L’intelligenza artificiale non è più una sperimentazione per il settore bancario. Secondo i dati della BCE, oltre l’85% delle grandi banche sottoposte alla vigilanza europea utilizza già sistemi di AI. Ma mentre gli istituti accelerano sull’adozione, emerge un problema a monte: quanto sono affidabili le informazioni sulle quali questi sistemi lavorano?
È un problema che riguarda soprattutto i portafogli costruiti nel corso degli anni, nei quali cambiamenti degli immobili, successioni, migrazioni tecnologiche, fusioni e acquisizioni possono rendere le informazioni meno aggiornate rispetto alla situazione reale.
La conseguenza è che un dato corretto nel momento in cui è stato registrato non è necessariamente ancora corretto o completo dieci anni dopo.
Il tema è già all’attenzione dei supervisori: nelle priorità di vigilanza 2026-2028, la BCErichiama le criticità legate ad accuratezza e integrità dei dati, mentre il report del Financial Stability Institute della BIS indica la qualità delle informazioni tra i fattori centrali per l’utilizzo dell’AI nei servizi finanziari.
Quando i dati sembrano corretti, finché non vengono messi insieme
A mostrare concretamente il problema sono alcuni dei portafogli analizzati negli ultimi anni da Datasinc, tech company italiana specializzata nell’analisi di dati immobiliari e creditizi per banche e operatori finanziari.
Uno dei casi più significativi riguarda un portafoglio composto da oltre 587 mila registrazioni, relative a circa 373.800 immobili posti a garanzia, 235 mila soggetti e 168 mila riferimenti ipotecari. A una prima verifica il database appariva in buone condizioni: considerando separatamente i singoli campi, gli errori formali rilevati erano inferiori al 4%.
La fotografia cambiava però nel momento in cui venivano messe insieme tutte le informazioni necessarie per capire con certezza che cosa garantisse effettivamente ogni credito. Solo nel 44% delle posizioni del portafoglio immobile, soggetto e ipoteca risultavano contemporaneamente presenti e coerenti tra loro.
Il restante 56% comprendeva informazioni mancanti, riferimenti non aggiornati o posizioni da verificare. Tra queste, 38 mila posizioni risultavano collegate a soggetti non indicati nei sistemi della banca come garanti o debitori.
Il punto non è quindi che metà dei dati bancari sia errata, ma che un archivio può apparire corretto finché le informazioni vengono considerate separatamente.
“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”
Con informazioni non aggiornate, anche il rischio diventa più difficile da leggere
Il problema emerge soprattutto nei portafogli storici, dove immobili, proprietari e informazioni cambiano nel tempo. In un caso analizzato da Datasinc su circa 197 mila immobili posti a garanzia, l’8,7% degli identificativi catastali risultava soppresso e daaggiornare.
Sapere con precisione quale immobile è posto a garanzia è oggi essenziale anche per valutarne classe energetica e rischi fisici, come alluvioni o terremoti. Su questi temi Datasinc ha lavorato anche nell’ambito di Milano Hub della Banca d’Italia e a uno studio sull’utilizzo del machine learning per stimare la classe energetica degli immobili.
È qui che qualità dei dati e intelligenza artificiale si incontrano. Se un modello parte da un immobile sbagliato, da una garanzia non aggiornata o da un soggetto associato in modo errato, anche il risultato dell’analisi rischia di esserlo. Per questo, prima di automatizzare valutazioni di rischio, analisi di portafoglio o processi di credito, diventa essenziale verificare l’affidabilità delle informazioni di partenza.
“L’AI può diventare uno strumento molto utile per il credito e il risk management”, conclude Francesco Braggiotti di Datasinc. “Ma se i dati di partenza non sono affidabili, il rischio è semplicemente automatizzare anche gli errori”.
