Risk Management bancario e IA: sfide e opportunità per il sistema finanziario italiano

In occasione della 25ª edizione di Supervision, Risks & Profitability, l'evento annuale di ABIEventi, SAS ha organizzato un incontro esclusivo che ha visto la partecipazione dei principali attori del sistema finanziario italiano per confrontarsi sulle strategie operative e le soluzioni concrete già in fase di implementazione. Moderato da Andrea Cabrini, Direttore di Class CNBC, l'incontro, ha offerto una fotografia aggiornata di come le istituzioni finanziarie italiane stiano affrontando la duplice sfida di mantenere solidità e competitività in un ambiente operativo in continua evoluzione.

Un mondo in "Extremistan": i nuovi paradigmi del rischio

Come ha osservato durante l'evento Stefano Biondi, Group Chief Risk Officer di Banca Mediolanum, viviamo sempre più in quello che Nassim Taleb definisce "Extremistan", un mondo dove i cigni neri non sono più l'eccezione ma stanno diventando la norma. Questo richiede un ripensamento profondo delle strategie di risk management, dove strumenti come lo stress test e lo scenario analysis devono diventare parte integrante della gestione quotidiana.

Il quadro delineato durante l'apertura dei lavori da parte di Anselmo Marmonti, Vice President di SAS per le soluzioni Banking Risk, ha evidenziato come il settore bancario si trovi ad operare in un contesto di volatilità senza precedenti. L'indice di instabilità geopolitica, come confermato da Francesco Masala, Direttore Centrale di ABI, registra valori sedici volte superiori alla media storica degli ultimi settant'anni, con impatti diretti sulla gestione del rischio di credito e liquidità.

Questo scenario di incertezza ha reso obsoleti i modelli predittivi tradizionali. Come ha sottolineato Marmonti, elementi un tempo facilmente prevedibili come il Net Interest Income sono diventati estremamente volatili, costringendo le banche a rivedere radicalmente i propri approcci alla gestione del bilancio e a muoversi verso una dinamica di integrated balance management.

La risposta dell'intelligenza artificiale: trasformare il ciclo del credito

Di fronte a queste sfide, l'intelligenza artificiale emerge come una risposta concreta e già operativa. Davide Masi, Head of Risk, Data and AI Applications di Banco BPM, ha illustrato come Banco BPM stia sperimentando intensamente sia con l'AI tradizionale che con quella generativa, rivedendo tutta la strumentazione modellistica sottesa alla gestione del rischio di credito.

L'approccio non si limita alla mera automazione, ma punta a un livello superiore di efficienza. Come ha spiegato Masi, l'obiettivo è non preoccuparsi più di come automatizzare task e parti di processo, ma trovare il modo di farli fare direttamente a un “agente autonomo”, rappresentando un salto qualitativo nella gestione dei processi stessi.

In quest’ottica, l'applicazione dell'AI sta rivoluzionando l'intero ciclo di vita del credito, dall'origination al monitoraggio continuo della clientela. Le banche stanno implementando sistemi di machine learning per velocizzare i processi di concessione del credito, con risultati tangibili in termini di riduzione dei tempi decisionali e miglioramento della qualità del portafoglio. Un esempio concreto è rappresentato proprio dal progetto di smart lending sviluppato da Banco BPM, che integra analisi tradizionali con algoritmi di intelligenza artificiale. Come ha raccontato Masi, questo progetto ha richiesto fin dall'inizio l'integrazione della disciplina dell'AI Act, coinvolgendo competence center, team di sviluppo e funzioni di validazione in un processo strutturato di governance.

Governance e validazione: il fattore umano al centro

La funzione di validazione interna, come ha evidenziato Chiara Capelli, Head of Group Internal Validation di UniCredit, sta evolvendo da ruolo puramente regolamentare a elemento centrale nella governance dei modelli di intelligenza artificiale. Le sfide più recenti riguardano la validazione di modelli sempre più complessi, sviluppati con reti neurali, che richiedono nuove tecniche di verifica e controllo.

L'explainability dei modelli diventa un requisito fondamentale, non solo per rispondere alle richieste del regolatore, ma per mantenere la fiducia della clientela. Come ha sottolineato Capelli, le banche stanno investendo in framework di governance specifici per l'AI, che garantiscano trasparenza, equità e assenza di bias discriminatori nelle decisioni automatizzate.

Il fattore umano rimane centrale nonostante l'automazione crescente. Come hanno concordato i partecipanti al dibattito, la supervisione umana resta indispensabile per contestualizzare le decisioni e garantire l'eticità dei processi, richiedendo investimenti significativi in formazione e sviluppo delle competenze interne.

Verso l'integrated balance management: superare i silos

Una delle trasformazioni più significative identificate durante l'evento riguarda il superamento della gestione a silos dei rischi. Pietro Virgili, Head of Market and Financial Risk Management di Intesa Sanpaolo, ha illustrato come sia arrivato il momento di chiedere a gran voce la rimozione dei silos, sottolineando che la gestione del rischio in banca è nata a strati temporali che oggi devono essere superati.

L'integrated balance management rappresenta l'evoluzione necessaria per affrontare la complessità del contesto attuale. Come ha spiegato Virgili, questo approccio richiede capacità computazionali importanti che richiedono necessariamente il rispetto di alcune condizioni: l'integrazione del dato e l’adozione del cloud (perché questi calcoli on premise non si possono più fare).

La sfida, come evidenziato da Fabrizio Iannarelli, Chief Risk Officer del Gruppo BCC ICCREA, è quella di interconnettere i punti, superando le barriere di investimento pregresse e sviluppando una visione integrata che nasca a monte della gestione dei rischi.

I risultati concreti: efficienza e nuove opportunità

I primi risultati dell'implementazione dell'AI nel risk management sono incoraggianti. Come ha confermato Masala, riportando uno studio di Banca d'Italia, le banche che hanno implementato processi di intelligenza artificiale nella redazione del credit scoring hanno effettivamente erogato più credito ai clienti, anche a prezzi più bassi, soprattutto su linee di credito meno garantite.

Questo successo deriva dalla capacità dell'AI di superare le asimmetrie informative, particolarmente con i clienti più piccoli e le imprese di dimensioni ridotte. Come ha sottolineato Capelli, le nuove tecnologie permettono di identificare informazioni precedentemente non rilevabili, aumentando il bacino di clientela aggredibile senza incrementare i livelli di rischio.

L'automazione intelligente si traduce in benefici tangibili per la relazione banca-impresa. Come ha spiegato Masi, utilizzando sistemi di data management più evoluti, si riesce a gestire una relazione con il cliente più efficace, permettendo al gestore di focalizzarsi sul valore dell'operazione piuttosto che sugli aspetti burocratici.

Le sfide future: investimenti e sostenibilità

Nonostante i risultati positivi, permangono sfide significative. Come ha evidenziato Masi, la questione fondamentale resta quella di riuscire a fare investimenti che nel tempo accrescono il valore per il business, ma non comportano una crescita eccessiva di silos tecnologici. L'approccio adottato da Banco BPM - per citare un esempio riportato durante la discussione - prevede un'implementazione progressiva, mettendo un mattoncino sopra l'altro, per consolidare ogni fase prima di procedere al livello successivo.

Il commitment del top management risulta essenziale. Come hanno concordano i partecipanti, gli investimenti in queste tecnologie devono essere accompagnati da una strategia chiara e da obiettivi misurabili, oltre che da significativi investimenti in formazione del personale.

La trasformazione dei processi: velocità e personalizzazione

Filippo Finocchiaro, Partner di Deloitte, ha evidenziato come l'intelligenza artificiale generativa stia introducendo una capacità computazionale veramente elevata nell'analisi e nella lettura di documenti. Questo si traduce in una significativa velocità nella fase di “origination” e istruttoria, con la possibilità di sintetizzare bilanci, perizie e altre informazioni che fino a qualche anno fa richiedevano investimenti importanti per essere analizzate.

Finocchiaro ha sottolineato come questa evoluzione consenta una concessione del credito più personalizzata, dove il profilo del cliente può essere arricchito non soltanto con informazioni quantitative ma anche qualitative, permettendo in alcuni casi di superare ostacoli dettati da modelli di natura più tradizionale. L'intelligenza artificiale classica, ha aggiunto, consente di intercettare criticità come l'insolvenza di alcuni clienti o schemi di frode prima non rilevabili, migliorando così la qualità del portafoglio.

Lorenzo Macchi, Partner di KPMG, ha confermato questa visione identificando due principali aree di impatto: una di natura organizzativa e di processo, che include temi di document management e analisi di driver sempre più complessi, e una metodologica, caratterizzata da un fabbisogno informativo molto più ampio. Come ha spiegato Macchi, oggi è possibile integrare non solo bilanci e dati di andamenti, ma anche dati transazionali e persino sentiment analysis basata sui social media, ottenendo una capacità analitica molto superiore nella selezione del merito creditizio.

Tuttavia, entrambi hanno evidenziato come permangano elementi critici da gestire. Macchi enfatizza il fatto che l rischio di bias rimane concreto: applicazioni assicurative potrebbero portare a pricing differenti basati su residenza, genere o età, sollevando questioni etiche fondamentali.

Finocchiaro ha posto l'accento sulla necessità di sviluppare modelli di governance che rispettino i principi dell'AI Act, garantendo trasparenza e spiegabilità degli algoritmi. Ha sottolineato come sia fondamentale dettagliare in maniera precisa le regole che portano a determinate decisioni e identificare i fattori che determinano specifiche scelte creditizie.

Un aspetto cruciale evidenziato da entrambi è che il fattore umano resta centrale e non rappresenta uno slogan: per le ragioni legate ai possibili bias e ai giudizi non completi dell'intelligenza artificiale, l'attività dell'analista deve rimanere presente. Questo fa sì che per ottenere i risultati di efficienza attesi, sia necessario accompagnare l'AI con una razionalizzazione dei processi.

Un equilibrio tra innovazione e stabilità

Il settore bancario italiano si trova in una fase di trasformazione profonda, dove la capacità di integrare tecnologie avanzate con una solida governance del rischio determinerà il successo competitivo. Come ha concluso Masala, le banche italiane partono da una posizione di forza, con indicatori di solidità patrimoniale e redditività che mostrano una crescita superiore rispetto ai principali mercati bancari europei.

Le priorità emerse dall'evento includono l'automazione intelligente dei processi, lo sviluppo di modelli predittivi sempre più sofisticati, l'implementazione di sistemi di governance robusti per l'AI e il superamento definitivo della gestione a silos verso un approccio integrato alla gestione dei rischi.

La sfida per il sistema bancario italiano sarà quella di mantenere un equilibrio tra innovazione e stabilità, sfruttando le opportunità offerte dalla tecnologia senza compromettere la solidità e la fiducia che caratterizzano il settore. Come ha sottolineato Mirella Cerutti, Regional Vice President di SAS, l'obiettivo è una "trasformazione responsabile" che permetta alle aziende di sfruttare al massimo i modelli di AI ma con la trasparenza necessaria per la governance, la compliance (gli audit) e la spiegabilità, mantenendo la responsabilità delle aziende al centro dei processi decisionali.

31 luglio 2025