Capital One rappresenta uno dei casi più interessanti di adozione dell’intelligenza artificiale nel settore finanziario, non tanto perché utilizzi strumenti particolarmente sofisticati, quanto perché ha costruito nel tempo le condizioni organizzative, tecnologiche e culturali necessarie affinché l’AI possa incidere realmente sui processi. L’esperienza analizzata da Thomas H. Davenport e Randy Bean per MIT Sloan Management Review mostra come dati proprietari, formazione, governance e integrazione nei workflow siano più importanti della semplice disponibilità della tecnologia.

Quando si osservano le imprese che sembrano ottenere risultati concreti dall’intelligenza artificiale, emerge con sempre maggiore evidenza una distinzione fondamentale tra adottare strumenti di AI e costruire un’organizzazione capace di utilizzare l’AI in modo sistematico. Nel primo caso l’impresa acquista piattaforme, attiva licenze, sperimenta chatbot e promuove iniziative di produttività individuale; nel secondo caso l’intelligenza artificiale viene incorporata nei processi, nei sistemi decisionali, nella qualità dei dati, nella formazione e nelle responsabilità organizzative, fino a diventare una componente strutturale dell’operating model.

È precisamente questa seconda configurazione che emerge dal caso Capital One analizzato da Thomas H. Davenport e Randy Bean nell’articolo “AI Is Thriving at Capital One”, pubblicato nel 2026 su MIT Sloan Management Review. Gli autori ricordano che Capital One nasce nel 1994 come spin-off delle attività credit card di Signet Bank e viene fondata esplicitamente su una “information-based strategy”, costruendo fin dall’inizio una forte capacità nell’utilizzo di dati e analytics per marketing mirato, sperimentazione commerciale, pricing dei tassi e gestione analitica del rischio. Nel settembre 2026 la banca risultava l’ottava negli Stati Uniti per dimensione degli attivi ed era classificata seconda tra le banche globali nell’Evident AI Index 2025, alle spalle soltanto di JPMorgan Chase.

Il dato più interessante, tuttavia, non è la posizione in classifica. È la continuità con cui Capital One ha costruito, nell’arco di più di trent’anni, una capacità organizzativa intorno ai dati prima ancora che l’intelligenza artificiale generativa diventasse una priorità manageriale. In questa prospettiva, l’AI non appare come una discontinuità isolata, ma come l’ultima evoluzione di un percorso molto più lungo di trasformazione data-driven.

L’AI non nasce nel momento in cui arriva il modello generativo

Uno degli elementi più importanti del caso Capital One riguarda proprio la continuità tra le diverse generazioni di strumenti analitici. Amy Lenander, Chief Data Officer della banca, descrive una traiettoria che parte dai modelli di regressione, passa attraverso il machine learning e le forme più avanzate di apprendimento automatico e arriva oggi all’intelligenza artificiale generativa, mentre parallelamente i dati utilizzati si sono spostati da una prevalenza di informazioni strutturate verso una combinazione sempre più ampia di dati strutturati e non strutturati.

Questa progressione è particolarmente utile per comprendere perché alcune imprese riescano ad adottare l’AI più velocemente di altre. Una società che possiede già una cultura analitica, architetture dati consolidate, processi decisionali supportati da modelli e responsabilità chiare sulla qualità dell’informazione non parte dallo stesso punto di un’organizzazione che scopre improvvisamente l’importanza dei dati nel momento in cui introduce ChatGPT o un copilota aziendale.

L’intelligenza artificiale generativa può quindi essere interpretata come un moltiplicatore di capacità preesistenti. Se l’impresa dispone di dati affidabili, processi ben identificati e una cultura orientata alla misurazione, i modelli possono accelerare significativamente attività già strutturate; quando queste fondamenta non esistono, l’AI rischia invece di amplificare incoerenze, disordine informativo e frammentazione.

Il caso Capital One suggerisce quindi una prima conclusione importante: la maturità AI è spesso il risultato di investimenti organizzativi iniziati molto prima dell’AI.

Il ritorno economico dell’AI non può essere letto soltanto trimestre per trimestre

Un secondo passaggio particolarmente interessante riguarda il modo in cui Capital One valuta il ritorno economico dell’intelligenza artificiale. Prem Natarajan, Chief Enterprise AI Officer e Chief Scientist della banca, sostiene che una vera trasformazione non possa essere governata concentrandosi esclusivamente sul ROI trimestrale, perché una tecnologia potente e in rapida evoluzione come l’AI richiede un orizzonte di valutazione più ampio. La visione della banca è che l’intelligenza artificiale possa modificare profondamente il settore finanziario e che la misura ultima del ritorno debba essere ricondotta alla qualità dell’esperienza del cliente.

La posizione merita una lettura attenta, perché non significa rinunciare alla disciplina economica né ignorare il rendimento degli investimenti. Significa piuttosto distinguere tra misurazione del valore e misurazione prematura del valore.

Quando una tecnologia sta ancora modificando le modalità con cui viene utilizzata, una valutazione costruita esclusivamente sul beneficio immediato può produrre decisioni subottimali. Un progetto che nel primo trimestre non genera un ritorno evidente può essere necessario per costruire dati, competenze, integrazioni o infrastrutture che consentiranno successivamente di sviluppare casi d’uso molto più rilevanti.

La questione centrale diventa quindi stabilire quali indicatori siano appropriati nelle differenti fasi della trasformazione. Durante una sperimentazione può essere ragionevole misurare accuratezza, tempo risparmiato, tasso di utilizzo e qualità del risultato; quando il processo entra in produzione, diventano progressivamente più importanti customer experience, riduzione degli errori, cycle time, capacità operativa e impatto economico complessivo.

Capital One sembra quindi applicare una logica nella quale il ROI non viene eliminato, ma collocato in un sistema di misurazione più ampio e più coerente con la natura trasformativa dell’AI.

Dal chatbot al processo: dove Capital One sta utilizzando l’AI

Gli autori identificano diversi ambiti nei quali l’intelligenza artificiale sta già producendo effetti rilevanti, tra cui sviluppo software, prevenzione delle frodi, gestione del rischio e customer service. L’aspetto più interessante è che i casi descritti non riguardano prevalentemente strumenti messi genericamente a disposizione dei dipendenti, ma applicazioni integrate in workflow specifici, con finalità precise e metriche osservabili.

Nel servizio clienti, ad esempio, l’AI generativa viene utilizzata per permettere agli operatori di individuare più rapidamente le risposte corrette durante la conversazione con il cliente. Il beneficio non consiste semplicemente nel produrre testo più velocemente, ma nel ridurre lo stress dell’operatore e contemporaneamente migliorare rapidità e accuratezza della risposta percepita dal cliente.

È una distinzione importante, perché sposta la metrica dalla produttività dell’individuo alla performance complessiva del processo. L’obiettivo non è necessariamente far sì che l’operatore gestisca il doppio delle chiamate, ma aumentare la probabilità che ogni interazione venga risolta più rapidamente e con informazioni più corrette.

Quando l’AI agentica entra nel customer service

Ancora più interessante è il caso della sintesi automatica delle chiamate, nel quale Capital One utilizza tecniche di agentic AI per ricostruire gli elementi principali delle conversazioni con i clienti e interpretare problemi complessi, in particolare quelli relativi alle frodi.

Il processo è stato scomposto in più sotto-attività affidate ad agenti differenti e, secondo quanto riportato da Natarajan, la qualità è diventata soddisfacente soltanto dopo l’introduzione di un agente dotato di capacità di reasoning. Diverse centinaia di operatori utilizzano ormai il sistema e le sintesi generate vengono inserite direttamente nel record del cliente, con incrementi di produttività e miglioramenti dell’esperienza segnalati dai primi utilizzatori.

Il passaggio è particolarmente rilevante perché mostra che l’intelligenza artificiale agentica non deve essere necessariamente immaginata come un sistema completamente autonomo incaricato di sostituire un processo umano, ma può essere progettata come una architettura di sotto-compiti coordinati, nella quale differenti agenti contribuiscono alla costruzione di un risultato utilizzato successivamente dalla persona.

Questo approccio è probabilmente più realistico per molti processi aziendali complessi. Il valore non deriva dal fatto che l’agente “faccia tutto”, ma dalla capacità di scomporre il workflow in attività nelle quali differenti componenti dell’AI possono fornire valore mantenendo il controllo umano nei passaggi più delicati.

Il caso audit: quando il beneficio diventa misurabile

Uno degli esempi più concreti descritti nell’articolo riguarda l’utilizzo dell’intelligenza artificiale nell’audit, nel rischio e nella compliance. Capital One ha sviluppato un assistente intelligente destinato ai professionisti del rischio, combinando modelli open-weight, advanced analytics e strumenti di analytical AI per velocizzare valutazioni, supportare la revisione degli script, effettuare analisi delle cause e aumentare la capacità di controllo su scala.

Secondo i dati riportati nell’articolo, l’utilizzo dell’assistente avrebbe consentito una riduzione dell’85% degli errori qualitativi e un risparmio stimato di circa 5.000 ore di attività di audit su trenta revisori in pochi mesi, mentre una specifica attività che richiedeva circa cinque ore sarebbe stata ridotta a tre minuti.

Si tratta di numeri particolarmente significativi, ma l’elemento più importante non è la percentuale in sé. Il caso mostra come la misurazione del valore dell’AI diventi molto più semplice quando l’intervento è progettato attorno a un processo chiaramente definito e dispone di una baseline precedente: tempo richiesto, numero di errori, volume delle attività e qualità del controllo possono essere confrontati prima e dopo l’introduzione del sistema.

Questo approccio è molto diverso dall’acquistare genericamente una piattaforma e chiedere successivamente quale sia stato il ritorno dell’AI. Il ROI diventa misurabile quando è misurabile il processo che l’AI modifica.

Non “ecco uno strumento, usatelo”

Uno dei passaggi più significativi dell’articolo riguarda però la filosofia con cui Capital One introduce le nuove soluzioni. Natarajan precisa che la maggior parte delle iniziative AI è orientata a capacità enterprise e di linea di business più che alla semplice produttività individuale e sottolinea che la banca non adotta l’approccio “Here’s a tool — go use it”. Ogni nuovo caso d’uso viene invece accompagnato da un investimento significativo nella formazione e nello sviluppo delle capacità necessarie per utilizzare correttamente gli strumenti.

È probabilmente una delle lezioni più trasferibili del caso.

Molte organizzazioni stanno introducendo l’AI attraverso un modello distributivo: acquistano le licenze, definiscono alcune policy e lasciano che ciascun dipendente individui autonomamente i casi d’uso. Questo approccio può generare una prima fase di esplorazione utile, ma difficilmente produce trasformazione sistemica.

Quando invece il progetto parte dal processo, l’impresa può stabilire quali attività devono cambiare, quali capacità servono alle persone, quali dati devono essere disponibili, come si misura il risultato e quali controlli devono essere mantenuti.

La tecnologia smette così di essere un oggetto separato dall’organizzazione e diventa parte della pratica professionale.

Natarajan riassume questo principio osservando che ogni rivoluzione tecnologica diventa realmente tale soltanto quando insieme alla tecnologia evolve anche il tradecraft, ossia il patrimonio di pratiche, competenze e metodi con cui il lavoro viene concretamente svolto.

Il vantaggio competitivo nasce dai dati proprietari

Se la formazione rappresenta una delle fondamenta del modello, l’altra è certamente costituita dai dati. Sia Natarajan sia Lenander attribuiscono un ruolo centrale alla qualità del patrimonio informativo, sostenendo rispettivamente che i dati proprietari rappresentano una fonte di vantaggio competitivo nell’AI e che un ecosistema dati unificato può costruire un vero e proprio competitive moat.

Il concetto merita particolare attenzione perché, con la progressiva commoditizzazione dei modelli, la disponibilità della tecnologia potrebbe diventare sempre meno differenziante. Se gli stessi foundation model sono accessibili a migliaia di imprese, il vantaggio tende a spostarsi verso ciò che l’impresa può fornire al modello e verso la qualità del contesto nel quale lo inserisce.

Un dataset costruito attraverso anni di relazioni con i clienti, decisioni di credito, interazioni, frodi osservate, comportamenti digitali e risultati delle decisioni costituisce un patrimonio difficilmente replicabile da un concorrente che possieda semplicemente lo stesso LLM.

Da questo punto di vista, l’AI può democratizzare l’accesso ai modelli senza democratizzare necessariamente l’accesso ai dati di qualità.

Dati strutturati e non strutturati iniziano a convergere

L’evoluzione dell’intelligenza artificiale generativa amplia inoltre enormemente la tipologia di informazioni utilizzabili. Capital One analizza, ad esempio, le trascrizioni delle conversazioni del customer service non soltanto per addestrare o supportare gli assistenti, ma anche per individuare rapidamente i temi emergenti nelle interazioni con i clienti e osservare la risposta all’introduzione di nuovi prodotti. Parallelamente vengono analizzati dati di clickstream provenienti dal sito pubblico, dal sito transazionale e dall’app mobile, così da comprendere come i clienti distribuiscano tempo e attenzione e ottimizzare il funnel informativo e commerciale.

Questo è probabilmente uno dei cambiamenti più importanti portati dalla nuova generazione di AI. Per decenni le organizzazioni hanno investito prevalentemente nella strutturazione di tabelle, database, data warehouse e metriche numeriche, mentre una quantità enorme di conoscenza aziendale rimaneva confinata in email, documenti, telefonate, conversazioni, ticket e testi difficilmente interrogabili su vasta scala.

I modelli generativi rendono ora analizzabile una parte crescente di questo patrimonio, ma il caso Capital One mostra che la capacità dell’AI di utilizzare dati destrutturati non elimina il bisogno di governance e organizzazione del dato.

Al contrario, lo rende ancora più importante.

Anche i dati non strutturati devono essere curati

Lenander sottolinea infatti che, pur essendo in grado di lavorare con informazioni non strutturate, l’AI produce risultati migliori quando i dati vengono organizzati e curati. Capital One sta quindi investendo nella gestione di questa nuova categoria informativa con la stessa attenzione che in passato aveva dedicato ai dati strutturati.

Un ruolo importante viene attribuito ai knowledge graph, utilizzati per rappresentare le relazioni tra entità, persone, concetti e oggetti e permettere, ad esempio, di comprendere quali clienti utilizzino determinati prodotti bancari. Il valore del knowledge graph cresce progressivamente con l’arricchimento e la qualità dei dati sottostanti.

La lezione è particolarmente importante per le imprese che stanno costruendo sistemi RAG, knowledge base aziendali e assistenti interni: non basta collegare un modello a migliaia di documenti e aspettarsi che la conoscenza emerga automaticamente. Occorre lavorare su qualità, classificazione, relazioni semantiche, aggiornamento, accessi e ownership.

In altre parole, l’AI non elimina il data management; aumenta il rendimento di un buon data management e rende più evidente il costo di quello cattivo.

I dati come prodotti e la responsabilità distribuita

Capital One affronta il problema della governance attraverso un modello particolarmente interessante: i dati vengono gestiti come data products, ossia prodotti informativi confezionati e resi disponibili ai consumatori interni nella forma necessaria al loro utilizzo.

La responsabilità sulla qualità rimane vicina al luogo nel quale il dato viene prodotto. Il team del customer service, ad esempio, è responsabile del data product relativo ai percorsi dei clienti nel sistema del call center, mentre una struttura centrale garantisce che i differenti prodotti siano interoperabili e rispettino standard comuni di qualità e usabilità. Il modello combina quindi ownership federata e capacità centrali, evitando sia una centralizzazione totale sia una frammentazione incontrollata.

È un’impostazione particolarmente interessante anche al di fuori del settore bancario. Un team centrale può definire architettura, governance, sicurezza e standard, ma difficilmente possiede la conoscenza necessaria per curare in profondità tutti i dati dell’organizzazione; al contrario, affidare integralmente la responsabilità alle singole funzioni rischia di produrre silos incompatibili.

Il modello federato tenta di combinare i due vantaggi: competenza locale sul significato del dato e disciplina centrale sull’architettura complessiva.

Quando una capacità interna diventa un prodotto

L’articolo descrive inoltre un passaggio interessante nella traiettoria di Capital One: alcune tecnologie sviluppate inizialmente per esigenze interne sono state trasformate in prodotti commerciali.

È il caso di Databolt, sviluppato dal team software della banca per tokenizzare e proteggere dati sensibili e successivamente commercializzato attraverso Capital One Software. Lo strumento permette di utilizzare dati sensibili in workflow basati su large language model e AI senza esporre direttamente informazioni personali identificabili. Databolt rappresenta il secondo prodotto della divisione software, dopo Slingshot, dedicato alla previsione e gestione dei costi cloud.

Il passaggio è strategicamente interessante perché mostra come una capacità sviluppata per risolvere un problema interno possa diventare, quando sufficientemente distintiva, un nuovo asset commercializzabile.

L’AI non agisce quindi soltanto sulla produttività o sulla riduzione dei costi, ma può contribuire alla creazione di nuovi prodotti e perfino di nuove linee di business.

La vera barriera all’ingresso potrebbe essere organizzativa

Osservando complessivamente il caso Capital One, emerge una conclusione che va oltre il settore bancario. È molto difficile identificare una singola tecnologia utilizzata dalla banca che non sia, almeno in linea teorica, accessibile anche ai concorrenti: modelli generativi, agenti, knowledge graph, analytics e infrastrutture cloud sono ormai disponibili sul mercato.

Ciò che appare molto meno replicabile è la combinazione accumulata nel tempo di dati proprietari, cultura analitica, infrastruttura tecnologica, competenze, processi, responsabilità e governance.

Questa combinazione può diventare una forma di vantaggio competitivo proprio perché ogni elemento rafforza gli altri. Dati migliori producono applicazioni migliori; applicazioni migliori generano più utilizzo e nuovi dati; processi consolidati rendono più semplice integrare nuovi strumenti; persone formate individuano nuovi casi d’uso; una governance chiara consente di scalare senza perdere controllo.

Il vantaggio diventa quindi cumulativo.

È in questo senso che il caso Capital One suggerisce una lettura diversa della corsa all’AI: la barriera più difficile da superare potrebbe non essere tecnologica, ma organizzativa.

AI enterprise e produttività individuale non sono la stessa cosa

Un’altra distinzione particolarmente rilevante riguarda il rapporto tra produttività individuale e trasformazione enterprise. Capital One utilizza certamente l’AI per aiutare le persone nel proprio lavoro, ma Natarajan sottolinea che il focus prevalente riguarda capacità di business e processi organizzativi, non la semplice distribuzione di strumenti individuali.

Questo permette di distinguere due livelli di adozione.

Nel primo, il dipendente utilizza un assistente per scrivere più velocemente un testo, sintetizzare un documento o preparare una presentazione; il beneficio può essere reale, ma rimane disperso tra migliaia di micro-attività difficili da misurare e non modifica necessariamente il modo in cui l’organizzazione produce valore.

Nel secondo, l’impresa ridisegna un processo: il sistema di audit modifica il modo in cui vengono eseguiti i controlli, il customer service integra automaticamente le sintesi nel customer record, gli analisti utilizzano nuove fonti informative e il workflow viene ricostruito intorno alla collaborazione tra uomo e AI.

La seconda configurazione richiede più lavoro, ma produce un vantaggio potenzialmente molto più difendibile.

Dal caso d’uso alla capability

È quindi utile distinguere tra use case e capability.

Un use case risponde alla domanda: dove possiamo applicare l’AI?

Una capability risponde invece a una domanda più ambiziosa: quale nuova capacità organizzativa possiamo costruire grazie all’AI e renderla stabile, misurabile e replicabile?

L’assistente per l’audit non è importante soltanto perché automatizza una determinata attività; è importante se consente alla funzione di rischio di controllare più operazioni, con maggiore qualità e minore costo, modificando strutturalmente la propria capacità operativa.

Lo stesso vale per il customer service: una sintesi automatica non è strategicamente rilevante in quanto tale, ma può diventarlo se aumenta la qualità della memoria organizzativa sul cliente, riduce il tempo speso dagli operatori e migliora la continuità delle interazioni successive.

È probabilmente questo il passaggio che molte aziende devono ancora compiere: smettere di accumulare use case e iniziare a costruire capability.

La formazione non è un’attività successiva al deployment

Il modello Capital One mostra anche come la formazione debba essere progettata contemporaneamente alla tecnologia e non aggiunta successivamente. Se un nuovo sistema modifica una parte significativa del lavoro, la capacità delle persone di utilizzarlo correttamente rappresenta una componente del prodotto stesso.

Questa impostazione supera il modello tradizionale nel quale IT seleziona uno strumento, lo distribuisce e successivamente HR organizza un corso. Nel nuovo contesto, progettazione del workflow, tecnologia, competenze e governance devono essere sviluppate insieme.

Il principio espresso da Natarajan sul tradecraft è quindi molto più profondo di una semplice raccomandazione formativa: la trasformazione tecnologica diventa reale quando cambia la pratica professionale della persona che utilizza la tecnologia.

Un modello che può essere letto come sequenza di maturità

Il caso Capital One può essere interpretato, con una nostra elaborazione, come una possibile sequenza di maturità organizzativa.

La prima fase consiste nel costruire una cultura analitica e una disciplina del dato; la seconda nel centralizzare gli standard mantenendo ownership vicino ai processi; la terza nell’identificare problemi di business concreti e sviluppare applicazioni integrate; la quarta nell’accompagnare ogni soluzione con formazione, governance e metriche; la quinta nel trasformare le applicazioni più efficaci in capability scalabili e, in alcuni casi, perfino in prodotti commercializzabili.

Questa sequenza non viene proposta formalmente dagli autori dell’articolo, ma emerge con sufficiente chiarezza dalla storia descritta. Capital One non sembra avere “adottato l’AI” in un singolo momento; ha progressivamente costruito un sistema nel quale ogni nuova generazione tecnologica può essere incorporata più rapidamente perché trova già presenti molte delle condizioni necessarie alla sua utilizzazione.

La lezione per le imprese: l’AI non corregge automaticamente i problemi organizzativi

Una lettura superficiale dell’attuale trasformazione potrebbe portare a ritenere che modelli sempre più potenti ridurranno progressivamente l’importanza dell’organizzazione, perché la tecnologia sarà capace di compensare processi imperfetti, dati disordinati e competenze insufficienti.

Il caso Capital One suggerisce esattamente il contrario.

Quanto più l’AI diventa potente, tanto maggiore può diventare il valore di dati proprietari ben organizzati, processi chiaramente definiti e responsabilità coerenti. La tecnologia amplifica ciò che trova: un buon sistema organizzativo può produrre risultati eccezionali, mentre un sistema frammentato rischia semplicemente di diventare più veloce nel produrre incoerenza.

Per questo motivo la domanda più utile per un’impresa non dovrebbe essere soltanto “quale modello dobbiamo utilizzare?”, ma piuttosto “quali condizioni organizzative dobbiamo costruire perché l’AI possa generare valore in modo affidabile e scalabile?”

Conclusioni: l’AI prospera dove l’organizzazione era pronta a farla prosperare

Il caso Capital One è interessante proprio perché ridimensiona una parte della narrativa sull’intelligenza artificiale contemporanea. La banca non sembra aver ottenuto risultati perché ha improvvisamente scoperto un modello migliore dei concorrenti, né perché ha distribuito più rapidamente strumenti generativi a tutta l’organizzazione; il suo vantaggio deriva da una storia molto più lunga di investimenti in dati, analytics, tecnologia, competenze e processi decisionali.

L’AI generativa e agentica entrano quindi in un sistema che possiede già una forte capacità di trasformare dati in decisioni, misurare i risultati e integrare nuove tecnologie nelle attività operative. È questa continuità a rendere particolarmente interessante il caso.

L’esperienza descritta da Davenport e Bean suggerisce almeno quattro conclusioni per il management: i dati proprietari rimangono una fonte essenziale di differenziazione; l’AI deve essere incorporata nei processi e non semplicemente distribuita agli individui; la formazione deve evolvere insieme alla tecnologia; il valore deve essere misurato sul risultato del workflow e sull’esperienza del cliente, non soltanto sul numero di utenti o sulle ore teoricamente risparmiate.

A queste se ne può aggiungere una quinta, forse ancora più importante: la trasformazione AI non comincia necessariamente dall’AI.

Comincia molto prima, nel modo in cui un’impresa organizza i propri dati, attribuisce responsabilità, costruisce competenze e sviluppa la capacità di apprendere progressivamente dalle proprie decisioni.

Per questo Capital One rappresenta un caso particolarmente utile: mostra che l’intelligenza artificiale non diventa un vantaggio competitivo quando l’impresa dispone della tecnologia, ma quando possiede un’organizzazione capace di trasformarla in una capacità distintiva difficile da replicare.

La fonte

Il presente contributo prende avvio dall’articolo “AI Is Thriving at Capital One”, di Thomas H. Davenport e Randy Bean, pubblicato nel 2026 nella rubrica AI in Action del MIT Sloan Management Review. Gli autori analizzano l’evoluzione dell’utilizzo dell’intelligenza artificiale in Capital One attraverso le testimonianze di Prem Natarajan, Executive Vice President, Chief Enterprise AI Officer e Chief Scientist, e Amy Lenander, Executive Vice President e Chief Data Officer, soffermandosi in particolare sui casi d’uso nel customer service, nell’audit, nel rischio e nella compliance, sulla centralità dei dati proprietari e sulla governance federata dei data products.

L’articolo evidenzia come Capital One interpreti l’AI come prosecuzione di un percorso iniziato molti anni prima attraverso analytics e automated decisioning, e come la banca privilegi applicazioni integrate nelle capability aziendali rispetto alla semplice produttività individuale, accompagnando la tecnologia con investimenti in formazione, cura dei dati e standard organizzativi. Gli esempi riportati comprendono la sintesi agentica delle chiamate, l’assistente intelligente per audit e compliance, l’utilizzo di knowledge graph e data products e lo sviluppo di Databolt, successivamente trasformato in prodotto commerciale attraverso Capital One Software.