Google Cloud sta spostando l’AI agentica da una dimensione generalista a una molto più verticale, dove precisione dei dati, controllo degli accessi e tracciabilità delle operazioni diventano requisiti progettuali. Gemini Enterprise for Financial Services nasce proprio con questa impostazione e porta all’interno della piattaforma Gemini Enterprise un insieme di agenti, competenze specialistiche e connettori pensati per banche, mercati dei capitali e professionisti della finanza.

Il prodotto è inizialmente disponibile in preview per capital markets e corporate banking e arriva dopo una fase di sviluppo condotta insieme a istituzioni finanziarie di grandi dimensioni. Tra queste figurano CME Group e Deutsche Bank, con quest’ultima coinvolta come partner di progettazione dell’agente Financial Research. L’adozione della piattaforma Gemini Enterprise è inoltre già stata avviata da realtà come BNY, Citi Wealth, Lloyds Banking Group, Macquarie Bank e Signal Iduna.

Con questa novità, Google propone un ambiente nel quale gli agenti possono operare sui sistemi e sulle informazioni aziendali seguendo workflow strutturati e sottoposti a controlli.

La ricerca finanziaria diventa un workflow agentico

Il fulcro dell’offerta è Financial Research, un agente gestito direttamente da Google progettato per automatizzare attività di ricerca e analisi che normalmente richiedono l’intervento di più figure e l’incrocio manuale di numerose fonti. La differenza rispetto a un modello linguistico generalista riguarda soprattutto la possibilità di verificare ciò che l’agente produce. Google ha infatti introdotto meccanismi di citazione delle fonti, punteggi di affidabilità, metodologie esplicite e snapshot dei dati, così da rendere più semplice la verifica dei risultati e la successiva attività di audit.

Per un istituto finanziario questa caratteristica è tutt’altro che accessoria. Un sistema capace di generare rapidamente un’analisi è poco utile se l’analista non riesce a ricostruire da dove provengano i dati utilizzati, quale versione delle informazioni sia stata elaborata e come sia stato prodotto il risultato finale. Financial Research può essere utilizzato direttamente all’interno di Gemini Enterprise oppure integrato nei workflow esistenti attraverso le API Agent-to-Agent (A2A). Il collegamento con le fonti informative aziendali passa anche attraverso integrazioni basate su Model Context Protocol (MCP).

Dati finanziari e sistemi aziendali nello stesso ambiente

La componente dati rappresenta probabilmente uno degli elementi più importanti dell’architettura. Gemini Enterprise for Financial Services include 13 connettori destinati a integrare fonti finanziarie e informative con l’ambiente dell’istituzione. Tra i servizi supportati figurano FactSet, LSEG, Moody’s, MSCI, PitchBook, S&P Global, Dun & Bradstreet, Daloopa, Finnhub, Fiscal.ai, Guidepoint, CoinDesk Data & Indices e SEC Edgar. Il risultato è un sistema nel quale l’agente può combinare informazioni provenienti da database finanziari, documentazione regolamentare, news e fonti interne senza costringere l’utente a trasferire manualmente i dati da un’applicazione all’altra.

Google mette inoltre a disposizione più di 50 skill specializzate per attività che vanno dalla produzione e formattazione della reportistica all’analisi del rischio di credito, dal monitoraggio dei portafogli alla ricerca investigativa e alla sintesi delle notizie di mercato.

Compliance e governance diventano parte dell’architettura

Nel settore finanziario l’adozione dell’AI non può prescindere dalla governance. Un agente dotato di accesso a dati sensibili e sistemi interni deve poter essere controllato, sottoposto ad audit e inserito all’interno di politiche precise di sicurezza e gestione dei dati. Gemini Enterprise for Financial Services nasce quindi sulla piattaforma Gemini Enterprise, che integra un piano di controllo centralizzato, funzionalità di gestione del rischio, audit logging e strumenti di governance. L’idea è spostare questi elementi dal livello delle procedure successive all’implementazione a quello dell’architettura stessa.

Questo approccio è particolarmente rilevante per attività come KYC e onboarding. L’agente può analizzare PDF, fogli Excel e documentazione SEC, ricostruire strutture societarie articolate, individuare i titolari effettivi e contribuire alla valutazione dei profili di rischio. In un processo tradizionale, una parte consistente del lavoro consiste nella raccolta e nella normalizzazione manuale di informazioni provenienti da fonti differenti.

gemini enterprise

Dai dati agli insight operativi

Google punta soprattutto sui workflow nei quali la velocità di analisi può tradursi direttamente in un vantaggio competitivo. Nel trading e nella gestione del rischio, ad esempio, Financial Research può contribuire ad analizzare rapidamente l’esposizione di portafogli obbligazionari in presenza di shock macroeconomici, con elaborazioni che secondo Google possono essere completate in meno di cinque minuti e accompagnate da indicazioni sulle strategie di copertura della duration.

Un altro scenario riguarda il mercato del credito, dove l’AI può esaminare grandi quantità di dati per individuare potenziali disallineamenti di prezzo e trasformarli in possibili idee operative. Il valore, in questo caso, deriva dalla capacità di ridurre il tempo che separa l’acquisizione dei dati dall’individuazione di un’opportunità.

Nel corporate e investment banking, invece, l’automazione può intervenire nella preparazione delle presentazioni per i clienti e nelle attività legate alle emissioni obbligazionarie. Google sostiene che alcuni processi possano passare da giorni a pochi minuti, aumentando la capacità dei team fixed income e underwriting di rispondere rapidamente alle opportunità commerciali.

La strategia di Google non si ferma però agli agenti proprietari. Gemini Enterprise for Financial Services incorpora infatti un ecosistema di agenti sviluppati da partner, tra cui soluzioni di Dun & Bradstreet, FlowX, Obin e S&P Global. Questo modello è particolarmente significativo perché evita di trasformare Gemini Enterprise in un ambiente chiuso. L’istituzione può costruire workflow combinando agenti specializzati, fonti dati e sistemi interni, mantenendo la piattaforma come livello di orchestrazione e governance.