Le nuove regole europee sul credito impongono agli intermediari maggiore controllo sui processi automatizzati, qualità delle informazioni e capacità di spiegare le decisioni. Il loro perimetro normativo specifico non coincide con il credito alle imprese, ma la direzione imboccata dal sistema bancario riguarda direttamente anche il rapporto tra aziende, dati e accesso ai finanziamenti. La questione più interessante, per chi un’azienda la gestisce, non è quanto denaro potrà essere finanziato secondo le nuove regole: è come una banca dovrà arrivare alla decisione di concedere o rifiutare credito, e che cosa questo richiederà a chi il credito lo chiede.
Il decreto legislativo 212/2025, in vigore dal 10 gennaio 2026 e destinato a piena applicazione operativa da novembre 2026, recepisce la direttiva europea CCD2 e rafforza i requisiti che circondano la valutazione del merito creditizio, introducendo vincoli precisi quando nella decisione intervengono sistemi automatizzati: tracciabilità dei processi, controllabilità degli algoritmi, coerenza con i principi di protezione dei dati personali. Il provvedimento nasce all’interno della revisione europea della disciplina del credito ai consumatori e ha un ambito di applicazione specifico, distinto dal credito alle imprese. Per aziende e professionisti, però, la questione rilevante è un’altra: le logiche introdotte dalla normativa si collocano dentro una trasformazione assai più ampia dei sistemi bancari di valutazione del rischio, una trasformazione che la sola cornice regolamentare del credito al consumo non esaurisce. La banca del prossimo decennio dovrà essere contemporaneamente più automatizzata e più capace di spiegare le proprie decisioni, ed è questa apparente contraddizione — velocità di calcolo da un lato, obbligo di rendicontazione dall’altro — a meritare l’attenzione di chi il credito lo negozia, non solo di chi lo regola.
Lo scoring non è più soltanto un numero
Per molti anni la digitalizzazione del credito ha seguito una direzione abbastanza prevedibile: raccogliere più informazioni, automatizzare più passaggi, ridurre progressivamente il costo della valutazione. L’intelligenza artificiale accelera questo processo su un piano diverso. I modelli di machine learning possono individuare relazioni tra variabili che un modello statistico tradizionale fatica a cogliere, analizzare quantità molto maggiori di informazioni e aggiornare più rapidamente le stime di rischio.
Banca d’Italia sta studiando direttamente queste applicazioni. In un approfondimento pubblicato nel gennaio 2026 e dedicato alla valutazione del merito creditizio delle imprese non finanziarie, gli economisti Francesco Columba, Manuel Cugliari e Stefano Di Virgilio hanno confrontato il sistema interno della Banca (l’ICAS, utilizzato per la valutazione del rischio delle imprese) con modelli di machine learning, reti neurali profonde e, infine, con un meta-modello che combina le diverse tecniche in una struttura a più livelli (in gergo tecnico, uno stacking). I risultati mostrano che il deep learning migliora la capacità discriminante rispetto ai modelli tradizionali, che i metodi di ensemble — random forest, gradient boosting — offrono un ulteriore guadagno, e che il meta-modello che li combina tutti raggiunge le prestazioni migliori in assoluto. (Banca d’Italia)
Ma lo stesso studio individua il problema che accompagnerà probabilmente tutto lo sviluppo futuro del settore: un modello più accurato non è necessariamente un modello più comprensibile, e proprio per questo gli autori applicano tecniche di explainable AI per ricostruire quali fattori spieghino le differenze tra le previsioni dei modelli di machine learning e quelle dei sistemi tradizionali. È un passaggio importante. Per una banca, prevedere correttamente un’insolvenza è essenziale, ma in un sistema finanziario regolamentato non basta che un algoritmo produca una previsione statisticamente efficace: occorre sempre più spesso poter ricostruire quali fattori abbiano condotto a quella previsione e dimostrare che il processo decisionale sia coerente con le regole applicabili. La qualità del modello e la sua governabilità iniziano quindi a diventare due facce dello stesso problema, non due questioni separate da affrontare in sequenza.
Quando la banca legge i dati prima dell’impresa
Più lo scoring bancario diventa automatizzato, più aumenta il rischio che l’impresa venga valutata attraverso dati incompleti, tardivi o poco coerenti. Il problema non è soltanto ottenere un rifiuto, ma essere classificati peggio senza accorgersene per tempo.
Informazioni deboli, valutazione debole
Se i dati aziendali sono frammentari o poco tempestivi, il modello può leggere una rappresentazione peggiore dell’impresa rispetto alla sua situazione economica reale.
Il deterioramento può emergere prima del bilancio
Anomalie nei flussi, negli utilizzi o nelle esposizioni possono essere intercettate dai sistemi prima che l’imprenditore ne percepisca pienamente l’effetto sul rapporto bancario.
Correggere tardi costa di più
Quando il problema è già entrato nei sistemi di valutazione, ricostruire affidabilità informativa e merito creditizio può richiedere più tempo, più documentazione e maggiore capacità negoziale.
L’intelligenza artificiale entra nella governance bancaria
L’uso dell’AI nel credito viene spesso raccontato come una questione tecnologica. Per le banche è invece sempre più una questione di governance. Un algoritmo di scoring non vive isolato all’interno di un server: è inserito in una catena che comprende acquisizione dei dati, classificazione delle informazioni, costruzione delle variabili, modello statistico, sistemi di controllo, procedure interne e decisione finale. Quando una parte di questa catena viene automatizzata, cambiano anche le responsabilità che la percorrono.
La regolamentazione europea sta progressivamente spingendo gli intermediari verso modelli nei quali le decisioni automatizzate devono essere controllabili, documentabili e, quando necessario, riesaminabili. Questo significa che risk management, compliance e IT non possono più operare come strutture separate: il modello di scoring diventa parte dell’infrastruttura di controllo della banca, con tutto ciò che ne consegue in termini di investimenti, competenze interne e tempi di validazione di ogni nuovo modello prima che entri in produzione.
Il vero terreno di competizione saranno i dati
Per le imprese questa trasformazione conta molto più della singola modifica normativa. Il credito bancario sta diventando progressivamente data intensive. Bilanci, andamento dei flussi finanziari, esposizioni esistenti, puntualità dei pagamenti, struttura patrimoniale, capacità di generare cassa e andamento prospettico dell’attività possono essere combinati attraverso sistemi sempre più sofisticati. Quanto più cresce la capacità analitica degli intermediari, tanto meno una richiesta di finanziamento può essere rappresentata soltanto attraverso una fotografia statica dell’ultimo bilancio disponibile: la questione diventa la qualità complessiva dell’informazione economico-finanziaria che l’impresa produce, non solo la sua consistenza puntuale.
Questo modifica anche il significato della bancabilità. Essere bancabili non significa semplicemente presentare determinati indici entro una soglia accettabile: significa essere leggibili dai sistemi attraverso i quali il capitale viene allocato. Un’impresa economicamente sana ma incapace di documentare con precisione la propria struttura finanziaria, i flussi di cassa, l’evoluzione dell’indebitamento o la sostenibilità di un investimento può progressivamente trovarsi in una posizione meno favorevole rispetto a un’impresa che rende questi elementi immediatamente verificabili, a parità di merito economico sostanziale.
| Area osservata | Che cosa può leggere il sistema | Perché conta |
|---|---|---|
| Bilanci e struttura patrimoniale | Redditività, capitale proprio, indebitamento, equilibrio tra fonti e impieghi. | Misura la solidità economica e finanziaria nel medio periodo. |
| Flussi di cassa | Capacità di generare liquidità e sostenere regolarmente il servizio del debito. | Alta rilevanza Il rimborso dipende dai flussi futuri, non soltanto dal patrimonio. |
| Indebitamento esistente | Esposizioni bancarie, utilizzo delle linee, scadenze e peso complessivo del debito. | Aiuta a stimare quanto ulteriore credito l’impresa possa sostenere. |
| Comportamento finanziario | Regolarità dei pagamenti, anomalie, sconfinamenti e continuità dei rapporti. | Può evidenziare segnali di deterioramento prima che emergano dal bilancio. |
| Dati prospettici | Budget, business plan, investimenti previsti e generazione attesa di cassa. | Permette di valutare la sostenibilità futura dell’operazione finanziata. |
| Qualità informativa | Tempestività, coerenza e verificabilità delle informazioni fornite dall’impresa. | Una buona azienda mal rappresentata può risultare più difficile da valutare. |
La ponderazione effettiva delle variabili dipende dai modelli, dalle policy e dai sistemi di valutazione utilizzati da ciascun intermediario. La tabella rappresenta una lettura editoriale dei principali fattori economico-finanziari richiamati nell’analisi.
Più automazione non significa necessariamente decisioni più semplici
L’effetto apparentemente paradossale è che l’introduzione dell’intelligenza artificiale potrebbe rendere il credito contemporaneamente più veloce e più selettivo. L’automazione consente di analizzare grandi quantità di dati con costi marginali inferiori: la banca può quindi effettuare valutazioni che in passato sarebbero state economicamente troppo onerose, soprattutto sulle operazioni di importo più contenuto, dove il costo dell’istruttoria manuale incideva in proporzione maggiore sul rendimento dell’operazione.
Ma una capacità analitica superiore permette anche di distinguere meglio i profili di rischio. Un sistema capace di osservare più variabili può individuare fragilità che un’analisi più semplice avrebbe lasciato emergere soltanto in un momento successivo. Per alcune aziende questo rappresenterà un vantaggio: accesso più rapido, costi di istruttoria più contenuti, prodotti più calibrati sul profilo specifico. Per altre potrebbe diventare un problema — non perché l’intelligenza artificiale renda necessariamente le banche più restrittive nel loro complesso, ma perché rende potenzialmente meno efficace affidarsi a informazioni incomplete, rappresentazioni contabili poco tempestive o strutture finanziarie difficili da interpretare dall’esterno.
Il merito creditizio diventa un processo continuo
La seconda trasformazione riguarda il tempo. Tradizionalmente molte imprese percepiscono la valutazione bancaria come un evento puntuale: presentazione della domanda, istruttoria, delibera. La crescente disponibilità di dati e l’automazione stanno facendo emergere un modello diverso, nel quale la valutazione diventa progressivamente più dinamica. Le informazioni sulla posizione finanziaria dell’impresa possono essere aggiornate con frequenza maggiore, l’evoluzione delle esposizioni può essere osservata nel tempo, anomalie nei flussi finanziari possono essere individuate prima che emergano chiaramente nel bilancio annuale.
Il passaggio è rilevante perché modifica il rapporto tra banca e impresa: la qualità creditizia non viene più osservata soltanto quando l’azienda chiede denaro, ma può essere valutata lungo l’intero rapporto. Per un’impresa questo significa che la coerenza informativa nel tempo — non solo il dato più recente — entra a far parte della propria reputazione creditizia.
La banca dovrà conoscere il proprio algoritmo
C’è poi un problema specificamente industriale per il sistema finanziario. Molti strumenti utilizzati dagli intermediari non vengono sviluppati interamente all’interno della banca: software, sistemi antifrode, data analytics e componenti dei processi di scoring possono essere forniti da soggetti esterni. Ma esternalizzare la tecnologia non elimina la responsabilità dell’intermediario. Quanto più la regolamentazione richiede tracciabilità, controllo e comprensibilità delle decisioni, tanto più diventano rilevanti i rapporti tra banca e fornitori tecnologici: un sistema acquistato da un vendor non può diventare una scatola nera della quale l’intermediario conosce l’output ma non è in grado di ricostruire sufficientemente il funzionamento.
Questa dinamica avrà conseguenze anche sul mercato fintech. Non sarà necessariamente premiato il modello più sofisticato in assoluto — acquisteranno valore, piuttosto, i sistemi capaci di combinare potenza predittiva, qualità dei dati, possibilità di audit e interpretabilità. È un criterio di selezione diverso da quello puramente prestazionale che ha guidato buona parte dello sviluppo fintech dell’ultimo decennio, e destinato presumibilmente a ridisegnare i rapporti di forza tra fornitori tecnologici e banche committenti.
Explainable AI: la nuova frontiera del credito
È qui che entra in gioco la cosiddetta explainable artificial intelligence, o XAI. Lo studio di Banca d’Italia citato in apertura è significativo proprio perché affronta questo problema in modo operativo: gli autori mostrano che le tecniche di interpretazione possono aiutare gli analisti a comprendere quali fattori determinino le differenze tra le previsioni generate dai modelli di machine learning e quelle prodotte dai sistemi statistici tradizionali. (Banca d’Italia)
La conseguenza è rilevante per chi immagina il futuro dello scoring come una semplice sostituzione dell’analista con l’algoritmo. È più probabile che si affermi, invece, la costruzione di sistemi nei quali algoritmo e analista svolgono funzioni differenti e complementari: la macchina individua correlazioni, anomalie e probabilità difficilmente osservabili manualmente; l’analista interpreta il risultato, verifica eventuali incoerenze e inserisce la previsione nel contesto economico dell’impresa. Non uomo contro algoritmo, quindi, ma una diversa distribuzione del lavoro decisionale — non dissimile, del resto, dall’architettura a più livelli che lo stesso studio di Banca d’Italia individua come più efficace: nessun singolo modello vince da solo, vince la combinazione governata.
| Livello | Funzione | Limite o controllo necessario |
|---|---|---|
| Dati | Alimentano il modello con informazioni economiche, finanziarie e comportamentali. | Presidio Qualità, pertinenza, aggiornamento e coerenza. |
| Machine learning | Individua relazioni, pattern e probabilità di rischio difficili da cogliere manualmente. | La maggiore accuratezza non garantisce automaticamente interpretabilità. |
| Explainable AI | Aiuta a ricostruire quali variabili abbiano inciso maggiormente sul risultato. | Serve a rendere il modello più leggibile, non a trasformarlo in una regola semplice. |
| Analista | Interpreta l’output, verifica anomalie e colloca il risultato nel contesto dell’impresa. | Il giudizio umano deve essere supportato da informazioni coerenti e tracciabili. |
| Risk management | Valida il modello, ne controlla performance, limiti e stabilità nel tempo. | Governance Il modello non può essere considerato una scatola nera. |
| Compliance e IT | Presidiano corretto utilizzo dei dati, processi, fornitori e infrastruttura tecnologica. | La responsabilità resta in capo all’intermediario anche quando la tecnologia è esternalizzata. |
La tabella sintetizza la logica di governance descritta nell’articolo e non rappresenta uno schema regolamentare uniforme applicabile a tutti gli intermediari.
Cosa significa per una PMI
Per un’impresa italiana questa evoluzione suggerisce una conclusione molto concreta: la preparazione alla richiesta di credito dovrà iniziare prima della richiesta stessa. Bilanci tempestivi, informazioni finanziarie coerenti, controllo della Centrale dei rischi, sostenibilità dell’indebitamento, qualità dei flussi di cassa e capacità di costruire previsioni credibili acquistano maggiore importanza quando l’interlocutore bancario dispone di strumenti analitici più sofisticati e aggiorna la propria valutazione con maggiore frequenza.
Anche il business plan cambia funzione. Non dovrebbe servire soltanto a descrivere il progetto per il quale viene richiesto il finanziamento, ma a collegare quell’investimento alla capacità futura dell’impresa di generare i flussi necessari per sostenerlo. La differenza è sostanziale: una banca non finanzia un progetto perché è interessante, lo finanzia se ritiene sufficientemente probabile che il capitale possa essere restituito secondo le condizioni concordate — ed è proprio questa probabilità che i nuovi sistemi di valutazione sono costruiti per stimare con maggiore precisione, a partire da un insieme di dati più ampio di quello che l’impresa controlla direttamente.
Dal rapporto bancario all’architettura informativa dell’impresa
Per decenni il rapporto tra PMI e banca italiana è stato fortemente relazionale: la conoscenza dell’imprenditore, la storia dell’azienda, il rapporto con il direttore di filiale potevano svolgere un ruolo significativo nella valutazione complessiva. Quella dimensione non scompare necessariamente, soprattutto nelle operazioni più articolate e di importo maggiore, dove il giudizio qualitativo resta difficile da sostituire integralmente. Ma il suo peso relativo può diminuire quando una parte crescente dell’istruttoria viene alimentata da dati strutturati, modelli predittivi e sistemi automatizzati: l’impresa viene rappresentata sempre più attraverso la propria architettura informativa.
È una trasformazione meno visibile rispetto a un aumento o a una riduzione dei tassi, ma probabilmente più duratura. Due aziende con risultati economici simili potrebbero essere valutate diversamente non soltanto perché hanno strutture finanziarie differenti, ma perché una delle due produce informazioni più tempestive, coerenti e interpretabili dai sistemi che partecipano alla decisione. È una forma di vantaggio competitivo silenzioso, che si costruisce nell’organizzazione amministrativa e finanziaria dell’impresa ben prima di sedersi al tavolo con la banca.
Una regolamentazione nata in un segmento che anticipa un cambiamento più ampio
È importante non confondere i piani. Le nuove disposizioni introdotte dalla CCD2 e dal decreto legislativo 212/2025 hanno un perimetro giuridico determinato — il credito ai consumatori — e non possono essere automaticamente trasferite al credito alle imprese. Ma sarebbe altrettanto riduttivo considerarle irrilevanti per il mercato corporate. Le banche non costruiscono infrastrutture tecnologiche, sistemi di governance dell’intelligenza artificiale, procedure di model risk management e architetture dei dati separatamente per ogni singolo prodotto: quando un intermediario modifica il modo in cui sviluppa, controlla, documenta e utilizza i propri sistemi automatizzati, una parte di quella trasformazione tende inevitabilmente a interessare l’organizzazione nel suo complesso.
In parallelo, come si è visto, Banca d’Italia sta già studiando direttamente l’applicazione del machine learning alla valutazione delle imprese non finanziarie. (Banca d’Italia) Per questo la notizia rilevante per aziende e professionisti non è che cambia una determinata disciplina settoriale: è che la tecnologia con cui il sistema finanziario decide chi finanziare sta diventando essa stessa oggetto di regolamentazione, controllo e analisi.
Nei prossimi anni la qualità creditizia di un’impresa continuerà a dipendere dai suoi fondamentali economici. Ma conterà sempre di più anche la capacità di trasformare quei fondamentali in dati coerenti, tempestivi e interpretabili dai sistemi che partecipano alla decisione. La bancabilità, in altre parole, sta diventando anche una questione di qualità informativa.
Le domande più frequenti
Come funzionano i nuovi sistemi di valutazione del credito e quali informazioni diventano più rilevanti per le imprese.
Lo scoring bancario per le imprese è il processo con cui un intermediario utilizza dati economici, finanziari e comportamentali per stimare il rischio associato a un’azienda. Il risultato può concorrere alla decisione sul finanziamento insieme ad altri elementi quantitativi e qualitativi.
I modelli possono considerare bilanci, flussi di cassa, indebitamento, andamento delle esposizioni, regolarità dei pagamenti e dati prospettici. Il peso attribuito alle singole variabili dipende dalle metodologie e dalle policy adottate da ciascun intermediario.
Machine learning e altri modelli predittivi possono individuare relazioni tra variabili e segnali di rischio difficili da cogliere con tecniche tradizionali. Banca d’Italia sta studiando queste applicazioni anche nella valutazione delle imprese non finanziarie, insieme ai problemi di interpretabilità dei modelli.
Lo scoring è normalmente una componente quantitativa del processo di valutazione e può essere generato attraverso modelli statistici o algoritmici. Il rating rappresenta invece una valutazione più complessiva del rischio creditizio e può incorporare scoring, informazioni qualitative e ulteriori elementi previsti dal sistema interno della banca.
Una PMI dovrebbe curare tempestività e coerenza dei dati finanziari, monitorare esposizioni e Centrale dei rischi e predisporre previsioni credibili sui flussi di cassa. In un sistema più orientato ai dati, la qualità dell’informazione aziendale può incidere sulla capacità della banca di valutare correttamente l’impresa.
Riferimenti bibliografici
Le fonti che sostengono l’analisi normativa e tecnica dell’articolo. Sono riportati esclusivamente documenti effettivamente richiamati nel testo e verificati presso le rispettive istituzioni.
Columba, Francesco, Manuel Cugliari e Stefano Di Virgilio. 2026. “Valutazione del merito creditizio con apprendimento automatico basato su modelli di machine learning con stacking.” Mercati, infrastrutture, sistemi di pagamento, Approfondimento n. 73. Roma: Banca d’Italia.
Repubblica Italiana. 2025. Decreto legislativo 31 dicembre 2025, n. 212. “Recepimento della direttiva (UE) 2023/2225 del Parlamento europeo e del Consiglio, del 18 ottobre 2023, relativa ai contratti di credito ai consumatori e che abroga la direttiva 2008/48/CE.” Gazzetta Ufficiale della Repubblica Italiana, n. 6, 9 gennaio 2026. Entrata in vigore: 10 gennaio 2026.
Parlamento europeo e Consiglio dell’Unione europea. 2023. Direttiva (UE) 2023/2225 del 18 ottobre 2023 relativa ai contratti di credito ai consumatori e che abroga la direttiva 2008/48/CE. Gazzetta ufficiale dell’Unione europea, 30 ottobre 2023.
