Le banche iniziano a prezzare il rischio dell’IA generativa mentre uno studio sull’area euro collega l’adozione a probabilità di default in cambiamento

Mentre l’intelligenza artificiale generativa passa rapidamente da novità a priorità nei consigli di amministrazione, per i finanziatori continua a riemergere un problema: come capire, in tempo reale, se l’IA sia un motore di crescita che riduce il rischio — oppure una forza dirompente che lo aumenta. Una nuova ricerca incentrata sulle società private dell’area dell’euro suggerisce che le banche stiano già facendo questa valutazione e che la loro interpretazione abbia iniziato a riflettersi in uno dei numeri più decisivi nei mercati del credito: la probabilità di default.

Lo studio analizza le stime della probabilità di default (probability of default, PD) specifiche per ciascun finanziatore — le valutazioni interne delle banche sulla probabilità che un debitore fallisca — per imprese non quotate in quattro grandi economie dell’area dell’euro. Poiché queste società non sono prezzate in modo continuo dai mercati azionari pubblici, i modelli di rischio bancari e i comitati crediti fungono spesso da principale “livello di traduzione” tra cambiamento tecnologico e condizioni finanziarie. Questo rende le banche un osservatorio rivelatore per cogliere segnali precoci di come l’IA generativa venga incorporata nei prezzi.

Uno spostamento misurabile dopo ChatGPT

Il risultato centrale è che, in seguito al brusco aumento dell’attenzione pubblica verso l’IA dopo l’uscita di ChatGPT, le banche hanno ridotto il rischio di default stimato per le imprese operanti in settori con elevata esposizione all’IA. In media, le stime di PD per questi debitori sono scese di circa il 5%, un cambiamento significativo in una metrica che può influenzare direttamente il prezzo dei prestiti, i limiti di credito, le richieste di garanzie e la rigidità dei covenant.

La tempistica conta. Lo sfondamento dell’IA generativa nel mainstream ha creato un improvviso afflusso di informazioni — copertura mediatica, annunci aziendali, narrative per gli investitori e roadmap tecnologiche — ben prima che la maggior parte delle imprese potesse riportare nei bilanci miglioramenti di performance legati all’IA, certificati da revisione contabile. In questo vuoto informativo, i finanziatori sembrano aver aggiornato le proprie convinzioni: i settori più esposti all’IA sono stati considerati più come un vento favorevole che come un vento contrario.

I ricercatori inquadrano il tema più ampio come uno già noto nella storia economica. Le tecnologie ad uso generale — come l’elettricità, internet o, oggi, l’IA — possono aumentare la produttività aggregata producendo però esiti disomogenei tra le imprese. Vincitori e perdenti spesso diventano evidenti solo con ritardo. Le banche, invece, devono formulare continuamente giudizi prospettici, perché le decisioni di credito non possono attendere la successiva ondata pluriennale di dati a livello di singola impresa.

Perché contano le interpretazioni delle banche

Per le aziende private nell’Europa dal sistema finanziario incentrato sulle banche, le implicazioni possono essere immediate. Una PD più bassa segnala in genere minori perdite attese su crediti e una riduzione degli assorbimenti di capitale regolamentari o interni associati a un prestito. In termini pratici, ciò può tradursi in finanziamenti più economici, linee più ampie o una maggiore disponibilità a rifinanziare. Al contrario, se le PD aumentano, i finanziatori possono irrigidire le condizioni o razionare il credito — azioni che possono rimodellare le decisioni di investimento ben oltre le imprese direttamente interessate.

I risultati sottolineano inoltre che i benefici percepiti dell’AI non vengono distribuiti in modo uniforme. La rivalutazione nello studio è più debole per le imprese ad alta intensità di lavoro — aziende in cui una quota maggiore di costi e operatività dipende dal lavoro umano. Questa sfumatura suggerisce che le banche potrebbero considerare l’AI meno chiaramente vantaggiosa, o più socialmente e operativamente dirompente, in contesti in cui l’automazione minaccia flussi di lavoro consolidati, assetti di contrattazione o necessità di riqualificazione. Potrebbe anche riflettere incertezza sul rischio di esecuzione: implementare l’AI su larga scala in processi ad alta componente di personale può richiedere costosi cambiamenti organizzativi, nuovi controlli e accurati framework di conformità.

Dalle narrazioni ai numeri

Un contributo chiave della ricerca è metodologico: invece di dedurre le convinzioni del mercato dai prezzi azionari o dagli investimenti di venture capital, utilizza le stime granulari di PD delle stesse banche. Questi modelli combinano dati finanziari “duri” con segnali più “morbidi” come le prospettive di settore, la qualità del management e le ipotesi macro. In altre parole, sono progettati per convertire le narrazioni in parametri di rischio.

Quel processo di conversione non è puramente meccanico. È stato ripetutamente dimostrato — in un ampio corpo di ricerca in finanza — che le banche reagiscono a cambiamenti di policy, crisi e nuove informazioni aggiustando le metriche interne di rischio, talvolta amplificando gli effetti sull’economia reale. Il caso dell’AI aggiunge un nuovo livello: la diffusione della tecnologia e i cicli di attenzione potrebbero ora influenzare l’allocazione del credito attraverso i modelli di rischio che stanno al cuore del banking moderno.

Detto questo, una PD in calo non è la prova che l’AI garantirà miglioramenti durevoli della redditività per i prenditori interessati. Indica che i finanziatori, collettivamente, stanno propendendo per uno scenario più ottimistico — almeno rispetto alle convinzioni di base pre-ChatGPT.

Cosa succede ora

La domanda immediata per i mercati del credito è se queste prime revisioni della PD persistano una volta che i costi di adozione dell’AI, le esigenze di governance e i vincoli legali diventeranno più chiari. Le banche subiscono pressioni per bilanciare l’erogazione competitiva di prestiti con la disciplina dei modelli, soprattutto mentre i supervisori intensificano il controllo sulla gestione del rischio e mentre le imprese sperimentano l’AI nel customer service, nella programmazione, nel marketing e nelle funzioni di back office.

Per i prenditori, il messaggio è altrettanto netto: nei settori esposti all’AI, i finanziatori potrebbero ora premiare una preparazione credibile — infrastruttura dati, piani per la forza lavoro e controlli del rischio — non soltanto la tradizionale solidità di bilancio. Per le imprese ad alta intensità di lavoro, l’effetto più debole suggerisce che potrebbero dover lavorare di più per convincere le banche che l’AI è uno strumento di supporto (augmenting) e non uno shock destabilizzante.

Perché è importante

Il credito è un volante per l’economia reale, soprattutto in Europa, dove il credito bancario resta centrale per le imprese private. Se le banche considerano sistematicamente l’esposizione all’AI come un fattore di riduzione del rischio, i finanziamenti potrebbero orientarsi verso i settori percepiti come “vincitori” dell’AI, accelerando il cambiamento strutturale. Ma se tali convinzioni si rivelassero premature — o trascurassero gli attriti nelle imprese ad alta intensità di lavoro — i tagli di PD di oggi potrebbero trasformarsi nel disallineamento del prezzo del credito di domani.