Banche e intermediari finanziari puntano a trasformare il modo in cui valutano il rischio di credito grazie all’automazione. Con un processo più veloce, scalabile, apparentemente anche oggettivo. E capace di abilitare un “credito istantaneo”, in cui bastano un click e pochi secondi per far decidere all’algoritmo se siamo affidabili, oppure no.
In questo quadro c’è qualcosa che rischia di andare perso: un modello statistico, anche se molto sofisticato, ragionerà sempre sul passato, confrontando numeri. Ma sarà in grado di comprendere il contesto, la storia di un imprenditore? E che succede nei momenti di crisi, come quelli che viviamo continuamente da oltre cinque anni?
Ne abbiamo parlato in un episodio del nostro podcast #define banking con Ivan Fogliata, Executive Partner di inFinance, di cui questo articolo è un adattamento testuale.
AG. Partiamo dal titolo di questo episodio: l’algoritmo non basta, il ritorno dell’analisi fondamentale. L’AI è al centro dell’hype e il mondo del credito ha molta fame di automazione. Perché l'algoritmo non basta? Che cosa vede un buon analista che invece sfugge all’AI?
IF. Come diciamo sempre anche in aula, l’analisi creditizia si basa su un requisito fondamentale: la diffidenza professionale del valutatore.
Questa diffidenza è fatta di tante malizie che l’AI non riesce a cogliere, ma un umano sì, proprio conoscendo il cliente.
Faccio un primo esempio. Quest’anno, molte banche sono sorprese dalle dichiarazioni dei redditi dei loro clienti: dopo anni di redditi stabili, nel 2025 c’è stato un exploit. Che cosa ha portato queste persone ad avere redditi mirabolanti?
Hanno aderito al concordato preventivo fiscale biennale, che agevola moltissimo. Una macchina potrebbe interpretare questo dato in modo errato, se non sa che in realtà è conseguenza di un concordato fiscale.
Faccio un altro esempio. La classica SRL di famiglia, dove i soci sono anche amministratori, e che ha un reddito basso. La macchina potrebbe basarsi sui solo numeri, con operazioni perfettamente corrette, guardando a reddito operativo, Ebitda margin, etc. E dubitare della qualità del credito.
Un analista conosce la famiglia imprenditoriale, legge la nota integrativa e scopre che il compenso dell’amministratore unico ammonta a 500mila euro annui. Poi, magari, guarda anche i conti correnti di famiglia e inizia a fare un ragionamento diverso, che richiede però una malizia umana.
L’intelligenza artificiale a volte viene usata in modo becero, io direi “in clandestinità”, cercando di non far capire che la si sta usando. E questo porta a effetti indesiderati. Abbiamo visto commenti a pratiche di fido che erano palesemente prodotti dall’AI: l’analista le aveva semplicemente copiati e incollati. Con conseguente intervento del Senior dell’Ufficio Crediti.
AG. Sorpresi a copiare, come a scuola…
IF. Perché non si è ancora capito che l’intelligenza artificiale non è il compagno secchione da cui copiare, ma uno stagista. A cui affidare il lavoro a scarso valore aggiunto, time consuming, ripetitivo.
Ad esempio, chiedergli di andare a cercare nella nota integrativa alcune informazioni. Quelle che io so essere preziose e maliziose: il compenso dell’amministratore, quanti amministratori ci sono, quante sono le partecipate e che utili fanno, etc.
O, ancora, guardare i bilanci dei concorrenti, per capire come se la passano in quel settore. Questi sono i lavori che deve fare l’AI: quelli che rubano tempo e che consentiranno a me di creare valore.
Abbiamo visto molte sperimentazioni per usare l’AI nell’analisi creditizia. Ad esempio, una piccola banca ha creato un team per studiare come creare i prompt, per capire come fare le giuste domande all’AI e usarla al meglio in base a diversi modelli. Non so: nel caso del bilancio di una SRL, oppure della dichiarazione dei redditi di un professionista, che campi devo verificare?
Hanno organizzato questi prompt in una sorta di libreria pronta all’uso, in base alla situazione contingente, e hanno iniziato a sperimentarli.
Purtroppo, al rilascio del modello più aggiornato, quegli stessi prompt non funzionavano più e davano una risposta diversa. E la banca si è trovata a “correte dietro” agli aggiornamenti.
Per questo l’apporto umano non potrà mai mancare: l’AI deve migliorare la nostra capacità informativa, più che quella decisionale.
AG. C’è una critica frequente ai modelli AI applicati al credito: funzionano bene quando il contesto è stabile, ma falliscono nei momenti di discontinuità. Dal 2020 a oggi non vediamo altro che discontinuità, tra pandemie, choc energetici, guerre commerciali e vere e proprie. L’umano funziona davvero meglio, di fronte al cambiamento?
IF. Procedo con un altro esempio. Se guardassi agli ultimi cinque bilanci di un’azienda che produce caldaie a gas, sembrerebbe tutto in ordine. Sappiamo però che c’è una normativa su questi dispositivi. Come banca, posso chiedermi se voglio ancora seguire questo settore.
I dati del passato ci parlano di performance buone, eppure io umano conosco qualcosa che mi fa pensare di abbandonare quel settore.
Oppure, possiamo pensare a una banca attiva in un territorio con una forte specializzazione in un determinato settore. E forse quella banca non vuole l’ennesimo cliente impresa che lavora in quel comparto, anche se ha un buon bilancio, per evitare una concentrazione di portafoglio o un potenziale effetto domino.
Anche il forward looking è importante. La previsione del futuro, con senso critico, sta a me. Ho davvero delle ragioni per ritenere che un settore si riprenderà? Alcune piccole banche ci hanno raccontato che Banca d’Italia ha svolto una survey, chiedendo loro quanto fossero esposte verso l’automotive, appena qualche mese fa.
Nel 2008, in piena crisi dei mutui subprime, le banche valutavano invece l’esposizione al real estate. Questi elementi sono distintivi dell’umano: l’AI non può ragionare con ciò che non sa già.
AG. Abbiamo citato alcuni elementi qualitativi che possono ribaltare la valutazione dell’algoritmo. Questi aspetti qualitativi erano al centro della relazione diretta con il cliente impresa, che passava dal direttore di filiale. Come si difende questo aspetto in un’epoca in cui le banche continuano a ridurre la presenza fisica sul territorio?
IF. Immaginiamo alcune situazioni. La prima: un’azienda solida in cui il fondatore è ormai molto anziano, anche se ancora alla guida, e l’erede viene ritenuto un incompetente. Il rischio è evidente: che ci sia un cambio di leadership disastroso per l’azienda.
La banca deve riflettere sulla sua esposizione. Con degli eredi in gamba e pieni di idee nuove, che hanno la possibilità di fare bene, allora posso anche andare a erogare un mutuo a 10 anni. Ma nella situazione opposta, con il medesimo bilancio, sicuramente vorrebbe restare più prudente.
Si tratta, di nuovo, di malizia. E l’AI difficilmente ce l’ha.
Un altro esempio. Guardando il bilancio di un’azienda, ci sorge il dubbio che tenga gli utili artificiosamente alti, sofisticando i valori di magazzino. Un essere umano può andare in azienda e vedere che succede. Ci sono addetti al lavoro? Il magazzino, effettivamente, è pieno? La AI, questo, non lo può fare.
AG. Immaginiamo la banca tra cinque anni. Quale sarà il nuovo equilibrio tra modello quantitativo e giudizio umano? E l'ultima parola resterà sempre l'analista?
IF. L’ultima parola spetterà sempre all’analista per le pratiche di un certo importo.
Credo che su ticket piccoli arriveremo a un credito che definirei attuariale o statistico. In questo caso, un’analisi più automatizzata permetterà di fare grandi volumi e passeremo a un credito “statistico”: sapremo già che una certa percentuale di prestiti salterà, ma sarà remunerata dai tassi ed eventualmente coperta con soluzioni di assicurazione del credito o simili.
Le pratiche di importo maggiore, invece, saranno più affinati. Perché così come un artigiano oggi può produrre molto meglio, grazie a strumenti di nuova generazione, così deve fare l’analista. Lavorerà meglio e farà ciò che oggi non gli riesce, grazie allo “stagista AI” che reperisce rapidamente le informazioni.
Le banche, tra l’altro, hanno una marea di dati che non usano e che potrebbero sfruttare in mille modi, anche commerciali.
AG. Sempre immaginando la banca tra cinque anni: in che cosa dovrebbe formarsi chi oggi lavora, o vorrebbe lavorare, in banca? Dati e AI, oppure analisi fondamentale classica?
IF. Dal nostro punto di vista di società di formazione, sono necessarie entrambe. Noi, ovviamente, non formiamo data scientist, ma ci occupiamo di finanza aziendale.
E la competenza sarà fondamentale proprio perché l’intelligenza artificiale ha delle allucinazioni e bisogna avere le conoscenze utili a individuarne gli errori. È uno strumento molto potente ma quella potenza richiede capacità di controllo, per non farsi travolgere.
