Rischio di credito: l’AI al servizio degli analisti

 

L'Intelligenza Artificiale Generativa sta trasformando ciò che i team dedicati al rischio di credito possono automatizzare. Nel settore bancario, tuttavia, l'efficienza ha valore solo se i risultati sono affidabili. Per i responsabili del rischio di credito, la promessa della GenAI non consiste semplicemente in un chatbot più veloce, ma nella capacità di produrre analisi coerenti, ripetibili, di elevata qualità, tracciabili, verificabili e sufficientemente accurate da supportare decisioni ad alto impatto.

Un credit memo rappresenta bene sia le opportunità sia le sfide di questa evoluzione. Si tratta di un documento con una struttura definita, standard di redazione, e basato su un patrimonio informativo estremamente ricco: bilanci, indicatori finanziari, ricerche delle agenzie di Rating, notizie, trascrizioni, dati macroeconomici, risk scores , fattori ESG e informazioni interne sui debitori. L'AI può compilare, sintetizzare, descrivere tendenze e attribuire i fattori di rischio tra queste fonti.  Questo riduce il tempo dedicato alla raccolta e alla presentazione delle informazioni, consentendo agli analisti di concentrarsi sugli aspetti più strategici: capacità di giudizio, propensione al rischio e processo decisionale.

La sola GenAI, però, non basta. In assenza di dati predisposti per essere utilizzati dall'intelligenza artificiale (AI-ready), i modelli tendono ad amplificare incoerenze e imprecisioni. I dati devono quindi essere puliti, validati, standardizzati, normalizzati, collegati tra loro e arricchiti con metadati, tassonomie e ontologie che permettano agli agenti AI di comprenderne il contesto: il significato delle informazioni, le relazioni tra le fonti e le priorità da attribuire ai contenuti. Inoltre, quando i metodi deterministici risultano più efficaci - come nel calcolo dei ratio, nella gestione delle tabelle finanziarie o nell'elaborazione dei modelli - è preferibile utilizzare API e modelli controllati, anche in Excel, piuttosto che affidare tali attività a un Large Language Model.

Il secondo livello riguarda il framework di intelligenza, composto da "skills" (competenze riutilizzabili), prompt e agenti sviluppati da esperti di credito e di gestione dei dati. Invece di chiedere a un chatbot generico di "scrivere un credit memo", il sistema recupera automaticamente le fonti corrette, compila le sezioni pertinenti, sintetizza esclusivamente le evidenze supportate dai dati disponibili e consente all'analista di perfezionare ogni parte del documento tramite prompt mirati. L'intelligenza artificiale non parte più da una pagina bianca, ma opera in un ambiente analitico governato.

Il terzo elemento è la governance. Per le istituzioni regolamentate, l'attribuzione delle fonti è una condizione necessaria, ma non sufficiente. Se ogni frase deve essere verificata manualmente dall'analista, il vantaggio in termini di efficienza viene meno. Un'adozione su larga scala richiede quindi piena trasparenza sul ragionamento seguito dagli agenti, sul percorso dei prompt, sulle azioni svolte e sulle fonti utilizzate; la possibilità di risalire ai dati curati e autorizzati da cui derivano le informazioni; e metriche di qualità che indichino agli utenti dove concentrare le verifiche.

Queste metriche dovrebbero valutare accuratezza dei dati, rigore strutturale, aderenza ai dati e alle informazioni , e completezza. L'accuratezza verifica che fatti e dati numerici provengano da fonti corrette; il rigore strutturale controlla che il documento rispetti il modello previsto e la funzione di ciascuna sezione; l'aderenza misura quanto le affermazioni siano realmente supportate dalle informazioni disponibili, evitando contenuti fabbricati; la completezza accerta infine che siano stati presi in considerazione tutti i prompt, le fonti e gli elementi analitici richiesti.

Il futuro dell'automazione nel credito non coincide quindi con la sostituzione dell'analista, ma con un modello di automazione cognitiva nel quale l'essere umano rimane al centro del processo. L'intelligenza artificiale raccoglie, collega, interpreta e formula inferenze; l'analista verifica, interpreta criticamente e prende la decisione finale. Le banche che saranno in grado di integrare dati AI-ready, competenze strutturate, prompt disciplinati e una governance misurabile potranno produrre credit memo in tempi molto più rapidi, aggiornarli con maggiore facilità, renderli più coerenti tra i diversi team e più efficaci a supporto delle decisioni di rischio, preservando al tempo stesso trasparenza, controllo ed esperienza professionale. Questo approccio aumenta anche il valore dei contenuti proprietari della banca e delle fonti esterne di dati, ricerca, e informazioni, permettendo all'analista di sfruttare l'intero patrimonio informativo disponibile, anche per l'analis di crediti piccoli, che altrimenti non avrebbe senso economico fare manualmente. .

S&P Global ha collaborato con una delle principali istituzioni finanziarie europee e con una multinazionale del settore energetico per sviluppare un Credit Memo Builder basato sui contenuti AI-ready di S&P Global includendo i dati e la ricerca di dell'agenzia di Ratings, i dati Finanziari , Macroeconomici, i contenuti di S&P Capital IQ, ed i fattori ESG La soluzione consente di ridurre i tempi di preparazione di un credit memo da circa 40 ore a pochi minuti. Grazie alla collaborazione tra i team di S&P Global e delle societa' che hanno collaborato al progetto, è stato sviluppato un sistema di skills, prompt e funzionalità capace di generare documenti di elevata qualità, ripetibili, affidabili e completamente verificabili, facilmente configurabili per riprodurre le strutture e i contenuti dei credit memo di ciascun cliente.

Scopri di più qui