Banche e AI: la qualità dei dati è il primo passo per l’efficacia

Le banche stanno sempre di più integrando l’intelligenza artificiale nei loro processi, ma la qualità dei dati rappresenta il primo e più importante passo per garantire l’efficacia di questa tecnologia. Secondo i dati della Banca centrale europea, oltre l’85% delle grandi banche sottoposte alla vigilanza europea utilizza già sistemi di intelligenza artificiale. Tuttavia, per sfruttarne davvero le potenzialità, gli istituti devono prima affrontare un problema non tecnologico ma concreto: la qualità dei dati. Un sistema di AI può elaborare enormi quantità di informazioni in pochi secondi, ma il risultato dipende da come sono strutturati e collegati i dati su cui si basa.

La qualità dei dati è la base per l’AI

Un archivio può contenere informazioni formalmente corrette, ma diventare poco affidabile quando queste vengono messe in relazione tra loro. È un problema particolarmente evidente nei portafogli costruiti nel corso di molti anni, dove possono essersi accumulate informazioni non più allineate alla situazione reale. Per esempio, in un portafoglio che comprende immobili posti a garanzia, soggetti debitori o garanti e riferimenti ipotecari, le informazioni potrebbero non essere più aggiornate a causa di successioni, trasferimenti di proprietà o modifiche catastali. Di conseguenza, un’informazione che era corretta al momento dell’inserimento può non esserlo più diversi anni dopo.

Un portafoglio da quasi 600 mila registrazioni

Un’analisi condotta da Datasinc, tech company italiana specializzata nell’analisi di dati immobiliari e creditizi, ha evidenziato concretamente le dimensioni del problema. Uno dei portafogli esaminati comprendeva oltre 587 mila registrazioni, relative a circa 373.800 immobili posti a garanzia, 235 mila soggetti e 168 mila riferimenti ipotecari. A una prima analisi, il database sembrava presentare un livello di qualità elevato, con errori formali inferiori al 4%. Tuttavia, quando le informazioni venivano analizzate nel loro insieme, il quadro cambiava. Solo il 44% delle posizioni risultava completo e coerente, mentre il restante 56% comprendeva informazioni mancanti, riferimenti da aggiornare o posizioni che richiedevano ulteriori verifiche.

Per sapere realmente quale garanzia ha una banca bisogna riuscire a collegare tre elementi: il credito e la relativa ipoteca, l’immobile e il soggetto coinvolto. “Se questi elementi non dialogano tra loro, qualsiasi analisi successiva parte da una fotografia che può essere incompleta. Con l’intelligenza artificiale vale ancora di più il principio del garbage in, garbage out: un modello molto sofisticato non può compensare automaticamente un dato di partenza che non rappresenta più la realtà”, aggiungono Nicola Chiarini e Francesco Braggiotti di Datasinc.

Il rischio di automatizzare gli errori è uno dei principali punti di attenzione per il settore bancario. L’AI può rendere più veloci processi che fino a oggi richiedevano molto lavoro manuale, ma se i dati di partenza non sono affidabili, l’automazione rischia di rendere più veloce anche la propagazione dell’errore. Se i dati di partenza non sono affidabili, il rischio è semplicemente automatizzare anche gli errori. “L’AI può diventare uno strumento molto utile per il credito e il risk management”, sottolinea Francesco Braggiotti di Datasinc. “Ma se i dati di partenza non sono affidabili, il rischio è semplicemente automatizzare anche gli errori”, conclude.

La crescente diffusione dell’intelligenza artificiale nel settore bancario porta quindi con sé una conseguenza importante: prima di investire nell’automazione dei processi, gli istituti devono assicurarsi che gli archivi sui quali i modelli lavorano siano aggiornati, completi e coerenti. Per le banche, questo significa intervenire soprattutto sui portafogli più datati, verificando i collegamenti tra crediti, ipoteche, immobili e soggetti e aggiornando le informazioni che nel tempo hanno perso validità. La sfida dell’AI nel settore finanziario, dunque, non riguarda soltanto la tecnologia. La capacità di ottenere risultati affidabili dipenderà anche dalla qualità della base informativa sulla quale i sistemi vengono costruiti.