Dopo cinque anni a capo del natural language understanding e dell’intera organizzazione di Alexa AI in Amazon, Prem Natarajan ha preso una strada inattesa: è diventato Chief Scientist di una banca. Non una banca qualsiasi, ma Capital One, istituto che serve oltre cento milioni di clienti e ha fatto della tecnicia il proprio motore. Per Natarajan, veterano della ricerca finanziata dalla DARPA, la logica era netta: le frontiere più interessanti dell’AI si stanno spostando dalle piattaforme orizzontali delle big tech ai verticali industriali come la finanza, dove il vero problema non è costruire modelli, ma farli funzionare con vincoli stringenti di accuratezza, privacy e apprendimento continuo.

Oltre la tecnicia: la scienza come fondamento

Molte banche vedono ancora l’AI come un prodotto da adottare – un LLM da esporre via API e integrare nei flussi esistenti. Capital One sta facendo qualcosa di diverso: ha costruito una comunità scientifica e un’organizzazione di ricerca per inventare soluzioni AI che ancora non esistono. Il mandato del Chief Scientist non è ottimizzare algoritmi per nicchie come il trading ad alta frequenza, ma usare il rigore della ricerca per migliorare l’esperienza finanziaria di milioni di americani comuni, portando personalizzazione, insight in tempo reale e accesso ai propri dati con standard che la tecnicia consumer difficilmente raggiunge.

I vincoli che generano innovazione

I sistemi finanziari impongono un’asticella altissima. Un errore minimo in un modello anti-frode può avere conseguenze devastanti per un cliente. Rilevare e mitigare una frode nel tempo di un tap sulla carta non è un obiettivo ambizioso, è il minimo indispensabile. Questi paletti – scala di centinaia di milioni di transazioni, governance rigorosa, protezione dei dati sensibili – creano un ambiente di ricerca unico. Anche per chi valuta deployment on-premise, dove la sovranità dei dati e il controllo diretto sono irrinunciabili, le sfide sono le stesse: l’affidabilità e la latenza non ammettono compromessi, e la sperimentazione scientifica richiede un ecosistema di calcolo e dati integrato.

Destination-back: l’approccio che parte dal cliente

Capital One chiama il proprio metodo “destination-back thinking”. Si parte dall’esperienza che si vuole offrire – un acquirente d’auto che può cercare opzioni solo alle dieci di sera, un cliente alle prese con una spesa imprevista che ha bisogno di una guida immediata – e si lavora all’indietro per individuare le lacune scientifiche da colmare. «Una volta che hai chiaro il punto d’arrivo, ti chiedi: cosa dobbiamo inventare?», spiega Natarajan. Questo assicura che ogni innovazione abbia un impatto garantito. Per concretizzarla, la banca ha fatto una scommessa che nel settore finanziario resta rara: da quasi quindici anni ha abbandonato i sistemi legacy per diventare l’unica grande banca statunitense a operare interamente su public cloud, creando un ambiente unificato per dati, calcolo e training di grandi modelli.

Dagli agenti AI ai brevetti: la ricerca in azione

L’agenda di ricerca si traduce in servizi già attivi. All’inizio dell’anno passato Capital One ha lanciato un’esperienza di customer service interamente agentic, costruita internamente: un assistente per l’acquisto di un’auto che non risponde soltanto a domande, ma agisce per conto del cliente coordinando più agenti AI. Dietro c’è un lavoro approfondito su sistemi multi-agentic in grado di navigare dati in tempo reale, conoscenze di business e vincoli normativi. Il team sta anche affrontando sfide come la tokenizzazione per addestrare modelli proteggendo i dati sensibili. I risultati non sono passati inosservati: nel 2025 l’istituto è stato l’unica banca tra i primi depositari di brevetti in AI agentic e generativa negli Stati Uniti accanto a Google, NVIDIA, DeepMind e Microsoft, e rappresenta da solo il 38% di tutti i brevetti AI delle prime cinquanta istituzioni finanziarie.

Cosa cambia per chi guarda all’on-premise

Non tutte le organizzazioni possono seguire la strada del public cloud. Requisiti di residenza dei dati, normativa GDPR e policy interne spingono molte realtà – soprattutto in Europa – verso stack on-premise o ibridi. Ma la lezione di Capital One è istruttiva: la vera differenza non la fa solo il cloud, ma la disciplina scientifica con cui si affrontano i problemi e l’infrastruttura che permette di iterare rapidamente, addestrare modelli e fare inference su scala. Chi progetta deployment locali deve rispondere alle stesse domande di governance, latenza e aggiornamento continuo, con il vincolo aggiuntivo di dover padroneggiare hardware specializzato e quantization per sfruttare al meglio la VRAM disponibile.

Per chiudere il cerchio, Natarajan usa una metafora che richiama Steve Jobs: «Volete passare il resto della vita a vendere acqua zuccherata, o volete cambiare il mondo?». Costruire AI che trasforma i servizi finanziari per oltre cento milioni di persone significa cambiare il mondo. Ed è un lavoro che richiede il tipo di rigore scientifico che solo un Chief Scientist può guidare.