La gestione del rischio di credito è un punto nevralgico per la stabilità del settore finanziario e per l’accesso ai servizi da parte di famiglie e imprese. Negli ultimi anni, il ricorso all’intelligenza artificiale ha cambiato profondamente il modo in cui banche e istituzioni valutano clienti e imprese, spostando l’attenzione da scorecard tradizionali a modelli predittivi dinamici.
Finanziamo agevolati
Contributi per le imprese
Machine learning e generative AI (GenAI) si pongono oggi come strumenti decisivi per coniugare inclusione finanziaria, automazione ed efficienza. In un contesto di volatilità economica e forte pressione regolatoria, la capacità di migliorare la precisione delle valutazioni, ridurre i default e velocizzare i processi diventa un fattore competitivo imprescindibile.
Il report Forrester-Experian: metodologia e obiettivi
Per fotografare lo stato dell’arte, Experian ha commissionato a Forrester Consulting un’indagine condotta nel luglio 2025 che ha coinvolto 1.195 decision maker senior in undici paesi, tra Europa, Asia e Africa. Il campione include 110 manager italiani attivi nei settori finanziari e delle telecomunicazioni.
L’obiettivo del report è comprendere come il ML stia già producendo risultati concreti, quali siano le priorità di investimento nei prossimi anni e in che misura tecnologie emergenti, come la GenAI e gli analytical sandbox environments, possano rendere più veloce ed efficace lo sviluppo di modelli predittivi. L’indagine mette in luce un forte divario tra le aziende che hanno adottato queste tecnologie, già in grado di misurare benefici concreti, e quelle che rimangono ancorate a metodi tradizionali, frenate da costi, scarsa fiducia e infrastrutture obsolete.
Benefici principali del machine learning
Secondo la ricerca, i vantaggi più citati dalle aziende che già utilizzano il ML sono l’efficienza operativa e la riduzione dei costi (70%) e la maggiore precisione nella previsione del rischio (70%). Entrambi i benefici derivano dalla possibilità di automatizzare un numero crescente di decisioni di credito: il 67% degli intervistati conferma di aver aumentato il livello di automazione.
Guardando al futuro, quasi l’80% prevede che entro cinque anni la maggior parte delle decisioni di credito sarà completamente automatizzata. Oltre ai benefici economici, il ML offre anche vantaggi in termini di customer experience (61%), equità di accesso al credito (54%) e riduzione dei bias umani.
Carta di credito con fido
Procedura celere
Non a caso, il 70% delle aziende già attive dichiara di voler incrementare in modo significativo gli investimenti nel ML entro i prossimi tre anni.
Le sfide da superare per una piena adozione
L’implementazione del ML non è priva di ostacoli. La difficoltà più citata riguarda il tempo e le risorse necessarie per sviluppare nuovi modelli, seguita dalla complessità di trasformare i dati grezzi in attributi creditizi. La carenza di competenze interne rappresenta un altro freno: il 50% delle aziende ammette di non avere personale adeguato per gestire e governare i modelli.
Le preoccupazioni si estendono anche alla spiegabilità dei modelli e alla conformità normativa. Il 64% dei non adottanti dichiara di temere la scarsa trasparenza degli algoritmi, mentre il 58% segnala mancanza di fiducia nei risultati. Infine, le infrastrutture IT obsolete e la qualità insufficiente dei dati (indicate dal 59% e dal 56% rispettivamente) rallentano ulteriormente l’adozione.
I principali casi d’uso del ML nel rischio di credito
Il ML viene applicato in una vasta gamma di use case. Tra i più diffusi figurano i modelli di probabilità di default (74%), la segmentazione del rischio cliente (68%) e la segmentazione dei comportamenti dei consumatori (66%).
Seguono l’automazione delle decisioni di prestito (61%), la definizione dei tassi di interesse basati sul rischio (61%) e la valutazione dell’affordability del credito (59%).
In molti casi, le implementazioni avvengono già in modalità live, con o senza supervisione umana. Circa un terzo delle aziende mantiene approcci ancora sperimentali, ma la direzione appare chiara: progressiva automazione e uso sempre più esteso di dati alternativi per affinare le valutazioni.
Perché alcune aziende non hanno ancora adottato il ML
Nonostante i benefici documentati, una parte delle organizzazioni continua a non implementare il ML. Le principali ragioni sono i costi percepiti come superiori ai benefici (66%) e la scarsa comprensione del valore del ML (59%). Altri motivi includono la convinzione che gli scorecard tradizionali siano ancora adeguati (64%) e l’approccio conservativo verso nuove tecnologie.
Questa prudenza, osserva il report, rischia di trasformarsi in un errore strategico. Aspettare che il cambiamento diventi obbligato significa affrontarlo in condizioni di debolezza, con minori risorse e meno margini di adattamento.
La tua casa è in procedura esecutiva?
sospendi la procedura con la legge sul sovraindebitamento
Sandbox analitici: acceleratori per i modelli predittivi
Gli analytical sandbox environments si confermano strumenti cruciali per superare i colli di bottiglia nello sviluppo dei modelli. Consentono di armonizzare i dati provenienti da fonti diverse e di ridurre i tempi di preparazione, uno degli aspetti più complessi della produzione di modelli. Il 72% delle aziende che li utilizza segnala un miglioramento della collaborazione tra i team di data science, rischio e compliance.
Inoltre, il 76% ritiene che i sandbox permettano cicli più rapidi di sviluppo e deployment, un vantaggio competitivo fondamentale in contesti di forte incertezza economica. Le applicazioni sono molteplici: dall’analisi vintage al reject inferencing, fino all’elaborazione di modelli customizzati e conformi agli standard regolatori come Basel o IFRS9.
GenAI come alleato della produttività nel rischio di credito
La generative AI non viene utilizzata per valutazioni dirette di rischio, poiché i suoi modelli restano spesso opachi. Tuttavia, emerge come strumento di supporto essenziale per i team di data science. Quasi tre quarti degli intervistati (73%) ritiene che un GenAI assistant addestrato su dati di credito potrebbe migliorare la produttività, mentre il 70% ne evidenzia il potenziale nel generare codice e il 67% nella riduzione dei tempi di documentazione regolatoria.
Un esempio è l’Experian Assistant, lanciato nel 2024: una piattaforma in linguaggio naturale che consente di esplorare i dati, sviluppare e validare modelli e produrre documentazione in parallelo al processo di modellazione. Questo approccio rende la validazione più rapida e trasparente, aumentando al tempo stesso la fiducia nei modelli.
Verso un futuro più inclusivo e competitivo
Il quadro delineato dal report è chiaro: il ML è già oggi un fattore decisivo per migliorare accettazione dei prestiti, riduzione dei default e inclusione finanziaria. Nei prossimi anni, la combinazione di ML, sandbox e GenAI potrà accelerare ulteriormente il passaggio verso un credito più equo, rapido ed efficiente.
La vera sfida per le organizzazioni che non hanno ancora intrapreso questa strada sarà colmare il ritardo accumulato. I dati del report dimostrano che l’adozione di queste tecnologie non è solo una questione di efficienza, ma un prerequisito per garantire competitività e resilienza nel lungo periodo.
Conto e carta
difficile da pignorare
***** l’articolo pubblicato è ritenuto affidabile e di qualità*****
Visita il sito e gli articoli pubblicati cliccando sul seguente link
