Per una fintech che opera su pagamenti, conti e trasferimenti internazionali, aumentare la velocità di sviluppo non è mai soltanto una questione di produttività. Ogni modifica al software può toccare processi regolati, dati sensibili e sistemi che devono contribuire a prevenire frodi, riciclaggio e altri reati finanziari. È in questo perimetro che Revolut colloca l’adozione dei modelli di OpenAI e di Codex, descritta in un caso studio pubblicato dalla stessa OpenAI.

L’azienda sostiene di essere riuscita a ridurre dal 30% al 60% il tempo dedicato alla scrittura del codice in alcuni flussi di lavoro. Parallelamente, l’intelligenza artificiale viene impiegata per estendere la capacità delle attività investigative legate alla criminalità finanziaria. Il messaggio centrale è quindi duplice: usare l’AI generativa per rendere più rapido il lavoro dei team tecnici, senza trasformare quella rapidità in un allentamento dei presidi di controllo.

La precisazione è importante. In un’impresa finanziaria, una riduzione del tempo di coding non coincide automaticamente con una riduzione dei tempi necessari per consegnare una funzione ai clienti. Restano test, revisioni, validazioni di sicurezza, procedure interne e requisiti normativi. Il dato diffuso da Revolut va letto per ciò che è: una misura riferita al tempo di produzione del codice nei casi considerati dall’azienda, non una promessa di accelerazione identica per ogni progetto o per l’intero ciclo di rilascio.

Codex entra nel lavoro quotidiano degli sviluppatori

Codex è lo strumento di OpenAI orientato ai compiti di programmazione. Può assistere nella stesura, nell’analisi e nella modifica del codice, trasformando richieste espresse in linguaggio naturale in proposte operative. Per un’organizzazione con molti prodotti, servizi e componenti software, questo tipo di assistenza può alleggerire una parte del lavoro ripetitivo e ridurre il tempo necessario ad arrivare a una prima implementazione.

Revolut indica un intervallo tra il 30% e il 60% di risparmio sul coding, una forchetta ampia che lascia intendere come il risultato dipenda dal tipo di attività. È plausibile che la differenza sia rilevante fra compiti circoscritti, dove una proposta generata dal modello può essere verificata rapidamente, e interventi più delicati su sistemi complessi. Il caso studio non fornisce una ripartizione per linguaggi, team o categorie di progetto: non consente quindi di estendere quel dato a tutto il lavoro ingegneristico di Revolut, né ad altre banche digitali.

Il valore dell’adozione, nella ricostruzione dell’azienda, non sta nel sostituire il giudizio degli sviluppatori. L’AI accelera la produzione di materiale su cui lavorare; la responsabilità sulla qualità, sulla correttezza e sull’integrazione nel prodotto resta invece in capo alle persone e ai processi aziendali. È una distinzione sostanziale per il software finanziario: un suggerimento apparentemente funzionante può introdurre comportamenti inattesi, dipendenze non desiderate o vulnerabilità se viene accettato senza una verifica adeguata.

Per questo l’esperienza di Revolut è più interessante come esempio di integrazione organizzativa che come semplice prova di velocità di un assistente per programmatori. L’incremento di produttività acquista valore soltanto se si inserisce in un ciclo di sviluppo capace di rilevare gli errori e di mantenere tracciabili le decisioni tecniche. L’automazione può comprimere alcune fasi, ma non elimina il bisogno di code review, test e controllo umano.

Il fronte più sensibile: le indagini sui crimini finanziari

L’altro ambito citato da OpenAI è il lavoro di contrasto alla criminalità finanziaria. Le piattaforme che gestiscono denaro devono esaminare segnalazioni, schemi, documenti e grandi quantità di informazioni per identificare casi che richiedono attenzione. Ampliare questa capacità con modelli generativi può significare aiutare gli specialisti a orientarsi tra elementi numerosi e a gestire più investigazioni, senza affidare al modello il ruolo di arbitro autonomo.

Il caso studio parla di una capacità investigativa scalata grazie ai modelli OpenAI, ma non dettaglia né il volume delle pratiche trattate né le metriche con cui tale miglioramento è stato misurato. Non chiarisce inoltre quali passaggi specifici siano automatizzati e quali rimangano affidati agli analisti. Sono limiti rilevanti, perché il contrasto alle frodi e al riciclaggio richiede valutazioni contestuali e decisioni che possono incidere direttamente sull’operatività di clienti e imprese.

In questo campo l’AI generativa ha un potenziale evidente: sintetizzare informazioni, ordinare elementi preliminari e assistere l’analisi può ridurre il carico amministrativo degli investigatori. Ma la stessa tecnologia può produrre risposte inesatte o incomplete. Un modello linguistico non fornisce di per sé una prova, non sostituisce le fonti sottostanti e non può diventare l’unico criterio per bloccare un’operazione o classificare un cliente. La solidità di un sistema dipende dalla qualità dei dati disponibili, dai controlli applicati e dalla possibilità di ricostruire come si è arrivati a una decisione.

Velocità e sicurezza devono convivere nello stesso processo

La formula scelta da Revolut, “alzare l’ambizione senza abbassare l’asticella”, individua un problema ormai comune alle aziende che stanno introducendo strumenti generativi nei processi più importanti. La pressione competitiva spinge a sperimentare: chi sviluppa più in fretta può iterare sui prodotti, rispondere prima ai problemi e liberare risorse. Tuttavia, nelle attività finanziarie, l’adozione non può essere separata da sicurezza, protezione dei dati e supervisione.

Il materiale pubblicato non entra nel dettaglio dell’architettura tecnica, delle politiche di trattamento dei dati o delle procedure di audit utilizzate da Revolut. Non permette dunque di valutare dall’esterno come siano gestiti gli aspetti più sensibili dell’integrazione. È un punto da tenere presente anche perché il racconto arriva dal fornitore tecnologico e dal suo cliente: documenta un’implementazione e i risultati dichiarati, non costituisce una verifica indipendente della sicurezza o dell’efficacia del sistema.

Ciò non riduce l’interesse del caso. Al contrario, mostra dove si sta spostando la discussione. La prima fase dell’AI generativa in azienda è stata spesso dominata da sperimentazioni individuali e strumenti usati per scrivere testi o riassumere documenti. Revolut descrive invece un utilizzo che coinvolge sia la produzione del software sia un’area operativa ad alta criticità. Il passaggio obbliga le imprese a stabilire confini più precisi: quali compiti possono essere assistiti, quali controlli sono obbligatori, quando serve un’ulteriore revisione e chi risponde dell’esito finale.

Per le fintech, la posta in gioco è particolarmente alta. L’efficienza ottenuta nello sviluppo può tradursi in una maggiore capacità di intervenire sui servizi digitali; quella ottenuta nelle investigazioni può aiutare a gestire una scala operativa crescente. Ma le due promesse rimangono sostenibili solo se l’AI è trattata come una componente sottoposta agli stessi standard richiesti al resto dell’infrastruttura, e non come una scorciatoia sottratta ai controlli.

Il prossimo banco di prova non sarà quindi la sola adozione di Codex o di altri modelli, ma la capacità di dimostrare nel tempo che i guadagni di produttività resistono alle verifiche di qualità e che l’assistenza alle indagini produce risultati affidabili. Revolut offre per ora un caso concreto di questa direzione, con numeri limitati al coding e senza dettagli operativi completi. Per il settore finanziario, è abbastanza per segnalare una tendenza, non per considerare risolti i problemi di governance che l’AI generativa porta con sé.

Fonti