, l’AI può diventare uno strumento di rafforzamento della POG.
Il punto critico, tuttavia, è un altro. La POG si fonda sulla tracciabilità delle scelte e sulla possibilità di ricostruire il percorso decisionale che ha condotto alla progettazione e alla distribuzione del prodotto. L’AI, soprattutto quando opera attraverso modelli complessi, può introdurre un rischio di opacità. Il rischio è la cosiddetta “black box”: il produttore o il distributore conoscono l’output dell’algoritmo, ma non sono sempre in grado di spiegare in modo chiaro perché un determinato cliente sia stato incluso o escluso dal target market, oppure perché un prodotto sia stato ritenuto coerente con il suo profilo.
Il manufacturer e il nuovo target market
Il primo terreno di impatto è la fase di manifattura del prodotto. Banche, imprese di investimento e compagnie assicurative possono utilizzare strumenti di AI per analizzare dati di mercato, segmentare la clientela e costruire prodotti più aderenti ai bisogni attesi dei potenziali clienti. Si tratta di una possibilità coerente con la ratio della POG, nella misura in cui consente una maggiore precisione nella fase di product approval.
La questione più delicata riguarda, però, il rapporto tra target market e iper-personalizzazione. La POG ragiona tradizionalmente per categorie: clienti con determinate conoscenze ed esperienze, obiettivi di investimento, tolleranza al rischio, situazione finanziaria, esigenze assicurative o previdenziali. L’AI, invece, tende a spingere verso una profilazione sempre più individualizzata. Non si limita a individuare gruppi omogenei, ma può costruire micro-segmenti o addirittura raccomandazioni personalizzate.
Questa evoluzione non è di per sé incompatibile con la POG, ma richiede un presidio preciso. La personalizzazione algoritmica non può sostituire la definizione consapevole del mercato di riferimento da parte del produttore. L’algoritmo può affinare l’analisi, ma non può rendere indeterminato il target market né trasformarlo in una somma di decisioni individuali non verificabili. Il produttore deve poter dimostrare che la segmentazione adottata risponde a criteri comprensibili, documentati e coerenti con le caratteristiche del prodotto.
Ancora più rilevante è il rischio di bias. Un sistema di AI può elaborare variabili apparentemente neutre, come il luogo di residenza, la professione, le abitudini di consumo, la frequenza di utilizzo di determinati servizi digitali o alcuni comportamenti transazionali. Tuttavia, tali variabili possono operare come indicatori indiretti di fattori sensibili o comunque discriminatori. In ambito assicurativo e creditizio, il rischio è evidente: un algoritmo potrebbe contribuire a escludere determinate categorie di soggetti da una copertura, da un finanziamento o da condizioni economiche favorevoli sulla base di correlazioni statistiche non adeguatamente controllate.
In chiave POG, ciò può tradursi nella creazione di un target market negativo occulto. Formalmente, il produttore individua un mercato di riferimento conforme alla disciplina di settore. Sostanzialmente, però, il modello algoritmico può restringere l’accesso al prodotto secondo criteri non dichiarati o non pienamente spiegabili. È proprio qui che la governance del prodotto deve diventare anche governance del dato e del modello.
Stress test e controllo preventivo
Non va trascurato, tuttavia, il potenziale virtuoso dell’AI. Nella fase di product approval, gli algoritmi possono supportare il produttore nell’esecuzione di stress test più sofisticati. Possono simulare migliaia di scenari di mercato, verificare l’impatto di variazioni dei tassi, shock di liquidità, oscillazioni dei prezzi, incremento dei riscatti anticipati o mutamenti nei comportamenti della clientela.
Questo utilizzo appare particolarmente coerente con gli obblighi di governo e controllo dei prodotti. La POG non richiede soltanto di disegnare un prodotto astrattamente conforme, ma di verificarne la tenuta rispetto al mercato di riferimento e alle possibili evoluzioni del contesto. L’AI può quindi consentire una valutazione più granulare dei rischi e una più efficace documentazione delle scelte compiute.
Anche in questo caso, però, l’efficienza tecnica non esaurisce la compliance. Il produttore deve comprendere quali scenari sono stati simulati, quali dati sono stati utilizzati, quali assunzioni sono state incorporate nel modello e quali limiti presenta l’analisi. Un test automatizzato non è, di per sé, un presidio sufficiente se l’intermediario non è in grado di valutarne criticamente gli esiti.
Il distributor e il rischio di miss-selling automatizzato
La seconda area di impatto riguarda la distribuzione. Qui l’AI può intervenire nella profilazione del cliente, nella verifica di adeguatezza o appropriatezza, nella selezione del prodotto e nella gestione dei canali digitali. Il caso più evidente è quello del robo-advice, in cui il percorso di raccomandazione è in larga parte affidato a un software.
Il punto giuridico è centrale: il robo-advisor non è un soggetto vigilato, ma uno strumento utilizzato dall’intermediario vigilato. Ne consegue che l’automazione non determina uno spostamento della responsabilità. Se un prodotto viene distribuito a un cliente fuori target, oppure se la raccomandazione risulta incoerente con il profilo dell’investitore o dell’assicurato, la responsabilità resta in capo all’intermediario che ha adottato, configurato e utilizzato il sistema.
In questa prospettiva, il distributore deve presidiare non solo l’esito finale della raccomandazione, ma anche le regole decisionali incorporate nel modello. Deve verificare che il questionario digitale raccolga informazioni complete e aggiornate, che il matching tra cliente e prodotto sia coerente con il target market definito dal produttore e che siano previsti controlli umani in presenza di anomalie, incoerenze o situazioni borderline.
Il rischio di miss-selling assume così una forma nuova. Non è più soltanto il rischio della vendita aggressiva, della consulenza inadeguata o della mancata comprensione del prodotto da parte del cliente. È anche il rischio di una raccomandazione automatizzata apparentemente neutra, ma fondata su dati incompleti, regole non aggiornate o correlazioni non controllate.
Il monitoraggio come early warning
L’AI può però rafforzare in modo significativo anche la fase di monitoraggio successivo. Uno degli snodi essenziali della POG è il flusso informativo tra distributore e produttore. Il distributore deve segnalare se il prodotto viene venduto a clienti non appartenenti al mercato di riferimento, se emergono reclami ricorrenti, se il prodotto genera risultati inattesi o se si manifestano elementi tali da richiedere una revisione.
Tradizionalmente, questo monitoraggio avviene attraverso report periodici, analisi dei reclami, verifiche sulle vendite e controlli interni. L’AI consente di rendere questo processo più tempestivo. Può analizzare in tempo reale i reclami, intercettare concentrazioni anomale di vendite, individuare tassi elevati di riscatto anticipato, rilevare pattern di insoddisfazione o segnalare una distribuzione del prodotto presso clienti con caratteristiche divergenti rispetto al target market.
In questo modo, il sistema può operare come un early warning. Non sostituisce il giudizio dell’intermediario, ma consente di anticipare il momento in cui l’anomalia diventa visibile. La POG, da adempimento documentale e periodico, può così trasformarsi in un sistema dinamico di controllo del ciclo di vita del prodotto.
Anche qui, tuttavia, occorre evitare un equivoco. Il fatto che l’AI segnali un’anomalia non significa che il presidio sia automaticamente efficace. È necessario che l’intermediario abbia definito procedure di escalation, responsabilità interne, tempi di intervento e criteri per la revisione del prodotto o della strategia distributiva. L’allarme algoritmico ha valore solo se inserito in una governance organizzativa capace di reagire.
AI Act e doppia conformità
L’AI Act aggiunge un ulteriore livello di complessità. Il Regolamento (UE) 2024/1689 introduce una disciplina orizzontale dell’intelligenza artificiale, fondata su un approccio basato sul rischio. Alcuni sistemi utilizzati nel settore finanziario e assicurativo possono rientrare tra quelli ad alto rischio, in particolare quando incidono sulla valutazione del merito creditizio o sul credit scoring delle persone fisiche, nonché sulla valutazione del rischio e sulla determinazione del prezzo in relazione ad assicurazioni vita e salute.
Per gli intermediari si apre quindi uno scenario di doppia conformità. Da un lato restano fermi gli obblighi settoriali derivanti da MiFID II, IDD e dalla disciplina nazionale di attuazione. Dall’altro, quando il sistema di AI rientra nell’ambito applicativo dell’AI Act, occorre rispettare requisiti ulteriori in materia di gestione del rischio, qualità dei dati, documentazione tecnica, tracciabilità dei log, trasparenza, supervisione umana, accuratezza, robustezza e sicurezza informatica.
La conseguenza pratica è rilevante: la POG non può più essere considerata soltanto una governance del prodotto. Diventa una governance integrata del prodotto, del dato e del software. L’intermediario deve chiedersi non solo se il prodotto sia coerente con il mercato di riferimento, ma anche se il sistema tecnologico utilizzato per progettarlo, distribuirlo o monitorarlo sia affidabile, documentato e controllabile.
Tracciabilità e prova della compliance
Il tema della prova è destinato ad assumere un ruolo decisivo. In caso di ispezione, reclamo, contenzioso o intervento dell’autorità di vigilanza, non sarà sufficiente affermare che l’algoritmo ha elaborato correttamente i dati. Occorrerà dimostrare come il modello è stato selezionato, quali dati sono stati utilizzati, quali controlli sono stati effettuati, quali modifiche sono intervenute nel tempo e in che modo l’intermediario ha mantenuto una supervisione effettiva.
La tracciabilità diventa quindi una componente essenziale della POG algoritmica. Ogni decisione rilevante deve poter essere ricostruita: dalla definizione del target market alla scelta del canale distributivo, dalla profilazione del cliente alla verifica di coerenza, dal monitoraggio degli scostamenti alla decisione di intervenire sul prodotto.
È in questa prospettiva che il principio dello human-in-the-loop assume un valore concreto. La supervisione umana non può ridursi a una formula organizzativa. Deve tradursi nella possibilità effettiva di comprendere l’output, contestarlo, correggerlo e, se necessario, sospendere l’utilizzo del sistema.
Considerazioni conclusive
L’intelligenza artificiale può rendere la POG più efficiente, predittiva e aderente alle esigenze della clientela. Può migliorare la segmentazione del mercato, rafforzare gli stress test, rendere più tempestivo il monitoraggio e ridurre il rischio di distribuzioni incoerenti. Tuttavia, non può sostituire la responsabilità degli organi di vertice, delle funzioni di controllo e degli intermediari.
Il messaggio centrale è semplice: l’algoritmo può supportare la governance del prodotto, ma non può governarlo al posto dell’intermediario. La compliance non si esaurisce nell’adozione di una tecnologia evoluta. Richiede comprensione, controllo, documentazione e capacità di intervento.
Nel nuovo quadro regolatorio, la vera sfida non è automatizzare la POG, ma assicurare che anche l’automazione sia sottoposta a POG. Solo così l’intelligenza artificiale può diventare uno strumento di tutela del cliente e non un fattore di opacità decisionale.
11.09.2026
