Merito creditizio, fra intelligenza artificiale e tradizionali relazioni banca-impresa

Banca d’Italia ha pubblicato lo studio n. 1476, di febbraio 2025, incentrato sul tema della valutazione del merito creditizio tramite sistemi di intelligenza artificiale o tramite il tradizionale rapporto bancario basato sulle relazioni banca-impresa, ovvero sulla rilevanza dell’interazione tra questi due approcci per l’offerta di credito delle banche italiane e per le scelte di investimento e occupazione delle imprese, prima e durante la crisi pandemica.

La crisi finanziaria globale e i progressi della tecnologia hanno portato a significativi cambiamenti nel sistema bancario: in seguito alla crisi finanziaria del 2007-2009, il settore bancario ha sperimentato una compressione dei margini dei tassi d’interesse, con un impatto negativo sulla redditività del settore.

In questo contesto, molte banche hanno progressivamente ridotto le filiali tradizionali e hanno investito nella raccolta e nell’elaborazione dei dati, sfruttando l’intelligenza artificiale (AI).

Nello studio pubblicato gli autori indagano se la nuova intermediazione finanziaria basata sulle relazioni e le nuove tecnologie si completino o si sostituiscano a vicenda, sia in tempi normali che durante la crisi di Covid-19, concentrandosi sulle banche che dichiarano di utilizzare tecniche di intelligenza artificiale per supportare la valutazione del merito creditizio dei loro dei loro mutuatari, al fine di ridurre i problemi di informazione asimmetrica tra finanziatori e mutuatari, sia per lo screening, che per il monitoraggio.

L’analisi avanzata di dati concreti, verificabili e codificabili, può coesistere con i metodi più tradizionali di riduzione delle asimmetrie informative tra banche e imprese, come l’acquisizione di informazioni “soft” attraverso strette relazioni tra intermediari e clienti.

L’uso dell’intelligenza artificiale da parte delle banche nelle valutazione del merito creditizio permette di elaborare più efficacemente le informazioni di tipo quantitativo e può ridurre l’asimmetria informativa tra gli intermediari e i loro clienti, mentre il più tradizionale approccio basato sulle relazioni tra banche e imprese fa invece maggiore affidamento su informazioni di tipo qualitativo.

Per condurre lo studio, gli autori hanno utilizzato un set di dati unico nel suo genere che traccia l’adozione di tecnologie da parte delle banche italiane negli ultimi anni, nonché le specifiche tecnologie utilizzate, le loro specifiche applicazioni, abbinate ai dati sui volumi e i tassi di interesse sui prestiti alle società non finanziarie in Italia, ottenuti dal dataset proprietario AnaCredit.

La definizione di banche dotate di IA, nello studio, si differenzia, quindi, dalle precedenti proxy di adozione della tecnologia utilizzate in letteratura, che in genere considerano il livello complessivo di adozione dell’IT da parte delle banche, senza distinguere la tecnologia specifica o il suo scopo.

L’analisi si articola in due fasi.

• l’interazione tra l’IA utilizzata per il credit scoring e il relationship lending che influisce sul volume dei prestiti e sui tassi d’interesse delle imprese, distinguendo tra prestiti a termine e linee di credito
• l’esame dell’impatto di questi fattori sulle decisioni di investimento e di occupazione delle imprese.

I risultati mostrano che, in media, la lunghezza dei rapporti è associata a una protezione dei mutuatari durante le turbolenze, aumentando l’offerta di credito e riducendo i tassi di prestito.

Inoltre, l’applicazione di tecniche di intelligenza artificiale per lo screening e il monitoraggio delle capacità, da un lato, attenua l’estrazione di rendita del prestito relazionale in tempi normali e, dall’altro, non esercita un’ulteriore protezione sulle quantità di credito e sui tassi di interesse per i mutuatari con relazioni più lunghe durante la crisi.

In altre parole, gli effetti dei prestiti relazionali sui volumi e sui prezzi del credito, che sono dannosi in tempi normali ma vantaggiosi durante le crisi, sono attenuati dall’uso di tecniche di intelligenza artificiale per lo scoring del credito.

Pertanto, mentre i prestiti delle banche non AI alle imprese in relazione sono anticiclici, i prestiti AI alle imprese in relazione non sembrano essere influenzati da shock macroeconomici generali, essendo invece più reattivi alle condizioni specifiche dell’impresa.

Questi risultati sono coerenti con un recente filone della letteratura che analizza le caratteristiche cicliche del credito erogato dalle grandi imprese tecnologiche (le cosiddette big tech) e rileva che il credito alle big tech non risponde alle variazioni del valore delle garanzie (prezzi delle attività) e del PIL a livello provinciale, mentre risponde fortemente alle variazioni delle condizioni specifiche dell’impresa, come il volume delle transazioni e i profitti.

Considerando le decisioni di investimento e di occupazione delle imprese, si scopre che, durante la crisi, le imprese con un rapporto medio più lungo con i loro creditori hanno ricevuto più credito e, a parità di altre condizioni, hanno aumentato gli investimenti e l’occupazione.

Tuttavia, l’adozione dell’intelligenza artificiale da parte del principale finanziatore è associata a un’attenuazione di questi effetti durante la crisi, anche se l’entità sembra essere limitata.

Il resto del documento è così organizzato:

• la sezione 2 passa in rassegna la letteratura in materia, con particolare attenzione agli effetti del prestito relazionale e della tecnologia sull’offerta di prestiti
• la sezione 3 descrive i dati
• la sezione 4 valuta l’uso dell’intelligenza artificiale nella valutazione del merito di credito dei mutuatari e dei prestiti basati sulle relazioni, che abbiano un impatto sulle condizioni di credito per le società non finanziarie
• la sezione 5 analizza come questi fattori influenzino le decisioni di investimento e di occupazione delle imprese
• l’ultima sezione offre le principali conclusioni.