Frodi nei pagamenti, furti d’identità e riciclaggio di denaro continuano a rappresentare una minaccia concreta per banche, istituti finanziari e fintech. Oltre all’impatto economico, queste possono ridurre la fiducia dei clienti, danneggiare la reputazione delle organizzazioni e comportare rilevanti sanzioni regolamentari.
Machine learning e analisi predittiva sono già impiegati da tempo per identificare anomalie e comportamenti sospetti. Tuttavia, le tecniche utilizzate dai criminali evolvono rapidamente: deepfake, identità sintetiche e campagne di phishing generate con l’AI rendono le frodi più sofisticate e difficili da individuare. Ciò è ancora più rilevante se si considera che, secondo alcune analisi, oltre il 50% delle frodi finanziarie coinvolge oggi l’utilizzo dell’intelligenza artificiale.
È del tutto naturale che banche, istituzioni finanziarie e fintech rispondano sviluppando capacità avanzate di intelligenza artificiale proprie, e proprio per questo oggi la sfida del settore non è più soltanto comprendere il potenziale dell’AI, ma riuscire ad utilizzarla in modo efficace, sicuro e scalabile.
Questo richiede un’infrastruttura in grado di rendere disponibili i dati corretti, nei luoghi giusti e con la velocità necessaria per intervenire prima che una transazione fraudolenta venga completata.
Quali requisiti infrastrutturali servono per una prevenzione delle frodi pronta per il futuro?
I dati finanziari continuano a crescere in termini di volume e sono sempre più distribuiti tra data center privati, cloud pubblici, ambienti ibridi e multicloud, applicazioni e partner dell’ecosistema. Questa frammentazione, spesso definita “data sprawl”, rende più complesso ottenere una visione coerente delle informazioni e rallenta l’elaborazione necessaria per rilevare attività sospette.
I dati sono il carburante che alimenta l’intelligenza artificiale, e un modello di rilevamento delle frodi è efficace solo quanto i dati che riceve. Per avere la meglio sui truffatori, le banche devono poter trasferire rapidamente grandi quantità di dati tra numerosi endpoint diversi.
In poche parole, il rilevamento delle frodi è diventato una questione di modernizzazione della rete e per gestire gli enormi volumi di dati distribuiti che i modelli odierni di rilevamento delle frodi devono elaborare, le grandi banche e le istituzioni finanziarie non possono più affidarsi a infrastrutture dati legacy, troppo rigide e lente per stare al passo. Hanno bisogno di un approccio coerente e integrato alla gestione dei dati, supportato da una connettività scalabile e a bassa latenza tra tutte le fonti di dati.
Ma in cosa consiste la modernizzazione della rete? Possiamo identificare tre elementi chiave:
1. Un nucleo di dati autorevole e sotto controllo ospitato in un ambiente neutrale e adiacente al cloud consente alle organizzazioni di mantenere le copie di riferimento dei propri dati su un’infrastruttura gestita direttamente. In questo modo, possono sfruttare servizi cloud per analytics e AI, riducendo il rischio di dipendenza da un singolo provider e preservando flessibilità negli ambienti ibridi e multicloud.
2. Un’interconnessione privata, scalabile e ad alte prestazioni tra ambienti IT, cloud, applicazioni e partner dell’ecosistema permette di trasferire i dati in modo più rapido, affidabile e controllato. Rispetto alla rete internet pubblica, connessioni dirette e virtuali consentono di aumentare la capacità di banda on demand, attivare rapidamente nuovi collegamenti e gestire i flussi di dati con maggiore riservatezza, prevedibilità e controllo.
3. Un’infrastruttura edge distribuita e sicura consente di elaborare i workload per il rilevamento delle frodi in prossimità delle fonti dati e dei partner dell’ecosistema AI. Ridurre la distanza fisica tra dati, applicazioni e capacità di elaborazione aiuta a contenere la latenza e a supportare analisi e decisioni quasi in tempo reale, mantenendo al contempo elevati standard di sicurezza fisica.
Dalla teoria alla pratica: AI e interconnessione per l’antifrode
Questi requisiti sono già alla base di iniziative concrete. Nel 2025, Block ha annunciato l’implementazione di NVIDIA DGX SuperPOD con sistemi DGX GB200 all’interno di un data center Equinix, con l’obiettivo di sostenere la ricerca e l’addestramento di modelli di AI generativa open source. L’azienda, che ha già svolto attività di ricerca sull’intelligenza artificiale applicata a misure antifrode come il rilevamento dei deepfake, può combinare la capacità di elaborazione dell’infrastruttura NVIDIA con una connettività edge a bassa latenza verso migliaia di partner e service provider dell’ecosistema Equinix.
Un approccio analogo è adottato da Outseer, specialista globale nella prevenzione delle frodi digitali. Per erogare i propri servizi, che richiedono di acquisire ed elaborare dati dei clienti in sedi strategiche, l’azienda ha sviluppato una presenza in più mercati sfruttando la piattaforma globale di Equinix. Questo modello contribuisce ad avvicinare dati e applicazioni, semplificare la connettività e supportare l’analisi delle frodi con prestazioni più rapide e affidabili.
Nel loro insieme, le esperienze di Block e Outseer mostrano come un’infrastruttura globale, interconnessa e a bassa latenza possa sostenere applicazioni di AI e servizi antifrode su larga scala. Avvicinando capacità di elaborazione, dati e partner, le organizzazioni possono infatti proteggere le transazioni e rafforzare nel tempo la propria capacità di rispondere a minacce in continua evoluzione.


