Wells Fargo: la trasformazione guidata dall’ai e le implicazioni per il futuro del lavoro bancario

Wells Fargo punta sull’IA per rifondare l’architettura operativa e ridurre la forza lavoro, trasformandosi in una “API gigante” dove gli algoritmi gestiscono il volume e gli umani le eccezioni

C’è un momento preciso nel ciclo di vita di ogni grande sistema legacy in cui il debito tecnico smette di essere solo un fastidio per diventare un blocco esistenziale. Per Wells Fargo, quel blocco è stato per anni non solo metaforico, ma normativo: il tetto agli asset imposto dalla Federal Reserve.

Ora che quel vincolo è caduto (precisamente a giugno 2025), la banca non sta semplicemente tornando alla normalità.

Sta tentando un refactoring completo della sua architettura operativa, e lo sta facendo con una brutalità algoritmica che merita di essere analizzata non come una notizia finanziaria, ma come un case study di ingegneria aziendale.

La nomina di Saul Van Beurden a capo delle iniziative AI non è il solito rimpasto di poltrone. È il segnale che l’intelligenza artificiale, per una banca che gestisce 2,1 trilioni di dollari, ha smesso di essere un esperimento confinato nei laboratori di R&D per diventare infrastruttura critica, al pari dei server che gestiscono i bonifici SWIFT. Ma dietro i comunicati stampa patinati, c’è una realtà tecnica molto più complessa: Wells Fargo sta cercando di innestare motori di inferenza probabilistica su un corpo burocratico che per decenni ha funzionato secondo logiche deterministiche.

E come ogni sviluppatore sa, integrare tecnologie bleeding-edge su stack legacy è un’operazione dove il rischio di “rompere la build” è altissimo.

Dalla RPA all’agentic AI: l’evoluzione dell’infrastruttura

Per capire cosa sta succedendo a San Francisco, bisogna distinguere il marketing dalla tecnologia. Fino a ieri, quando le banche parlavano di automazione, intendevano la RPA (Robotic Process Automation). In termini tecnici, la RPA è poco più di uno script glorificato: esegue macro, sposta dati da una cella Excel a un form web, segue regole if-then rigide.

È utile, certo, ma è stupida.

Non “capisce” il dato; lo sposta.

Il salto che Wells Fargo sta tentando ora è verso quella che viene definita “Agentic AI”, o IA agentica. Non stiamo più parlando di script, ma di agenti autonomi capaci di pianificare sequenze di azioni per raggiungere un obiettivo. È la differenza tra scrivere un programma procedurale e addestrare una rete neurale a navigare un ambiente. Charlie Scharf, CEO della banca, ha inquadrato perfettamente questo passaggio tecnologico:

L’IA generativa e agentica rimodellerà le dinamiche competitive in ogni settore, e noi stiamo abbracciando questi strumenti così come abbiamo abbracciato l’automazione dei processi robotici e l’apprendimento automatico per anni.

— Charlie Scharf, Presidente e CEO di Wells Fargo

Il riferimento alla “Agentic AI” non è casuale. Implementare agenti autonomi in un ambiente regolamentato richiede un livello di guardrailing (barriere di sicurezza) eccezionale.

Un LLM (Large Language Model) che allucina in una chat è un problema di PR; un agente AI che allucina in una valutazione del rischio di credito è un disastro legale.

Per questo motivo, Wells Fargo ha nominato Saul Van Beurden alla guida delle iniziative di intelligenza artificiale, scegliendo un veterano interno piuttosto che una rockstar della Silicon Valley: in questo contesto, conoscere la “legacy” del business è più importante che saper ottimizzare i pesi di un modello su PyTorch.

Ma la vera domanda è: questa potenza di calcolo a chi serve davvero?

Ottimizzazione del codice e riduzione della forza lavoro

Qui arriviamo al punto dolente, quello che spesso viene nascosto sotto il tappeto dell’innovazione. L’efficienza tecnica, in un sistema chiuso come un’azienda, è un gioco a somma zero. Se il software diventa più capace, l’umano diventa ridondante.

Wells Fargo ha già ridotto la sua forza lavoro da 275.000 a circa 210.000 dipendenti negli ultimi anni. L’introduzione massiccia di GenAI non è pensata per “aiutare” i restanti a lavorare meno, ma per permettere alla banca di operare con un organico ancora più snello.

Dal punto di vista dello sviluppo software, i dati sono impressionanti. L’utilizzo di assistenti di coding (probabilmente basati su tecnologie come Amazon Q, vista la partnership con AWS) ha già aumentato l’efficienza ingegneristica del 30-35%. Chi scrive codice sa cosa significa: meno boilerplate, refactoring più veloci, test unitari generati automaticamente.

Tuttavia, questa efficienza ha un prezzo umano calcolabile. In una recente dichiarazione, il CEO Charlie Scharf prevede ulteriori tagli al personale e un’implementazione graduale dell’AI nel corso del 2026, confermando che l’automazione è la leva principale per mantenere i margini in un mercato post-sanzioni.

La strategia è chiara: utilizzare l’AI per disaccoppiare la crescita del fatturato dalla crescita dell’organico.

È il sogno di ogni CFO e l’incubo di ogni sindacato.

Tecnicamente, stiamo assistendo alla trasformazione della banca in una API gigante, dove gli esseri umani gestiscono le eccezioni e gli algoritmi gestiscono il volume.

Ma c’è un rischio sistemico in questa corsa all’efficienza.

Un’architettura centralizzata per un gigante da 2,1 trilioni

Il problema dell’AI su scala enterprise non è mai il modello in sé, ma la distribuzione. Wells Fargo ha dichiarato di aver già distribuito strumenti AI su 180.000 desktop. Gestire le dipendenze, le versioni e soprattutto la sicurezza dei dati su una superficie d’attacco così vasta è un incubo logistico.

Non basta fare pip install su un server centrale.

Ogni endpoint diventa un potenziale punto di ingresso per attacchi di prompt injection o esfiltrazione dati. La centralizzazione sotto Van Beurden suggerisce un approccio monolitico alla governance. Invece di lasciare che ogni dipartimento sperimenti con le proprie “sandbox”, la banca sta costruendo una piattaforma unificata. Questo approccio, sebbene meno agile, è l’unico tecnicamente percorribile per garantire che i modelli siano compliant con le normative federali. Scharf è stato esplicito sulla catena di comando:

Van Beurden lavorerà con i responsabili aziendali e risponderà a Scharf per mostrare progressi coerenti e significativi dell’IA in tutta l’azienda.

— Charlie Scharf, Chief Executive di Wells Fargo

La trasparenza interna diventa quindi un requisito tecnico, non solo gestionale. Monitorare l’output di 180.000 istanze AI richiede strumenti di osservabilità che vanno ben oltre i log tradizionali. Stiamo parlando di tracciare la deriva dei modelli (model drift) e garantire che l’AI non inizi a sviluppare bias non previsti nel training set.

Ed è qui che l’entusiasmo tecnologico deve scontrarsi con la realtà. In un contesto in cui Charlie Scharf ha sottolineato come l’IA generativa e agentica stia ridisegnando le dinamiche competitive, la banca si trova a dover bilanciare la velocità di esecuzione con la necessità assoluta di non ripetere gli errori del passato (come lo scandalo dei conti falsi).

La scommessa di Wells Fargo è che l’AI possa essere controllata meglio degli esseri umani che l’hanno preceduta. È una tesi tecnicamente affascinante: sostituire l’imprevedibilità e la fallibilità morale umana con l’opacità deterministica delle reti neurali.

Resta da vedere se, rimuovendo l’elemento umano dall’equazione bancaria, stiamo costruendo un sistema più efficiente o semplicemente una scatola nera più veloce a commettere errori su scala globale.