Petrella (BPER Banca): "

Rendere i controlli di secondo livello più strutturati, standardizzati e capaci di leggere segnali complessi. È l’obiettivo del progetto sviluppato da BPER Banca insieme a CRIF, che utilizza intelligenza artificiale e GenAI per rafforzare il presidio sul rischio di credito. 

A raccontarlo a Bancaforte, in una videointervista realizzata in occasione di Supervision, Risks & Profitability 2026, è Francesca Petrella, Responsabile Ufficio Credit Risk Control & Monitoring di BPER. L’iniziativa nasce dall’esigenza di far evolvere il framework dei controlli di secondo livello in un contesto cambiato: da un lato il mutamento dello scenario macroeconomico, dall’altro la nuova dimensione raggiunta dalla banca, oggi chiamata a confrontarsi con prodotti, clienti e operazioni sempre più articolati.

In questo quadro, spiega Petrella, l’AI consente di affrontare la complessità “in maniera più strutturata”. Uno degli obiettivi principali è ridurre le attività più ripetitive, time consuming e a basso valore aggiunto, liberando tempo e competenze degli analisti per le valutazioni più complesse. La tecnologia, quindi, non sostituisce il giudizio professionale: lo prepara, lo supporta e ne aumenta l’efficacia.

Il progetto è stato impostato in due fasi. La prima si è concentrata su una specifica fonte informativa, utilizzata come perimetro iniziale di sperimentazione. La seconda prevede l’estensione del modello ad altre fonti informative interne ed esterne, con l’obiettivo di sviluppare in modo più ampio il nuovo framework. La difficoltà principale riguarda proprio la natura dei dati: molte informazioni sono complesse, destrutturate e non immediatamente processabili con approcci tradizionali.

Per questo BPER e CRIF sono partite da un’impostazione data driven, ma con una forte guida umana. Le interviste agli analisti hanno permesso di trasferire all’agente di intelligenza artificiale il know-how maturato sul campo. È un passaggio essenziale, perché consente di unire capacità di elaborazione dei dati e competenze specialistiche, evitando che il modello resti una scatola chiusa lontana dai processi reali di controllo.

I primi benefici sono già visibili. Le analisi risultano più strutturate e standardizzate, mentre l’individuazione delle anomalie è più precisa, soprattutto nei casi in cui i pattern di criticità sono difficili da intercettare. Petrella richiama, tra gli esempi, i trigger di forbearance, alcune strutture di costo da approfondire e le delibere condizionate che segnalano aspetti da monitorare nel continuo.

La standardizzazione non è solo un vantaggio operativo. È anche un elemento coerente con le aspettative della Vigilanza, che richiede controlli sempre più omogenei, tracciabili e robusti. In questo senso, l’utilizzo della GenAI può contribuire a rendere il framework più efficace anche dal punto di vista della compliance.

Il modello che si sta delineando lascia comunque la decisione finale all’analista. La GenAI produce una sintesi preliminare e formula una proposta; sarà poi il professionista a valutare se convalidarla o meno. Il valore del progetto è proprio in questo equilibrio: usare gli agenti AI per aumentare qualità, velocità e profondità dell’analisi, mantenendo centrale la responsabilità umana nel controllo del rischio.

Guarda lo Speciale Supervision, Risks & Profitability 2026