Uno studio rileva che gli errori nelle tecnologie di screening adottate da banche e fintech possono rimodellare la concorrenza nel credito attraverso una “pool externality”

Maryam Farboodi, Péter Kondor e Pablo Kurlat esaminano come cambia la concorrenza tra prestatori quando banche e imprese fintech adottano nuovi strumenti per selezionare (screen) i mutuatari — e quando tali strumenti commettono errori in modo simile o diverso. Il loro focus non è semplicemente se la selezione diventi “migliore”, ma come la struttura degli errori e la possibilità di investire in tecnologie di screening rimodellino l’intera struttura dei mercati del credito.

Al centro dell’articolo c’è una dinamica che gli economisti chiamano “pool externality”. In molti mercati del credito, i richiedenti a cui viene negato un prestito da un prestatore non scompaiono: si ripresentano altrove. Ciò significa che le regole di screening e le decisioni di prezzo di ciascun prestatore modificano la composizione dei mutuatari che i concorrenti vedranno in seguito. Quando un prestatore irrigidisce lo screening e respinge più persone, quei richiedenti respinti confluiscono nel bacino di domande degli altri prestatori — cambiando il profilo di rischio con cui quei concorrenti devono confrontarsi. Al contrario, quando un prestatore amplia il credito, può sottrarre una parte dei richiedenti più facili da approvare e lasciare agli altri un bacino più difficile.

Gli autori costruiscono un modello in cui i prestatori competono scegliendo endogenamente le loro tecnologie di screening. La distinzione cruciale è se gli errori di screening siano indipendenti tra prestatori oppure correlati. Errori indipendenti significano che la classificazione errata di un mutuatario da parte di un prestatore è in larga misura non collegata alla classificazione errata dello stesso mutuatario da parte di un altro. Errori correlati significano che i prestatori tendono a sbagliare sulle stesse persone — una possibilità sempre più rilevante se le imprese si affidano a modelli di IA simili o attingono a dataset sovrapposti utilizzati in tutto il sistema finanziario.

Quando gli errori di screening sono indipendenti, il modello genera un esito di mercato relativamente semplice: il credito si organizza in un unico segmento. In quell’ambiente, i tassi di interesse si muovono gradualmente man mano che i prestatori adottano strumenti di screening migliori. Controintuitivamente, i prestatori con tecnologie più accurate possono finire per servire mutuatari più soggetti a selezione avversa, spingendo i tassi di interesse verso l’alto in modo regolare invece di creare nette fratture tra prodotti.

Il quadro cambia quando gli errori sono correlati. Se i modelli dei prestatori tendono a fallire nella stessa direzione, il mercato può frammentarsi anche quando le imprese appaiono identiche all’inizio. Invece di convergere verso un unico segmento, i prestatori si specializzano in parti distinte del mercato. Il profilo risultante dei tassi di interesse assomiglia a un “bastone da hockey”: alcuni segmenti presentano tassi quasi uniformi anche se la qualità dei mutuatari varia ampiamente all’interno del segmento, mentre altri segmenti contengono mutuatari di qualità simile ma affrontano un ampio ventaglio di tassi di interesse. Gli autori sostengono che questi segmenti rispecchino categorie reali riconoscibili: l’attività bancaria tradizionale basata sulla relazione, il credito in stile fintech e i prestatori ad alto tasso che concedono credito in modo più indiscriminato.

L’articolo esplora anche come i cambiamenti tecnologici e regolamentari che incidono sul costo dello screening possano rimodellare l’accesso al credito. Costi di screening più bassi — trainati, per esempio, dai progressi dell’IA di frontiera — o riforme di policy come forme di open banking che ampliano l’accesso ai dati possono avere effetti disomogenei tra i segmenti del mercato. A seconda di come questi cambiamenti modifichino gli incentivi dei prestatori e il grado di correlazione degli errori di screening, possono espandere il credito per alcuni gruppi, ma peggiorare gli esiti per i mutuatari che sono già esclusi dal sistema finanziario.

Farboodi, Kondor e Kurlat riconoscono commenti e contributi provenienti da un’ampia gamma di economisti di primo piano e osservano che le opinioni espresse nel documento sono le loro e non necessariamente quelle del National Bureau of Economic Research.

Perché è importante

Poiché i finanziatori fanno sempre più affidamento su sistemi di screening basati sull’AI e su fonti di dati condivise, il rischio non riguarda solo decisioni distorte, ma anche cambiamenti a livello di mercato su chi ottiene credito e a quale prezzo. La ricerca suggerisce che politiche volte a promuovere la condivisione dei dati o a rendere meno costoso lo screening potrebbero migliorare l’inclusione oppure accentuare l’esclusione, a seconda di come modificano le dinamiche competitive. La prossima domanda cruciale per regolatori e imprese è se le nuove tecnologie diversifichino i giudizi di screening — oppure li rendano più correlati, spingendo i mercati verso una segmentazione più marcata.