L’integrazione della Sentiment Analysis nei sistemi di ratingtrasforma l’informazione non strutturata in un segnale quantitativo di rischio. Uno studio di Palazzo Koch ne misura l’impatto concreto.
La valutazione della solvibilità delle imprese sta vivendo una profonda trasformazione. Se tradizionalmente il grado di solvibilità è stato stimato analizzando gli indici di bilancio, i flussi di cassa e i dati storici della centrale rischi, oggi l’evoluzione delle tecnologie di Intelligenza Artificiale permette di integrare nell’analisi una dimensione fondamentale finora difficile da quantificare: l’informazione qualitativa non strutturata.
Articoli di giornale, lanci delle agenzie di stampa, notizie finanziarie, ma anche report di settore, variazioni nella governance e analisi reputazionali contengono spesso segnali precoci di miglioramento o deterioramento della salute aziendale. Trasformare questa enorme quantità di testo in un indicatore numerico affidabile rappresenta la nuova frontiera dell’analisi del rischio.
Lo studio della Banca d’Italia e il contributo degli LLM
Il 16 settembre 2026, l’Istituto centrale ha pubblicato lo studio intitolato “Sentiment analysis with large language models for credit risk assessment” (Numero 91 della collana “Mercati, infrastrutture, sistemi di pagamento”) a cura dei ricercatori ed esperti di data science e machine learning Manuel Cugliari e Giulio Gariano.
La ricerca analizza come l’integrazione della sentiment analysis – estratta da oltre 210.000 articoli di stampa finanziaria tramite modelli linguistici di grandi dimensioni (LLM) – possa affinare le stime sulla probabilità di default delle imprese. Mettendo a confronto diversi modelli (BERT, LLaMA 3, Phi 3 e Gemma 2) e applicandoli a un campione di circa 6.000 aziende italiane monitorate tra il 2016 e il 2020, lo studio dimostra che le informazioni veicolate dalle notizie (incluse quelle legate alla governance e ai singoli manager) catturano segnali di rischio non intercettabili dai soli dati di bilancio o dalla centrale rischi. In particolare, combinando le metriche elaborate dai quattro LLM su una finestra temporale di 6 mesi e inserendo il risultato di queste metriche all’interno del sistema di valutazione del credito della Banca d’Italia (ICAS), i due ricercatori evidenziano un incremento di circa un punto percentuale della capacità discriminatoria della rischiosità aziendale (misurata tramite l’indice AUROC, salito dall’86,2% all’87,1%).
Una nuova sfida di Governance per il management
L’integrazione tra indicatori tradizionali e tecniche avanzate di Large Language Model dimostra che la tecnologia non sostituisce l’analisi finanziaria, ma ne espande le capacità visive. Per le istituzioni finanziarie e gli analisti, l’utilizzo degli LLM rappresenta un passo decisivo verso modelli di rating interni più completi, dinamici e in grado di intercettare precocemente i segnali di crisi.
Nelle aziende specie di grandi dimensioni, monitorare i media e gestire le crisi sono attività consolidate. Ciò che cambia oggi è il destinatario di quel monitoraggio: non più soltanto il pubblico o gli stakeholder, ma gli algoritmi di valutazione del rischio di credito.
Per i vertici aziendali diventa quindi fondamentale integrare le analisi dell’ufficio stampa con le valutazioni del risk management e della direzione finanziaria, poiché quello che per l’area comunicazione è ancora una notizia da gestire, per un istituto di credito potrebbe essere già diventato un parametro di rating.
