L’adozione responsabile, sicura e controllata dell’intelligenza artificiale è una sfida per molti settori, e quello dei servizi finanziari non fa eccezione. I vantaggi sono però innegabili, come si osserva nell’ambito del credito digitale e della valutazione del merito creditizio. Qui, l’impatto dell’AI è tutt’altro che superficiale: sotto agli aspetti più evidenti, di miglioramento della user esperience, si celano cambiamenti profondi. Ce ne parla Stefano Piscitelli, Ceo di Younited Italia, ramo della multinazionale francese specializzata in credito istantaneo.
Stefano Piscitelli, Ceo di Younited Italia
“Quando si parla di intelligenza artificiale nei servizi finanziari, l’attenzione si concentra spesso sulle applicazioni più visibili: chatbot, assistenti virtuali, interfacce conversazionali e processi capaci di fornire una risposta in pochi secondi. È però nei sistemi meno immediatamente percepibili dal cliente che si sta giocando la trasformazione più profonda.
Nel credito digitale, l’AI sta entrando nei processi che analizzano le informazioni, verificano la documentazione, intercettano possibili frodi, valutano il rischio e supportano l’assunzione delle decisioni. Non si limita quindi a rendere più fluida l’esperienza dell’utente, ma interviene sull’infrastruttura tecnologica e organizzativa dalla quale dipendono la qualità e l’affidabilità di ogni decisione di credito.
Secondo il rapporto OCSE-Banca d’Italia sull’intelligenza artificiale nei mercati finanziari italiani, il 59% delle banche utilizza già soluzioni di AI, soprattutto nei processi interni, nell’antiriciclaggio, nella prevenzione delle frodi e nell’ottimizzazione operativa. Il dato mostra come l’adozione sia già concreta, ma apre una seconda fase, più complessa: quella in cui le aziende devono integrare questi strumenti nei processi critici senza perdere controllo, trasparenza e responsabilità.
Una lettura dinamica del cliente
Storicamente, la valutazione del merito creditizio si è basata su un insieme di informazioni prevalentemente statiche: reddito, posizione lavorativa, storico creditizio, dati patrimoniali e informazioni provenienti dalle centrali rischi. Questi elementi rimangono fondamentali, ma descrivono soprattutto ciò che è già accaduto. L’evoluzione dell’Open Banking e la crescente capacità dei sistemi di AI di analizzare grandi quantità di informazioni permettono invece di costruire una rappresentazione più dinamica della situazione finanziaria del cliente.
Si passa, in altri termini, da una fotografia a un film. Non si tratta soltanto di conoscere il livello delle entrate in un determinato momento, ma di comprenderne la continuità; non solo di registrare le spese effettuate, ma di valutarne la ricorrenza e l’incidenza; non solo di verificare l’assenza di eventi negativi, ma di stimare la capacità di assorbire un imprevisto.
Anche dati non strutturati, come documenti e testi, possono contribuire a questa lettura, laddove siano pertinenti, affidabili e utilizzabili nel rispetto della normativa. Il valore della tecnologia non risiede quindi semplicemente nella disponibilità di più informazioni, ma nella capacità di collegarle e interpretarle in modo coerente.
La qualità dei dati è parte del prodotto finanziario
Quando l’AI entra nella valutazione del credito, la qualità del dato non è più soltanto una questione tecnica. Diventa parte integrante della qualità del prodotto e della decisione proposta al cliente. Un modello alimentato da informazioni incomplete, poco rappresentative o non aggiornate può produrre risultati formalmente efficienti ma sostanzialmente deboli. Al contrario, la capacità di integrare dati affidabili e pertinenti può aiutare a leggere profili che i sistemi tradizionali faticano a interpretare.
È il caso dei cosiddetti “new to credit”, di chi non dispone ancora di una lunga storia creditizia o di chi presenta un percorso professionale meno lineare. Lavoratori autonomi, professionisti con entrate variabili o persone con forme contrattuali non tradizionali possono avere una reale capacità di rimborso senza rientrare perfettamente nelle categorie utilizzate dai modelli più convenzionali.
L’obiettivo non è allargare indiscriminatamente l’accesso al credito, ma distinguere con maggiore precisione tra assenza di storia e assenza di affidabilità. In questa prospettiva, l’AI può contribuire all’inclusione finanziaria proprio perché consente di superare alcune semplificazioni del passato. Ma può farlo solo a condizione che i dati, i criteri e i risultati siano sottoposti a verifiche continue.
Governare l’automazione
L’evoluzione tecnologica rende possibile automatizzare un numero crescente di attività, ma nel credito la domanda decisiva non è quanto sia possibile automatizzare. È quali processi possano essere automatizzati, con quali limiti e sotto quale responsabilità.
Una decisione di credito incide direttamente sulla vita delle persone e sulla solidità del portafoglio di un operatore finanziario. Per questo deve rimanere prevedibile, ripetibile e verificabile. Anche con la diffusione dell’Agentic AI, nessuna banca o società finanziaria potrà limitarsi ad affermare che una determinata scelta è stata compiuta dal modello.
La responsabilità non si trasferisce all’algoritmo. Questo principio impone di progettare sistemi nei quali il controllo non sia un’aggiunta successiva, ma una componente dell’architettura. Occorrono tracciabilità delle decisioni, possibilità di audit, monitoraggio delle prestazioni, verifica delle anomalie e procedure chiare per l’intervento umano. I livelli intermedi di controllo non rappresentano un ostacolo alla trasformazione digitale. Sono il sistema immunitario dell’organizzazione: servono a intercettare errori, distorsioni e incoerenze prima che vengano replicate su larga scala.
Un indice per costi e qualità dell'AI
Uno dei principali vantaggi dell’AI è la possibilità di applicare lo stesso processo a un numero molto elevato di richieste, mantenendo tempi di risposta ridotti. La stessa caratteristica può però trasformarsi in un fattore di rischio. Un errore umano può rimanere confinato a una singola pratica. Un errore incorporato in un modello automatizzato può invece essere riprodotto migliaia di volte prima di essere individuato. Velocità e scala non sono dunque necessariamente sinonimo di qualità. Amplificano l’efficacia di una buona decisione, ma anche le conseguenze di una decisione sbagliata.
La gestione del rischio tecnologico richiederà, quindi, metriche nuove. Non sarà sufficiente misurare il tasso di automazione o la riduzione dei tempi di risposta. Sarà necessario valutare la stabilità dei modelli, la frequenza delle eccezioni, la capacità di individuare fenomeni anomali e la qualità delle decisioni nel tempo. Un sistema può essere tecnicamente molto veloce e, allo stesso tempo, generare costi operativi, reputazionali e regolamentari difficili da sostenere.
L’idea che l’intelligenza artificiale consenta di ridurre automaticamente i costi è una semplificazione. L’adozione su larga scala richiede investimenti in infrastrutture, sicurezza, qualità dei dati, governance, auditabilità, formazione delle persone e adeguamento alla regolamentazione. Più l’AI entra nei processi critici, più diventa necessario misurarne la sostenibilità economica. Nei prossimi anni gli operatori finanziari dovranno probabilmente costruire una sorta di AI cost ratio: un indicatore capace di mettere in relazione il costo complessivo della tecnologia con il numero e la qualità delle decisioni generate.
Quanto costa il modello per ogni richiesta analizzata? Quanto incidono l’infrastruttura, il monitoraggio e la compliance? Quante decisioni richiedono comunque una revisione umana? Quanto valore viene prodotto in termini di riduzione delle frodi, accuratezza, inclusione e qualità del portafoglio? Sono domande che diventeranno sempre più importanti. Progettare oggi un’architettura basandosi sull’ipotesi che la capacità computazionale e i servizi di AI rimangano perennemente abbondanti ed economici può rivelarsi una scelta strategicamente fragile.
La velocità diventa una commodity
Tra cinque anni la capacità di fornire una risposta in pochi secondi sarà probabilmente una caratteristica comune alla maggior parte degli operatori. La velocità diventerà una commodity e non sarà più sufficiente per distinguere un’offerta.
La competizione si sposterà sulla qualità dell’infrastruttura decisionale: la capacità di comprendere meglio il profilo del cliente, di integrare informazioni diverse, di includere persone che oggi risultano difficili da valutare e di riconoscere quando concedere credito non sia la scelta corretta. L’intelligenza artificiale potrà trasformare profondamente l’esperienza e i processi, ma non cambierà i fondamentali del settore. Una banca o un operatore finanziario continueranno a vivere di fiducia, solidità, liquidità, reputazione e capacità di rispettare le responsabilità associate alla propria licenza.
La tecnologia può rafforzare questi elementi, ma non può sostituirli. La prossima fase del credito digitale non sarà quindi definita da chi automatizzerà più attività, ma da chi riuscirà a costruire sistemi realmente governabili, sostenibili e comprensibili. Perché l’efficienza può essere automatizzata. La fiducia, invece, deve continuare a essere progettata e meritata".