Morgan Stanley Ha Ridotto a Meta' Il Lavoro Più Rischioso Tramite Un Sistema Meno Autonomo

In un settore finanziario in cui la precisione e il rispetto dei tempi sono estremamente critici, Morgan Stanley ha ottenuto un risultato significativo: ha ridotto di metà il tempo necessario per completare uno dei suoi processi più impegnativi. Questo risultato lo ha raggiunto non sviluppando un sistema interamente autonomo, ma implementando un agente intelligente che collabora in maniera iterativa con i controllori. Il processo riguarda la reconciliazione P&L (controlli di profitto e perdita), un compito che richiede un alto livello di dettaglio e di accuratezza.

"È molto più un collega che un copilota", ha detto Todd Johnson, Managing Director di Morgan Stanley, durante un recente evento VB AI Impact. FIXR, il sistema agente interno, supera i semplici compiti "gen AI 1.0" per abbracciare processi molto più complessi, aprendo nuove possibilità di automazione nella struttura dell'azienda.

Che cosa fa esattamente FIXR?

Ogni giorno, i desk di trading di Morgan Stanley gestiscono migliaia di transazioni, tra cui titoli azionari, investimenti in debito e altro ancora. Alla fine del giorno, i responsabili dei conti devono verificare che il profitto e le perdite siano coerenti in diversi sistemi aziendali: Finance, Risk, Operations e Trade Capture. Questo processo, che richiede l'analisi di centinaia di migliaia di attributi, spesso genera discrepanze.

Prima di questa implementazione, il controllo manuale di queste varianze poteva richiedere fino a sei ore per un singolo libro finanziario. Ora, FIXR riduce il tempo necessario a sole due o tre ore, risparmiando complessivamente 1.500 ore settimanali per circa 100 controlli.

Gli agenti collaborano con gli utenti

Dopo il calcolo notturno,FIXR è in grado di analizzare le discrepanze automaticamente e proporre soluzioni basate su regole imparate in precedenza. Questo processo avviene attraverso l'assistenza di diversi agenti:

• Uno interpreta le decisioni passate per risolvere le discrepanze all'inizio della giornata.
• Uno prende in considerazione il comportamento dei controllori e documenta le regole che applicano.
• Uno converte i modelli ripetitivi in regole automatizzabili.

Con queste funzioni, il sistema può risolvere autonomamente alcune discrepanze note, suggerire soluzioni per quelle meno familiari, chiedere aiuto quando necessario e richiedere un'analisi umana quando non è certo. Quando i problemi vengono ripetutamente risolti nello stesso modo, il sistema genera regole fisse.

I ruoli umani rimangono centrali

Un aspetto rilevante di questa automazione è che i controllori umani non vengono mai fuori dal processo. Devono esaminare, approvare o correggere ogni proposta fornita dal sistema, quindi utilizzare quei feedback per migliorare il funzionamento nel corso del tempo. Il sistema agente impara quotidianamente da ogni decisione, incorporando il conoscenza acquisita durante le iterazioni successive.

Johnson ha sottolineato l'importanza del rapporto tra autonomia e fiducia: per ottenere un beneficio di efficienza concreto, non tutti possono controllare ogni decisione presa dagli agenti. Il feedback continuo e la fiducia nel modello sono cruciali per ottenere benefici rilevanti.

Processi al primo posto, estendibilità al secondo

Prima di introdurre qualsiasi aspetto di AI, Johnson e il suo team hanno eseguito un'esauriente valutazione delle intelligenze processuali per mappare i flussi di lavoro e identificare dove l'automazione sarebbe stata più vantaggiosa. Hanno chiesto: valeva la pena affidarsi ad agenti intelligenti, ad automazioni tradizionali, o semplicemente rivedere un passo iniziale inefficiente?

Secondo Johnson, modificare prima i processi, senza aggiungere agenti, è fondamentale per ottenere trasformazioni significative. Il processo di chiusura contabile dei risultati economici era pieno di passaggi manuale adatti all’automazione, e gli agenti che prendono il comando da alcuni di questi compiti riducono il tempo dedicato ai controlli, permettendo ai responsabili di concentrarsi su analisi di valore e su problemi di rischio più complessi.

Un sistema estensibile

Il punto chiave era che l’implementazione era estensibile: il caso d'uso P&L era rilevante per centinaia di controlli globalmente distribuiti in America, Europa e Asia. Johnson raccomanda di partire da casi d’uso specifici per testare, espandere e infine estendere su larga scala una trasformazione aziendale.

Design Deterministico

Un altro elemento strategico era l’ottimizzazione del ruolo della modellazione. Il team ha volutamente limitato il giudizio del modello all’interno della workflow. "Se si hanno opportunità di rendere le cose molto prescrittive e ripetibili, questo rappresenta un consumo di risorse inferiore, rendendo il processo più controllabile", ha detto Johnson. Quindi, è stato pensato per sfruttare il LLM per compiti non richiedenti riproducibilità assoluta.

Man mano che il sistema impara dagli spostamenti dei controlli, Morgan Stanley trasforma queste informazioni in solide regole, piuttosto che lasciarle affidate al modello. Questo approccio garantisce stabilità e prevedibilità.

I controllori sono sempre al comando

Un dibattito fondamentale che accompagna l'applicazione su larga scala degli agenti AI è: gli agenti intelligenti sono codice o dipendenti digitali?

Johnson riconosce che sono un po' entrambi. Questo significa che saranno necessarie innovazioni nella governance e nei controlli: i team tecnici dovranno proteggere il sistema con firewall e crittografia, mentre gli utenti dovranno assumersi le conseguenze delle loro decisioni. Johnson sottolinea che, nell'uso di assistenti AI, i controlli responsabili non possono abdicare all’autorialità anche quando ricevono supporto.

"Uno dei nostri principi forti riguardo alla governance AI è sempre garantire un elemento umano di responsabilità, persino in presenza di automazione", ha sottolineato Johnson.

La sfida della manutenzione controllata

I controlli non richiedono sempre una singola figura. In realtà, il processo è dinamico e continuo. Un aspetto sgradevole di questa transizione, ha ricordato Johnson, è che i sistemi basati su agenti AI richiedono una formazione continua.

“Non ci si può mai permettere di dire: 'abbiamo completato tutta la valutazione e i test necessari, ora non dobbiamo più intervenire.' Deve esserci una visione continua a mano a mano che i modelli evolve".

Gli ostacoli comuni in ambito aziendale

L’esperienza di Morgan Stanley con FIXR non è affatto isolata. Si ricollega a un modello rilevato da VentureBeat: circa tre quarti delle aziende analizzate hanno riscontrato bassissimi o nulli rendimenti sull’ottimizzazione personalizzata dei modelli, creando una sorta di “cimitero di test” di progetti AI fin troppo costosi da mantenere.

Anche la governance emerge