Digital lending: nel 2030 credito digitale al 40%

Il digital lending raggiungerà il 40% del mercato del credito italiano entro il 2030. Il canale mobile copre già il 60% delle richieste. I tempi di approvazione si sono ridotti del 25–33% rispetto al primo quadrimestre 2025. Tre dati che, letti singolarmente, descrivono un’industria in accelerazione. Letti insieme, segnalano qualcosa di più profondo: una riallocazione strutturale delle architetture decisionali all’interno degli istituti finanziari.

È il quadro che emerge dall’Osservatorio Digital Lending 2026, realizzato da Monitor Deloitte, Experian e Cetif (Centro di Ricerca su Tecnologie, Innovazione e Servizi Finanziari dell’Università Cattolica del Sacro Cuore), e ripreso da Italia Oggi del 20 aprile 2026.

La transizione non è incrementale

Il digital lending non era un canale alternativo: è diventato il nuovo standard del mercato. La penetrazione ha raggiunto il 24% nel 2025, con proiezione al 30% entro il 2030. L’internet banking si stabilizza al 35%. Il BNPL (Buy Now Pay Later) è l’unico prodotto con maggiore diffusione al Sud rispetto alla media nazionale.

Marco Latif Mesak, direttore di Monitor Deloitte, è esplicito: il mercato non è in una fase di adozione del digitale, ma in una ridefinizione strutturale del credito. Il dato più rilevante non è la crescita dei volumi, ma la velocità della transizione: dal 15% netto 2024 al 22% online nel 2025, in dodici mesi, con una dinamica che Giulio Mariani, direttore dell’area Data e IA di Experian Italia, attribuisce all’intelligenza artificiale applicata ai processi di valutazione e approvazione.

Cosa cambia nelle architetture di rischio

La riduzione dei tempi di approvazione del 25–33% non è un KPI operativo: è il segnale esterno di una trasformazione interna. Per le banche con modelli IRB (Internal Ratings-Based) consolidati, la sfida non è digitalizzare il processo esistente. È integrare flussi di dati non strutturati — comportamenti di pagamento, pattern transazionali, dati alternativi — all’interno di architetture di rischio progettate per logiche di scoring tradizionale, mantenendo la spiegabilità richiesta da EBA e BCE.

L’intelligenza artificiale entra nel credito come abilitatore di tre funzioni distinte: valutazione del rischio su variabili non tradizionali, approvazione accelerata con governance degli esiti, monitoraggio post-erogazione per il rilevamento precoce del deterioramento.

Il profilo di rischio del canale digitale è migliorato rispetto al fisico in tutti i comparti. I prestiti personali registrano il tasso di default più elevato (2,6% nel 2025), ma i finalizzati mostrano risultati migliori (2,1%). Per i mutui, la riduzione rispetto al 2020 va dall’1,5% all’1,1% sul digitale, contro l’1,1% all’1% sul fisico. Il BNPL registra un calo dal 3% al 2%. Un miglioramento che va letto con cautela: i modelli sono stati addestrati in contesto espansivo. La verifica reale arriverà nel primo scenario di stress.

Il differenziale geografico è una variabile di rischio

Il Nord concentra il 44% delle operazioni di digital lending sui prestiti personali (+5 p.p. rispetto al 2020), con 12,0 operazioni ogni 1.000 abitanti. Il Sud è al 31% (−2 p.p.), con 12,6 operazioni ogni 1.000 abitanti. Il Centro al 25% (−3 p.p.), con 13,8 operazioni ogni 1.000 abitanti: il valore più alto pro capite, nonostante la quota percentuale più bassa.

Il punto critico non è la distribuzione geografica in sé. È ciò che rivela sul tipo di utilizzo. Il BNPL mostra penetrazione strutturalmente più elevata al Sud: un segnale che suggerisce utilizzo compensativo della liquidità, non semplice adozione della flessibilità di pagamento. Portafogli apparentemente omogenei sul piano statistico possono nascondere profili di rischio divergenti per area geografica. Un modello aggregato nazionale rischia di sottovalutare questa dispersione proprio nelle fasi in cui essa diventa più rilevante.

I nodi irrisolti: spiegabilità, stress test, governance

Tre questioni strutturali restano aperte.

Spiegabilità dei modelli.
EBA e BCE richiedono che le decisioni di credito basate su IA siano spiegabili. La tensione tra accuracy predittiva dei modelli complessi e interpretabilità regolamentare non è risolta. Le banche che adottano approcci black-box su decisioni di credito al dettaglio si espongono a rischi regolatori ancora non completamente quantificati.

Validità ciclica dei modelli.
Un algoritmo addestrato in fase espansiva — come quella 2020–2025 — produce stime distorte al deteriorarsi delle condizioni macro. I dati di default migliorati dell’Osservatorio sono coerenti con una fase di bassa sinistrosità del credito al consumo. La tenuta dei modelli predittivi si misurerà sul primo scenario di stress reale: recessione, incremento della disoccupazione, compressione dei redditi disponibili.

Architettura dei dati.
L’integrazione di dati alternativi — open banking, comportamentali, da terze parti — nei processi di scoring richiede infrastrutture di data governance che la maggior parte degli istituti di medie dimensioni non ha ancora completato. Il rischio non è l’adozione dell’IA: è l’adozione affrettata senza architettura dati adeguata a sostenerla.

Implicazioni per gli operatori

La transizione verso un mercato del credito prevalentemente digitale è irreversibile. Le implicazioni operative si concentrano su tre livelli.

Per le banche con modelli IRB consolidati, la priorità è la revisione delle architetture di rischio per integrare input non strutturati mantenendo compliance EBA/BCE. Non si tratta di aggiornare il modello: si tratta di ridisegnare il framework di validazione.

Per i mediatori creditizi e gli operatori BNPL, l’accelerazione della penetrazione al Sud impone una segmentazione geografica del rischio più granulare di quella attualmente in uso. Un’analisi aggregata maschera disparità che emergono nelle fasi di stress.

Per le funzioni di risk management, la priorità è costruire framework di validazione dei modelli IA testati su scenari avversi, non solo sulla fase espansiva del ciclo. Il benchmarking sul dato storico recente è insufficiente come base di calibrazione.

Una possibile prospettiva

Il 2030 come orizzonte del 40% del mercato non è lontano. Dentro quel perimetro si concentrano tre trasformazioni simultanee: maturazione dei modelli predittivi, entrata in vigore dell’AI Act europeo con i suoi requisiti sui sistemi ad alto rischio applicati al credito, e un primo test ciclico reale dopo anni di espansione. È su questi tre assi — qualità dei modelli, compliance regolatoria, resilienza ciclica — che si misurerà la maturità effettiva del digital lending italiano. L’efficienza operativa è già dimostrata. La qualità creditizia nel lungo periodo resta ancora da verificare.

Elaborazione GrifoNews su dati Osservatorio Digital Lending 2026 (Monitor Deloitte, Experian, Cetif). Fonte primaria: Italia Oggi, 20 aprile 2026.