L’intelligenza artificiale nei mercati finanziari italiani

2. Approcci delle autorità finanziarie italiane alla promozione di un’adozione sicura dell’IA

Sommario

Il presente capitolo esamina gli approcci adottati dalle autorità finanziarie italiane per monitorare la diffusione dell’IA nel mercato interno e promuovere un’innovazione responsabile. La prima sezione delinea le misure di vigilanza esistenti e le iniziative in corso, compreso l’utilizzo degli strumenti di tecnologie di vigilanza (SupTech). La seconda sezione evidenzia i meccanismi di facilitazione dell’innovazione che contribuiscono a creare un ambiente favorevole all’innovazione e promuovono il coinvolgimento diretto tra le autorità e il settore finanziario.

2.1. Introduzione

Le autorità italiane dispongono di un portafoglio attivo di strumenti e misure per monitorare l’impiego delle tecnologie dell’IA nel mercato interno. Tra questi si annoverano iniziative di supervisione condotte dalle quattro autorità di vigilanza, sotto forma di raccolta dati e ricerca, nonché strumenti di tecnologie di vigilanza (SupTech) in produzione e in sviluppo. Tali misure di vigilanza aiutano le autorità a valutare l’entità dell’attuale adozione dell’IA da parte delle istituzioni finanziarie, a mappare le tendenze attuali e il loro impatto e a prevedere i potenziali sviluppi futuri nel settore.

Contemporaneamente, l’Italia dispone di un ecosistema ben sviluppato di facilitatori dell’innovazione che coinvolge tutti i principali segmenti dell’attività finanziaria. Questi consentono test sicuri delle applicazioni dell’IA nella finanza e promuovono un’interazione costruttiva con il settore. I facilitatori dell’innovazione possono svolgere un ruolo prezioso nell’affrontare le barriere o le lacune normative e inviare un segnale positivo sull’impegno delle autorità per un’innovazione responsabile.

2.2. Monitoraggio e supervisione dell’adozione delle applicazioni dell’IA nel settore finanziario italiano

Le autorità pubbliche italiane svolgono un ruolo attivo nella promozione di un impiego sicuro e responsabile delle tecnologie dell’IA all’interno del sistema finanziario nazionale. Il sostegno all’innovazione è evidente sia nelle iniziative di monitoraggio legate all’IA condotte dalle autorità italiane di vigilanza finanziaria, sia nel funzionamento dei facilitatori dell’innovazione, che consentono un’interazione diretta con il settore.

2.2.1. Iniziative di monitoraggio e vigilanza da parte delle autorità italiane

A livello nazionale, le competenze legislative e di vigilanza sui servizi finanziari sono ripartite tra BdI, CONSOB, IVASS e COVIP. La Banca d’Italia esercita funzioni di vigilanza sulle attività bancarie e finanziarie degli intermediari bancari, degli intermediari non bancari registrati e del mercato dei servizi di pagamento (Banca d'Italia, 2024[1]). La CONSOB agisce in qualità di autorità di vigilanza per il mercato dei prodotti finanziari italiani (CONSOB, 2024[2]). L’IVASS esercita la propria autorità di vigilanza sulle imprese di assicurazione e di riassicurazione, sui gruppi assicurativi e sugli altri intermediari assicurativi (IVASS, 2024[3]). La COVIP è responsabile della vigilanza sulla sana e prudente gestione delle forme pensionistiche complementari (COVIP, 2025[4]). Per alcune questioni (ad esempio la responsabilità per la stabilità finanziaria), le competenze sono condivise tra MEF, BdI e CONSOB. Inoltre, il MEF agisce nell’ambito delle competenze trasversali, tra cui la regolamentazione e le politiche del sistema finanziario, nonché la tutela della clientela, la trasparenza e gli intermediari non bancari (MEF, 2024[5]).

La Banca d’Italia, la CONSOB e l’IVASS hanno condotto diverse iniziative per la raccolta di informazioni e dati sull’utilizzo dell’IA nel settore finanziario italiano, elencate nella Tavola 2.1.

Tavola 2.1. Iniziative relative all’IA di Banca d’Italia, CONSOB e IVASS

Banca d’Italia
Attività di raccolta di dati e informazioni connessi con l’IA	Indagine Fintech La Banca d’Italia conduce un’indagine Fintech per valutare il livello di adozione delle innovazioni tecnologiche nei servizi finanziari. L’esercizio si svolge ogni due anni, con la prima edizione svolta nel 2021, seguita dall’edizione 2023. La versione del 2025 presenta domande sull’intelligenza artificiale generativa (GenAI) e le implicazioni del recepimento del regolamento UE sull’intelligenza artificiale. Nel 2025 la Banca d’Italia ha avviato una nuova indagine sugli operatori Fintech italiani non regolamentati per integrare la precedente indagine. Autovalutazione delle ICT La Banca d’Italia pubblica modelli per la valutazione del rischio ICT rispetto ai requisiti stabiliti nel regolamento DORA. Il formato di autovalutazione contribuisce a una raccolta strutturata di informazioni sul rischio ICT tra i soggetti vigilati. L’autovalutazione degli enti meno significativi consiste in una sezione generale obbligatoria e in una sezione specifica richiesta solo per un campione specifico di intermediari. Per quest’ultimo, una sezione riguarda l’adozione del machine learning. Indagine regionale sul credito bancario (Regional Bank Lending Survey, RBLS) La Banca d’Italia raccoglie dati significativi dalla RBLS, che esamina, tra l’altro, le relazioni tra le filiali regionali e le rispettive sedi centrali. Tali dati sono conservati a livello aggregato e sono utilizzati esclusivamente per l’analisi economica, ad esempio per esaminare l’adozione di tecnologie digitali nel settore bancario (Banca d'Italia, 2022[6]). L’indagine ha contribuito a identificare l’utilizzo dell’IA all’interno dei progetti Fintech, inclusa la sua applicazione in funzioni critiche come il credit scoring, il monitoraggio, l’antiriciclaggio (AML) e il rilevamento delle frodi. L’edizione 2024 dell’indagine ha segnato l’avvio della raccolta di dati sull’intelligenza artificiale generativa (GenIA), nonché l’uso di codici di condotta per l’IA. L’edizione 2025 prevede la raccolta di informazioni sul ruolo delle aziende BigTech nel fornire soluzioni di IA, compresa la fase di avanzamento dei sistemi nel loro ciclo. Accertamenti ispettivi Sebbene le ispezioni della Banca d’Italia non siano ancora specificamente incentrate sull’IA, l’argomento è valutato indirettamente attraverso ambiti correlati quali la gestione del rischio informatico e di credito.
Ricerca	Gruppo multidisciplinare La Banca d’Italia gestisce un gruppo multidisciplinare interno sui big data, il machine learning e l’intelligenza artificiale, che comprende economisti, statistici e informatici di diversi dipartimenti all’interno dell’istituto. La Banca d’Italia ha recentemente creato un apposito comitato interdipartimentale per il coordinamento di alcune attività interne connesse con l’IA. Documento sull’IA nella valutazione del merito creditizio (credit scoring) Nel 2022 la Banca d’Italia ha pubblicato un documento per presentare un’analisi delle questioni teoriche e del contesto regolamentare e istituzionale per l’applicazione dell’IA al credit scoring. Il lavoro descrive inoltre i risultati di un’indagine condotta presso una selezione di intermediari finanziari italiani sulla loro esperienza nell’adozione di tali modelli (Banca d'Italia, 2022[7]). Studi di fattibilità Analisi delle applicazioni attraverso studi di fattibilità. Uno di questi, svolto in collaborazione con alcune banche, ha dimostrato che le procedure basate su soluzioni di IA contribuiscono a ridurre i costi di conformità alla regolamentazione per gli enti finanziari e i costi di verifica per le autorità. Un altro studio suggerisce che le reti neurali possono supportare l’individuazione dei difetti di stampa durante la produzione delle banconote (Banca d'Italia, 2023[8]).
CONSOB
Attività di raccolta di dati e informazioni connessi con l’IA	Attività di raccolta di dati e informazioni Le attività di vigilanza e monitoraggio sull’impiego delle applicazioni dell’IA si basano sull’utilizzo di informazioni non strutturate provenienti tipicamente dalla documentazione di vigilanza trasmessa periodicamente dai soggetti vigilati, dagli esiti di eventuali ispezioni sul tema e, più in generale, dalle riunioni tenute con gli intermediari nell’ambito delle attività di vigilanza. La CONSOB collabora in gruppi internazionali (ad esempio, IOSCO, ESMA) e a iniziative sull’utilizzo dell’IA nel settore finanziario. Nel 2025 la CONSOB ha contribuito al rapporto dell’ESMA sull’adozione e sulle tendenze dell’IA nei mercati mobiliari. La CONSOB individua, monitora e valuta attivamente i rischi ICT connessi con le tecnologie dell’informazione e della comunicazione (ad esempio i rischi cibernetici) sia a livello di singola impresa sia a livello sistemico. Il suo approccio si basa sulle norme di vigilanza (MiFID II e DORA). Cambiamenti nella struttura organizzativa e nella strategia Nell’ottobre 2024 la CONSOB ha effettuato una riorganizzazione volta, tra l’altro, a rafforzare la sua capacità di orientare le iniziative nel campo dell’intelligenza artificiale. Nell’ambito di questo processo, sono stati istituiti due uffici dedicati: l’“Ufficio Gestione Dati e Intelligenza Artificiale”, dedicato allo sviluppo e alla gestione di piattaforme di business intelligence & advanced analytics e soluzioni e modelli di IA; l’Ufficio “Data Governance”, responsabile di garantire che i dati dell’organizzazione siano gestiti in modo adeguato, sicuro, coerente e conforme alle normative. Il Piano strategico 2025-2027 della CONSOB afferma che l’Autorità rafforzerà l’efficienza della vigilanza adottando strumenti basati sull’IA per migliorare la trasparenza e la sorveglianza. Il Piano evidenzia lo sviluppo di modelli avanzati di vigilanza basati sui dati, rendendo l’analisi dei dati centrale per il quadro di monitoraggio della CONSOB. Il Piano enfatizza la trasformazione digitale come priorità trasversale, con l’IA che supporta azioni di vigilanza più efficaci e tempestive. Il Piano sostiene anche la riorganizzazione interna del 2024 che rafforza le capacità di dati e tecnologie, anche con strutture dedicate all’IA e alla gestione dei dati. Nel complesso, l’IA e l’adozione di prassi più rigorose in materia di dati sono alla base di uno spostamento verso una supervisione sui mercati basata sul rischio e tecnologicamente avanzata nell’orizzonte temporale 2025-2027. La CONSOB sta lavorando a un “framework per il ciclo di vita di sistemi di IA”, che fornisce un modello di governance strutturato in grado di garantire che le iniziative di IA siano in linea con i requisiti normativi. Il processo decisionale viene semplificato, chiarendo le responsabilità tra le unità aziendali, il dipartimento IA e i partner esterni. Il framework rafforza la definizione delle priorità basate sul rischio, consentendo un’allocazione efficiente delle risorse e un’adozione controllata delle soluzioni di intelligenza artificiale. Migliora la trasparenza e la tracciabilità, supportando approvazioni sistematiche e risultati operativi più affidabili. Nel complesso, aiuta l’organizzazione ad adottare l’IA in modo sicuro, massimizzando nel contempo il valore aziendale e l’impatto strategico.
Ricerca	“L’intelligenza artificiale nell’asset e nel wealth management”, indagine condotta nel 2021 con Assogestioni (CONSOB, 2022[9]). Il tasso di risposta all’indagine ha riguardato otto grandi società di gestione patrimoniale, che rappresentano il 60% del patrimonio gestito in Italia. “Metodi sperimentali di machine learning per supportare le decisioni nella detection degli abusi di mercato”, studio in cui sono proposti due metodi complementari di machine learning non supervisionato a sostegno della sorveglianza sul mercato finalizzati all’identificazione di potenziali attività di insider trading (CONSOB - Scuola Normale Superiore di Pisa, 2022[10]). “Tecniche per la riduzione dimensionale dei dati a supporto del rilevamento dei casi di insider trading” (CONSOB, 2024[11]). Un’analisi dell’IA e degli abusi di mercato (“AI e abusi di mercato: le leggi della robotica si applicano alle operazioni finanziarie?”) (CONSOB, 2023[12]). “Riflessioni in tema di intelligenza artificiale e attività di vigilanza”. Il presente lavoro analizza le implicazioni connesse con l’adozione di sistemi di intelligenza artificiale nell’ambito dell’attività di vigilanza svolta dalla CONSOB (Deriu and Racioppi, 2025[13]). “Un sistema di greenwashing alert per il mercato dei green bonds. Il prototipo sviluppato da CONSOB con l’Università di Trento” (Paterlini et al., 2025[14]). “L’impatto del fattore ESG sulla performance industriale. Un’analisi con tecniche di machine learning” (Palynska et al., 2024[15]) (Palynska et al., 2024[15]) (Palynska et al., 2024[15]). “Omissione degli Obiettivi di Sviluppo Sostenibile e metrica del sentiment ambientale nell’analisi della disclosure dei green bonds” (Nicolodi et al., 2025[16]) (Nicolodi et al., 2025[16]). (Nicolodi et al., 2025[16])
IVASS
Attività di raccolta di dati e informazioni connessi con l’IA	L’IVASS è consapevole che l’utilizzo di tecnologie di intelligenza artificiale è integrato nei progetti assicurativi. Prevede l’inclusione dell’IA nelle sue attività generali di vigilanza, che comprendono la performance complessiva e i rischi di discriminazione. L’IVASS conduce il proprio monitoraggio sull’IA tramite indagini di mercato, incontri individuali con le imprese di assicurazione di maggiori dimensioni e una continua attività di sensibilizzazione del mercato attraverso dialoghi con le associazioni dei fornitori di assicurazioni e tecnologie, il mondo accademico, gli esperti e altre parti interessate. L’IVASS finora non ha modificato in alcun modo la propria struttura organizzativa per tenere conto delle specificità della vigilanza sull’IA.
Ricerca	L’IVASS sta attualmente conducendo i seguenti lavori di ricerca sull’IA: L’IVASS sta conducendo un progetto per l’utilizzo di metodologie di network analysis in collaborazione con l’Università di Palermo. Sono utilizzate tecniche statistiche e di machine learning per analizzare enormi banche dati di sinistri assicurativi al fine di identificare gruppi di potenziali truffatori (Tumminello et al., 2022[17]) (Tumminello et al., 2022[17]). (Tumminello et al., 2022[17]) L’IVASS ha condotto un’analisi qualitativa-quantitativa della chiarezza dei contratti assicurativi, in collaborazione con l’Università di Torino. I progetti hanno utilizzato algoritmi per valutare la leggibilità dei contratti di assicurazione, al fine di garantire la chiarezza dei contratti, nonché i diritti e gli obblighi dei consumatori ivi contenuti (IVASS, 2025[18]). (IVASS, 2025[18]) L’IVASS ha contribuito a uno studio condotto con l’EIOPA per la definizione di ulteriori indicatori di stabilità delle compagnie di assicurazione. Una seconda fase del progetto si avvarrà di tecnologie di intelligenza artificiale generativa (GenAI) (IVASS, 2025[18]). L’IVASS ha condotto un’indagine sull’utilizzo degli algoritmi di machine learning da parte delle compagnie assicurative nei rapporti con i contraenti (IVASS, 2023[19]) (IVASS, 2023[19]) (IVASS, 2023[19]). L’IVASS ha pubblicato un documento di lavoro sulla governance dell’IA nel settore assicurativo (Capone, 2021[20]).

Nota: elenco non esaustivo.

2.2.2. Utilizzo di strumenti di tecnologie di vigilanza (SupTech)

La disponibilità di strumenti di tecnologie di vigilanza può migliorare la capacità di monitorare, controllare e valutare criticamente le prestazioni e i rischi dei sistemi di intelligenza artificiale utilizzati dalle istituzioni finanziarie. Questi strumenti supportano la sorveglianza basata sui dati e migliorano l’efficienza delle attività di vigilanza. Le iniziative SupTech mirano principalmente a rafforzare la capacità di vigilanza, le competenze analitiche e la prioritizzazione dei rischi, piuttosto che automatizzare le valutazioni o le decisioni di vigilanza

Le autorità finanziarie italiane stanno mettendo a disposizione strumenti di tecnologie di vigilanza in molteplici ambiti delle loro attività di vigilanza. La Banca d’Italia dispone attualmente di 6 strumenti di tecnologie di vigilanza in produzione per la vigilanza degli istituti finanziari bancari e non bancari. Anche la CONSOB ha sviluppato prototipi di strumenti di tecnologie di vigilanza relativi a varie aree. La Tavola 2.2 elenca questi strumenti delle due autorità.

Anche l’IVASS ha sperimentato delle tecniche di IA sulle banche dati dei sinistri per la prevenzione delle frodi, al fine di agevolare la consultazione dei documenti assicurativi, arricchire gli indicatori sulla stabilità delle compagnie assicurative e classificare gli esposti per agevolarne la gestione. La maggior parte dei progetti è stata sviluppata internamente con la collaborazione di terze parti (Banca d’Italia, EIOPA/BCE, mondo accademico). I vantaggi analitici dell’esplorazione di grandi basi di dati includono la possibilità di definire e testare nuove serie di indicatori, costruendo competenze e capacità interne con un approccio pratico ai progetti. I principali ostacoli allo sviluppo di strumenti di tecnologie di vigilanza sono la disponibilità di personale qualificato, la necessità di evitare priorità contrastanti e di dare spazio alla sperimentazione delle varie soluzioni SupTech. I problemi potrebbero derivare dalla necessità di reperire competenze all’esterno, se necessario per sviluppare specifiche applicazioni interne di SupTech. Anche la COVIP sta attualmente valutando la possibilità di sviluppare strumenti di tecnologie di vigilanza.

Tavola 2.2. Utilizzo degli strumenti di tecnologie di vigilanza da parte della Banca d’Italia e della CONSOB

Banca d’Italia
Ispezioni in loco	Gli strumenti di tecnologie di vigilanza possono migliorare l’efficienza delle ispezioni in loco contribuendo ad automatizzare le attività di routine, come la redazione dei rilievi, la conduzione di controlli di coerenza, l’analisi dei documenti di conformità e l’elaborazione di suggerimenti sui rilievi. Lo strumento supporta sia gli ispettori in loco sia chi è deputato ai controlli di coerenza. L’architettura è composta da due servizi applicativi responsabili, rispettivamente, di fornire all’utente suggerimenti elaborati dall’IA circa il rilievo che si sta redigendo/controllando, nonché di mantenere una base dati strutturata e aggiornata delle norme di regolamentazione applicabili alle ispezioni.
Vigilanza ordinaria	Vigilanza ordinaria: gli strumenti possono migliorare i processi di vigilanza ordinaria attraverso un’analisi dettagliata delle aree di indagine concrete, ad esempio mediante la ricostruzione delle catene di controllo nel settore finanziario. Per l’area del governo societario, lo strumento supporta l’analisi dell’efficace funzionamento del consiglio di amministrazione (comportamento dei membri in termini di tipo/frequenza degli interventi, livello di approfondimento della discussione, numero di argomenti discussi).
Valutazioni dei requisiti di idoneità	Lo strumento supporta la valutazione dei requisiti di idoneità (Fit and Proper) estraendo informazioni da varie basi dati, quali: segnalazioni sulle grandi esposizioni; segnalazioni su parti correlate (sia a livello individuale sia a livello consolidato), base dati della Banca d’Italia sui provvedimenti sanzionatori, Centrale dei rischi, Registro delle imprese italiano. Sulla base delle informazioni estratte, vengono generati degli indicatori di anomalia per guidare l’analista nel processo decisionale al momento della valutazione dell’idoneità dei rappresentanti delle istituzioni finanziarie. Inoltre, attraverso un modulo di IA basato sulla base dati Factiva, lo strumento consente di rilevare eventuali problemi reputazionali dell’esponente designato attraverso l’analisi di articoli di stampa.
Assetti proprietari	Lo strumento ricostruisce l’assetto proprietario degli intermediari vigilati (banche e società finanziarie) attraverso l’utilizzo di tecnologie di IA, ossia il ragionamento automatizzato (Automated Reasoning, AR) applicato al proprio grafico della conoscenza (Knowledge Graph). Questa piattaforma non solo integra e visualizza dati provenienti da più fonti, ma genera anche nuove conoscenze al di là dell’ambito dei dati originali, migliorando significativamente le informazioni a disposizione degli utenti.
Tutela dei clienti	Al fine di migliorare la gestione degli esposti dei clienti, la Banca d’Italia ha testato dei sistemi di intelligenza artificiale per analizzarli (Esptech) e a supporto del ruolo dell’Arbitro Bancario Finanziario (AbefTech). Entrambi i sistemi sono stati sviluppati internamente. Esptech: lo strumento che incorpora NLP e machine learning è utilizzato per la gestione di oltre 10.000 esposti ricevuti ogni anno. I modelli raggruppano gli esposti in cluster basati su somiglianze semantiche al fine di mappare le tendenze e aiutare a identificare i valori anomali. AbefTech: lo strumento supporta le segreterie tecniche dell’Arbitro Bancario Finanziario (ABF) per la gestione dei ricorsi presentati dai clienti attraverso: un modello di machine learning per raggruppare le decisioni dell’ABF sulla base di somiglianze semantiche; una funzione NLP (algortimi di Named Entity Recognition) per facilitare i controlli relativi alla valutazione preliminare dei ricorsi (la cosiddetta ammissibilità); una funzione supportata da tecniche combinate di Named Entity Recognition ed espressioni regolari (che si avvalgono del registro centralizzato degli intermediari presenti nell’Istituto) per facilitare l’anonimizzazione delle decisioni dell’ABF.
CONSOB
Sorveglianza del mercato/rilevamento dei casi di abusi di mercato per insider trading:	Per identificare le potenziali attività di insider trading si utilizzano due metodi complementari di machine learning non supervisionato: Il primo metodo “Pandora Box” utilizza il clustering per individuare discontinuità nell’attività di trading di un investitore in prossimità di un evento sensibile al prezzo, come un’offerta pubblica di acquisto. Tali discontinuità vengono confrontate con la storia di trading passata dell’investitore e con l’attuale attività di trading dei suoi omologhi. Il secondo approccio non supervisionato mira a identificare piccoli gruppi di investitori che agiscono in modo coerente in prossimità di eventi sensibili al prezzo. Ciò può indicare potenziali reti di insider, ossia gruppi di trader sincronizzati che mostrano un forte trading direzionale in posizioni premianti in un periodo precedente all’evento sensibile al prezzo.
Lotta alle frodi online (online harm)	Una soluzione di IA volta a combattere i rischi online, in particolare in relazione all’offerta illegale di cripto-attività e servizi di investimento. Il sistema è progettato per automatizzare le attività di analisi e verifica che attualmente caratterizzano il processo di gestione delle segnalazioni e una parte selezionata del portale della IOSCO: I-SCAN (International Securities Commodities Alert Network). Il nucleo tecnologico della soluzione risiede nell’uso di modelli linguistici di grandi dimensioni (LLM), anche nella loro forma multimodale, in grado di elaborare elementi testuali e visivi. Gli LLM sono in grado di comprendere testi complessi, compresi testi legali e normativi, ed estrarre automaticamente dati strutturati. L’intero processo comprende una fase di validazione e test retrospettivi, in cui i risultati prodotti dal sistema sono confrontati con l’analisi condotta da operatori umani. In caso di disallineamento, il prompt del sistema viene modificato e l’inferenza viene ripetuta.
Analisi degli emittenti basata sul rischio	Un sistema complesso si basa su una combinazione di algoritmi di intelligenza artificiale applicati all’analisi predittiva dei rischi degli emittenti quotati, a sostegno dell’attività di vigilanza e sulla base dell’elenco dei parametri di rischio e di fonti di dati strutturati e non strutturati. La piattaforma IA si basa su data lake e utilizza algoritmi di machine learning che consentono l’identificazione di un cluster di emittenti a rischio, identificati mediante tecniche di rilevazione delle anomalie. La piattaforma IA include anche una sperimentazione basata su uno specifico algoritmo di classificazione testuale, in grado di etichettare il testo degli aspetti chiave della revisione (Key Audit Matters, KAM) indicato dalle società di audit e trasmesso alla CONSOB, associando il testo di ciascun KAM ai rispettivi principi contabili internazionali di riferimento. La piattaforma IA include anche una correlazione dei dati analizzati con le applicazioni delle tecniche di text-mining per lo screening delle informazioni pertinenti contenute in fonti di dati non strutturate.
Vigilanza sui green bond	È stata avviata una sperimentazione in collaborazione con l’Università di Trento, che incorpora l’uso di tecniche di IA e NLP. La parte fondamentale del progetto, in questo caso, consiste nella costruzione di un prototipo di computer in grado di analizzare automaticamente la documentazione testuale associata alle emissioni di green bond, con l’obiettivo di identificare frasi rilevanti dal punto di vista ambientale, etichettarle in base al loro contenuto, associarle a una sentiment analysis e verificare la presenza o l’assenza di riferimenti agli obiettivi di sviluppo sostenibile (SDG). Successivamente, il sistema di IA è stato migliorato attraverso un processo di ingegneria tecnica e industrializzazione per l’utilizzo del cloud. Il valore aggiunto del modello risiede nella sua capacità di generare “avvisi” su documenti e soggetti con caratteristiche potenzialmente anomale - ad esempio, un elevato disallineamento tra gli SDG dichiarati e quelli effettivi, o un sentiment prevalentemente opportunistico in assenza di prove concrete - che può guidare le attività degli uffici verso indagini più approfondite.
Anonimizzazione dei provvedimenti sanzionatori	Il sistema si basa su modelli di IA generativa e algoritmi di similarità, finalizzati ad anonimizzare la documentazione formale delle sanzioni rendendo anonimi i provvedimenti in un processo a 4 attività, ossia cancellando dal testo delle misure sanzionatorie i dati e le informazioni che potenzialmente potrebbero portare a identificare la parte sanzionata.

Fonte: informazioni fornite dalla Banca d’Italia e dalla CONSOB.

2.3. Creare un ambiente favorevole all’innovazione in Italia

2.3.1. Sandbox regolamentare finanziaria

La sandbox regolamentare finanziaria è stata introdotta dal decreto ministeriale n. 100/2021, che attua il decreto legislativo n. 34 del 2019. La sandbox consente ai soggetti vigilati e agli operatori Fintech di testare prodotti e servizi innovativi, per un periodo di tempo limitato, in costante dialogo e confronto con le tre autorità di vigilanza finanziaria (Banca d’Italia, CONSOB e IVASS), beneficiando in ultima analisi anche di un regime temporaneo semplificato. Le attività di sperimentazione sono condotte dalle tre autorità di vigilanza sotto il coordinamento del Comitato Fintech, istituito presso il Ministero dell’Economia e delle Finanze.

All’interno della prima coorte della sandbox vigilata dalla Banca d’Italia, l’intelligenza artificiale è stata tra le tecnologie più diffusamente adottate nei progetti testati. Dei 13 progetti ammessi alla fase di sperimentazione, 4 prevedevano l’utilizzo dell’intelligenza artificiale. L’IVASS sta attualmente supervisionando un progetto che prevede un uso limitato dell’intelligenza artificiale, anche per l’analisi dei dati sul comportamento di guida nelle polizze di assicurazione auto e la generazione di dati sintetici per i modelli di intelligenza artificiale. L’utilizzo dell’IA non è stato al centro delle iniziative analizzate finora dalla CONSOB nel contesto della sandbox, considerando che le applicazioni Fintech di solito sfruttano diverse tecnologie, tra cui potrebbe figurare l’IA.

Dopo le prime due coorti, il Ministero dell’Economia e delle Finanze e le tre autorità di vigilanza hanno deciso di rivedere la normativa secondaria che regola la sandbox (Ministero dell’Economia e delle Finanze del 30 aprile 2021, decreto n. 100/2021). Ciò è proposto al fine di semplificare l’accesso alla sandbox e ridurre gli oneri amministrativi per gli operatori Fintech, al fine di incoraggiare una più ampia partecipazione al mercato. Questo obiettivo sarà raggiunto principalmente attraverso la distinzione delle norme applicabili in modalità sandbox a seconda del tipo di test, che a sua volta varia a seconda del coinvolgimento del mercato e del potenziale rischio per i terzi. Ciò garantisce che gli operatori possano svolgere le loro attività in un ambiente protetto secondo un approccio basato sul rischio e sul principio di proporzionalità. La nuova versione del decreto ministeriale è stata pubblicata ed è stata in consultazione fino al 16 maggio.

L’articolo 57 del regolamento sull’intelligenza artificiale impone alle autorità nazionali competenti di istituire una sandbox regolamentare dell’IA a livello nazionale o congiuntamente con altri Stati membri (EU, 2024[21]). Come anticipato dal MEF, sono in corso discussioni per valutare in che misura la sandbox regolamentare finanziaria può essere considerata rilevante anche ai fini delle sandbox del regolamento sull’intelligenza artificiale. La questione è soggetta agli sviluppi in corso a livello di UE, inclusa la proposta legislativa della Commissione europea “Omnibus digitale”, che prevede, tra l’altro, l’istituzione di una sandbox dell’intelligenza artificiale a livello di UE, fatte salve le sandbox nazionali.

2.3.2. Altri facilitatori dell’innovazione

Milano Hub è un centro di innovazione creato dalla Banca d’Italia nel 2021 con l’obiettivo di sostenere l’evoluzione digitale del mercato finanziario e favorire l’attrazione di competenze qualificate e investimenti. Milano Hub offre servizi di consulenza, tutoraggio e formazione a intermediari finanziari, start-up e centri di ricerca, con l’obiettivo di accelerare lo sviluppo di progetti e promuovere la qualità e la sicurezza di specifiche innovazioni. Al fine di mantenere un dialogo costante con gli operatori di mercato, Milano Hub opera attraverso le sue “Call for proposal” (inviti a presentare proposte) relative a diversi ambiti di innovazione. I progetti selezionati ricevono sostegno allo sviluppo attraverso: i) competenze tecniche nel settore bancario, finanziario e assicurativo e in settori specifici, ad esempio IT e regolamentazione; ii) organizzazione di seminari, eventi, conferenze con rappresentanti dei progetti, delle istituzioni e del mondo accademico. La Banca d’Italia non fornisce alcuna forma di assistenza finanziaria, né alcun contributo all’acquisto di beni o servizi, né sostiene i progetti in termini di iniziative promozionali o di attività di marketing. Nel 2021 è stata lanciata la prima Call for proposal, il cui tema era “Il contributo dell’intelligenza artificiale nel migliorare l’offerta dei servizi bancari, finanziari e di pagamento alle imprese, alle famiglie e alla pubblica amministrazione, con particolare riguardo ai profili di inclusione finanziaria, all’adeguata tutela del consumatore e alla sicurezza dei dati”. Tale bando ha portato alla presentazione di 40 progetti da parte di 62 enti e la grande maggioranza dei progetti riguardava prestiti e depositi digitali (55%), pagamenti (15%) e regtech (8%). La seconda Call for proposal era incentrata su “l’applicazione della tecnologia dei registri distribuiti (Distributed Ledger Technology - DLT) ai servizi bancari, finanziari, assicurativi e di pagamento”. Questo bando ha portato alla presentazione di 57 candidature di 81 enti e alla selezione di 14 progetti. La terza Call for proposal del 2024 era incentrata sui “pagamenti digitali e istantanei”. Dei 26 progetti presentati, ne sono stati selezionati 11. Tra questi, alcuni progetti utilizzano algoritmi di IA per sviluppare pagamenti veloci per nuovi casi d’uso/applicazioni che si occupano di tecniche di prevenzione delle frodi e sistemi di gestione dei flussi di cassa (Banca d'Italia, 2024[22]).

Il Canale Fintech è il punto di contatto attraverso il quale gli operatori possono dialogare facilmente e informalmente con la Banca d’Italia. Gli operatori possono presentare progetti nel campo dei servizi finanziari e dei pagamenti, basati su tecnologie innovative, o proporre soluzioni tecnologiche pensate per banche e intermediari finanziari. In questo modo, le start-up, le imprese e gli intermediari bancari e finanziari che propongono soluzioni innovative nel campo dei servizi finanziari e di pagamento possono contattare la Banca d’Italia. A partire dal 4 aprile 2025, il Canale Fintech ha avuto più di 260 interazioni con società Fintech e intermediari finanziari, con la percentuale di progetti focalizzati su soluzioni di IA aumentata dal 20% al 33% nel 2023 e al 38% nel 2024.

Riferimenti bibliografici

[1] Banca d’Italia (2024), Bank of Italy - Supervision of the banking and financial system, https://www.bancaditalia.it/compiti/vigilanza/ (accessed on 16 December 2024).

[22] Banca d’Italia (2024), Le interconnessioni tra Intelligenza Artificiale, Cloud e Cyber nel settore finanziario.

[8] Banca d’Italia (2023), “Siamese neural networks for detecting banknote printing defects”, https://www.bancaditalia.it/pubblicazioni/mercati-infrastrutture-e-sistemi-di-pagamento/approfondimenti/2023-034/index.html?com.dotmarketing.htmlpage.language=1 (accessed on 25 April 2025).

[7] Banca d’Italia (2022), Bank of Italy - No. 721 - Artificial intelligence in credit scoring: an analysis of some experiences in the Italian financial system, https://www.bancaditalia.it/pubblicazioni/qef/2022-0721/index.html?com.dotmarketing.htmlpage.language=1 (accessed on 25 April 2024).

[6] Banca d’Italia (2022), No. 682 - The digital transformation in the Italian banking sector.

[20] Capone, D. (2021), “Governance of Artificial Intelligence in the insurance sector between ethical principles, board responsibility and business culture”, No. 16, IVASS, https://www.ivass.it/pubblicazioni-e-statistiche/pubblicazioni/quaderni/2021/iv16/index.html?com.dotmarketing.htmlpage.language=3&dotcache=refresh (accessed on 3 October 2025).

[2] CONSOB (2024), Activities - CONSOB and its activities - CONSOB, https://www.consob.it/web/consob-and-its-activities/activities (accessed on 17 December 2024).

[11] CONSOB (2024), “Dimensionally reduction techniques to support insider trading detection”, https://img.corrierecomunicazioni.it/wp-content/uploads/2024/03/01111218/94a3c409-0619-4d0b-9b67-1c9dcce90d3f.pdf (accessed on 21 May 2025).

[12] CONSOB (2023), “AI and market abuse: do the laws of robotics apply to financial trading?”, https://www.consob.it/documents/11973/201676/qg29en.pdf/62395177-4053-2549-5d44-b3e6d8be2408?t=1697185532182 (accessed on 21 May 2025).

[9] CONSOB (2022), Artificial intelligence in the asset and wealth management, https://www.consob.it/web/consob-and-its-activities/ft9en (accessed on 6 January 2025).

[10] CONSOB - Scuola Normale Superiore di Pisa (2022), A machine learning approach to support decision in insider trading detection, Quaderni FinTech, https://www.consob.it/documents/1912911/1933915/FinTech_11.pdf/eebb010d-e5e8-9f75-9e77-b2a1407e418f (accessed on 7 January 2025).

[4] COVIP (2025), About COVIP, https://www.covip.it/en/about-covip (accessed on 18 June 2025).

[13] Deriu, P. and S. Racioppi (2025), “Insights on Artificial Intelligence and Financial Supervision”, CONSOB, https://www.consob.it/web/consob-and-its-activities/ft15en (accessed on 14 October 2025).

[21] EU (2024), Regulation (EU) 2024/1689 (AI Act), https://eur-lex.europa.eu/eli/reg/2024/1689/oj (accessed on 28 November 2024).

[18] IVASS (2025), A qualitative-quantitative analysis of the clarity of insurance contracts: check of the progress, https://www.ivass.it/consumatori/azioni-tutela/indagini-tematiche/documenti/2025/follow-up-analisi-quali-quantitativa-contratti-febbraio-2025-en.pdf?language_id=3 (accessed on 4 March 2026).

[3] IVASS (2024), IVASS - Tasks, https://www.ivass.it/chi-siamo/in-sintesi/compiti/index.html (accessed on 17 December 2024).

[19] IVASS (2023), Survey on the use of Machine Learning algorithms by insurance companies in their relations with policyholders, https://www.ivass.it/pubblicazioni-e-statistiche/pubblicazioni/altre-pubblicazioni/2023/indagine-algoritmi/Esiti_indagine_Algogovernance_ENG.pdf?language_id=3 (accessed on 27 January 2025).

[5] MEF (2024), Department - MEF Department of Treasury, https://www.dt.mef.gov.it/en/dipartimento/ (accessed on 18 December 2024).

[16] Nicolodi, A. et al. (2025), “Sustainable Development Goals omission and environmental sentiment metric for greenwashing and ESG controversies alert in green bonds”, CONSOB Fintech Series No. 16, 2025, https://www.consob.it/documents/d/area-pubblica/fintech16 (accessed on 6 March 2026).

[15] Palynska, M. et al. (2024), “The impact of the ESG factor on industrial performance: An analysis using machine learning techniques”, CONSOB, http://www.consob.it (accessed on 14 October 2025).

[14] Paterlini, S. et al. (2025), “Greenwashing alert system for EU green bonds: The CONSOB-University of Trento prototype”, CONSOB, http://www.consob.it (accessed on 14 October 2025).

[17] Tumminello, M. et al. (2022), “Insurance Fraud Detection: A Statistically-Validated Network Approach”, https://www.ivass.it/pubblicazioni-e-statistiche/pubblicazioni/quaderni/2022/iv24/Quaderno_24.pdf (accessed on 4 March 2026).