L‘intelligenza artificiale è ormai entrata nei processi delle banche, ma per sfruttarne davvero le potenzialità gli istituti devono prima affrontare un problema meno tecnologico e più concreto: la qualità dei dati. Un sistema di AI può infatti elaborare enormi quantità di informazioni in pochi secondi, ma il risultato dipende dalla qualità dei dati sui quali viene addestrato o che utilizza per le proprie analisi.
Secondo i dati della Banca centrale europea, oltre l’85% delle grandi banche sottoposte alla vigilanza europea utilizza già sistemi di intelligenza artificiale. L’adozione della tecnologia è quindi ormai una realtà e non più soltanto una sperimentazione.
Il passaggio successivo riguarda però la capacità degli istituti di verificare quanto siano aggiornate e coerenti le informazioni contenute nei propri archivi. Un problema particolarmente evidente nei portafogli costruiti nel corso di molti anni, dove possono essersi accumulate informazioni non più allineate alla situazione reale.
L’AI può essere efficace solo se i dati sono affidabili
Nel settore finanziario la qualità dei dati è un elemento essenziale. Un archivio può infatti contenere informazioni formalmente corrette, ma diventare poco affidabile quando queste vengono messe in relazione tra loro.
È quello che può accadere, per esempio, nei portafogli creditizi che comprendono immobili posti a garanzia, soggetti debitori o garanti e riferimenti ipotecari. Nel corso degli anni possono intervenire successioni, trasferimenti di proprietà, modifiche catastali, operazioni societarie, fusioni e acquisizioni, oltre a cambiamenti nei sistemi informatici utilizzati dalle banche. Di conseguenza, un’informazione che era corretta al momento dell’inserimento può non esserlo più diversi anni dopo.
Il tema è già seguito anche dalle autorità di vigilanza. Nelle priorità di vigilanza per il periodo 2026-2028, la BCE richiama infatti l’attenzione sulla qualità, l’accuratezza e l’integrità dei dati. Anche il Financial Stability Institute della BIS indica la qualità delle informazioni come uno degli elementi centrali per un utilizzo efficace dell’intelligenza artificiale nei servizi finanziari.
Un portafoglio da quasi 600 mila registrazioni
A mostrare concretamente le dimensioni del problema è un’analisi condotta da Datasinc, tech company italiana specializzata nell’analisi di dati immobiliari e creditizi per banche e operatori finanziari. Uno dei portafogli esaminati comprendeva oltre 587 mila registrazioni, relative a circa 373.800 immobili posti a garanzia, 235 mila soggetti e 168 mila riferimenti ipotecari.
A una prima analisi, il database sembrava presentare un livello di qualità elevato. Considerando separatamente i singoli campi, gli errori formali individuati erano infatti inferiori al 4%. Il quadro cambiava però quando le informazioni venivano analizzate nel loro insieme. Per capire quale immobile garantisca effettivamente un determinato credito non basta infatti verificare che ciascun dato sia presente. Occorre che siano correttamente collegati tra loro il credito, l’ipoteca, l’immobile e il soggetto coinvolto. Considerando contemporaneamente questi elementi, solo il 44% delle posizioni del portafoglio risultava completo e coerente.
Il restante 56% comprendeva invece informazioni mancanti, riferimenti da aggiornare o posizioni che richiedevano ulteriori verifiche. In particolare, circa 38 mila posizioni risultavano collegate a soggetti che nei sistemi della banca non erano indicati come garanti o debitori.
Il problema non è avere dati necessariamente errati
Il dato del 56% non significa che oltre metà delle informazioni contenute negli archivi bancari sia sbagliata. Il problema è più sottile. Un database può infatti apparire affidabile quando ogni informazione viene osservata singolarmente. Le difficoltà emergono quando i diversi dati devono essere collegati per ricostruire una situazione completa.
È un aspetto particolarmente importante per l’intelligenza artificiale. Un modello può essere molto sofisticato, ma non può automaticamente correggere informazioni incomplete o non aggiornate. “Per sapere realmente quale garanzia ha una banca bisogna riuscire a collegare tre elementi: il credito e la relativa ipoteca, l’immobile e il soggetto coinvolto”, spiegano Nicola Chiarini e Francesco Braggiotti di Datasinc.
“Se questi elementi non dialogano tra loro, qualsiasi analisi successiva parte da una fotografia che può essere incompleta. Con l’intelligenza artificiale vale ancora di più il principio del garbage in, garbage out: un modello molto sofisticato non può compensare automaticamente un dato di partenza che non rappresenta più la realtà”, aggiungono.
Il rischio di automatizzare gli errori
È proprio questo uno dei principali punti di attenzione per il settore bancario. L’AI può rendere più veloci processi che fino a oggi richiedevano molto lavoro manuale. Può essere utilizzata per l’analisi dei portafogli, la valutazione del rischio, i processi di credito e numerose altre attività.
Se però alla base ci sono dati incompleti o non aggiornati, l’automazione rischia di rendere più veloce anche la propagazione dell’errore. “L’AI può diventare uno strumento molto utile per il credito e il risk management”, sottolinea Francesco Braggiotti di Datasinc. “Ma se i dati di partenza non sono affidabili, il rischio è semplicemente automatizzare anche gli errori”.
Prima dell’AI viene quindi la qualità del dato
La crescente diffusione dell’intelligenza artificiale nel settore bancario porta quindi con sé una conseguenza importante: prima di investire nell’automazione dei processi, gli istituti devono assicurarsi che gli archivi sui quali i modelli lavorano siano aggiornati, completi e coerenti.
Per le banche questo significa intervenire soprattutto sui portafogli più datati, verificando i collegamenti tra crediti, ipoteche, immobili e soggetti e aggiornando le informazioni che nel tempo hanno perso validità. La sfida dell’AI nel settore finanziario, dunque, non riguarda soltanto la tecnologia. La capacità di ottenere risultati affidabili dipenderà anche dalla qualità della base informativa sulla quale i sistemi vengono costruiti. E per gli istituti di credito questo rende la gestione e la bonifica dei dati una fase sempre più importante dei processi di innovazione.
#Adessonews seleziona nella rete articoli di particolare interesse.
Se vuoi leggere l’articolo completo clicca sul seguente link
