L’intelligenza artificiale continua a essere uno dei temi più discussi nel mondo del credito. Lo confermano anche i risultati del sondaggio realizzato durante il CvSpringDay dello scorso 16 aprile, dal quale emerge come il settore guardi sempre più all’AI non solo come strumento di automazione, ma come leva strategica per migliorare processi e capacità decisionali. Partendo proprio da questi risultati abbiamo approfondito il tema con Matteo Bianchi, Managing Partner di Sydema, analizzando lo stato dell’arte e le prospettive per il prossimo futuro.
Eleonora Scheggi: Negli ultimi anni l’intelligenza artificiale è stata protagonista di molti degli eventi organizzati da Credit Village e anche il CvSpringDay ha confermato quanto questo tema sia ormai centrale nel dibattito della credit industry. Non si tratta più soltanto di una tecnologia da osservare con interesse, ma di un vero volano per mantenere competitività, efficienza e capacità di lettura del mercato. Se fino a poco tempo fa la domanda era se l’AI avrebbe trovato applicazione nel settore, oggi il tema è capire dove stia già producendo valore e quali siano gli ambiti in cui il suo impatto è più concreto.
Dott. Bianchi: Le applicazioni più mature sono già operative e producono risultati misurabili. Il credit scoring basato su AI migliora l’accuratezza predittiva fino al 25% rispetto ai modelli tradizionali, mentre le soluzioni antifrode basate su intelligenza artificiale riducono i falsi positivi del 50-70% rilevando anomalie in tempo reale. Ma non è solo una questione di prestazioni: i modelli di machine learning consentono di includere nei calcoli anche dati non tradizionali, come pagamenti digitali o spese ricorrenti, ampliando significativamente il perimetro informativo su cui si fonda la valutazione del rischio.
C’è poi un’area particolarmente interessante, quella dei segnali anticipatori. I modelli basati su AI possono individuare segnali precoci di deterioramento del credito — come la riduzione graduale delle spese quotidiane o cambiamenti nel comportamento finanziario — permettendo interventi proattivi prima che la situazione si aggravi, a differenza dei modelli tradizionali che si attivano solo quando si verifica uno sconfino.
Eleonora Scheggi: Negli ultimi mesi il settore si trova a fare i conti con una realtà diversa rispetto al passato. I nuovi flussi di NPL rallentano, la competizione cresce e diventa sempre più necessario trovare nuovi margini di efficienza. In questo scenario l’intelligenza artificiale sembra destinata a giocare un ruolo chiave, non tanto per sostituire il lavoro delle persone, quanto per ottimizzare tempi, processi e produttività. È davvero questa la direzione che sta prendendo la credit industry? Quando si parla di AI nei processi, di cosa stiamo parlando concretamente e quali benefici stanno già emergendo?
Dott. Bianchi: Nel credito, “AI nei processi” significa automazione dell’istruttoria, supporto alle decisioni di erogazione, monitoraggio continuo del portafoglio e gestione dei flussi documentali. I sistemi di AI generativa non si limitano più alla mera previsione, ma sono in grado di produrre autonomamente contenuti argomentativi idonei a orientare l’esito dell’istruttoria. Questo ha implicazioni importanti anche sul piano della responsabilità: l’intermediario non può semplicemente “firmare” l’output dell’algoritmo.
Sul fronte dei benefici pratici, l’automazione intelligente accelera l’istruttoria, con un conseguente snellimento che riduce i costi operativi e velocizza le decisioni di fido. Il vantaggio competitivo, tuttavia, non si misura solo in velocità: si misura nella capacità di portare i modelli in produzione in modo stabile e ripetibile, cosa che richiede una piattaforma dati solida prima ancora che sofisticati algoritmi.
Eleonora Scheggi: Eppure, ascoltando molti interventi degli ultimi eventi di Credit Village, emerge un aspetto curioso. Se fino a poco tempo fa l’attenzione era concentrata sulle potenzialità dell’intelligenza artificiale, oggi il confronto sembra essersi spostato su un altro tema: la qualità del dato. Quasi tutti concordano sul fatto che gli algoritmi siano ormai disponibili, ma che il vero vantaggio competitivo dipenda dalla capacità delle aziende di raccogliere, organizzare e governare le informazioni. In altre parole, non basta avere l’AI se manca una base dati affidabile su cui farla lavorare. È davvero questo il nuovo spartiacque della credit industry?
Dott. Bianchi: Il tema è emerso con forza perché l’accelerazione dell’AI ha reso visibili — e costosi — i problemi che i Big Data avevano per anni nascosto sotto il tappeto. Il dato che emerge con più chiarezza dai principali convegni del settore è che il fattore limitante non è la capacità dell’AI, ma la base dati e la governance necessaria per supportarla.
Non è un problema tecnico, è un problema organizzativo. L’AI amplifica la capacità di analisi e classificazione, ma la qualità dei risultati dipende dalla qualità e dalla governance del dato di origine: senza processi di data governance solidi, anche i modelli di machine learning più avanzati producono output inaffidabili. E in un contesto come quello creditizio, un output inaffidabile non è solo un errore operativo: è un rischio legale e reputazionale.
Eleonora Scheggi: Se la qualità del dato rappresenta oggi il vero fattore competitivo, allora la questione non riguarda più soltanto la capacità di elaborare grandi quantità di informazioni, ma anche il grado di fiducia che possiamo riporre nei risultati prodotti dall’intelligenza artificiale. Più gli algoritmi entrano nei processi decisionali, maggiore diventa la responsabilità di chi li utilizza. Nel credito, dove ogni decisione può avere un impatto economico e sociale rilevante, trasparenza, affidabilità e controllo non sembrano più essere semplici elementi di valore aggiunto, ma requisiti imprescindibili.
Dott. Bianchi: Incidono in modo determinante, e la risposta non è solo teorica. Senza dato pulito, l’AI è un amplificatore di rumore. Le dimensioni critiche sono la qualità e accessibilità del dato, la presenza di un data lake centralizzato, dati cliente unificati tra canali e data steward riconosciuti per dominio.
Vi è poi il rischio specifico del bias. I modelli di machine learning imparano dai dati storici: se le decisioni di credito del passato sono state condizionate da pratiche discriminatorie o pregiudizi impliciti, queste distorsioni si riflettono inevitabilmente negli output degli algoritmi, tendendo a riprodurre gli stessi schemi e a penalizzare intere categorie di soggetti anche senza utilizzare direttamente variabili sensibili. Questo è il motivo per cui la Explainable AI — la capacità di spiegare perché il modello ha prodotto quel risultato — è passata dall’essere un’opzione tecnica a un requisito normativo vero e proprio.
Le organizzazioni che implementano solidi framework di governance hanno una probabilità significativamente maggiore di portare i progetti AI in produzione rispetto a quelle che non lo fanno: entro la fine del 2026 il settore sarà ri-segmentato non da chi ha adottato l’AI, ma da chi l’ha fatta funzionare davvero.
Eleonora Scheggi: Se il 2026 può essere ricordato come l’anno della definitiva affermazione dell’intelligenza artificiale nella credit industry, il futuro sembra giocarsi su un terreno diverso. La tecnologia è ormai disponibile e sempre più accessibile, ma la vera differenza la faranno le aziende capaci di integrarla nei propri modelli organizzativi senza perdere di vista governance, compliance e valore delle competenze umane. Non si tratterà più di decidere se adottare l’AI, ma di capire come farne uno strumento realmente strategico e sostenibile nel tempo.
Dott. Bianchi: Il 2026 è stato l’anno della presa di coscienza. Il 2027 sarà l’anno della discontinuità operativa tra chi ha costruito fondamenta solide e chi si è limitato a sperimentare. Secondo l’EBA, nel 2026 oltre il 71% delle banche dell’UE utilizza modelli di machine learning in almeno un processo core, ma solo il 9% dispone di una governance dell’AI che soddisfi pienamente le linee guida di vigilanza: stiamo correndo molto, in molti casi senza casco.
Il quadro normativo accentuerà questa pressione: a livello europeo il riferimento principale è il Regolamento UE 2024/1689 — l’AI Act — integrato in Italia dalla Legge 132/2025, che stabilisce principi generali per l’uso dell’AI nei processi decisionali con implicazioni dirette sulla concessione del credito. Dal 2 agosto 2026 scattano gli obblighi stringenti per i sistemi ad alto rischio, tra cui il credit scoring.
La direzione è quella di un’AI sempre più embedded nei processi, ma governata. Non un’intelligenza artificiale che sostituisce il giudizio umano, ma che lo potenzia — a condizione che i dati siano affidabili, i modelli spiegabili e la responsabilità dell’intermediario rimanga chiara e non delegabile all’algoritmo.
La parola torna alla community
Il confronto con il dott. Bianchi è il primo appuntamento di un percorso editoriale che nasce dall’ascolto della community di Credit Village e che continuerà nei prossimi mesi attraverso nuovi approfondimenti costruiti proprio a partire dai risultati dei sondaggi.
Se il primo focus ha riguardato il ruolo dell’intelligenza artificiale nella credit industry, il prossimo passo sarà capire come gli operatori immaginano l’evoluzione della tecnologia nel settore: quale contributo potrà offrire in un contesto sempre più competitivo, quali saranno gli ambiti in cui l’innovazione avrà il maggiore impatto e dove si concentrerà il valore aggiunto nei prossimi anni.
Per questo invitiamo i lettori a partecipare al nuovo sondaggio cliccando qui. Le opinioni raccolte diventeranno il punto di partenza del prossimo dialogo, dando continuità a un confronto che vuole raccontare l’evoluzione del mercato attraverso la voce dei suoi protagonisti.
L’intelligenza artificiale continua a essere uno dei temi più discussi nel mondo del credito. Lo confermano anche i risultati del sondaggio realizzato durante il CvSpringDay dello scorso 16 aprile, dal quale emerge come il settore guardi sempre più all’AI non solo come strumento di automazione, ma come leva strategica per migliorare processi e capacità decisionali. Partendo proprio da questi risultati abbiamo approfondito il tema con Matteo Bianchi, Managing Partner di Sydema, analizzando lo stato dell’arte e le prospettive per il prossimo futuro.
Eleonora Scheggi: Negli ultimi anni l’intelligenza artificiale è stata protagonista di molti degli eventi organizzati da Credit Village e anche il CvSpringDay ha confermato quanto questo tema sia ormai centrale nel dibattito della credit industry. Non si tratta più soltanto di una tecnologia da osservare con interesse, ma di un vero volano per mantenere competitività, efficienza e capacità di lettura del mercato. Se fino a poco tempo fa la domanda era se l’AI avrebbe trovato applicazione nel settore, oggi il tema è capire dove stia già producendo valore e quali siano gli ambiti in cui il suo impatto è più concreto.
Dott. Bianchi: Le applicazioni più mature sono già operative e producono risultati misurabili. Il credit scoring basato su AI migliora l’accuratezza predittiva fino al 25% rispetto ai modelli tradizionali, mentre le soluzioni antifrode basate su intelligenza artificiale riducono i falsi positivi del 50-70% rilevando anomalie in tempo reale. Ma non è solo una questione di prestazioni: i modelli di machine learning consentono di includere nei calcoli anche dati non tradizionali, come pagamenti digitali o spese ricorrenti, ampliando significativamente il perimetro informativo su cui si fonda la valutazione del rischio.
C’è poi un’area particolarmente interessante, quella dei segnali anticipatori. I modelli basati su AI possono individuare segnali precoci di deterioramento del credito — come la riduzione graduale delle spese quotidiane o cambiamenti nel comportamento finanziario — permettendo interventi proattivi prima che la situazione si aggravi, a differenza dei modelli tradizionali che si attivano solo quando si verifica uno sconfino.
Eleonora Scheggi: Negli ultimi mesi il settore si trova a fare i conti con una realtà diversa rispetto al passato. I nuovi flussi di NPL rallentano, la competizione cresce e diventa sempre più necessario trovare nuovi margini di efficienza. In questo scenario l’intelligenza artificiale sembra destinata a giocare un ruolo chiave, non tanto per sostituire il lavoro delle persone, quanto per ottimizzare tempi, processi e produttività. È davvero questa la direzione che sta prendendo la credit industry? Quando si parla di AI nei processi, di cosa stiamo parlando concretamente e quali benefici stanno già emergendo?
Dott. Bianchi: Nel credito, “AI nei processi” significa automazione dell’istruttoria, supporto alle decisioni di erogazione, monitoraggio continuo del portafoglio e gestione dei flussi documentali. I sistemi di AI generativa non si limitano più alla mera previsione, ma sono in grado di produrre autonomamente contenuti argomentativi idonei a orientare l’esito dell’istruttoria. Questo ha implicazioni importanti anche sul piano della responsabilità: l’intermediario non può semplicemente “firmare” l’output dell’algoritmo.
Sul fronte dei benefici pratici, l’automazione intelligente accelera l’istruttoria, con un conseguente snellimento che riduce i costi operativi e velocizza le decisioni di fido. Il vantaggio competitivo, tuttavia, non si misura solo in velocità: si misura nella capacità di portare i modelli in produzione in modo stabile e ripetibile, cosa che richiede una piattaforma dati solida prima ancora che sofisticati algoritmi.
Eleonora Scheggi: Eppure, ascoltando molti interventi degli ultimi eventi di Credit Village, emerge un aspetto curioso. Se fino a poco tempo fa l’attenzione era concentrata sulle potenzialità dell’intelligenza artificiale, oggi il confronto sembra essersi spostato su un altro tema: la qualità del dato. Quasi tutti concordano sul fatto che gli algoritmi siano ormai disponibili, ma che il vero vantaggio competitivo dipenda dalla capacità delle aziende di raccogliere, organizzare e governare le informazioni. In altre parole, non basta avere l’AI se manca una base dati affidabile su cui farla lavorare. È davvero questo il nuovo spartiacque della credit industry?
Dott. Bianchi: Il tema è emerso con forza perché l’accelerazione dell’AI ha reso visibili — e costosi — i problemi che i Big Data avevano per anni nascosto sotto il tappeto. Il dato che emerge con più chiarezza dai principali convegni del settore è che il fattore limitante non è la capacità dell’AI, ma la base dati e la governance necessaria per supportarla.
Non è un problema tecnico, è un problema organizzativo. L’AI amplifica la capacità di analisi e classificazione, ma la qualità dei risultati dipende dalla qualità e dalla governance del dato di origine: senza processi di data governance solidi, anche i modelli di machine learning più avanzati producono output inaffidabili. E in un contesto come quello creditizio, un output inaffidabile non è solo un errore operativo: è un rischio legale e reputazionale.
Eleonora Scheggi: Se la qualità del dato rappresenta oggi il vero fattore competitivo, allora la questione non riguarda più soltanto la capacità di elaborare grandi quantità di informazioni, ma anche il grado di fiducia che possiamo riporre nei risultati prodotti dall’intelligenza artificiale. Più gli algoritmi entrano nei processi decisionali, maggiore diventa la responsabilità di chi li utilizza. Nel credito, dove ogni decisione può avere un impatto economico e sociale rilevante, trasparenza, affidabilità e controllo non sembrano più essere semplici elementi di valore aggiunto, ma requisiti imprescindibili.
Dott. Bianchi: Incidono in modo determinante, e la risposta non è solo teorica. Senza dato pulito, l’AI è un amplificatore di rumore. Le dimensioni critiche sono la qualità e accessibilità del dato, la presenza di un data lake centralizzato, dati cliente unificati tra canali e data steward riconosciuti per dominio.
Vi è poi il rischio specifico del bias. I modelli di machine learning imparano dai dati storici: se le decisioni di credito del passato sono state condizionate da pratiche discriminatorie o pregiudizi impliciti, queste distorsioni si riflettono inevitabilmente negli output degli algoritmi, tendendo a riprodurre gli stessi schemi e a penalizzare intere categorie di soggetti anche senza utilizzare direttamente variabili sensibili. Questo è il motivo per cui la Explainable AI — la capacità di spiegare perché il modello ha prodotto quel risultato — è passata dall’essere un’opzione tecnica a un requisito normativo vero e proprio.
Le organizzazioni che implementano solidi framework di governance hanno una probabilità significativamente maggiore di portare i progetti AI in produzione rispetto a quelle che non lo fanno: entro la fine del 2026 il settore sarà ri-segmentato non da chi ha adottato l’AI, ma da chi l’ha fatta funzionare davvero.
Eleonora Scheggi: Se il 2026 può essere ricordato come l’anno della definitiva affermazione dell’intelligenza artificiale nella credit industry, il futuro sembra giocarsi su un terreno diverso. La tecnologia è ormai disponibile e sempre più accessibile, ma la vera differenza la faranno le aziende capaci di integrarla nei propri modelli organizzativi senza perdere di vista governance, compliance e valore delle competenze umane. Non si tratterà più di decidere se adottare l’AI, ma di capire come farne uno strumento realmente strategico e sostenibile nel tempo.
Dott. Bianchi: Il 2026 è stato l’anno della presa di coscienza. Il 2027 sarà l’anno della discontinuità operativa tra chi ha costruito fondamenta solide e chi si è limitato a sperimentare. Secondo l’EBA, nel 2026 oltre il 71% delle banche dell’UE utilizza modelli di machine learning in almeno un processo core, ma solo il 9% dispone di una governance dell’AI che soddisfi pienamente le linee guida di vigilanza: stiamo correndo molto, in molti casi senza casco.
Il quadro normativo accentuerà questa pressione: a livello europeo il riferimento principale è il Regolamento UE 2024/1689 — l’AI Act — integrato in Italia dalla Legge 132/2025, che stabilisce principi generali per l’uso dell’AI nei processi decisionali con implicazioni dirette sulla concessione del credito. Dal 2 agosto 2026 scattano gli obblighi stringenti per i sistemi ad alto rischio, tra cui il credit scoring.
La direzione è quella di un’AI sempre più embedded nei processi, ma governata. Non un’intelligenza artificiale che sostituisce il giudizio umano, ma che lo potenzia — a condizione che i dati siano affidabili, i modelli spiegabili e la responsabilità dell’intermediario rimanga chiara e non delegabile all’algoritmo.
La parola torna alla community
Il confronto con il dott. Bianchi è il primo appuntamento di un percorso editoriale che nasce dall’ascolto della community di Credit Village e che continuerà nei prossimi mesi attraverso nuovi approfondimenti costruiti proprio a partire dai risultati dei sondaggi.
Se il primo focus ha riguardato il ruolo dell’intelligenza artificiale nella credit industry, il prossimo passo sarà capire come gli operatori immaginano l’evoluzione della tecnologia nel settore: quale contributo potrà offrire in un contesto sempre più competitivo, quali saranno gli ambiti in cui l’innovazione avrà il maggiore impatto e dove si concentrerà il valore aggiunto nei prossimi anni.
Per questo invitiamo i lettori a partecipare al nuovo sondaggio cliccando qui. Le opinioni raccolte diventeranno il punto di partenza del prossimo dialogo, dando continuità a un confronto che vuole raccontare l’evoluzione del mercato attraverso la voce dei suoi protagonisti.