𝗔𝗜 𝗲 𝗣𝗵𝘆𝘀𝗶𝗰𝗮𝗹 𝗥𝗶𝘀𝗸: 𝗱𝗮𝗹 𝗱𝗮𝘁𝗼 𝗮𝗹𝗹𝗮 𝗱𝗲𝗰𝗶𝘀𝗶𝗼𝗻𝗲

Il vero punto non è adottare AI. È misurare meglio il rischio.

Quando si parla di AI applicata al physical risk, il dibattito si concentra spesso sulla tecnologia: più automazione, più velocità, più dashboard, più capacità predittiva.

Ma il punto, per chi lavora davvero su risk management, credito, collateral evaluation e real estate analytics, è un altro.

Il ROI dell’AI non si misura nella sofisticazione del modello. Si misura nella qualità delle decisioni che quel modello rende possibili.

Se un sistema migliora la capacità di stimare il rischio fisico di un immobile o di un portafoglio, allora il valore non sta solo nell’efficienza operativa. Il valore sta nella possibilità di:

• proteggere meglio il credito;
• valutare meglio i collateral;
• ridurre gli errori di pricing;
• migliorare underwriting e allocazione del capitale;
• leggere prima degli altri i segnali di vulnerabilità del mercato immobiliare.

È qui che statistica, informatica e AI smettono di essere discipline separate e diventano un unico sistema decisionale.

Physical risk: perché oggi è un tema strategico per il credito e per il mercato immobiliare

Il rischio fisico non è più solo una variabile ambientale o assicurativa. È una variabile economica e finanziaria.

Eventi come alluvioni, frane, incendi, siccità, ondate di calore o rischio costiero possono incidere in modo diretto su:

• valore dell’immobile;
• liquidabilità del collateral;
• capacità di rimborso del debitore;
• perdita attesa della banca o dell’investitore;
• pricing del credito e del capitale.

Per questo il physical risk entra sempre più nel cuore dei modelli di valutazione del rischio bancario e immobiliare.

La BIS evidenzia che i climate-related risk drivers influenzano il rischio di credito sia attraverso il deterioramento della capacità di rimborso del debitore sia attraverso la riduzione del valore recuperabile delle garanzie. In altri termini, il physical risk non è un rischio “esterno” al credito: è un driver che si trasmette dentro le metriche tradizionali del rischio bancario.

La ECB, nei suoi indicatori sul climate risk, mostra come il rischio fisico debba essere letto combinando hazard, esposizione, vulnerabilità e geolocalizzazione. Questo è il passaggio chiave: il rischio non è nel fenomeno naturale in sé, ma nell’interazione statistica fra evento, bene esposto e fragilità del bene stesso.

Dove si genera davvero il ROI dell’AI nel calcolo del rischio fisico

Un modello di AI applicato al physical risk genera valore solo se migliora in modo misurabile il processo decisionale.

In un’ottica advisory, il ROI va quindi letto lungo tre livelli.

1. ROI operativo

Il primo livello è il più immediato: riduzione dei tempi di analisi, integrazione più rapida di dataset eterogenei, maggiore scalabilità del processo valutativo, meno attività manuali.

È utile, ma non basta.

2. ROI risk-adjusted

Il secondo livello è quello veramente importante: migliorare la misura del rischio significa ridurre la sottostima delle esposizioni, evitare errori sul pricing del credito, aggiornare in modo più coerente il valore del collateral e migliorare il profilo di perdita attesa.

Qui il ritorno economico non deriva solo da “fare prima”, ma da sbagliare meno.

3. ROI strategico

Il terzo livello è il più interessante: i modelli costruiti per il physical risk possono diventare la base per una lettura più avanzata del mercato immobiliare, dei segmenti più vulnerabili, delle aree geografiche più esposte e delle dinamiche future di repricing degli asset.

In questo senso, l’AI non è solo un acceleratore di processo. Può diventare una vera infrastruttura di intelligence per il credito e per il real estate.

Le metriche statistiche che contano davvero

Uno degli errori più frequenti è concentrarsi sul modello e non sugli indicatori che guidano le decisioni.

Nel calcolo del physical risk, gli indici davvero rilevanti sono pochi, ma decisivi.

Expected Annual Loss (EAL)

L’Expected Annual Loss è una delle metriche più utili perché consente di tradurre la combinazione di hazard + esposizione + vulnerabilità in una perdita economica attesa annuale.

Dal punto di vista statistico, è una sintesi tra probabilità di evento e severità dell’impatto. Dal punto di vista manageriale, è una metrica potente perché converte una minaccia fisica in una grandezza economica leggibile.

PD, LGD, EAD

Nel momento in cui il rischio fisico entra nei processi di credito, il linguaggio cambia.

Si passa a metriche come:

• PD (Probability of Default), cioè la probabilità che il debitore vada in default;
• LGD (Loss Given Default), cioè la perdita in caso di default;
• EAD (Exposure at Default), cioè l’esposizione al momento del default.

Il punto cruciale è che il physical risk può impattare tutte e tre: può peggiorare la solvibilità del debitore, può ridurre il valore del collateral e può quindi alterare la perdita attesa complessiva.

LTV, haircut e rivalutazione del collateral

Se il rischio fisico modifica il valore di mercato o la capacità di recupero di un immobile, allora anche il Loan-to-Value cambia di significato.

Lo stesso vale per gli haircut, cioè le riduzioni prudenziali applicate al valore della garanzia, e per i processi di revaluation of collateral.

Qui l’AI può aiutare non solo a individuare immobili esposti, ma anche a migliorare la frequenza e la qualità dell’aggiornamento valutativo.

Calibration, discrimination e backtesting

Dal punto di vista statistico, questa è forse la parte più importante.

Un modello non è buono solo perché classifica bene i casi. Deve anche essere ben calibrato.

La discrimination misura quanto bene il modello distingue i casi più rischiosi da quelli meno rischiosi. La calibration misura quanto le probabilità stimate siano coerenti con gli eventi osservati. Il backtesting verifica se il modello regge nel tempo e fuori campione.

Questo punto è fondamentale: un modello può avere una buona capacità discriminante ma una cattiva calibrazione. In quel caso può sembrare efficace, ma continuare a produrre errori di pricing, di provisioning o di valutazione del collateral.

Per questo il ROI dell’AI non va mai letto solo con metriche di accuratezza generica. Va letto con metriche di validità statistica e impatto economico.

Come statistica, informatica e AI convergono nello stesso processo

Il valore nasce quando queste tre componenti si integrano.

La statistica fornisce il linguaggio della probabilità, della severità, dell’incertezza, della perdita attesa, della calibrazione e della validazione.

L’informatica rende possibile l’integrazione di fonti diverse: dati geospaziali, catastali, creditizi, meteorologici, climatici, assicurativi, demografici e di mercato.

L’AI consente di individuare pattern non lineari, interazioni complesse, segnali deboli e relazioni latenti che sfuggono ai modelli più tradizionali.

Ma questa convergenza funziona davvero solo quando il processo è governato bene.

Senza qualità del dato, senza georeferenziazione robusta, senza validazione fuori campione, senza monitoraggio del drift e senza spiegabilità sufficiente, il rischio è semplice: costruire una macchina tecnicamente affascinante ma economicamente fragile.

Perché tutto questo protegge davvero il credito

In ambito creditizio, una migliore misura del rischio fisico può generare benefici molto concreti.

Può migliorare:

• la segmentazione dei portafogli;
• la selezione in underwriting;
• la definizione dei covenant;
• la revisione periodica delle garanzie;
• la costruzione di politiche di pricing più aderenti al rischio reale;
• la stima delle perdite attese e inattese.

In altre parole, un sistema più maturo di physical risk analytics non migliora solo il reporting ESG. Migliora la qualità del credito.

E questo, in termini di ROI, cambia completamente la prospettiva. Non si tratta più di giustificare un investimento in tecnologia. Si tratta di capire se l’istituzione è in grado di proteggere meglio i propri attivi, il proprio capitale e la propria capacità di valutazione.

Dal rischio fisico alla previsione del mercato immobiliare

C’è poi un passaggio ulteriore, spesso sottovalutato.

Lo stesso impianto dati-modello usato per il physical risk può diventare la base per leggere meglio il mercato immobiliare.

Se un’organizzazione riesce a combinare:

• dati climatici e geospaziali;
• vulnerabilità fisica degli asset;
• caratteristiche costruttive;
• dinamiche di prezzo;
• liquidità del mercato;
• capacità di assorbimento del rischio da parte delle diverse aree,

allora può iniziare a costruire modelli non solo di rischio, ma anche di repricing immobiliare e di previsione delle vulnerabilità di mercato.

Questo non significa illudersi di prevedere il mercato in modo perfetto. Significa disporre di un vantaggio informativo migliore nel leggere le zone, i segmenti e gli asset più esposti a correzioni di valore.

Il vero discrimine: validità, affidabilità, spiegabilità

Qui si gioca la differenza tra innovazione reale e semplice narrazione tecnologica.

Per produrre ROI, un modello deve essere: valido, affidabile, spiegabile e testato su dati nuovi e indipendenti.

Il tema non è solo regolamentare. È industriale.

Perché nel risk management il problema non è avere più AI. Il problema è scambiare una buona automazione per una buona misurazione.

Ed è proprio qui che un approccio advisory fa la differenza: non nell’aggiungere complessità, ma nel collegare il modello alle decisioni che deve supportare, agli indicatori che deve migliorare e al capitale che deve proteggere.

Conclusione

L’adozione dell’AI nei processi di calcolo del rischio fisico ha senso quando produce una catena del valore chiara:

misura migliore del rischio → migliore valutazione del collateral → migliore pricing del credito → migliore allocazione del capitale → migliore protezione economico-finanziaria.

Questa è la logica con cui la statistica incontra l’informatica e l’AI.

E questa, probabilmente, è anche la logica con cui il physical risk smette di essere solo un tema ESG e diventa un tema centrale di strategia, credito e valore.

A una condizione, però: che questa leva decisionale segua sempre criteri rigorosi di explainability, perché nel risk management non basta produrre una stima più sofisticata; bisogna anche poter comprendere, giustificare e governare il modo in cui quella stima è stata generata.

Fonti consultabili

ECB – Climate change-related statistical indicators https://www.ecb.europa.eu/pub/pdf/scpsps/ecb.sps48~e3fd21dd5a.en.pdf

ECB – Analytical indicators on physical risks https://www.ecb.europa.eu/stats/all-key-statistics/horizontal-indicators/sustainability-indicators/data/html/ecb.climate_indicators_physical_risks.en.html

EBA – Guidelines on the management of ESG risks https://www.eba.europa.eu/activities/single-rulebook/regulatory-activities/sustainable-finance/guidelines-management-esg-risks

BIS – Climate-related risk drivers and their transmission channels https://www.bis.org/bcbs/publ/d517.pdf

NGFS – Scenarios Portal https://www.ngfs.net/ngfs-scenarios-portal/

NIST – AI Risk Management Framework https://www.nist.gov/itl/ai-risk-management-framework

Bellaver, Costantini, Fosch, Monticelli, Scala, Pangallo – Floods do not sink prices, historical memory does: How flood risk impacts the Italian housing market https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5143479

Rossitti, Zheng – Pricing Flood Risk and Resilience Features in the Italian Housing Market https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5927582

Banca d’Italia – Il rischio climatico da inondazione costiera sui mutui residenziali a Rimini https://www.bancaditalia.it/pubblicazioni/qef/2025-0925/index.html