Dove va davvero l’AI? La nuova sfida della finanza responsabile

di Giuseppe Pignataro, Professore associato di Politica economica, Università di Bologna.

L’AI come nuova infrastruttura sociale

Ogni tecnologia promette un mondo più efficiente. Raramente promette, da sola, un mondo più giusto. L’intelligenza artificiale appartiene a questa ambivalenza: può rendere più rapida la diagnosi dei bisogni sociali, più precisa la selezione degli investimenti, più continuo il monitoraggio degli outcome. Ma può anche trasformare vecchie asimmetrie in nuove gerarchie: tra chi possiede dati e chi li produce, tra chi governa gli algoritmi e chi ne subisce le decisioni, tra chi usa l’AI per aumentare produttività e chi la incontra solo come automazione del lavoro o del welfare.

Per questo, la domanda non è se l’AI debba entrare nei processi di investimento. Sarebbe anacronistico anche solo pensarlo. La domanda più seria è un’altra: l’AI aiuterà a vedere meglio i bisogni sociali oppure renderà più invisibili coloro che sono già ai margini? Aiuterà a distribuire opportunità oppure a concentrare potere, dati e rendite?

Il punto di partenza è semplice: l’AI non è solo una tecnologia. È una nuova infrastruttura economica e sociale. Come tutte le infrastrutture, apre strade ad alcuni e può lasciare altri senza accesso. È qui che la finanza a impatto può avere un ruolo decisivo: non inseguire la moda tecnologica, ma governarla con intenzionalità sociale, misurazione credibile e attenzione distributiva.

I dati mostrano che la transizione è già in corso. Secondo lo Stanford AI Index 2026, la generative AI ha raggiunto il 53% di adozione nella popolazione in appena tre anni. Nello stesso periodo, però, gli incidenti documentati legati all’AI sono aumentati da 233 nel 2024 a 362 nel 2025. L’adozione corre; la governance rincorre. E quando le regole arrivano dopo, i costi sociali arrivano spesso prima (Stanford HAI, 2026).

In Italia la questione è ancora più concreta. Nel 2025 solo il 54,3% delle persone tra 16 e 74 anni possiede competenze digitali almeno di base, contro un obiettivo europeo dell’80% al 2030. L’uso di strumenti di AI generativa riguarda il 19,9% della popolazione 16-74, contro il 32,7% della media UE27; sale al 32% tra chi ha un titolo di studio elevato e scende al 3,6% tra chi ha al massimo la licenza media. L’AI, quindi, non arriva su una società piatta: arriva su una società già divisa per istruzione, territorio, reddito e capitale culturale (Istat, 2026a; Istat, 2026c).

Anche il sistema produttivo mostra una frattura. Istat rileva che nel 2025 il 16,4% delle imprese italiane con almeno 10 addetti utilizza almeno una tecnologia di AI, in forte crescita rispetto all’8,2% del 2024 e al 5,0% del 2023. Ma il dato sale al 53,1% tra le grandi imprese e si ferma al 15,7% tra le PMI. Questo divario conta molto per l’economia sociale: cooperative, imprese sociali, enti territoriali e organizzazioni di prossimità rischiano di essere proprio nella parte più fragile della transizione (Istat, 2025a).

Le Promesse dell’AI
 

Gli investimenti a impatto – cioè gli investimenti che cercano intenzionalmente di produrre, insieme a un rendimento finanziario, anche effetti sociali o ambientali misurabili – non sono più un settore marginale. Secondo il Global Impact Investing Network (GIIN, 2024;2025), una delle principali fonti internazionali di dati sul settore, il capitale gestito con obiettivi di impatto ammonta oggi a circa 1.571 miliardi di dollari nel mondo e riguarda più di 3.900 organizzazioni. Inoltre, tra gli operatori osservati in modo continuativo, questo capitale è cresciuto in media del 21% all’anno negli ultimi sei anni. 

Numeri di questa portata mostrano che il tema non riguarda più solo una comunità ristretta di investitori specializzati: riguarda ormai il modo in cui il sistema finanziario seleziona, finanzia e valuta progetti capaci di produrre valore economico e, al tempo stesso, cambiamenti sociali o ambientali misurabili. Proprio per questo, diventa essenziale migliorare gli strumenti con cui si misura l’impatto, distinguendo tra risultati dichiarati, risultati effettivamente osservabili e risultati che possono essere ragionevolmente attribuiti all’investimento.

La prima promessa dell’AI è aiutare a vedere prima e meglio. Molti bisogni sociali sono frammentati: povertà educativa, rischio abitativo, liste d’attesa sanitarie, esclusione finanziaria, bassa intensità lavorativa, fragilità familiari. L’AI può mettere insieme dati territoriali, amministrativi, educativi, sanitari e occupazionali, rendendo più leggibile la geografia dei bisogni. Un fondo di social housing, per esempio, potrebbe individuare aree in cui si sommano affitti elevati, redditi bassi, morosità, povertà energetica e scarsità di servizi. Non finanzierebbe solo dove l’operazione è più facile, ma dove il bisogno è più alto.

La seconda promessa riguarda la due diligence sociale. Valutare un progetto a impatto costa: richiede dati, tempo, competenze, conoscenza del territorio. L’AI può leggere bilanci sociali, business plan, report di impatto, documenti non strutturati e dati di contesto, riducendo il costo di istruttoria. Questo può aprire spazio a ticket più piccoli e a organizzazioni meno strutturate, oggi spesso escluse perché troppo costose da valutare. Ma il punto resta politico: un algoritmo può segnalare incoerenze, non decidere da solo che cosa meriti valore sociale.

La terza promessa è la più delicata: misurare meglio. Fondi outcome-based, social bond, sustainability-linked o impact-linked instruments possono beneficiare di sistemi di monitoraggio più continui e meno episodici. Gli ICMA Social Bond Principles insistono su uso dei proventi, popolazioni target e rendicontazione degli impatti. L’AI può rendere questo lavoro più tempestivo. Ma più dati non significano automaticamente più verità. Una dashboard elegante può illuminare l’impatto; può anche mascherare il vuoto (ICMA, 2025).

Un esempio aiuta. In un programma contro la dispersione scolastica, il dato debole è il numero di studenti che accedono a una piattaforma di tutoraggio AI. Il dato serio è un altro: riduzione dell’abbandono rispetto a una baseline, miglioramento degli apprendimenti, frequenza, tenuta degli effetti nel tempo, risultati disaggregati per reddito familiare, background migratorio, disabilità o fragilità sociali. L’AI può osservare. Ma non può sostituire il giudizio su ciò che conta.

Lo stesso vale nel credito. Un modello può usare dati alternativi per valutare giovani, microimprese, migranti, famiglie con poca storia creditizia o enti del Terzo settore. Può quindi ampliare l’inclusione finanziaria. Ma variabili apparentemente neutre – CAP, tipo di contratto, dispositivo usato, pattern di spesa, storia lavorativa – possono diventare proxy di reddito, origine, genere o status sociale. L’inclusione non si misura solo dal numero di prestiti erogati. Si misura da tassi applicati, default, sovraindebitamento, reclami, spiegabilità e possibilità di ricorso.

Il sistema finanziario italiano è già dentro questa trasformazione. Secondo l’OECD, il 39% dei 450 operatori finanziari intervistati usa AI nelle operazioni quotidiane; l’adozione arriva al 70% nelle assicurazioni e al 59% nelle banche. Tre quarti degli operatori che usano AI riportano miglioramenti di efficienza operativa, quasi due terzi guadagni di produttività. Sono numeri importanti. Ma il rapporto segnala anche rischi di governance, dipendenza da fornitori terzi, qualità dei dati, cybersecurity e modelli general purpose. L’efficienza è una promessa; non è ancora una garanzia sociale (OECD, 2026).

Disuguaglianza nella società

Il nodo vero è la disuguaglianza. L’AI può ridurla se porta servizi migliori a chi oggi ne riceve pochi: studenti fragili, lavoratori con basse competenze, famiglie vulnerabili, persone con disabilità, anziani, aree interne, PMI sociali. Ma può aumentarla se i benefici finiscono soprattutto a grandi imprese, lavoratori qualificati, territori già infrastrutturati e proprietari di capitale tecnologico. L’AI è un moltiplicatore: moltiplica capacità dove capacità già esiste, salvo che politica e finanza la orientino altrove.

Il lavoro è il primo banco di prova. L’ILO-NASK Global Index 2025 stima che un lavoro su quattro nel mondo sia esposto alla generative AI, con prevalente trasformazione delle mansioni più che sostituzione integrale. Nei Paesi ad alto reddito l’esposizione sale al 34%; i lavori a più alto rischio di automazione rappresentano il 9,6% dell’occupazione femminile contro il 3,5% di quella maschile. La domanda di policy è immediata: i guadagni di produttività diventeranno formazione, salari migliori e qualità del lavoro, oppure solo riduzione di costi? (ILO-NASK, 2025).

C’è poi la disuguaglianza patrimoniale. Un working paper del Fondo Monetario Internazionale mostra che l’AI può avere effetti ambigui: può comprimere alcune rendite salariali alte, ma può anche accrescere la disuguaglianza se i benefici vengono catturati da chi possiede capitale, dati, piattaforme e infrastrutture. È una vecchia questione in abito nuovo: non basta produrre più valore, bisogna guardare a chi ne diventa titolare (Rockall, Tavares e Pizzinelli, 2025).

Anche la geografia conta. Il World Bank Digital Progress and Trends Report 2025 segnala che, nel giugno 2025, i Paesi ad alto reddito concentravano il 77% della capacità globale dei data center, mentre quelli a basso reddito rappresentavano meno dello 0,1%. L’AI non vive nel cielo. Vive in data center, energia, cloud, competenze, capitale e diritti di accesso. La nuvola, in realtà, ha una geografia molto pesante (World Bank, 2025).

Per l’Italia questa riflessione non è astratta. Nel 2024 oltre 5,7 milioni di individui erano in povertà assoluta e poco più di 2,2 milioni di famiglie nella stessa condizione. Nel 2025 circa 13,3 milioni di persone risultavano a rischio di povertà o esclusione sociale. Se l’AI aumenta la produttività ma concentra i benefici nelle mani di pochi, possiamo avere un Paese più efficiente e meno coeso. Non sarebbe progresso: sarebbe accelerazione senza direzione (Istat, 2025b; Istat, 2026b).

Ipotesi di policy

La questione di policy, a questo punto, diventa molto concreta. Non si tratta solo di chiedere se l’intelligenza artificiale possa aiutare la finanza a impatto a misurare meglio. Il vero salto sarebbe un altro: usare l’AI come criterio per orientare capitale verso chi rischia di restare indietro. La finanza a impatto dovrebbe introdurre una regola semplice: non va premiata l’AI che produce solo efficienza, ma l’AI che riduce una distanza sociale misurabile.

Questa distinzione è decisiva. Un algoritmo può rendere più veloce una banca, più efficiente un fondo, più automatico un servizio pubblico, più economico un processo amministrativo. Ma tutto questo, da solo, non è ancora impatto sociale. È efficienza organizzativa. L’impatto nasce solo quando quella maggiore efficienza si traduce in maggiore accesso, minore esclusione, migliore qualità dei servizi, più opportunità per persone e territori che partivano da condizioni di svantaggio.

Serve allora una grammatica dell’impatto applicata all’AI. Una prima proposta è introdurre un AI impact test per fondi, social bond, impact-linked loans, strumenti di blended finance e più in generale programmi pubblico/privati che finanziano o usano soluzioni basate su AI. Non una formula di compliance. Ma una soglia di ammissibilità e, soprattutto, un meccanismo di premio.

Il principio potrebbe essere questo: se una soluzione AI dimostra di ridurre un problema sociale concreto, allora può accedere a capitale paziente, garanzie pubbliche, condizioni finanziarie migliori, pagamenti legati agli outcome o meccanismi di premialità. Se invece produce solo risparmio interno, automazione o aumento dei margini, può essere un buon investimento tecnologico, ma non dovrebbe essere presentato come investimento a impatto.

Il test dovrebbe chiedere quindi poche cose, ma decisive: quale problema sociale si vuole ridurre; quale addizionalità genera il capitale a impatto; quali outcome vengono misurati; chi beneficia e chi resta escluso; come sono garantiti supervisione umana, audit dei bias, protezione dei dati e possibilità di contestare decisioni automatizzate.

La differenza si vede meglio con alcuni esempi.

Nel campo dell’educazione, una piattaforma di tutoraggio basata su AI non dovrebbe essere premiata perché raggiunge molti studenti. Il numero di utenti è un dato utile, ma non dice ancora nulla sull’impatto. Il criterio vero dovrebbe essere un altro: quella piattaforma riduce l’abbandono scolastico tra gli studenti più fragili? Migliora gli apprendimenti di chi parte da livelli più bassi? Aiuta le scuole dei territori più vulnerabili o viene usata soprattutto da famiglie e istituti già forti? Se l’AI migliora la media ma lascia invariata la distanza tra studenti avvantaggiati e studenti svantaggiati, il risultato sociale è debole. 

Nel credito, un sistema di scoring basato su AI non dovrebbe essere valutato solo perché riduce i tempi di istruttoria o abbassa i costi della banca. La domanda corretta è diversa: consente davvero a giovani, microimprese, migranti, cooperative, famiglie con poca storia creditizia o enti del Terzo settore di accedere a credito sostenibile? I tassi applicati sono equi? Il modello produce esclusioni indirette attraverso variabili apparentemente neutre, come residenza, tipo di contratto, device utilizzato o pattern di spesa? Esiste un diritto di spiegazione e di ricorso? In questo caso l’impatto non coincide con il numero di prestiti concessi, ma con l’aumento dell’accesso al credito senza creare nuove forme di sovraindebitamento o discriminazione.

Nel welfare, l’AI potrebbe aiutare molto. Potrebbe individuare famiglie che avrebbero diritto a un beneficio ma non lo richiedono. Potrebbe ridurre il non take-up, semplificare procedure, abbreviare tempi di risposta, liberare tempo degli operatori sociali. Questo sarebbe un uso ad alto potenziale. Ma la stessa tecnologia può diventare pericolosa se serve soprattutto a classificare, sospendere benefici o automatizzare dinieghi. 

Questo approccio è coerente con il quadro europeo. L’AI Act adotta un’impostazione basata sul rischio e guarda con particolare attenzione agli usi dell’AI in ambiti sensibili come credito, lavoro, istruzione, accesso a servizi essenziali, welfare e diritti. Per la finanza a impatto, la compliance non è un dettaglio tecnico. È parte della qualità sociale dell’investimento. Un investimento che produce esclusione opaca non diventa a impatto solo perché è innovativo (Commissione europea, 2026).

Da qui discendono alcune priorità. Primo, finanziare competenze AI per Terzo settore, cooperative, PMI sociali, enti locali e lavoratori vulnerabili. Secondo, costruire infrastrutture dati per l’impatto, interoperabili e protette, capaci di collegare politiche pubbliche, investimenti e outcome. Terzo, orientare capitale paziente verso AI applicata a problemi sociali concreti: povertà educativa, accesso alla cura, inserimento lavorativo, ageing, disabilità, aree interne, esclusione finanziaria. Quarto, pretendere che ogni strumento impact-linked misuri outcome reali, non semplici output digitali.

Questa è, forse, la frontiera più innovativa per la finanza a impatto: trasformare l’AI da tecnologia di misurazione in tecnologia di redistribuzione. Non redistribuzione astratta, ma concreta: più accesso ai servizi, più capacità per gli enti piccoli, più credito per chi ne è escluso, più strumenti per lavoratori vulnerabili, più qualità nelle decisioni pubbliche. La finanza a impatto deve quindi chiedere all’AI non solo di misurare chi è già visibile, ma rendere visibili gli esclusi. Non solo accelerare ciò che il mercato sa già fare, ma finanziare ciò che il mercato tende a lasciare indietro. Non solo calcolare meglio, ma scegliere meglio!

Bibliografia

• Commissione europea (2026). AI Act: Regulatory framework on artificial intelligence. Shaping Europe’s Digital Future.
• GIIN – Global Impact Investing Network (2024). Sizing the Impact Investing Market 2024.
• GIIN – Global Impact Investing Network (2025). State of the Market 2025: Trends, Performance and Allocations.
• ICMA – International Capital Market Association (2025). Social Bond Principles 2025.
• ILO e NASK (2025). Generative AI and Jobs: A Refined Global Index of Occupational Exposure. International Labour Organization.
• IMF – Rockall, E., Tavares, M. M. e Pizzinelli, C. (2025). AI Adoption and Inequality. IMF Working Paper WP/25/68.
• Istat (2025a). Imprese e ICT – Anno 2025.
• Istat (2025b). La povertà in Italia – Anno 2024.
• Istat (2026a). Cittadini e ICT – Anno 2025.
• Istat (2026b). Condizioni di vita e reddito delle famiglie – Anni 2024-2025.
• Istat (2026c). Rapporto Annuale 2026 – Sintesi.
• OECD (2025). AI and the Future of Social Protection in OECD Countries.
• OECD (2026). Artificial Intelligence in Italian Financial Markets.
• Stanford HAI (2026). The 2026 AI Index Report. Institute for Human-Centered Artificial Intelligence, Stanford University.
• World Bank (2025). Digital Progress and Trends Report 2025: Strengthening AI Foundations.

𝐒𝐈𝐀 𝟐𝟎𝟑𝟎 è il 𝐛𝐥𝐨𝐠 di Social Impact Agenda per l’Italia sulla 𝐅𝐢𝐧𝐚𝐧𝐳𝐚 𝐚 𝐈𝐦𝐩𝐚𝐭𝐭𝐨 𝐩𝐞𝐫 𝐠𝐥𝐢 𝐒𝐃𝐆𝐬.

Pensieri, analisi e proposte per una nuova finanza a beneficio delle persone, delle comunità e del pianeta.

Seguici nell’anno del 10! Iscriviti alla Newsletter SIA e ricevi gli aggiornamenti dall’ecosistema dell’impact investing italiano e internazionale.

Eventi, novità e opportunità dal mondo della finanza a impatto, insieme agli approfondimenti dal nostro blog, periodicamente, nella tua casella di posta.