Bonini (MBS Consulting): “L’AI nei modelli interni crea valore solo se cambiano anche i dati”

L’intelligenza artificiale e il machine learning entrano con sempre maggiore forza nel dibattito sui modelli interni, ma il loro valore non può essere dato per scontato. Il punto non è sostituire automaticamente le metodologie tradizionali con algoritmi più sofisticati. È capire quando, dove e con quali dati queste tecniche possono davvero migliorare la capacità predittiva e la gestione del rischio.

È la lettura proposta da Stefano Bonini, Partner MBS Consulting, nella videointervista rilasciata a Bancaforte in occasione di Supervision, Risks & Profitability 2026. Bonini ricorda come il tema del machine learning nei modelli interni sia aperto da anni, ma individua un passaggio rilevante nelle nuove guide BCE sui modelli interni, che per la prima volta affrontano esplicitamente l’utilizzo di queste metodologie, richiamando aspetti cruciali come governance, explainability e controllo del modello. 

L’apertura regolamentare, tuttavia, non significa che l’adozione del machine learning sia sempre conveniente o immediatamente giustificata. MBS Consulting ha svolto una simulazione partendo da un impianto AIRB validato e sostituendo i modelli tradizionali con modelli di AI e machine learning. Il risultato mostra un miglioramento dell’accuracy ratio di alcuni punti percentuali sul segmento small business e di circa un punto sul corporate. Un beneficio che, in alcuni casi, può non compensare i costi e la complessità di sviluppo, validazione e gestione.

Il vero punto di svolta, secondo Bonini, sta altrove: non nell’applicare nuove tecniche agli stessi dati, ma nel cambiare il paradigma informativo. Per estrarre valore dai modelli di machine learning occorre ampliare la base dati, includendo fonti nuove, dati transazionali, informazioni provenienti da canali digitali, dati non strutturati e variabili oggi ancora poco utilizzate nei modelli tradizionali. È su questo terreno che l’AI può contribuire a un’evoluzione profonda dei modelli interni.

Un esempio concreto riguarda l’integrazione del rischio climatico nella gestione del rischio di credito. I modelli interni tradizionali non sono stati costruiti per incorporare facilmente informazioni di questo tipo. Utilizzando dati destrutturati sugli eventi climatici estremi, differenziati per territorio e frequenza, i modelli di machine learning riescono invece a intercettare pattern non immediatamente visibili. In alcune province più esposte a eventi estremi, evidenzia Bonini, i modelli attuali tendono a sottoperformare e il livello di default può risultare superiore anche di un punto percentuale.

La prospettiva, quindi, non è una semplice evoluzione tecnica. È un ripensamento dell’intera architettura dati a supporto del rischio. L’apertura della BCE può accelerare questo percorso, ma la capacità delle banche di trarne valore dipenderà dalla volontà di raccogliere, governare e utilizzare informazioni nuove, rendendo i modelli più aderenti alla complessità dei rischi che stanno emergendo.

Guarda lo Speciale Supervision, Risks & Profitability 2026