Rating delle imprese, intelligenza artificiale ed ESG sono sempre più interconnessi nei processi di valutazione del rischio di credito. A fotografare l’evoluzione è il nuovo studio “The Credit Assessment of Large Firms”, pubblicato il 5 ottobre 2026 dalla Banca d’Italia nella collana Mercati, infrastrutture, sistemi di pagamento.
Il lavoro, dedicato alla valutazione del merito di credito delle grandi imprese non finanziarie, confronta quattro principali sistemi: le agenzie internazionali di rating (ECAI), i sistemi interni di rating delle banche (IRB), i sistemi interni di valutazione delle banche centrali dell’Eurosistema (ICAS) e le agenzie di rating operanti sul mercato italiano.
L’analisi evidenzia elementi comuni, ma anche differenze significative. Tra le aree in maggiore evoluzione emergono proprio l’integrazione dei fattori ESG e l’impiego di strumenti di intelligenza artificiale e machine learning.
Valutazione del merito di credito: non contano soltanto i dati finanziari
Uno degli aspetti più interessanti del paper riguarda la crescente articolazione dei dati utilizzati nella valutazione delle grandi imprese.
I diversi sistemi combinano infatti le informazioni finanziarie con elementi di carattere qualitativo, riguardanti in particolare governance, posizionamento sul mercato e prospettive strategiche.
Per le imprese più complesse assumono inoltre importanza la valutazione a livello di gruppo, l’analisi specifica del settore, i sistemi di early warning, il monitoraggio continuo e, in alcuni modelli, le interviste strutturate con il management.
Il rating emerge quindi come il risultato di un processo che affianca ai dati quantitativi una crescente quantità di informazioni qualitative e prospettiche.
ESG: integrazione crescente, ma metodologie ancora differenti
Il paper rileva che tutte le categorie di sistemi esaminate incorporano fattori ESG, anche se modalità e grado di integrazione differiscono sensibilmente.
Nella maggior parte dei casi gli aspetti ambientali, sociali e di governance entrano nella valutazione soprattutto attraverso componenti qualitative, più che tramite modelli statistici. I sistemi ICAS adottano un approccio più strutturato ai rischi climatici, mentre anche i sistemi IRB bancari stanno progressivamente considerando le dimensioni ESG in risposta all’evoluzione delle aspettative di vigilanza.
Permangono, tuttavia, criticità importanti.
Le metodologie ESG utilizzate dai diversi operatori non sono uniformi e possono differire per criteri, ponderazioni e basi informative, producendo valutazioni anche significativamente divergenti sullo stesso emittente.
Per banche e imprese questo significa che la sostenibilità sta acquistando maggiore peso anche nel mondo del credito, ma all’interno di un quadro metodologico ancora in evoluzione.
Intelligenza artificiale nei rating: utilizzo in crescita ma ancora prudente
Ancora più interessante è il capitolo dedicato all’intelligenza artificiale.
Lo studio rileva una diffusione crescente di strumenti avanzati di analisi dei dati, soprattutto in relazione alle grandi imprese, per le quali è disponibile un volume elevato di informazioni digitali.
AI e machine learning possono contribuire alla performance dei modelli e all’efficienza operativa, ma il loro utilizzo nei sistemi analizzati resta soprattutto circoscritto a funzioni di supporto. L’integrazione nei processi centrali di determinazione del rating è ancora limitata.
Le ragioni sono significative.
Nei sistemi IRB, ad esempio, il machine learning mostra potenzialità nell’incrementare la capacità predittiva in specifici modelli o attività, ma le banche devono bilanciare questi possibili benefici con le esigenze di spiegabilità e interpretabilità.
La natura “black box” di alcuni modelli può infatti generare problemi di trasparenza e anche rischi reputazionali o commerciali nei rapporti con la clientela. Il paper richiama per questo l’importanza della supervisione umana e dell’interpretabilità dei modelli di rischio di credito.
AI Act, governance dei dati e supervisione umana
L’evoluzione tecnologica non può inoltre essere separata da quella normativa.
Lo studio richiama espressamente l’AI Act – Regolamento (UE) 2024/1689 e osserva come l’impiego dell’AI nei sistemi di valutazione creditizia debba confrontarsi con obblighi relativi a trasparenza, robustezza, human oversight e data governance, oltre che con la disciplina GDPR e con gli orientamenti del settore bancario.
È proprio questo quadro regolamentare a contribuire, secondo gli autori, a spiegare l’approccio graduale e prudente all’introduzione dell’intelligenza artificiale nei modelli di credit scoring.
Nelle conclusioni, il paper osserva infatti che le applicazioni di AI rimangono per il momento limitate, trovando soprattutto spazio nel trattamento dei dati e nell’individuazione di anomalie.
Cosa cambia per banche e grandi imprese
L’interesse dello studio va oltre gli aspetti tecnici dei modelli di rating.
Per le banche, l’evoluzione apre questioni di governance del modello, qualità dei dati, supervisione umana, explainability, compliance e gestione del rischio.
Per le imprese, mostra invece come la valutazione del merito creditizio possa dipendere sempre di più da un patrimonio informativo che non si esaurisce nei dati economico-finanziari tradizionali.
Governance, strategia, posizionamento competitivo, rischi climatici e informazioni ESG possono concorrere alla costruzione della valutazione complessiva dell’impresa.
Questo rende ancora più importante la capacità delle organizzazioni di produrre informazioni affidabili, strutturate, coerenti e utilizzabili, ma anche di comprendere come stanno cambiando i criteri con cui il sistema finanziario legge il rischio aziendale.
Rating, ESG e AI: una trasformazione ancora in corso
Il quadro delineato dallo studio pubblicato dalla Banca d’Italia non descrive quindi una sostituzione dell’analisi professionale con algoritmi automatici.
Al contrario, emerge un modello nel quale dati quantitativi, giudizio degli esperti, informazioni qualitative e nuove tecnologie convivono, mentre AI ed ESG entrano progressivamente nei processi di valutazione con differenti livelli di maturità.
La direzione è però significativa: la trasformazione del credit risk management passa sempre più attraverso la capacità di governare contemporaneamente dati, tecnologia, sostenibilità, trasparenza dei modelli e supervisione umana.
