Intelligenza artificiale e finanza

L’intelligenza artificiale sta ridisegnando il modo in cui si erogano credito, si gestiscono patrimoni e si controllano i rischi. Banche, SGR, reti di consulenza e fintech stanno accelerando sull’adozione di modelli predittivi e generativi per competere su efficienza, qualità del servizio e compliance. La posta in gioco è alta: secondo McKinsey (2023), la sola generative AI potrebbe generare nel banking 200-340 miliardi di dollari di valore annuo a livello globale, con impatti su ricavi, costi e soddisfazione del cliente. Nel contesto europeo e italiano, l’adozione procede entro cornici regolamentari sempre più definite, tra AI Act, DORA e gli standard di vigilanza settoriale.

Dove sta cambiando la catena del valore

L’applicazione dell’AI copre l’intero ciclo finanziario – dalla relazione con il cliente ai processi di back-office. Le aree più attive sono customer service conversazionale, valutazione del merito creditizio, individuazione frodi, ottimizzazione dei portafogli e automazione operativa. Nelle funzioni di controllo interno e risk management, i modelli di machine learning affiancano le metodologie statistiche tradizionali per intercettare pattern non lineari e segnali deboli.

Credito e rischio

Nei prestiti a famiglie e PMI, algoritmi di apprendimento automatico combinano dati tradizionali e fonti alternative per stimare probabilità di default, perdita attesa e propensione all’insolvenza. I benefici spesso citati sono tempi di delibera più rapidi, pricing più granulare e riduzione delle perdite attese. Sul fronte dei vincoli, il quadro UE richiede che le decisioni automatizzate siano spiegabili, tracciabili e non discriminatorie. L’AI Act, adottato nel 2024, classifica come ad alto rischio i sistemi per la valutazione della solvibilità e del merito creditizio – con obblighi rafforzati su governance dei dati, test, documentazione e supervisione umana. Le Linee guida EBA sul loan origination and monitoring (2020) già richiedono controlli su bias, qualità dei dati e trasparenza dei modelli nel credito al dettaglio e alle imprese.

Mercati e gestione del risparmio

Nell’asset management, l’AI supporta generazione di idee, costruzione di portafoglio, execution e reporting. Modelli di NLP analizzano notizie, trascrizioni di conference call e documenti regolamentari per estrarre segnali di rischio e opportunità. Nella consulenza finanziaria, strumenti basati su AI aiutano a personalizzare raccomandazioni e contenuti, mantenendo il presidio umano su adeguatezza e appropriatezza MIFID II. ESMA ha pubblicato analisi e call for evidence sul ricorso all’AI nelle imprese di investimento, segnalando priorità su governance, condotta e resilienza operativa. La sfida chiave resta l’explainability: dimostrare la coerenza delle scelte con il profilo dell’investitore e con i mandati di gestione.

Frodi, AML e compliance

Nella prevenzione frodi su pagamenti e carte, i modelli apprendimento supervisionato individuano anomalie in tempo reale, riducendo falsi positivi e blocchi errati dei clienti. In ambito antiriciclaggio, tecniche di network analytics migliorano la rilevazione di schemi complessi e transfrontalieri. Il Financial Stability Board già nel 2017 evidenziava rischi di concentrazione tecnologica, opacità dei modelli e potenziale prociclicità. La normativa UE su resilienza digitale DORA – applicabile dal 17 gennaio 2025 – impone requisiti più stringenti su gestione dei rischi ICT, test, incident reporting e controlli sui fornitori terzi, aspetti cruciali quando i modelli sono erogati via cloud.

Regole e tutele in Italia e UE

Il perimetro regolamentare che tocca l’AI in finanza è multilivello. Il GDPR disciplina basi giuridiche, minimizzazione e diritti in caso di decisioni automatizzate. L’AI Act introduce un approccio basato sul rischio: per i casi ad alto rischio – come il credit scoring – servono gestione del rischio, qualità dei dati, registrazione degli eventi, accuratezza documentata e supervisione umana. MiFID II e gli orientamenti ESMA/EBA sulla condotta assicurano che l’uso di algoritmi non comprometta adeguatezza, best execution e trattamento equo della clientela. DORA rafforza la resilienza operativa e i rapporti con fornitori critici. Le autorità nazionali – tra cui Banca d’Italia e CONSOB – hanno più volte richiamato l’attenzione su modello di governo, responsabilità del management e controlli di modello. Per gli intermediari italiani questo implica integrare l’AI nei framework di model risk management, auditabilità e validazione indipendente, con metriche di performance e di fairness aggiornate nel tempo.

Cosa fare adesso

Gli operatori che intendono adottare l’AI nei prossimi 12-24 mesi possono impostare il percorso con un approccio pragmatico, allineato ai requisiti regolamentari e al valore di business atteso.

• Definire use case prioritari – credito alle PMI, prevenzione frodi, assistenti alla forza vendita, reporting regolamentare. Selezionare casi con dati disponibili e metriche di impatto chiare.
• Rafforzare la data governance – cataloghi dati, qualità e lineage, gestione consensi, politiche di anonimizzazione e accesso basato sui ruoli.
• Impostare controlli di modello – validazione indipendente, test di robustezza, monitoraggio drift, explainability e stress test per scenari avversi.
• Gestire i rischi di terza parte – due diligence su vendor, clausole contrattuali DORA-ready, piani di uscita e portabilità.
• Formazione e supervisione umana – linee guida per l’uso responsabile, controlli di qualità sulle risposte di sistemi generativi, circuiti di escalation.
• Misurare il valore – KPI su tempi di delibera, tassi di conversione, costi operativi, reclami e qualità del servizio.

Prospettive e priorità per banche, reti e investitori

La combinazione di pressioni competitive e nuove regole accelera una fase di selezione tra modelli operativi. Gli attori che sapranno unire dati affidabili, modelli governati e processi snelli potranno tradurre l’AI in margini migliori, minori perdite attese e servizi più personalizzati. Le stime di valore di McKinsey offrono un ordine di grandezza, ma la realizzazione dipende dalla capacità di industrializzare i casi d’uso e presidiare i rischi. Nel quadro europeo, AI Act e DORA fissano coordinate chiare su qualità, tracciabilità e resilienza. Per il mercato italiano, la collaborazione tra intermediari, fintech e autorità può favorire standard comuni e adozione responsabile. Per la clientela, un utilizzo ben governato può significare maggiore accesso al credito, prodotti più adatti e meno frizioni nei servizi digitali.