La Product Oversight and Governance ha la funzione di assicurare che prodotti finanziari e assicurativi siano ideati, approvati, distribuiti e controllati in rapporto a una clientela identificabile e a bisogni verificabili. L’introduzione dell’intelligenza artificiale nei processi di progettazione, profilazione, raccomandazione e monitoraggio modifica il perimetro del presidio: non è più sufficiente governare il prodotto, poiché occorre governare anche il sistema tecnologico che contribuisce a determinarne il ciclo di vita.
Quando un algoritmo seleziona variabili, costruisce segmenti di clientela, suggerisce abbinamenti tra cliente e prodotto o segnala anomalie nella distribuzione, la POG assume una dimensione ulteriore. La correttezza del risultato dipende dalla qualità dei dati, dalle regole incorporate nel modello, dalla possibilità di spiegare l’output e dalla capacità dell’intermediario di intervenire in modo effettivo.
Dal prodotto al modello decisionale
Nel quadro MiFID II e IDD, la POG opera come presidio preventivo a tutela del cliente. Produttori e distributori devono individuare il mercato di riferimento, verificare la coerenza tra caratteristiche del prodotto e bisogni della clientela, definire canali distributivi appropriati e mantenere flussi informativi idonei a rilevare scostamenti nel tempo.
Nel settore assicurativo, il Regolamento delegato (UE) 2017/2358 e il Regolamento IVASS n. 45/2020 hanno consolidato questo impianto, imponendo processi strutturati di approvazione, test, monitoraggio e revisione dei prodotti. Tali obblighi non vengono meno se l’intermediario utilizza strumenti di intelligenza artificiale. Al contrario, l’automazione rende più rilevante la dimostrazione della coerenza tra scelte organizzative, dati utilizzati e risultati conseguiti.
La POG come presidio tecnologico
L’intelligenza artificiale può analizzare grandi volumi di dati, individuare correlazioni complesse, simulare scenari di mercato e rilevare più rapidamente comportamenti anomali della clientela. In questa prospettiva, può rafforzare la POG, rendendo più accurata la fase di product approval e più tempestivo il controllo successivo.
Il rischio principale riguarda però l’opacità decisionale. Nei modelli complessi, il produttore o il distributore possono conoscere l’esito dell’elaborazione senza riuscire a spiegare in modo chiaro il percorso che ha condotto a tale esito. È il problema della cosiddetta black box: un cliente viene incluso o escluso dal target market, oppure riceve una determinata raccomandazione, ma la logica sottostante non è pienamente ricostruibile.
Target market e personalizzazione algoritmica
La fase di manifattura del prodotto è uno degli ambiti nei quali l’intelligenza artificiale incide con maggiore intensità. Banche, imprese di investimento e compagnie assicurative possono utilizzare modelli predittivi per analizzare dati di mercato, stimare bisogni futuri, segmentare la clientela e costruire prodotti più aderenti alle caratteristiche dei potenziali destinatari.
Questa evoluzione è compatibile con la logica della POG solo se non svuota il concetto di mercato di riferimento. Il target market deve restare una scelta consapevole del produttore, fondata su criteri documentati e comprensibili. L’algoritmo può affinare la segmentazione, ma non può trasformare il mercato di riferimento in una successione di decisioni individuali non verificabili.
I limiti dell’iper personalizzazione
La POG tradizionalmente ragiona per categorie: conoscenze ed esperienze del cliente, obiettivi di investimento, tolleranza al rischio, situazione finanziaria, esigenze assicurative o previdenziali. L’intelligenza artificiale tende invece a spingere verso l’iper personalizzazione, creando micro segmenti o raccomandazioni costruite sul singolo utente.
La personalizzazione non è vietata, ma deve essere governata. Il produttore deve poter dimostrare che le variabili utilizzate sono pertinenti, che la segmentazione è coerente con le caratteristiche del prodotto e che il modello non rende incerto o meramente implicito il target market. In assenza di tali presidi, la precisione tecnica rischia di diventare opacità giuridica.
Bias e target market negativo occulto
Un sistema di intelligenza artificiale può elaborare variabili apparentemente neutre, come luogo di residenza, professione, abitudini di consumo, frequenza di utilizzo di servizi digitali o comportamenti transazionali. Tali elementi possono tuttavia funzionare come indicatori indiretti di fattori sensibili o comunque discriminatori.
Nel settore assicurativo e creditizio, il rischio è particolarmente rilevante. 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 ottica POG, ciò può generare un target market negativo occulto. Formalmente, il produttore individua un mercato di riferimento conforme alla disciplina applicabile. Nella sostanza, il modello algoritmico può restringere l’accesso al prodotto secondo criteri non dichiarati o non spiegabili. Per questo la governance del prodotto deve includere anche la governance del dato e del modello.
Test di prodotto e scenari predittivi
L’intelligenza artificiale può essere impiegata in modo virtuoso nella fase di test del prodotto. I modelli possono simulare scenari di mercato numerosi e complessi, misurando gli effetti di variazioni dei tassi, shock di liquidità, oscillazioni dei prezzi, incremento dei riscatti anticipati o mutamenti nei comportamenti della clientela.
Questo utilizzo è coerente con gli obblighi di governo e controllo dei prodotti, poiché consente di verificare non soltanto la conformità astratta del prodotto, ma anche la sua tenuta rispetto al mercato di riferimento e alle possibili evoluzioni del contesto.
Resta però necessario un controllo critico. Il produttore deve conoscere quali scenari sono stati simulati, quali dati sono stati utilizzati, quali assunzioni sono state incorporate e quali limiti presenta il modello. Un test automatizzato non costituisce un presidio sufficiente se l’intermediario non è in grado di comprenderne e valutarne gli esiti.
Distribuzione digitale e responsabilità dell’intermediario
La seconda area di impatto riguarda la distribuzione. L’intelligenza artificiale 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 il robo advice, nel quale il percorso di raccomandazione è affidato in larga misura a un software.
Sul piano giuridico, il punto è netto: il robo advisor non è un soggetto vigilato, ma uno strumento dell’intermediario vigilato. L’automazione non trasferisce la responsabilità. Se un prodotto viene collocato presso un cliente fuori target, oppure se la raccomandazione è incoerente con il profilo dell’investitore o dell’assicurato, la responsabilità resta in capo all’intermediario che ha scelto, configurato e utilizzato il sistema.
Il nuovo volto del miss selling
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 collegamento 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 quindi una forma nuova. Non coincide soltanto con la vendita aggressiva, con la consulenza inadeguata o con la mancata comprensione del prodotto da parte del cliente. Può derivare anche da una raccomandazione automatizzata apparentemente neutra, ma basata su dati incompleti, regole non aggiornate o correlazioni non controllate.
Monitoraggio continuo ed early warning
La POG richiede un flusso informativo efficace tra distributore e produttore. Il distributore deve segnalare vendite a clienti non appartenenti al mercato di riferimento, reclami ricorrenti, risultati inattesi del prodotto ed elementi che possano richiedere una revisione del prodotto o della strategia distributiva.
Tradizionalmente, tale monitoraggio avviene tramite report periodici, analisi dei reclami, verifiche sulle vendite e controlli interni. L’intelligenza artificiale può rendere il processo più rapido, analizzando reclami in tempo reale, rilevando concentrazioni anomale di vendite, individuando tassi elevati di riscatto anticipato e segnalando pattern di insoddisfazione.
In tale funzione, il sistema opera come early warning. Non sostituisce il giudizio dell’intermediario, ma anticipa l’emersione dell’anomalia. La POG può così evolvere da adempimento periodico e documentale a sistema dinamico di controllo del ciclo di vita del prodotto.
L’allarme algoritmico ha valore solo se inserito in una struttura organizzativa capace di reagire. Occorrono procedure di escalation, responsabilità interne definite, tempi di intervento e criteri per decidere se modificare il prodotto, rivedere la distribuzione o sospendere determinate modalità operative.
AI Act e integrazione con la disciplina settoriale
Il Regolamento (UE) 2024/1689, noto come AI Act, introduce una disciplina orizzontale dell’intelligenza artificiale fondata su un approccio basato sul rischio. Nel settore finanziario e assicurativo, alcuni sistemi 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 configura quindi una doppia conformità. Da un lato restano applicabili gli obblighi settoriali derivanti da MiFID II, IDD e dalla disciplina nazionale di attuazione. Dall’altro, quando il sistema di intelligenza artificiale ricade nell’ambito dell’AI Act, devono essere rispettati 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 operativa è rilevante. La POG non può essere letta soltanto come governance del prodotto, ma come governance integrata del prodotto, del dato e del software. L’intermediario deve verificare 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, prova e controllo umano
In caso di ispezione, reclamo, contenzioso o intervento dell’autorità di vigilanza, non sarà sufficiente affermare che l’algoritmo ha elaborato correttamente i dati. Sarà necessario dimostrare come il modello è stato selezionato, quali dati sono stati utilizzati, quali verifiche sono state effettuate, 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. Devono poter essere ricostruite le decisioni rilevanti: definizione del target market, scelta del canale distributivo, profilazione del cliente, verifica di coerenza, monitoraggio degli scostamenti e decisione di intervenire sul prodotto o sulla distribuzione.
In tale contesto, il principio dello human in the loop assume valore sostanziale. La supervisione umana non può consistere in una formula organizzativa. Deve tradursi nella possibilità effettiva di comprendere l’output, contestarlo, correggerlo e, se necessario, sospendere l’utilizzo del sistema.
Una responsabilità che resta umana
L’intelligenza artificiale può rendere la Product Oversight and Governance 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.
Non può però sostituire la responsabilità degli organi di vertice, delle funzioni di controllo e degli intermediari. L’algoritmo può supportare la governance del prodotto, ma non può governarlo al posto dell’intermediario. La compliance richiede comprensione, controllo, documentazione e capacità di intervento.
La questione decisiva, oggi, non è soltanto utilizzare l’intelligenza artificiale nella POG. È assicurare che anche l’automazione sia sottoposta a regole di governo, verifica e responsabilità, affinché la tecnologia operi come strumento di tutela del cliente e non come fonte di opacità decisionale.