L’intelligenza artificiale nelle banche
Definizioni, quadro normativo europeo e pratiche a confronto
Paolo Volterra 
Italiano. L’adozione dell’intelligenza artificiale nel settore bancario europeo ha raggiunto una scala sistemica — secondo l’EBA, il 92% delle banche dell’UE monitorate impiega già sistemi di IA — proprio mentre entra in applicazione il primo quadro giuridico orizzontale al mondo per l’IA, il Regolamento (UE) 2024/1689 (AI Act). Il documento ricostruisce cosa distingue un sistema di IA da un’automazione tradizionale (RPA), il modo in cui il quadro normativo europeo si stratifica sopra la legge orizzontale attraverso i regolatori di settore, le peculiarità che rendono la governance IA bancaria diversa da quella di altri macrosettori, e confronta le scelte organizzative adottate da un campione di banche italiane con la prassi di alcuni gruppi internazionali e con i framework regolatori extra-UE. Il confronto inquadra le policy osservate rispetto a un riferimento esterno — diritto cogente, aspettative di vigilanza, prassi internazionale — e si chiude su cosa una policy bancaria possa contenere e in quale sequenza svilupparla.
English. AI adoption in European banking has reached systemic scale — according to the EBA, 92% of EU banks it monitors already deploy AI — just as the world’s first horizontal legal framework for AI, Regulation (EU) 2024/1689 (the AI Act), enters into application. This paper sets out what distinguishes an AI system from traditional rule-based automation (RPA), how the EU regulatory framework layers sector-specific guidance on top of the horizontal law, the features that make banking AI governance distinct from other macro-sectors, and compares the organisational choices of a sample of Italian banks with the practice of selected international groups and with non-EU regulatory frameworks. The comparison situates the observed policies against an external benchmark — binding law, supervisory expectations, international practice — and closes on what a banking AI policy may contain and in what sequence to develop it.
intelligenza artificiale, AI Act, banche, governance, model risk, EBA, ESMA, RPA, shadow AI
Versione citabile su Zenodo, con il PDF: doi.org/10.5281/zenodo.22921886.
1 Introduzione
Il settore bancario europeo non sta più “valutando” l’intelligenza artificiale: la sta usando. Al 25 settembre 2025 l’Autorità Bancaria Europea (EBA) osserva che il 92% delle banche dell’Unione monitorate impiega già sistemi di IA, con l’8% residuo in fase di pilota o di discussione interna [1]. Non si tratta di una tecnologia emergente da normare in anticipo, ma di una pratica operativa diffusa che il quadro giuridico deve governare mentre è già in corso — una circostanza che cambia sensibilmente il problema rispetto a un settore dove l’adozione dell’IA è ancora nascente.
Questa diffusione avviene mentre entra in applicazione il primo quadro giuridico orizzontale al mondo per l’intelligenza artificiale: il Regolamento (UE) 2024/1689, noto come AI Act, in vigore dal 1° agosto 2024. Per una banca, tuttavia, l’AI Act non arriva su un terreno vuoto: si innesta su decenni di regolamentazione prudenziale e di condotta — Basilea, i requisiti di capitale, la vigilanza sui modelli interni — che già disciplinavano, in altra forma, buona parte di ciò che oggi chiamiamo “rischio IA”. Il presente documento ricostruisce questo intreccio: cosa la normativa intende per “sistema di IA” e dove finisce il perimetro dell’automazione tradizionale; come si stratifica il quadro regolatorio europeo sopra la legge orizzontale; quali tratti rendono la governance IA bancaria strutturalmente diversa da quella di altri macrosettori; e come un campione di banche italiane ha tradotto questi vincoli in policy operative, a confronto con la prassi di alcuni gruppi internazionali e con i principali framework regolatori extra-UE.
L’analisi che segue colloca le policy esaminate all’interno di un riferimento più ampio, ordinato secondo una gerarchia esplicita di fonti: il diritto cogente (AI Act, GDPR, DORA, la disciplina bancaria e di condotta); le aspettative dei supervisori settoriali, autorevoli anche quando non vincolanti; l’analisi del rischio da primi principi; e la prassi dei pari, utile a mappare lo stato dell’arte. Le policy osservate descrivono ciò che il settore adotta: leggerle insieme alle fonti che le precedono è il criterio con cui qui vengono inquadrate.
2 Cosa si intende per IA — e la differenza con la RPA
La definizione giuridica di “sistema di IA” non è un dettaglio tecnico: determina se un progetto ricade o meno nell’AI Act, con tutte le conseguenze di conformità che ne derivano. L’articolo 3(1) del Regolamento definisce un sistema di IA come un “sistema automatizzato progettato per funzionare con livelli di autonomia variabili e che può presentare adattabilità dopo la diffusione e che, per obiettivi espliciti o impliciti, deduce dall’input che riceve come generare output quali previsioni, contenuti, raccomandazioni o decisioni che possono influenzare ambienti fisici o virtuali”. Le Linee Guida della Commissione Europea sulla definizione di sistema di IA — adottate in versione definitiva il 29 luglio 2025 [2] — scompongono questa definizione in sette elementi costitutivi, di cui uno è decisivo per tracciare il confine con l’automazione tradizionale: la capacità di inferenza.1
L’articolo 12 dell’AI Act è esplicito su questo punto: i sistemi di IA “dovrebbero essere distinti dai sistemi software tradizionali più semplici o dagli approcci di programmazione” e la definizione “non dovrebbe riguardare sistemi basati sulle regole definite unicamente da persone fisiche per eseguire automaticamente le operazioni”. Le Linee Guida della Commissione traducono questo principio in una tassonomia operativa di sistemi che, pur avendo una qualche capacità di elaborare dati o di adattarsi, restano fuori dal perimetro della definizione: sistemi di ottimizzazione matematica che accelerano metodi tradizionali consolidati (es. regressione lineare o logistica) senza superare il livello di “trattamento dati di base”; sistemi di trattamento dati di base propriamente detti — database, fogli di calcolo, dashboard che eseguono istruzioni pre-definite senza apprendimento, ragionamento o modellazione; sistemi euristici classici, basati su regole fisse che non evolvono con l’esperienza; sistemi di previsione semplice, la cui performance è ottenibile con una regola statistica di base (es. una stima sulla media storica) [2].
Questa tassonomia descrive con notevole precisione un’ampia parte dei progetti di RPA (Robotic Process Automation) che popolano l’automazione bancaria da oltre un decennio: un bot che segue una sequenza di passi deterministici predefiniti — estrarre un dato da un sistema, verificarlo contro una regola fissa, compilare un modulo, instradare una pratica — non inferisce nulla dall’input che riceve: esegue istruzioni scritte da una persona. Un simile flusso non è un sistema di IA ai sensi del Regolamento e non attiva, di per sé, gli obblighi previsti dall’AI Act per i sistemi di IA. La linea si sposta nel momento in cui l’RPA incorpora un componente che inferisce, predice o apprende — un modello di machine learning che decide l’instradamento di una pratica in base a pattern appresi, un LLM che interpreta un testo non strutturato dentro il workflow — a quel punto la valutazione va rifatta da capo, perché il sistema complessivo ha superato la soglia dell’inferenza.2
La distinzione non è accademica. Molte iniziative etichettate internamente come “progetti di IA” nei report di innovazione bancaria sono, a un esame tecnico, automazione a regole — e viceversa, strumenti presentati come “semplici automatismi” possono incorporare componenti predittivi che li fanno rientrare a pieno titolo nella definizione. Poiché il perimetro di applicazione della policy IA (il Registro dei modelli, i flussi di approvazione, gli obblighi di supervisione umana) dipende da questa qualificazione, l’esercizio di classificazione iniziale — RPA o IA? — è il primo, non l’ultimo, passaggio della governance.
3 Il quadro normativo — una legge orizzontale, uno stack verticale
L’AI Act, entrato in vigore il 1° agosto 2024, si applica per tappe. Il Regolamento (UE) 2026/1744, in vigore dal 27 luglio 2026, ha rinviato al 2 dicembre 2027 l’applicazione delle regole per i sistemi ad alto rischio dell’Allegato III, tra cui il credit scoring delle persone fisiche; restano distinte le scadenze già maturate per i divieti e per gli altri obblighi [4].
L’AI Act adotta un approccio basato sul rischio a quattro livelli — inaccettabile/vietato, alto rischio, rischio limitato con obblighi di trasparenza, rischio minimo — e distingue gli obblighi in capo al provider (chi sviluppa e immette sul mercato un sistema) da quelli in capo al deployer (chi lo mette in esercizio). Per una banca questa distinzione è tutt’altro che teorica: a seconda che sviluppi un sistema internamente o lo acquisti da terzi, assume un ruolo diverso — e un pacchetto di obblighi diverso — nella stessa iniziativa [5].
Sopra questa cornice orizzontale si stratifica un livello di guidance settoriale che nessun altro macrosettore possiede nella stessa misura. L’EBA ha condotto nel 2025 un esercizio di mappatura tra gli obblighi AI Act sui sistemi ad alto rischio e la legislazione bancaria e dei pagamenti UE già in vigore (CRR/CRD, DORA, la Consumer Credit Directive, la Mortgage Credit Directive, la Payment Services Directive, le proprie Guidelines su erogazione e monitoraggio del credito, su governance interna, sulla stima di PD/LGD). L’esito, pubblicato il 21 novembre 2025, è che non sono state trovate contraddizioni significative tra i due corpi normativi: alcuni obblighi AI Act sono assorbiti in parte dalla normativa di settore (es. il sistema di gestione della qualità per i provider che sono istituzioni finanziarie, per il quale l’articolo 17(4) riconosce le regole di governance già applicabili, fatte salve specifiche componenti), altri richiedono integrazione (es. la gestione del rischio, la documentazione tecnica, il log-keeping, dove il framework prudenziale offre una base solida da adattare), altri ancora non trovano alcun corrispettivo nella legislazione di settore e vanno implementati ex novo (governance dei dati, supervisione umana, accuratezza/robustezza/cybersecurity, diritto alla spiegazione) [5].
Accanto all’EBA, altri due regolatori settoriali intervengono sulla stessa legge dal proprio angolo. L’ESMA, con una dichiarazione pubblica del 30 maggio 2024 dedicata all’uso dell’IA nei servizi di investimento al dettaglio, ha fissato un principio che vale come chiave di lettura dell’intero impianto: “le decisioni delle imprese restano responsabilità degli organi di gestione, a prescindere dal fatto che siano prese da persone o da strumenti basati sull’IA” [6] — l’IA non sposta la responsabilità, la lascia dove era. La dichiarazione richiede inoltre che l’organo di gestione abbia una comprensione adeguata di come l’IA è applicata, che siano mantenuti controlli ex ante sull’accuratezza dei dati forniti ai sistemi e controlli ex post sugli output, e che siano tenuti registri completi dell’utilizzo dell’IA nei processi di investimento [6]. L’EIOPA, dal lato assicurativo — rilevante per i gruppi bancoassicurativi — ha pubblicato la propria opinion di settore nell’agosto 2025 [7].
Un quarto layer riguarda la vigilanza prudenziale in senso proprio: la BCE, attraverso il Meccanismo di Vigilanza Unico, non ha prodotto una guida dedicata all’IA paragonabile a quella esistente per i modelli interni IRB. Il rischio IA/ML viene invece fatto rientrare nei framework di vigilanza già maturi — model risk management, data governance, validazione, revisione interna — con un messaggio ricorrente nelle comunicazioni di vigilanza recenti: “la tecnologia è neutra, la governance no” [8]. Nel settore bancario, più autorità leggono la stessa legge orizzontale dal proprio angolo prudenziale o di condotta.
4 Le peculiarità del settore bancario
Al di là dello stack regolatorio, la letteratura di vigilanza mette in luce alcuni tratti che rendono la governance IA bancaria strutturalmente diversa da quella di altri settori, non solo un’applicazione generica dell’AI Act.
Il credit scoring è alto rischio per definizione settoriale, non per interpretazione. L’EBA lo chiarisce senza ambiguità: “l’uso di sistemi di IA per valutare il merito creditizio o stabilire il punteggio di credito di persone fisiche è classificato come ‘alto rischio’” [5]. Altri settori devono dimostrare, caso per caso, che il proprio uso ricade in una delle categorie dell’Allegato III; per una banca, il caso d’uso più diffuso e più centrale al proprio modello di business è già dentro per costruzione normativa.
Il doppio cappello provider/deployer è più acuto per la tradizione di model-building interno. Una banca che sviluppa in casa i propri modelli di scoring o di pricing assume simultaneamente il ruolo di provider e di deployer, con obblighi cumulativi — una configurazione quasi assente in settori che sono strutturalmente puri deployer di soluzioni acquistate da terzi [5].
L’IA si innesta su una disciplina di governo dei modelli già quarantennale, non su un terreno vergine. La mappatura EBA mostra che gran parte degli obblighi AI Act sui sistemi ad alto rischio trova già un corrispettivo, parziale o totale, nel framework prudenziale nato con Basilea — la gestione del rischio, la documentazione tecnica, il log-keeping [5]. Altri settori costruiscono la governance IA da zero; la banca la innesta su un impianto di validazione modelli che esisteva prima dell’IA e continuerà a esistere accanto ad essa.
L’AML è un caso d’uso sui generis. La sorveglianza antiriciclaggio non è una scelta di business ottimizzabile in base al risk appetite, ma un obbligo regolamentare a sé — con una logica di classificazione del rischio che, nella prassi osservata (§5), le banche trattano come categoria distinta, né automaticamente “alto rischio” né “minimo”.
L’adozione è già a scala sistemica. Il dato EBA del 92% [1] cambia il profilo del problema regolatorio: non si tratta di normare in anticipo una tecnologia emergente, ma di mettere sotto controllo una pratica già diffusa, con tutto ciò che questo comporta in termini di debito di conformità accumulato sui sistemi già in produzione.
5 Come rispondono le banche italiane — un confronto
Online sono rintracciabili documenti di policy IA adottati da gruppi bancari italiani di diversa dimensione e modello di business, pubblicati tra il luglio 2024 e l’inizio del 2026: permettono di osservare come i principi normativi si traducano in pratica organizzativa.3 Il campione qui discusso comprende quattro profili distinti — un gruppo bancario di dimensioni contenute a vocazione tradizionale, un gruppo multi-brand di taglia media con più società controllate, una banca digitale orientata al wealth management, e un grande gruppo bancario universale.
Le convergenze sono ampie: tutti i documenti adottano la classificazione a quattro livelli dell’AI Act, impongono forme di supervisione umana obbligatoria, prevedono un registro interno dei sistemi di IA, recepiscono i divieti dell’articolo 5, e richiedono l’approvazione della policy da parte del Consiglio di Amministrazione o del Comitato Esecutivo. Tutti distinguono i requisiti per lo sviluppo interno da quelli per l’acquisto da terzi.
Queste convergenze riguardano soprattutto i fondamentali e indicano un punto di partenza comune. I tratti condivisi tendono a essere i più generali — l’adozione dei principi, l’approvazione da parte del massimo organo societario — mentre la specificazione operativa è l’area in cui i documenti si differenziano maggiormente: è lì che le scelte di governo diventano osservabili nel dettaglio. In questa prospettiva un principio come “verificare l’output” descrive un orientamento; il modo in cui si traduce in pratica è ciò che varia da istituto a istituto.
Le divergenze riguardano soprattutto il modello organizzativo e la granularità. La banca digitale e il grande gruppo universale assegnano il governo dell’IA a una funzione esistente (rispettivamente la Direzione ICT & Security e un Centro di eccellenza trasversale), producendo documenti di principi, relativamente brevi, con enfasi sulla conformità normativa più che sul processo operativo. Il gruppo multi-brand ha invece costruito un regolamento di processo vero e proprio, con un modello organizzativo Hub&Spoke (un ufficio centrale di AI Factory che coordina laboratori di dati distribuiti nelle strutture di business), quattro famiglie di KPI obbligatorie per ogni sistema (economici, di business, tecnici, etici) e fasi di sviluppo e monitoraggio dettagliate ruolo per ruolo. Il gruppo di dimensioni contenute si distingue per due elementi assenti altrove nel campione: dichiara esplicitamente di non avere ancora ottenuto alcuna certificazione esterna del proprio sistema di gestione IA — una trasparenza rara, che riconosce un limite invece di ometterlo — e formalizza un processo di ricorso per utenti o terzi impattati da una decisione supportata da IA.
Un punto di divergenza interessante riguarda la granularità della supervisione umana. Il grande gruppo universale distingue due protocolli — human-in-the-loop, dove ogni output richiede validazione, e human-on-the-loop, dove il sistema opera autonomamente sotto monitoraggio a campione — mentre il gruppo multi-brand ne introduce un terzo, human-in-command, in cui l’operatore può ignorare completamente l’output del sistema: una gerarchia di stringenza a tre livelli, più fine di quella binaria, che consente di calibrare la supervisione sul grado di autonomia effettivo del sistema anziché su una distinzione binaria supervisionato/non supervisionato.
La banca digitale, tra i quattro, è quella che esegue esplicitamente l’esercizio che l’EBA raccomanda implicitamente con la propria mappatura: elencare, per ciascuna categoria dell’Allegato III, se un caso d’uso bancario tipico vi ricade oppure no, con motivazione. Il risultato è istruttivo: l’autenticazione biometrica dei clienti per l’accesso ai servizi non è considerata alto rischio (a differenza della categorizzazione biometrica per finalità di profilazione); i sistemi AML sono trattati come finalità rilevante ma non automaticamente alto rischio; il merito creditizio, coerentemente con la posizione EBA, resta la categoria di riferimento per l’alto rischio bancario.
6 Uno sguardo internazionale
Al di fuori dei confini italiani, la prassi bancaria mostra framework più maturi, spesso anteriori all’AI Act di diversi anni.4 HSBC ha pubblicato le proprie “Principles for the Ethical Use of Data and AI” nel luglio 2024: sette principi di taglio valoriale — coerenza con i valori del gruppo, protezione della privacy, definizione chiara dello scopo, contrasto ai bias, responsabilità per l’IA, adattamento della governance, contributo allo sviluppo di buone pratiche — in un documento pubblico di sette pagine, molto più sintetico e meno processuale dei regolamenti italiani [9]. Un tratto distintivo, assente nei documenti italiani: il settimo principio istituzionalizza esplicitamente il dovere della banca di “contribuire allo sviluppo di buone pratiche” nel campo — partecipare al dibattito pubblico, non solo rispettare la conformità interna [9].
BBVA articola otto principi di IA responsabile raggruppati in quattro cluster — Analytics (trasparenza, equità, accuratezza), Data (privacy, qualità dei dati), Technology (sicurezza), Global (accountability/formazione, impegno sociale e ambientale) — con un’implementazione esplicitamente tripartita su tecnologia, governance e persone [10]. Standard Chartered dichiara pubblicamente uno standard di responsible AI in vigore dal 2021 — tre anni prima dell’entrata in vigore dell’AI Act — costruito su fairness, etica, trasparenza, performance del modello, rischio cyber e privacy dei dati [11].
DBS Bank, a Singapore, ha costruito un framework proprietario (“PURE”: Purposeful, Unsurprising, Respectful, Explainable) governato da un Responsible AI Council cross-funzionale (legale, rischio, tecnologia) [12]. È tra le poche banche a pubblicare contenuti dedicati specificamente alla governance dell’agentic AI — sistemi che pianificano ed eseguono autonomamente sequenze di azioni multi-step — un tema che, come si vedrà nella sezione successiva, i documenti italiani esaminati non trattano ancora esplicitamente [12].
Sul piano regolatorio, tre modelli extra-UE meritano attenzione per il confronto. A Singapore, la Monetary Authority of Singapore (MAS) ha pubblicato nel 2018 — sei anni prima dell’AI Act — i principi FEAT (Fairness, Ethics, Accountability, Transparency) per il settore finanziario, seguiti dall’iniziativa Veritas: un consorzio collaborativo tra il regolatore e il settore che traduce i principi in metodologie di valutazione operative, con un secondo ciclo dedicato specificamente a banche e assicurazioni [13], [14]. Nel Regno Unito, FCA, Bank of England e PRA seguono un approccio principles-based, documentato anche nelle risposte rese pubbliche nella primavera 2024 [15], senza legislazione orizzontale dedicata, affiancato da iniziative operative come la FCA AI Lab; il Financial Policy Committee della Bank of England ha inoltre segnalato, nel 2025, il rischio sistemico derivante dalla concentrazione del settore su un numero ristretto di fornitori di modelli IA [16]. Negli Stati Uniti, in assenza di una legge orizzontale, l’adozione converge su framework volontari — il NIST AI Risk Management Framework, lo standard certificabile ISO/IEC 42001, e il Financial Services AI Risk Management Framework del Cyber Risk Institute, costruito da oltre cento istituzioni finanziarie di diversi paesi in un consorzio di settore che traduce i principi condivisi in un catalogo comune di controlli operativi — un passo oltre la semplice ricerca comparata, come si vedrà nella sezione successiva a proposito dell’esperienza italiana [17].
7 Le frontiere aperte
Prima di passare in rassegna gli ambiti in evoluzione, vale la pena fissare cosa le policy attuali — italiane ed estere — coprono già in modo sistematico, perché è un campo di applicazione tutt’altro che ristretto. Tutte classificano i sistemi per livello di rischio secondo la logica dell’AI Act; tutte impongono una qualche forma di supervisione umana sulle decisioni ad alto impatto; tutte prevedono un registro interno dei sistemi in uso, condizione minima per sapere cosa si sta effettivamente governando; tutte recepiscono i divieti sui sistemi manipolativi, sullo scoring sociale e sulla sorveglianza biometrica non autorizzata; tutte trattano diversamente lo sviluppo interno e l’acquisto da terzi, con requisiti aggiuntivi — marcatura CE, verifica del fornitore, clausole contrattuali — per quest’ultimo; tutte richiedono l’approvazione della policy al massimo livello di governo societario e prevedono percorsi di formazione obbligatoria per il personale coinvolto; e tutte, in un modo o nell’altro, distinguono i rischi propri della IA generativa (allucinazioni, riservatezza dei prompt) da quelli dei sistemi predittivi tradizionali. È un impianto ormai consolidato. Confrontando i quattro documenti italiani con il quadro regolatorio e con la prassi internazionale emergono però alcuni temi che il settore sta affrontando in modo ancora differenziato, e che meritano di essere seguiti nel tempo.
La governance degli agenti autonomi è un ambito in rapida evoluzione. I documenti italiani esaminati non trattano ancora esplicitamente la governance di sistemi agentic — comprensibile, dato che tutti sono stati scritti tra il 2024 e l’inizio del 2026, prima che il tema raggiungesse la maturità attuale. Un dato EBA mostra la diffusione delle tecnologie correlate: al settembre 2025, il 55% delle banche del campione osservato dall’Autorità dichiara di usare già GPAI o agenti IA in processi consumer-facing — rilevamento frodi, assistenza agli operatori di call center, self-service digitale, strumenti di educazione finanziaria [1]. La quota non misura separatamente l’adozione degli agenti. Questi pongono questioni specifiche — catena di responsabilità per un’azione multi-step eseguita autonomamente, limiti di autonomia da definire esplicitamente, meccanismi di interruzione automatica quando il modello classico di validazione output-per-output diventa impraticabile — che le policy bancarie tendono a dover affrontare direttamente, e non per estensione analogica delle categorie pensate per la GenAI conversazionale.
L’uso informale di IA da parte dei dipendenti (“shadow AI”) è un rischio distinto, e ancora meno misurato. Va tenuto separato dal punto precedente: l’agentic AI riguarda sistemi autorizzati che agiscono con margini di autonomia crescenti; lo shadow AI riguarda l’uso non autorizzato, da parte di singoli dipendenti, di strumenti di IA generativa pubblici per compiti di lavoro — spesso con dati riservati o di clientela inseriti nel prompt. Il confine tra strumento pubblico e strumento aziendale, del resto, si è fatto poroso: l’IA è ormai incorporata in strumenti d’uso quotidiano — la barra di ricerca del browser, la suite di produttività, il sistema operativo — al punto che enumerare gli “strumenti vietati” è un esercizio destinato a fallire. Il controllo efficace non è la lista dei tool, ma la classificazione dei dati e il presidio del loro deflusso. Il tema non è nuovo ai regolatori: già nel 2024 l’ESMA aveva esteso la propria dichiarazione sull’IA nei servizi di investimento anche agli usi di strumenti di terze parti “con o senza la conoscenza e l’approvazione diretta del senior management” [6]. Tutti e quattro i documenti bancari italiani esaminati (§5) contengono già una clausola specifica — il divieto di inserire dati personali o informazioni riservate in prompt di modelli pubblici non approvati — che è di fatto un controllo anti-shadow-AI, anche se nessuno la etichetta come categoria di rischio a sé stante. Manca però, a differenza dell’insieme GPAI o agenti IA (per cui l’EBA fornisce il dato congiunto del 55%), una misurazione istituzionale comparabile della diffusione dello shadow AI nel settore bancario europeo: le uniche stime in circolazione vengono da fornitori di sicurezza informatica con metodologie proprietarie non verificabili, e non sono riportate qui per questo motivo — una lacuna di misurazione che riguarda lo stato dell’arte della governance, più che le singole policy.
La verifica dell’output è un ambito in cui la specificazione operativa è ancora in evoluzione. I documenti esaminati richiamano in modo ampio la necessità di controllare criticamente ciò che l’IA produce; il passaggio successivo — indicare rispetto a cosa verificare — è quello su cui la prassi può ancora maturare. Per le funzioni che generano contenuti destinati all’esterno — studi economici, investor relations, comunicazione — un riferimento ricorrente è il riscontro su fonte primaria dei dati e dei riferimenti prodotti con supporto di IA, insieme alla tracciabilità delle parti assistite. È un ambito circoscritto ma sensibile, perché incide sulla credibilità dei contenuti che la banca rende pubblici.
Il rischio di concentrazione sui fornitori è entrato nell’agenda europea. Prima il Financial Policy Committee della Bank of England (2025) [16], poi direttamente l’European Systemic Risk Board — con un warning ufficiale del 25 giugno 2026 — hanno posto il tema in termini sistemici: la dipendenza da un numero ristretto di fornitori di modelli avanzati (a loro volta dipendenti da un numero ristretto di fornitori cloud) espone l’intero sistema finanziario europeo a un rischio di concentrazione che va oltre la due diligence contrattuale sul singolo fornitore. La BCE ha già richiesto alle banche significative un piano d’azione concreto entro il 31 ottobre 2026 [18]. I documenti italiani esaminati non trattano ancora questo rischio come categoria a sé; il tema è però ora oggetto di attenzione dei supervisori, oltre che degli osservatori esterni.
La certificazione esterna è un ambito ancora poco diffuso. Lo standard ISO/IEC 42001, disponibile dal dicembre 2023 come primo sistema di gestione IA certificabile da un ente terzo, non risulta adottato nelle esperienze esaminate; il gruppo di dimensioni contenute è l’unico a dichiararlo esplicitamente, piuttosto che ometterlo. Non è una specificità italiana — al 2025 nessuno dei framework volontari, né negli Stati Uniti né altrove, è legalmente obbligatorio — ma indica uno spazio di maturazione ancora aperto.
Un consorzio di settore italiano esiste, ma con un mandato diverso da Veritas o dal Cyber Risk Institute. L’Associazione Bancaria Italiana, attraverso il proprio centro di ricerca ABI Lab, gestisce dal 2021 un “AI Hub” a cui partecipano quindici banche italiane e dieci partner tecnologici/di consulenza, con un mandato esplicito di “presidio dello scenario normativo… in sinergia con ABI e con EBF” [19]. È una piattaforma di ricerca, benchmark e scambio di casi d’uso tra pari — non un organismo che, come Veritas a Singapore, traduce principi regolatori in metodologie di valutazione operative condivise, né un consorzio che pubblica, come il Cyber Risk Institute negli Stati Uniti, un framework comune di controlli con centinaia di obiettivi puntuali. La differenza è di mandato più che di esistenza: la sede di coordinamento di settore in Italia c’è, ma produce finora benchmark e principi guida di misurazione, piuttosto che uno standard operativo vincolante o quasi-vincolante condiviso [19].
8 Quali scelte potrebbe affrontare una policy bancaria
Il confronto suggerisce un’agenda di decisioni, più che un indice da riprodurre. La prima è il perimetro: quali sistemi rientrano nella policy, come si distingue l’IA dall’automazione a regole e come si trattano modelli sviluppati internamente, prodotti acquistati e strumenti generativi usati dai dipendenti. A ogni sistema censito andrebbero associati almeno una finalità, un responsabile, i dati impiegati, il fornitore eventuale e una classificazione del rischio. Per gli impieghi bancari questa classificazione deve dialogare con la disciplina già esistente, in particolare quando il sistema valuta il merito creditizio di persone fisiche [5].
La seconda scelta riguarda responsabilità e passaggi decisionali: chi autorizza una prova, chi approva la messa in esercizio, chi valida il modello e chi può sospenderlo. La policy dovrebbe chiarire anche quale controllo umano sia praticabile nei diversi casi, quali usi siano esclusi e quali richiedano un esame rafforzato. Sul piano operativo occorre stabilire quali evidenze conservare per verificare qualità dei dati, prestazioni, errori, possibili effetti discriminatori e modifiche del sistema. La distinzione tra banca provider e banca deployer serve ad attribuire queste responsabilità senza confonderle [5], [20].
Infine, la policy deve indicare come il controllo continua dopo l’approvazione: monitoraggio, segnalazione degli incidenti, riesame periodico, gestione dei fornitori e condizioni di ritiro. Per l’IA generativa e gli agenti autonomi le domande diventano particolarmente concrete: quali dati possono ricevere, quali azioni possono eseguire, come si verificano gli output e quando una persona deve intervenire. La concentrazione su pochi fornitori di modelli aggiunge una dimensione di continuità operativa che va letta insieme ai presìdi ICT della banca [18]. Queste sono scelte che la policy può rendere esplicite; soglie, moduli e controlli di dettaglio possono essere precisati nelle procedure e aggiornati con l’esperienza.
9 La sequenza di adozione: a monte e a valle
Le sezioni precedenti hanno descritto cosa le policy bancarie contengono. Un’ultima osservazione riguarda quando quel contenuto tende a definirsi. Una policy IA non è un documento monolitico: una parte può essere stabilita prima di ogni progetto — i divieti, i ruoli, la classificazione del rischio, le regole sui dati, il registro dei modelli, i gate di approvazione — ed è ciò che consente di sperimentare in sicurezza. Un’altra parte tende invece a definirsi a valle, con l’esperienza: le soglie quantitative degli indicatori, la matrice delle responsabilità con nomi reali, la mappatura effettiva dei processi sull’Allegato III, le condizioni di autonomia di un sistema agentico. Le policy esaminate, in gradi diversi, documentano soprattutto la prima metà.
La sequenza che emerge non è quindi “prima la policy, poi i progetti”, né il contrario, ma una policy minima a monte e una sua messa a punto a valle, alimentata dall’esperienza. A contare non è tanto l’ordine, quanto la presenza di alcune condizioni di partenza — un mandato esplicito, un responsabile, un budget, l’accesso ai dati — senza le quali una policy resta, in qualunque sequenza venga adottata, un documento poco operativo.
10 Conclusioni
Il confronto tra i quattro documenti bancari italiani, il quadro regolatorio europeo e la prassi internazionale restituisce un settore maturo sui fondamentali e ancora giovane sulle frontiere. Sui fondamentali — approccio basato sul rischio, supervisione umana, registro dei modelli, divieti dell’articolo 5, approvazione al massimo livello di governo societario — le policy bancarie italiane convergono con la prassi internazionale e con le aspettative dei regolatori settoriali; la mappatura EBA conferma peraltro che l’AI Act non introduce, per il settore, un impianto normativo alternativo a quello prudenziale esistente, ma vi si integra senza contraddizioni sostanziali [5]. Il confronto lascia aperti sei ambiti: la governance degli agenti autonomi, la cui adozione non è misurata separatamente dal GPAI nel dato EBA; l’uso informale di IA da parte dei dipendenti, ancora privo di misure istituzionali comparabili; la verifica degli output su fonti primarie; il rischio di concentrazione sui fornitori di modelli, già sul tavolo dei supervisori europei [18]; la certificazione esterna; e il coordinamento di settore italiano, che non ha ancora il mandato per tradurre i principi condivisi in standard operativi come i framework di Singapore e degli Stati Uniti. Questi ambiti indicano dove estendere la governance esistente.
Nota metodologica
Questo documento nasce dall’interazione di tre componenti. L’autore definisce le domande, esercita il giudizio critico e assume la responsabilità scientifica ed editoriale del risultato. Strumenti di intelligenza artificiale generativa sono impiegati a supporto della ricerca bibliografica, della lettura, della sintesi, della riorganizzazione argomentativa e della revisione del testo. Un’infrastruttura open source sviluppata dall’autore automatizza il reperimento, l’armonizzazione e il controllo dei dati dalle fonti statistiche ufficiali, e mantiene l’elaborazione documentata e riproducibile.
Le fonti sono pubblicamente accessibili e citate con la loro denominazione ufficiale; l’analisi è pertanto integralmente auditabile e replicabile da terzi a partire da esse. Le tabelle e i grafici sono elaborazioni dell’autore: calcoli, aggregazioni, trasformazioni e scelte di rappresentazione sono attribuibili all’autore e non agli enti produttori dei dati.
La responsabilità per le fonti utilizzate, le analisi condotte, le elaborazioni effettuate, le interpretazioni proposte e le conclusioni formulate resta interamente in capo all’autore. L’intelligenza artificiale è stata impiegata come ambiente di supporto cognitivo ed editoriale, non come fonte primaria, autore autonomo o sostituto del giudizio critico.
Referenze
Note
La Commissione intende l’inferenza in senso ampio: non solo la capacità di produrre un output a partire da un input dato, ma anche, a monte, la capacità di costruire modelli o algoritmi a partire da dati [2]. Le tecniche che la abilitano sono di due famiglie: gli approcci di machine learning, che apprendono dai dati come raggiungere un obiettivo (apprendimento supervisionato, non supervisionato, self-supervised, per rinforzo), e gli approcci logico/basati sulla conoscenza, che ragionano su una rappresentazione simbolica del problema (sistemi esperti, motori di inferenza deduttiva). È questo elemento — non l’autonomia né l’adattività, entrambe eventuali — la condizione che la Commissione considera decisiva per distinguere un sistema di IA da un software tradizionale, per quanto sofisticato.↩︎
Una mappatura più puntuale di questo confine è arrivata di recente, con la bozza di Linee Guida della Commissione sulla classificazione dei sistemi ad alto rischio, messa in consultazione il 19 maggio 2026 e non ancora adottata in via definitiva [3]. La bozza raccoglie decine di esempi pratici di sistemi “artigianali” o ibridi il cui confine con la definizione di IA non è scontato: un semplice motore a regole che applica indicatori già calcolati a persone nominate, ad esempio, non è di per sé un sistema di IA — ma se lavora a valle di un modulo che quegli indicatori li genera per inferenza, l’insieme va valutato come un unico sistema, che può ricadere nell’alto rischio anche se nessuno dei due componenti lo sarebbe da solo. Un questionario statico a punteggio fisso, senza alcuna componente adattiva, resta fuori dalla definizione anche quando il suo output orienta decisioni rilevanti. Per il settore bancario la bozza chiarisce inoltre un punto specifico: un sistema che valuta il merito creditizio usando solo i dati di bilancio di un’impresa non rientra nella categoria di alto rischio riservata alla valutazione di persone fisiche, anche quando il titolare dell’impresa ne è indirettamente coinvolto come garante.↩︎
I nomi degli istituti non sono riportati: l’obiettivo del confronto è la struttura delle scelte di governance, non l’attribuzione pubblica di una pratica specifica a un singolo istituto sulla base di un documento reperito online. Va inoltre tenuto presente che un documento di policy trovato pubblicamente potrebbe non riflettere la versione interna più aggiornata: le policy IA sono per loro natura soggette a revisione frequente (tre dei quattro documenti citano esplicitamente una versione precedente sostituita), e la pubblicazione online di una versione non garantisce che resti quella in vigore al momento della lettura. Le osservazioni che seguono vanno quindi lette come fotografia di una pratica in un dato momento, non come descrizione dello stato attuale e permanente di ciascun istituto.↩︎
Anche per i framework esteri citati in questa sezione vale la stessa cautela: sono documenti pubblici reperiti online, non necessariamente la versione interna più recente. Un gruppo che pubblica principi generali a fini reputazionali può nel frattempo aver adottato regolamenti interni più dettagliati e non pubblici — la sintesi qui riportata descrive quanto reso pubblico, non necessariamente lo stato più aggiornato della governance interna dell’istituto.↩︎