Merito creditizio e intelligenza artificiale, arriva una nuova era per le aziende.
Per le pmi spesso l’accesso al credito bancario rappresenta un vero e proprio calvario. Le linee guida dell’Eba (European Banking Authority) hanno incrementato le procedure burocratiche e i dati richiesti, le agevolazioni alla finanza d’impresa sono state ridimensionate, gli alti tassi d’interesse imposti dalla Bce hanno scoraggiato molte aziende dall’indebitarsi e le banche hanno meno liquidità a disposizione per una minore raccolta e per l’obbligo di restituire alla Bce i fondi Tltro (Targeted long-term refinancing operation).
Il credit crunch è confermato dai dati della Cgia di Mestre, secondo cui nell’ultimo anno in cui i dati sono disponibili (agosto 2023 rispetto allo stesso mese del 2022), gli impieghi bancari vivi alle imprese italiane sono diminuiti del 7,7%. A soffrire sono state soprattutto le realtà imprenditoriali con meno di 20 addetti che hanno subito un calo del credito dell’8,7% e che costituiscono circa il 98% delle aziende italiane.
Merito creditizio, l’aiuto da algoritmi e machine learning
Ad aiutarle potrebbe pensarci ora l’intelligenza artificiale, grazie ad algoritmi e machine learning. Queste tecnologie consentono di analizzare un’ampia mole di dati relativi alle imprese: dai bilanci alle loro interazioni sui social media. Dati che possono essere impiegati per comprendere rapidamente la solvibilità di un’impresa attraverso la valutazione del merito creditizio, ossia la capacità di un debitore di restituire al creditore la somma ottenuta in prestito alle scadenze prestabilite dal contratto di finanziamento.
Come l’intelligenza artificiale sta rivoluzionando la valutazione del merito creditizio
In realtà, guardando in particolare al consumer finance, già da tempo l’intelligenza artificiale è entrata a pieno titolo in alcuni processi, come per esempio il credit scoring, ossia l’attribuzione di un punteggio al richiedente di un credito per rappresentare il suo profilo di rischio. Tale analisi statistica, effettuata da banche istituzioni finanziarie, è volta a determinare l’affidabilità creditizia di una persona fisica di un’impresa. Il risultato del calcolo è un punteggio (score) sul rischio di insolvenza del cliente. In base a tale punteggio, l’istituzione finanziaria valuta il merito creditizio, decidendo se il soggetto è meritevole o meno di credito e quindi se erogarlo o meno.
I vantaggi dell’IA per le aziende: accesso al credito più rapido e conveniente
Grazie all’intelligenza artificiale, le imprese possono accedere al credito in modo più veloce. Ciò è possibile grazie a un processo di raccolta automatica dei dati necessari all’erogazione del finanziamento più veloce, efficiente e accurato, alla digitalizzazione dei documenti, a strumenti di controllo di convalida dei dati, a un’elaborazione più rapida del prestito, che si traducono in una drastica riduzione dei tempi di risposta alle richieste di finanziamento.
Inoltre, rende l’AI rende l’accesso al credito più conveniente, dato che i modelli di machine learning possono considerare anche dati alternativi, ovvero complementari a quelli in uso nei modelli tradizionali, grazie al peculiare processo di addestramento e calibrazione di questi modelli. L’inclusione di questi dati nei modelli migliora l’accuratezza delle previsioni ed estende la valutazione del merito di credito a imprese escluse o penalizzate dall’accesso al credito.
L’intelligenza artificiale generativa può essere altresì impiegata per creare dati sintetici, in modo da sopperire alla loro assenza per simulare scenari ipotetici di modellazione del rischio.
L’uso di queste nuove tipologie di dati aumenta il grado di concorrenza sul mercato perché consente anche a soggetti diversi dagli intermediari finanziari tradizionali, come le società fintech o tecnologiche, di offrire prestiti con costi e tempi di approvazione inferiori, fronte di minori garanzie e documentazione.
Inoltre, l’uso del crediti scoring algoritmico, includendo dati alternativi, contribuisce a migliorare il livello di personalizzazione dei servizi, essendo in grado di anticipare e prevedere i futuri bisogni ed esigenze dei clienti sulla base delle loro attività precedenti.
Sempre in un’ottica predittiva, l’AI consente di identificare e coinvolgere in modo proattivo le imprese prima che diventino insolventi ed entrino nel registro dei debitori, per cui le aziende vulnerabili possono usufruire di soluzioni di rimodulazione e ristrutturazione dei debiti personalizzate, prima che diventino morose.
Quali sono i rischi dell’utilizzo dell’AI per la valutazione del merito creditizio
Gli algoritmi sono il riflesso dei dati impiegati per addestrarli. Uno dei rischi legati all’AI è la possibile presenza di distorsioni nell’ambito della valutazione del rischio di credito, che possono dar luogo a una differenziazione errata del rischio, ossia alla mancata capacità del modello di ordinare correttamente i clienti per livello di merito di credito. Tale distorsione porta la banca o l’istituzione finanziaria a non scegliere correttamente i clienti cui erogare prestiti oppure pratichi loro prezzi distorti.
Un altro rischio è quello di una discriminazione dei potenziali clienti, ovvero la presenza di nell’algoritmo di pregiudizi o favoritismo verso imprese identificati da attributi considerati sensibili (coded bias). Ciò avviene mediante l’utilizzo di variabili collegate con l’appartenenza al gruppo vulnerabile, per esempio i dati di geolocalizzazione, che potrebbero penalizzare le aziende situate in aree considerate a rischio, a prescindere dalla loro situazione finanziaria. La discriminazione può avvenire anche attraverso la considerazione esplicita di determinate caratteristiche oppure con forme di distorsione algoritmica che sfuggono al controllo dell’analista, con i connessi rischi di opacità nella decisione. Ad esempio, resta ineliminabile la “discriminazione istituzionale”, ossia quella che tratta in modo sfavorevole o nutre pregiudizi verso alcune imprese, identificate tramite l’utilizzo di e variabili che etichettano le imprese come vulnerabili (discriminazione diretta) oppure parametri correlati all’appartenenza a un gruppo vulnerabile (discriminazione indiretta). Entrambe le discriminazioni comportando il rischio di esclusione finanziaria e, nel caso in cui siano perpetrate da modelli di machine learning, la distorsione potrebbe essere confermata e addirittura rafforzata, creando così un bias storico.
Ridurre il rischio di insolvenza: l’AI come strumento di analisi predittiva
L’AI permette di effettuare l’analisi predittiva del rischio di insolvenza attraverso algoritmi di machine learning, che assicurano una maggiore accuratezza delle previsioni.
Tale analisi si basa sull’idea che gli algoritmi possano apprendere dai dati, prendendo decisioni con un intervento umano ridotto al minimo. Il processo predittivo viene affinato nel tempo sulla base dei risultati ottenuti e dell’analisi dettagliata del processo predittivo, alimentando così l’affidabilità delle previsioni. Una recente ricerca di Alonso e Carbò del Banco de Espana dimostra che l’utilizzo di tecniche di machine learning avanzate comporta un miglioramento delle previsioni di default delle imprese rispetto ai modelli statistici tradizionali di almeno il 2-10%. Tuttavia, il processo predittivo tuttavia comporta una serie di criticità.
Sfide e opportunità: l’etica dell’IA e la trasparenza dei modelli
Una prima sfida è la “black box” degli algoritmi, per cui questi ultimi possono essere spiegati solo in parte nel loro funzionamento in quanto ogni azienda che si occupa di credit scoring custodisce gelosamente i modelli matematici che le consentono di essere più accurata delle concorrenti.
L’utilizzo dell’intelligenza artificiale all’interno di un sistema complesso come la valutazione del merito di credito porta con sé nuove sfide in termini di trasparenza, dato che l’AI è difficile da spiegare, anche al netto del tema del segreto industriale.
Per ridurre il trade-off tra spiegabilità e accuratezza del modello, alcune imprese lavorando alla xAI (explainable AI). Si tratta di un’intelligenza artificiale più “spiegabile”, che si pone l’obiettivo di far chiarezza in merito a quello che accade all’interno degli algoritmi di AI, per comprendere le motivazioni dietro al risultato da essi raggiunto. Ciò è possibile adottando un approccio by design con sistemi di AI progettati e sviluppati in modo da garantire agli utenti adeguata trasparenza. L’adeguamento del design del software ai requisiti predefiniti richiede altresì la definizione di misure appropriate di supervisione umana, oltre all’uso di dataset di alta qualità e sicura provenienza. Organizzazioni internazionali come la Banca Mondiale raccomandano che i fornitori di servizi di credit scoring dovrebbero essere in grado di spiegare la logica sottesa a ogni loro decisione senza per questo venir meno al rispetto dei diritti di proprietà intellettuale invece violati da una richiesta di trasparenza diretta o indiretta dell’algoritmo.
In generale, gli sviluppatori di algoritmi devono essere consapevoli dei potenziali bias e lavorare per minimizzarli. Una governance proattiva può favorire un uso responsabile, etico e trasparente dell’intelligenza artificiale, in modo che le decisioni prese dalle istituzioni finanziarie siano comprensibili per le imprese.
Il futuro del merito creditizio: verso un sistema più inclusivo e affidabile
L’intelligenza artificiale può permettere e alle banche e ad altri intermediari finanziari di valutare meglio il merito di credito delle imprese, a vantaggio di queste ultime, delle banche e della stabilità del sistema finanziario tout court. Tuttavia, bisogna tener presenti e gestire i rischi insiti nell’AI, sul fronte di privacy, spiegabilità dei modelli, pericolo di esclusione finanziaria, discriminazioni.
In un’ottica di maggiore inclusione delle imprese al credito, i big data possono agire da freno nei confronti delle discriminazioni, in virtù del fatto che consentono di accedere a informazioni molto ricche e dettagliate. Tuttavia, sono alcune generazioni possiedono un’identità digitale da cui estrapolare i dati, mentre altre rimarrebbero scarsamente rappresentate all’interno del mondo digitale.
In questo contesto, è cruciale che l’implementazione dell’intelligenza artificiale nella valutazione del merito creditizio sia accompagnata da una riflessione etica e tecnologica approfondita, in modo che l’AI diventi un volano e non un ulteriore ostacolo per la costruzione di un sistema finanziario più inclusivo e affidabile.
