L’ingresso dell’intelligenza artificiale nei processi del credito impone una riflessione che vada oltre l’aspetto tecnologico. Il credito infatti non nasce nei numeri. Nasce prima, nel rapporto tra le persone. Ogni credito, prima di essere una fattura o una pratica legale, sorge da un atto di fiducia: chi riceve credito promette di pagare e chi lo concede crede che quella promessa sarà mantenuta.
La domanda allora è inevitabile: un algoritmo può compiere un atto di fiducia?
Indice degli argomenti
Digital Omnibus, AI Act e principi per un’AI affidabile
Il confronto europeo sulla regolazione del digitale è tornato centrale con l’accordo politico sul cosiddetto “Digital Omnibus” (7 maggio 2026), che riapre il tema di come rendere più sostenibile l’attuazione delle norme senza trasformare la semplificazione in deregolazione. È un passaggio da monitorare anche per l’impatto su scadenze e adempimenti che incidono sui sistemi di AI.
Per impostazione, il Digital Omnibus tocca l’architettura normativa europea del digitale, dei dati e della cybersecurity e, nel farlo, coinvolge anche l’AI Act (Reg. UE 2024/1689). In questo quadro tornano utili gli orientamenti etici del 2019 sull’“AI affidabile” elaborati dal gruppo di esperti ad alto livello nominato dalla Commissione (AI HLEG): robustezza e sicurezza; privacy e governance dei dati; trasparenza; diversità, non discriminazione ed equità; benessere sociale e ambientale; responsabilità; e soprattutto azione e sorveglianza umane.
Ridurre il tema a un calendario regolatorio sarebbe fuorviante: qui la tensione è strutturale. L’innovazione chiede velocità, mentre il diritto chiede presidio; il mercato chiede efficienza, mentre i diritti chiedono spiegabilità. Nel credito, questa dinamica è particolarmente visibile.
Gli utilizzi dell’AI per intermediari finanziari e imprese
Il rapporto OCSE–Banca d’Italia del 2026 “L’intelligenza artificiale nei mercati finanziari italiani” fotografa una distanza interessante tra potenzialità e realtà: l’impiego è in aumento (soprattutto in assicurazioni e banche), ma non sempre nel “cuore” della decisione creditizia. Nell’indagine, il 39% degli intervistati dichiara di usare l’AI nell’operatività quotidiana; la percentuale sale al 70% nel settore assicurativo e al 59% in quello bancario.
I casi d’uso più frequenti riguardano processi interni e funzioni di supporto (analisi dati, sintesi testuale, antiriciclaggio e antifrode, assistenza alla clientela). E infatti lo stesso rapporto insiste su ciò che, nel credito, è decisivo: non basta “avere un modello”, serve governance. Validazione, resilienza operativa, accountability e gestione del rischio restano condizioni non negoziabili.
In questo contesto pesa anche la dipendenza da un numero limitato di fornitori terzi: l’esternalizzazione non elimina la responsabilità dell’intermediario o dell’impresa che utilizza il sistema.
Un dato, infine, è rivelatore: i processi decisionali completamente automatizzati restano circoscritti. È un punto coerente anche con ricerche di mercato sulle PMI (Opyn–Ipsos, 2025), dove l’adozione dell’AI è spesso selettiva e confinata a sperimentazioni o ambiti secondari.
AI predittiva e generativa nel credit management
Nel credit management l’AI è già utilizzata o sperimentata per prevedere insolvenze, monitorare portafogli, supportare strategie di collection, costruire early warning, affinare modelli di scoring, classificare contestazioni e sintetizzare informazioni.
Con l’AI generativa il quadro cambia: la sua forza non è solo nel calcolo, ma nella capacità di leggere e collegare informazioni qualitative e non strutturate (email, note commerciali, ticket, contratti, richieste di dilazione, contestazioni, cronologie di pagamento). Mentre la predittiva stima probabilità e trend su variabili numeriche, la generativa ricostruisce contesto e motivazioni.
Il salto avviene quando le due componenti si combinano: la predittiva produce alert, l’LLM li contestualizza. Il rischio, però, è rendere più “invisibile” la responsabilità: allucinazioni, eccessiva fiducia del team, bias storici, uso improprio di dati personali, prompt non governati, mancanza di logging e retention. Per questo servono confini chiari: fonti controllate, workflow approvativi e validazione umana sui casi critici.
Governo dei dati, bias e intervento umano
Proprio per l’impatto sui diritti, l’AI Act considera “ad alto rischio” anche i sistemi AI usati per la valutazione del merito creditizio delle persone fisiche. Quando un credito viene dato o negato sulla base di un esito automatico, non è in gioco solo l’efficienza: è l’accesso concreto a possibilità che incidono sulla vita delle persone.
Questo tema si intreccia con i limiti del GDPR: l’art. 22 del Reg. (UE) 2016/679 riconosce il diritto di non essere sottoposti a decisioni basate unicamente su trattamenti automatizzati, quando producano effetti giuridici o incidano significativamente in modo analogo sulla persona. Nel credito significa anche comprendere, contestare e riesaminare.
I principi dell’“AI affidabile” diventano così domande operative: quali dati usiamo? chi li ha scelti? sono completi e rappresentativi? quali categorie rischiano di essere penalizzate? il risultato è spiegabile e correggibile? chi se ne assume la responsabilità?
Il Quaderno Banca d’Italia n. 721/2022 (“Intelligenza artificiale nel credit scoring”) aveva già colto il punto: il machine learning può migliorare le previsioni di default e, usando dati alternativi, favorire l’inclusione di soggetti con poca storia creditizia. Ma più accuratezza non equivale necessariamente a più giustizia. Nei modelli complessi cresce il trade-off tra capacità predittiva e intelligibilità; e i sistemi possono assorbire e rafforzare bias storici.
Le distorsioni possono nascere in raccolta dati, specificazione del modello, apprendimento e output. Nei sistemi ML il bias può diventare un ciclo di feedback: se in passato alcune categorie hanno avuto minore accesso al credito, il modello addestrato sui dati storici può apprendere non solo il rischio, ma l’esclusione. Se alcuni soggetti sono thin-file o no-file, l’uso di dati alternativi può non includerli, ma renderli ancora più invisibili.
Il rischio, allora, non è soltanto che l’AI discrimini. È che renda la discriminazione più difficile da vedere.
Il problema spesso si presenta come proxy: non chiedere l’origine etnica ma usare un CAP; non chiedere il genere ma usare abitudini di consumo o percorsi digitali. Anche geolocalizzazione, tipo di dispositivo e digital footprint possono diventare indizi apparentemente neutri.
Lo si vede anche in interfacce ordinarie: molti portali per richieste di mutuo chiedono di scegliere tra categorie lavorative schematiche. Ma il lavoro contemporaneo è ibrido e plurale: categorie standardizzate servono a orientare, non a sostituire il giudizio. Se affidate acriticamente all’AI, possono irrigidirsi in prassi meccaniche.
Per questo l’AI Act insiste sull’intervento dell’uomo e sull’AI literacy come presidi organizzativi trasversali; e impone obblighi informativi verso clienti e utenti. Inoltre, l’uso di algoritmi di terze parti non esonera da responsabilità: va chiarito il ruolo nella filiera (provider, deployer, importatore, distributore) e presidiata la governance, anche contrattuale.
In questa prospettiva il punto dell’AI Act non è soltanto la tecnologia, ma il presidio umano della decisione, secondo un’impostazione generale basata sul rischio e dichiaratamente antropocentrica.
Fiducia, relazione e crisi
Nel credito l’elemento umano non è soltanto decisione: è relazione. Ed è nei momenti di crisi che questa dimensione emerge con maggiore evidenza.
Oggi il rapporto tra creditore e debitore è sotto pressione. I tempi di pagamento restano un tema strutturale e cresce il ricorso agli strumenti di regolazione della crisi. L’Osservatorio Unioncamere sulla crisi d’impresa segnala che nel 2025 si contano 13.470 aperture di procedure (+15,5% sul 2024) e 1.776 istanze di composizione negoziata (+70% sul 2024), divenuta in pochi anni lo strumento di risanamento più utilizzato.
Non è solo un dato statistico: è anche un segno di metodo. La composizione negoziata nasce per agevolare trattative tra debitore e creditori, cercando una soluzione prima che la frattura diventi irreparabile. Negoziare significa ricostruire una narrazione credibile. Chiedere e concedere.
In questi contesti la gestione del credito richiede spesso un rinnovamento dell’atto di fiducia originario. Una fiducia sorvegliata e misurata, oggi assistita dagli algoritmi, ma pur sempre radicata in un gesto umano: “ti do la mia parola”.
Allora vale la pena di tornarci, alle parole.
Le parole del credito
“Credito” viene dal latino “credĕre”: ciò che è affidato. Credere in qualcuno. Dare credito. Godere di credito. Fidarsi e affidarsi.
“Fiducia” viene dal latino “fidĕre”: fidare, confidare, avere fiducia. Condivide origini antiche e molteplici derivati con il latino “fides”, fede. La fiducia però si ha o si dà in maniera concreta, pratica, attuale.
Nel diritto romano, la “fiducia” era anche il trasferimento di un bene dato in garanzia e poi da restituire: una matrice giuridica che svela la fiducia come forma di convincimento o sicurezza rispetto a un’aspettativa, sorretta da una valutazione positiva di fatti o circostanze.
La fiducia quindi si distingue dalla fede perché non trascende. Eppure da “credito” a “credo” o “credenza” il passo è breve. I piani semantici si incrociano. Non a caso, dalla radice di “fides” diramano parole che appartengono al mestiere del credit manager, come affidamento o fido, che parlano di reputazione e impegni da onorare.
Il credito quindi non è solo il risultato di un contratto, ma anche una scommessa sul futuro. È il punto in cui il presente incontra un’attesa.
Quando quel patto non viene rispettato, le parole cambiano. La “diffida” è un invito ad astenersi da un determinato comportamento o a compiere una certa attività. Nel linguaggio giuridico, è un’intimazione formale. Ma, prima ancora, è un passaggio nella relazione, il momento in cui la fiducia concessa viene messa alla prova.
“Diffida” deriva dal latino “diffidĕre”, letteralmente “non avere fiducia”, non fidarsi più o non fidarsi ancora, essere diffidenti. Prendere le distanze da una promessa che non appare più solida. “Diffidare” condivide l’etimo con “disfidare”, cioè togliere a uno la fede, rinnegarlo. Chiamarlo a duello, perfino.
Quando una relazione commerciale si deteriora, di fronte a un’insolvenza, accade qualcosa di simile: la parola data affronta la realtà. L’elemento della “fides” riemerge per difetto nelle sfumature dei termini, come un’assenza. La fiducia non è più sufficiente da sola. Deve essere verificata, sollecitata, confermata con i fatti. Diventa “sfida”.
L’AI può compiere un atto di fiducia?
La domanda iniziale torna quindi con maggiore precisione.
La fiducia non compare nei bilanci e non entra nei KPI, eppure decide molto: la si invoca quando si chiede credito; la si rimpiange quando il debito non viene pagato. Darla comporta una decisione.
L’AI può calcolare, riordinare, prevedere, riconoscere pattern. Può spiegare perché ritiene più o meno rischioso un debitore. Può rendere i processi del credito più rapidi, più coerenti, forse anche più inclusivi, se governata con rigore.
Tuttavia, anche nell’era dell’AI il credito rappresenta una forma organizzata della fiducia umana. E l’AI può assistere l’atto di fiducia, ma non può sostituire la responsabilità di fidarsi.
Per il futuro, quindi, servono dati migliori, modelli più trasparenti, governance più robusta, AI literacy diffusa, controllo umano effettivo, spiegabilità verso clienti e utenti, attenzione ai bias, responsabilità nella filiera.
Il rischio più grande infatti non è tanto che la macchina decida al posto dell’uomo, quanto che, inconsapevolmente, ci si abitui a chiamare “decisione” ciò che è soltanto “output”.
Le parole del credito così raccontano qualcosa che la tecnologia, da sola, non può ancora sostituire: la scelta di un essere umano di credere che, nonostante il rischio, una parola data possa ancora essere mantenuta.
Partecipa alla community