01 / 05
La sfida
LendDesk era un lender al consumo di due anni che gestiva circa 400 richieste di prestito a settimana con un mix di uno strumento di istruttoria legacy e un piccolo team di analisti. Ogni richiesta richiedeva 26 ore dall’inizio alla fine. L’ambizione del fondatore era raddoppiare i volumi senza raddoppiare il team, il che significava che ogni passaggio del processo doveva essere automatizzato, verificabile o eliminato.
C’erano tre veri colli di bottiglia: l’analisi dei movimenti bancari (noiosa e manuale), la sintesi narrativa (analisti che scrivevano sempre gli stessi paragrafi) e le decisioni di rischio marginali (richieste né chiaramente da approvare né chiaramente da respingere, che richiedevano l’attenzione di un analista senior).
02 / 05
Il nostro approccio
Abbiamo realizzato una piattaforma di erogazione in Laravel come sistema di riferimento: ogni richiesta, ogni documento, ogni decisione, ogni evento di audit. Sopra abbiamo collegato tre funzionalità AI mirate: un classificatore dei movimenti bancari con fine-tuning (PyTorch, ospitato internamente), un generatore di sintesi narrative (OpenAI, con prompt su uno schema fisso e revisione umana) e un sistema di spiegazione del rischio marginale che evidenzia i tre principali fattori di rischio per ogni richiesta borderline.
Punto cruciale: l’AI non prendeva mai la decisione. Ogni raccomandazione automatica era accompagnata da un pannello di spiegazione; una persona firmava sempre l’approvazione o il rifiuto finale. Questo ha tranquillizzato il risk officer del fondatore e, soprattutto, ci ha mantenuti allineati alle linee guida dell’autorità di vigilanza sull’istruttoria assistita da modelli.
03 / 05
Decisioni chiave
Abbiamo ospitato noi il classificatore dei movimenti bancari. Inviare l’estratto conto completo di un cliente a un LLM di terze parti non era un’opzione, sia per motivi normativi sia perché il fondatore teneva visibilmente alla fiducia dei clienti. Un modello open source con fine-tuning su un piccolo server GPU ci ha dato un’accuratezza di classificazione del 96% a una frazione del costo di esecuzione.
Ogni chiamata all’AI era strutturata. Nessun prompt libero, nessun campo allucinato. Il generatore di sintesi narrative riceve JSON strutturato e restituisce JSON strutturato, conforme a uno schema. I guardrail intercettano le derive; una suite di valutazione notturna segnala le regressioni.
Abbiamo collegato Chargebee per gli add-on in abbonamento (piani di rimborso premium, upsell assicurativi). La sequenza di dunning di Chargebee ha recuperato il 4,2% dei ricavi a rischio nel primo mese: puro margine.
04 / 05
Cosa è cambiato
Il tempo di istruttoria è sceso da 26 a 13,5 ore: una riduzione del 48%. Il volume delle richieste è raddoppiato in quattro mesi senza aggiungere personale. Il profilo di rischio dei prestiti approvati è invariato: il tasso di insolvenza resta entro 2 punti base rispetto al valore precedente all’automazione. La revisione PCI-DSS si è conclusa senza rilievi bloccanti; il SOC-2 Type 1 è previsto per il secondo trimestre.
05 / 05
I prossimi passi
Stiamo realizzando un assistente per i prestiti rivolto ai clienti, un’interfaccia di chat basata sulla stessa infrastruttura AI, che aiuta chi vuole chiedere un prestito a capire quali documenti servono e perché. I primi esperimenti mostrano un aumento del 22% delle richieste completate.