Veri e propri cloni, basati su accurati algoritmi di modellizzazione. Ecco che cosa sono i Digital Twin, strumenti tecnologici con un alto potenziale nel campo dell’efficientamento energetico e di processo. Per questo fanno gola a molti. «Non si tratta di una funzione limitata solo alle persone fisiche», dice Alessandro Fatichi, consulente finanziario e autore del podcast La finanza amichevole disponibile sul nostro sito www.ilbollettino.eu. «La maggior parte dei DT sono usati nel settore industriale o tecnico, dove rappresentano macchinari, infrastrutture, sistemi di trasporto, edifici, città intelligenti e molto altro».
Un loro utilizzo su larga scala potrebbe portare a un aumento del PIL stimato dello 0,7%, quindi di 12 circa miliardi di euro (FONTE: The European House Ambrosetti e Atos Italia). Un incremento legato soprattutto agli aumenti di produttività che ne ricaverebbe la manifattura. «Ma esistono, seppur in fase embrionale, anche concetti applicati alla medicina, per creare modelli virtuali di organi o interi corpi umani per supportare la diagnosi e il trattamento».
Il mondo dell’industria non è la sola a fare l’occhiolino a questa novità: anche la finanza mostra di voler essere della partita. E quella che a oggi è una nicchia da appena 0,1 miliardi di dollari di fatturato globale potrebbe crescere già nel 2028 a 0,5 miliardi nel solo contesto finanziario (FONTE: Research and Markets). Il tutto non senza qualche scrupolo riguardo ai processi e a come potrebbero evolversi nel settore. «Quello che non dobbiamo dimenticare è l’aspetto fondamentale del rapporto umano e relazionale nel mondo finanziario».
Entriamo nel dettaglio: che cosa sono i Digital Twin?
«Una rappresentazione virtuale di un prodotto, servizio, processo, sistema o entità. Utilizzando dati in tempo reale e altre fonti di informazione, si crea un modello digitale per simulare il comportamento di ciò che rappresentano. La creazione di un Digital Twin comporta la raccolta e l’analisi di un’enorme quantità di dati, che viene quindi utilizzata per creare un modello dettagliato e accurato. Può quindi essere utilizzato per eseguire simulazioni, prevedere comportamenti futuri, ottimizzare le prestazioni e guidare la presa di decisioni».
Quali e quanti generi esistono?
«Ce ne sono tre tipi principali: innanzitutto legati a oggetti fisici, come aerei, automobili o elettrodomestici. Possono essere utilizzati per monitorare la condizione del prodotto, prevedere quando potrebbe essere necessaria la manutenzione o come migliorarne il design. Vi sono poi i DT di processo: un’operazione, come la produzione in un impianto industriale o la consegna di un servizio, può essere ottimizzata, riducendo gli sprechi o migliorando l’efficienza. Infine esistono quelli di sistema: relativi a contesti più ampi, come intere città, infrastrutture energetiche o ecosistemi e possono essere utilizzati per ottenere simulazioni e previsioni, identificare problemi potenziali e guidare l’implementazione di soluzioni».
Di quali strumenti tecnologici si avvale questa innovazione?
«Si può utilizzare una varietà di tecnologie. La raccolta di dati dal mondo reale per alimentare il DT spesso implica l’uso di dispositivi Internet of Things. Grazie a essi si possono raccogliere dati da sensori, macchine e altri dispositivi per fornire un flusso continuo di informazioni in tempo reale al modello digitale. In secondo luogo, vi è anche una componente di Big Data,
fondamentale per gestire, analizzare e trarre valore dall’enorme quantità di dati utilizzati. Poi vengono Artificial Intelligence (AI) e Machine Learning (ML), fondamentali per interpretare le informazioni e creare modelli accurati del mondo reale. L’AI può anche essere utilizzata per prevedere comportamenti futuri, identificare problemi potenziali e ottimizzare le prestazioni. Questo per citare solo le tecnologie principali, ma in gioco ce ne sono diverse altre: software di simulazione, Cloud Computing e realtà aumentata e realtà virtuale, che in alcuni casi possono essere impiegati per permettere agli utenti di interagire con il modello in modi nuovi e innovativi. La combinazione di tutte queste tecnologie permette ai DT di riflettere accuratamente il loro corrispondente fisico e di fornire informazioni utili per l’ottimizzazione, la pianificazione e la decisione».
Quali sono i suoi utilizzi potenziali in campo finanziario?
«Il concetto può essere applicato in molti modi nel settore finanziario. Un primo utilizzo è nella modellazione e simulazione di scenari economici. Un DT dell’economia o di specifici mercati finanziari potrebbe essere utilizzato per simulare l’impatto di vari eventi o politiche. Un modello potrebbe mostrare l’effetto di un cambiamento dei tassi di interesse o di una nuova legge fiscale sull’economia nel suo insieme o su specifici settori.
Proprio per il loro potenziale di modellizzazione, i gemelli digitali possono essere impiegati anche per ottimizzare portafogli di investimento. Attraverso specifici algoritmi e l’uso di dati in tempo reale, si potrebbero individuare le opportunità di trading più vantaggiose o bilanciare gli investimenti in modo da minimizzare il rischio. Sarebbe più facile identificare potenziali vulnerabilità, testare la resistenza a vari scenari di rischio e pianificare le risposte a potenziali crisi. Guardando ai clienti, un DT potrebbe prevederne efficacemente i comportamenti sulla base dei dati storici, calcolando la probabilità di inadempienza o la risposta a nuovi prodotti o servizi. Non da ultimo, un impiego interessante è nella prevenzione delle frodi, grazie all’individuazione di schemi di comportamento sospetti. Questi sono solo alcuni esempi, ma le possibilità sono molteplici e stanno continuando a evolvere con il progresso della tecnologia».
All’apparenza, il principale vantaggio di questa tecnologia è la possibilità di modellare prodotti e persone fisiche. Ma quali plus può offrire nel campo dell’ingegnerizzazione di prodotti finanziari, che di per sé sono già dematerializzati?
«La tecnologia dei DT può comunque offrire una serie di vantaggi significativi nel loro sviluppo e gestione. Testando idee e strategie di prodotto in un ambiente sicuro prima di implementarle nel mondo reale, gli operatori finanziari trarrebbero significativi benefici, riducendo i rischi e ottimizzando i prodotti prima del lancio. Se poi guardiamo a innovazioni ulteriori, modellare il comportamento individuale dei clienti consente, per esempio, una maggiore personalizzazione. Tra l’altro, attraverso DT aggiornati in tempo reale con nuovi dati si possono aiutare le istituzioni finanziarie a rispondere più rapidamente ai cambiamenti del mercato. E un vantaggio consistente arriva anche al processo stesso di sviluppo e gestione dei prodotti finanziari, che potrebbe essere reso più efficiente».
Esistono già oggi le possibilità tecniche concrete per un’applicazione estensiva al mondo della finanza o è ancora poco più di una prospettiva?
«Ci sono diverse applicazioni della tecnologia dei DT nel settore finanziario, anche se il pieno potenziale di questa innovazione è ancora in fase di sviluppo. Alcune banche e società finanziarie stanno già utilizzando modelli digitali per simulare scenari di mercato, testare nuovi prodotti e strategie, ottimizzare le operazioni e migliorare l’efficienza. Anche le applicazioni per la gestione del rischio stanno diventando sempre più comuni. Tuttavia, l’implementazione su larga scala presenta ancora diverse sfide. La creazione di un Digital Twin di un sistema ampio come l’economia globale o un intero mercato finanziario è un compito estremamente complesso, che richiede un notevole investimento di tempo e risorse. Nonostante queste sfide, è probabile che vedremo un aumento dell’uso di questi servizi nel settore finanziario nei prossimi anni, man mano che le tecnologie continuano a evolversi e le organizzazioni diventano sempre più abili nel loro utilizzo».
Per generare modelli così complessi è necessario avere enormi quantità di dati, spesso sensibili. Per i modelli fisici si parla delle caratteristiche corporee di una persona, ma guardando all’ambito finanziario potrebbero essere la consistenza patrimoniale, l’attitudine all’investimento e alle scelte di un individuo. Le normative sulla privacy possono rappresentare una barriera agli sviluppi di questa tecnologia?
«Assolutamente sì, la privacy e la protezione dei dati sono questioni molto importanti quando si parla di DT, specialmente nel settore finanziario. Utilizzare dati sensibili come la consistenza patrimoniale di un individuo, le sue abitudini di spesa o le sue attitudini all’investimento richiede una grande attenzione su questi temi. La normativa sulla privacy, come il Regolamento generale sulla protezione dei dati (GDPR) nell’Unione Europea, impone restrizioni rigorose sull’uso e sulla condivisione di informazioni personali.
Queste leggi richiedono, tra le altre cose, che le organizzazioni ottengano il consenso esplicito degli individui prima di raccogliere o utilizzare i loro dati e che li proteggano adeguatamente per prevenire perdite o furti. Queste restrizioni possono rappresentare una sfida per lo sviluppo e l’implementazione di servizi del genere. Tuttavia, non sono necessariamente un ostacolo insormontabile. Si possono utilizzare in modo conforme alla normativa sulla privacy, ad esempio utilizzando solo dati aggregati invece di dati individuali. In ogni caso, sono questioni fondamentali da considerare nello sviluppo e nell’uso dei DT, specialmente nel settore finanziario. Le organizzazioni dovranno lavorare a stretto contatto con esperti di privacy e sicurezza dei dati, così come con avvocati e regolatori, per garantire che siano tanto efficaci quanto conformi alla legge».
Questa tecnologia può prefigurare utilizzi anche molto pericolosi. Dal prevedere con la massima accuratezza le scelte di consumo all’influenzarle attivamente potrebbe correre poca distanza. Ritiene che sia giusto e prudente mettere un tale potere nelle mani di qualcuno, sia esso un grande gruppo industriale o il sistema bancario?
«La preoccupazione è legittima e riflette un dibattito in corso riguardo all’uso responsabile delle tecnologie avanzate come i DT, l’intelligenza artificiale e il machine learning. Da un lato, le potenzialità sono enormi sui fronti dell’efficienza, dell’innovazione, della personalizzazione dei servizi e della capacità di rispondere a situazioni complesse e in rapida evoluzione. D’altro canto, l’uso di queste tecnologie comporta anche rischi significativi. Questi includono non solo questioni di privacy e sicurezza dei dati, ma anche il potenziale abuso della tecnologia per manipolare il comportamento dei consumatori, rafforzare le disuguaglianze o concentrare troppo potere nelle mani di pochi attori.
La domanda su come bilanciare questi benefici e rischi è complessa e non ha una risposta semplice. Per garantire un utilizzo responsabile sarà necessario un mix di regolamentazione efficace, norme etiche, trasparenza e responsabilità. Sarà molto importante garantire che le decisioni su come queste tecnologie vengono utilizzate siano prese in modo democratico, coinvolgendo una gamma di soggetti interessati, tra cui tecnici esperti, responsabili politici, rappresentanti dei consumatori e del pubblico in generale. Per equilibrare le enormi opportunità con i rischi, è fondamentale che queste innovazioni vengano implementate in modo che rispettino i diritti, la privacy e l’autonomia dei singoli, e che contribuiscano a promuovere una società equa e inclusiva». ©