L’intelligenza artificiale decide già chi ottiene un finanziamento?

Il direttore commerciale di una piccola manifatturiera veneta presenta la sua richiesta di fido a una banca con cui lavora da quindici anni. Bilanci in ordine, nessun insoluto, fatturato stabile. La risposta arriva in quarantott’ore: rifiuto, senza spiegazioni articolate. Quello che l’imprenditore non sa — e che la banca non è tenuta a comunicargli nel dettaglio — è che la decisione è stata prodotta, in larga parte, da un sistema algoritmico che ha elaborato circa duecento variabili, molte delle quali non compaiono in nessun bilancio.

Questa scena non appartiene a un futuro prossimo. Accade già oggi, in Italia come nel resto d’Europa, con una frequenza che cresce di trimestre in trimestre. Secondo i dati diffusi da Banca AideXa — la prima banca digitale italiana dedicata esclusivamente alle micro e piccole imprese — circa il 90% delle valutazioni di merito creditizio è oggi supportato da sistemi di intelligenza artificiale. Non “aiutato”: supportato. La distinzione è importante, perché cambia radicalmente la prospettiva su chi ha il problema e su cosa può fare per affrontarlo.

Come funziona davvero lo scoring algoritmico

Il credit scoring non è una novità. Le banche attribuiscono punteggi di rischio ai richiedenti da decenni, basandosi su modelli statistici sviluppati internamente o acquistati da provider specializzati. Ciò che è cambiato negli ultimi cinque anni è la qualità e la quantità dei dati disponibili, e la capacità degli algoritmi di apprendimento automatico di trovare correlazioni che i modelli tradizionali non individuavano.

Il meccanismo di base funziona così: il sistema riceve in ingresso una serie di variabili — storiche, comportamentali, patrimoniali, a volte comportamentali in senso lato — e restituisce una probabilità di default entro un orizzonte temporale definito. Le variabili tradizionali erano sostanzialmente i dati di bilancio: indici di liquidità, leva finanziaria, copertura degli interessi, storico dei pagamenti. Quelle che oggi si aggiungono sono di natura diversa.

L’open banking, reso possibile dalla direttiva PSD2 recepita nell’ordinamento europeo, ha aperto un canale di dati prima inaccessibile: i movimenti transazionali del conto corrente aziendale. Una piattaforma come Faire.ai, che opera nel mercato italiano del credit scoring B2B, afferma di generare oltre cento indicatori finanziari esclusivamente dai flussi del conto, previa autorizzazione del titolare. Aidexa utilizza i dati transazionali degli ultimi dodici mesi per costruire un profilo creditizio che si aggiorna in tempo reale, superando il limite strutturale dei bilanci annuali: uno snapshot del passato, non una misura del presente.

I modelli più sofisticati — basati su algoritmi come XGBoost, Random Forest o reti neurali profonde — analizzano anche dati cosiddetti “alternativi”: comportamento sui social media, andamento delle recensioni online, velocità di risposta ai pagamenti verso fornitori, geolocalizzazione dell’attività. Opyn, altra fintech italiana attiva nel digital lending, ha descritto pubblicamente come i propri modelli integrino dati sociodemografici e fonti aperte per ampliare la base informativa, estendendo l’analisi anche a imprese che i sistemi tradizionali escluderebbero per mancanza di dati strutturati.

Il risultato pratico: tempi di risposta compressi — da settimane a sette giorni, in alcuni casi a poche ore — e capacità di servire segmenti di mercato che le banche tradizionali ignoravano per eccesso di costo istruttorio. Il costo dell’istruttoria varia poco tra un finanziamento da 50.000 euro e uno da 2 milioni: questo ha storicamente reso non conveniente il credito alle micro-imprese. Gli algoritmi lo rendono scalabile.

Lo scenario che cambia le condizioni della trattativa

Consideriamo un’impresa di costruzioni con 12 dipendenti che ha eseguito lavori con Superbonus 110%. I crediti fiscali ceduti risultano regolari, ma l’azienda ha attraversato diciotto mesi di ritardi nell’incasso delle compensazioni, con conseguente utilizzo intensivo del conto corrente e alcune posizioni scadute verso fornitori. Il bilancio 2023 è positivo. Il bilancio 2022 mostra tensione di cassa.

Un analista umano con esperienza nel settore edilizio vedrebbe immediatamente la correlazione tra le difficoltà di cassa e il problema sistemico dei crediti fiscali bloccati in quella fase. Un algoritmo addestrato su dati generali potrebbe classificare quella stessa impresa come soggetto ad alto rischio di insolvenza — e farlo nel giro di pochi secondi, senza possibilità di controdeduzione.

Il punto non è che gli algoritmi sbaglino più degli esseri umani. In media, su grandi popolazioni, sbagliano meno. Il punto è che sbagliano in modo strutturato e opaco, e che l’imprenditore che riceve un “no” da un sistema algoritmico ha strumenti molto limitati per capire perché e ancora meno per contestarlo.

L’opacità come zona di rischio

Il problema della trasparenza decisionale è quello su cui si concentra oggi la maggior parte della riflessione regolatoria. Gli algoritmi di machine learning più performanti — le reti neurali profonde in particolare — sono per loro natura difficili da spiegare. Esiste un trade-off documentato dalla Banca d’Italia stessa: al crescere della precisione predittiva del modello, diminuisce la spiegabilità delle decisioni. L’Explainable AI (XAI) cerca di attenuare questo trade-off, ma non lo elimina.

Il rischio di discriminazione algoritmica non è ipotetico. I sistemi addestrati su dati storici replicano le asimmetrie esistenti: se una certa categoria di imprese ha avuto storicamente tassi di default più elevati per ragioni strutturali — accesso limitato a garanzie, operatività in aree geografiche con infrastrutture finanziarie ridotte, settori ad alta volatilità ciclica — l’algoritmo incorporerà quel bias nei suoi parametri. La geolocalizzazione, per esempio, può diventare un proxy indiretto di discriminazione: un’azienda che opera in una provincia ad alto tasso di insolvenze storiche riceverà uno score peggiore indipendentemente dalla propria situazione specifica.

Questo non è un effetto teorico. È documentato. E nessuno, nella catena di fornitura del credito algoritmico, è formalmente responsabile di spiegarlo al richiedente respinto.

Il quadro normativo: cosa cambia con l’AI Act

Il Regolamento (UE) 2024/1689, noto come AI Act, è entrato in vigore il 1° agosto 2024. I suoi effetti si dispiegano in modo progressivo: dal 2 febbraio 2025 sono operativi i divieti per le pratiche a rischio inaccettabile; dal 2 agosto 2025 sono scattati gli obblighi per i modelli di AI generali; gli obblighi specifici per i sistemi ad alto rischio — categoria in cui ricadono esplicitamente i sistemi di credit scoring, ai sensi dell’Allegato III, punto 5, lettera b) — saranno pienamente applicabili dal 2 agosto 2026.

Il regime che si sta costruendo è sostanziale. I fornitori e deployer di sistemi AI per la valutazione del merito creditizio dovranno implementare un sistema di gestione del rischio lungo l’intero ciclo di vita del prodotto, garantire la qualità dei dataset di addestramento — documentando l’assenza di bias sistematici — e consentire la supervisione umana nelle decisioni critiche. Prima di adottare o implementare il sistema, i deployer nel settore del credito sono tenuti a effettuare una valutazione di impatto sui diritti fondamentali.

Il GDPR aggiunge un livello ulteriore: l’articolo 22 riconosce al richiedente il diritto di non essere sottoposto a decisioni basate esclusivamente su trattamenti automatizzati che producano effetti giuridicamente rilevanti. Il considerando 71 include esplicitamente le decisioni di concessione o rifiuto del credito. In teoria, l’imprenditore respinto ha già oggi il diritto di richiedere l’intervento umano e di contestare la decisione. In pratica, questo diritto è quasi mai esercitato, per mancanza di consapevolezza e per la difficoltà di identificare l’interlocutore corretto nella catena decisionale.

Sul piano italiano, il quadro è integrato dalla Legge 132/2025, entrata in vigore il 10 ottobre 2025, che stabilisce principi generali sull’uso dell’AI a livello nazionale, affiancandosi al regolamento europeo.

Le sanzioni previste dall’AI Act per i sistemi ad alto rischio non conformi arrivano fino a 15 milioni di euro o al 3% del fatturato mondiale annuo. Non sono cifre simboliche.

L’implicazione sistemica: chi guadagna e chi perde

L’automazione del credit scoring redistribuisce potere nel mercato del credito in modo non neutro. Le fintech native digitali che hanno costruito la propria infrastruttura attorno a modelli algoritmici — Aidexa, Opyn, e le piattaforme di alternative lending europee — hanno un vantaggio strutturale nella gestione del costo per pratica. Una banca tradizionale, con le sue procedure di istruttoria, non può competere sul segmento micro-imprese sotto una certa soglia di importo: semplicemente non è conveniente. Un algoritmo lo fa a costo marginale prossimo a zero.

Questo significa che il mercato si biforca. Il credito di relazione — basato sulla conoscenza del territorio, dell’imprenditore, del settore — sopravvive solo sui ticket più alti e sui rapporti di lunga data. Il credito standardizzato su importi ridotti e su tempi rapidi è già oggi dominio degli algoritmi.

Per le PMI italiane — 2,3 milioni di micro-imprese secondo le stime di mercato, molte delle quali con difficoltà di accesso al credito tradizionale — questo cambiamento può essere un’opportunità o un’ulteriore barriera, a seconda di come si presentano ai modelli. La questione non è più solo “hai le garanzie?”. È diventata: “che storia racconta il tuo conto corrente?”

La conseguenza che pochi considerano

C’è un effetto di secondo livello che quasi nessuno calcola. Le imprese che vengono valutate da sistemi algoritmici svilupperanno nel tempo strategie di ottimizzazione dello score: gestiranno i flussi di cassa per risultare più affidabili ai modelli, selezioneranno fornitori e clienti in funzione dell’impatto sui dati transazionali, costruiranno la propria presenza digitale pensando anche a come viene letta dagli algoritmi di credito.

È la stessa logica che ha trasformato la SEO: quando i criteri di classificazione sono noti — o percepiti come noti — il sistema si adatta, spesso in modi che non corrispondono al comportamento autentico ma all’ottimizzazione del segnale. Un’impresa che gestisce i propri pagamenti con attenzione al profilo di rischio algoritmico è formalmente più affidabile. Se effettivamente lo è, è una questione diversa.

Il mediatore creditizio che non conosce questi meccanismi non è più nella posizione di aggiungere valore. Quello che conosce il funzionamento reale dei modelli può intervenire prima della richiesta, non dopo il rifiuto: lavorare sul profilo finanziario dell’impresa come si lavora sul posizionamento online, con la stessa logica e con lo stesso orizzonte temporale. Non è consulenza finanziaria tradizionale. È qualcosa di diverso, che il mercato non ha ancora un nome preciso per definire — ma che esiste già.