Efficienza operativa, governance e nuovi rischi decisionali: l’esperienza delle banche centrali
Nell’ambito dell’intelligenza artificiale, gli agenti (o AI agents) rappresentano una classe di sistemi progettati per operare in modo autonomo al fine di perseguire obiettivi specifici. A differenza dei modelli tradizionali, che si limitano a rispondere a input dell’utente generando contenuti testuali, gli agenti sono concepiti per agire nell’ambiente digitale, assumendo decisioni e intraprendendo iniziative volte al completamento di compiti complessi.
Tali sistemi si caratterizzano per alcuni elementi strutturali. In primo luogo, l’autonomia, che consente loro di fissare obiettivi intermedi e pianificare le proprie azioni con una supervisione umana limitata. In secondo luogo, la capacità di pianificazione, attraverso la scomposizione di obiettivi articolati in una sequenza di attività elementari. Infine, l’interazione con strumenti esterni, quali software applicativi, API e database, nonché la possibilità di navigare sul web per reperire informazioni o eseguire operazioni, come la redazione di documenti, l’elaborazione di dati o l’attivazione di flussi comunicativi.
Un ulteriore profilo distintivo degli agenti AI è rappresentato dalla capacità di auto-valutazione e adattamento: tali sistemi possono analizzare i risultati ottenuti, identificare eventuali errori e modificare la strategia operativa qualora il piano iniziale non risulti adeguato al contesto o agli obiettivi perseguiti.
Muovendo da tali premesse, appare di particolare interesse esaminare il crescente impiego di architetture agentiche nei processi istituzionali. In questa prospettiva si colloca l’iniziativa della Banca d’Italia, che nel marzo 2026 ha pubblicato sei nuovi Occasional Papers nell’ambito della collana “Questioni di economia e finanza”. Accanto allo studio dedicato all’impatto economico dell’adozione dell’intelligenza artificiale da parte delle imprese italiane, merita specifica attenzione il contributo intitolato “Intelligenza artificiale con agenti: possiamo migliorare l’efficienza nella produzione di rassegne congiunturali economiche?”.
Il lavoro si inserisce nel più ampio dibattito sull’impiego dell’intelligenza artificiale nei processi decisionali e informativi delle istituzioni, concentrandosi sull’uso di sistemi di AI basata su agenti nella predisposizione della documentazione interna alle banche centrali. Come noto, tali istituzioni gestiscono un ingente patrimonio documentale, che comprende dichiarazioni di politica monetaria, atti regolamentari, report tecnici e analisi congiunturali, svolgendo una funzione essenziale di supporto alle decisioni, di coordinamento organizzativo e di comunicazione verso i mercati.
La gestione di tali flussi informativi comporta tuttavia rilevanti costi operativi e oneri analitici. In questo contesto, la comprensione delle capacità inferenziali dei sistemi di intelligenza artificiale, ossia della loro attitudine a trarre conclusioni o generare nuove informazioni a partire da dati noti, assume un rilievo centrale ai fini dell’affidabilità degli output, soprattutto in ambiti caratterizzati da elevati standard decisionali e da una marcata sensibilità sistemica.
I sistemi di AI agentica integrano modelli linguistici avanzati con funzionalità autonome di pianificazione, gestione di workflow strutturati e interazione con strumenti esterni (tool-calling). Ciò consente di automatizzare attività quali la redazione di testi, la sintesi documentale, la verifica di coerenza tra fonti, nonché la produzione di elaborazioni quantitative e di rappresentazioni grafiche.
Muovendo da queste considerazioni, la Banca d’Italia ha analizzato il contributo che le più recenti evoluzioni dell’intelligenza artificiale, potenziate da architetture agentiche e dall’esecuzione coordinata di compiti, possono offrire ai processi operativi delle banche centrali. Lo studio presenta, a fini esemplificativi, due sistemi sviluppati ex novo mediante strumenti open source, evidenziandone l’efficacia nella produzione di note economiche e il potenziale contenimento dei costi di sviluppo e gestione.
I due modelli analizzati, rispettivamente dedicati alla redazione di un report sull’inflazione e alla costruzione di un indice di stabilità bancaria, sono concepiti come strumenti di supporto all’attività degli economisti nella predisposizione di policy brief. In particolare, essi sono in grado di acquisire autonomamente dati da fonti rilevanti, effettuare elaborazioni econometriche e generare output testuali coerenti con le caratteristiche statistiche delle informazioni trattate.
Con riferimento al primo strumento, la produzione di analisi sull’andamento dell’inflazione costituisce un’attività ricorrente per le banche centrali, articolata in fasi operative standardizzate, dalla raccolta e validazione dei dati alla loro rappresentazione grafica e sintesi interpretativa. L’adozione di sistemi agentici non mira a sostituire il giudizio tecnico, bensì a supportarlo, consentendo di delegare le componenti ripetitive del processo e di concentrare l’attenzione sull’interpretazione dei risultati e sul confronto tra diversi contesti economici.
Analoga logica sottende la seconda applicazione, relativa alla costruzione di un indice sintetico di stabilità finanziaria del sistema bancario. Il monitoraggio di tali condizioni richiede l’analisi periodica di molteplici indicatori macro-finanziari e settoriali, la cui aggregazione e interpretazione costituisce un’attività intensiva ma fortemente standardizzata. In questo ambito, l’automazione può favorire una gestione sistematica dei dati, l’applicazione coerente delle metodologie di sintesi e la produzione di indicatori comparabili nel tempo, utili sia per finalità interne sia per la comunicazione istituzionale.
Le evidenze emerse dallo studio suggeriscono che l’intelligenza artificiale basata su agenti è suscettibile di incidere in modo significativo sulle modalità di gestione documentale delle banche centrali, generando potenziali guadagni in termini di efficienza.
Al contempo, viene opportunamente sottolineata la necessità di accompagnare tali innovazioni con adeguati presidi di governance.
Ne deriva che un’adozione sostenibile dell’AI agentica richiede non solo investimenti tecnologici, ma anche lo sviluppo di competenze specialistiche, un’adeguata “istruzione” dei sistemi, il rafforzamento dei meccanismi di responsabilità algoritmica e la definizione di modelli di governance rigorosi. Parallelamente, appare necessario promuovere un confronto sistematico sulle implicazioni economiche, sociali e regolatorie connesse alla diffusione di tali tecnologie.
In tale prospettiva, le considerazioni emerse si pongono in linea con il quadro normativo europeo in corso di consolidamento in materia di intelligenza artificiale. L’AI Act, ponendo al centro i principi di supervisione umana, trasparenza, gestione del rischio e responsabilità nei sistemi ad alto impatto decisionale, offre un riferimento essenziale per orientare l’integrazione dell’intelligenza artificiale nei processi istituzionali, affinché l’innovazione tecnologica si sviluppi in modo coerente con le esigenze di affidabilità, accountability e tutela dell’interesse pubblico.
In conclusione, lo sviluppo dell’intelligenza artificiale, e in particolare delle architetture basate su agenti, offre indubbie opportunità di miglioramento dell’efficienza e della qualità dei processi decisionali istituzionali; affinché tali tecnologie possano dispiegare appieno il loro potenziale al servizio del bene comune, appare tuttavia imprescindibile accompagnarne la diffusione con una crescente attenzione agli aspetti etici, a modelli di governance responsabile e a un’adeguata “istruzione” dei sistemi di AI, idonea a garantirne affidabilità, trasparenza e un controllo umano significativo, in linea con i principi posti a fondamento del quadro normativo europeo delineato dall’AI Act.
31.07.2026
