NotizieMacroIl governatore della Fed Barr avvisa: finanziamento dell'IA, trading e rischi informatici potrebbero influire sulla stabilità finanziaria

Il governatore della Fed Barr avvisa: finanziamento dell'IA, trading e rischi informatici potrebbero influire sulla stabilità finanziaria

Autore: Federal Reserve - Speeches·

Punti chiave

  • •Il debito in bilancio delle sette maggiori società di IA doveva superare gli 800 miliardi di dollari entro la fine del 2026, mentre il valore nominale massimo potenziale delle obbligazioni fuori bilancio supera già i 3.000 miliardi di dollari.
  • •Le hyperscaler e i principali produttori di GPU detengono oltre 100 miliardi di dollari in investimenti azionari cumulativi nei laboratori di modelli linguistici di grandi dimensioni e nelle start-up di cloud computing, che Barr ha definito una forma di finanziamento circolare.
  • •Barr ha paragonato l'entità della spesa di capitale legata all'IA ai precedenti boom infrastrutturali, incluse le ferrovie degli anni '70 dell'Ottocento, le autostrade di metà Novecento, la fibra ottica degli anni '90 e il ciclo delle telecom dei tardi anni '90.
  • •Se molti trader si affidano a simili modelli di IA addestrati su dati simili, un difetto condiviso potrebbe produrre guasti con conseguenze sistemiche, e gli algoritmi di apprendimento per rinforzo sono stati dimostrati teoricamente capaci di sviluppare comportamenti collusivi senza intenzione esplicita.
  • •Gli agenti IA potrebbero accelerare i deflussi di depositi nei periodi di stress spostando fondi automaticamente ad alta velocità, potenzialmente comprimendo i run bancari in pochi minuti e sopraffando le tradizionali tempistiche di gestione della liquidità.
Il governatore della Fed Barr avvisa: finanziamento dell'IA, trading e rischi informatici potrebbero influire sulla stabilità finanziaria

Alcune potenziali implicazioni dell'intelligenza artificiale per la stabilità finanziaria

16 novembre 2026 — Michael S. Barr, Governatore, Board of Governors del Federal Reserve System
Intervento alla Settima Conferenza Internazionale annuale dell'Association for Computing Machinery sull'Intelligenza Artificiale nella Finanza, Milano, Italia
Discorso ufficiale

Michael S. Barr ha dichiarato che l'intelligenza artificiale potrebbe migliorare la produttività, ampliare l'accesso ai servizi finanziari e rafforzare i mercati, ma ha avvertito che la tecnologia potrebbe anche creare rischi per la stabilità finanziaria attraverso investimenti fortemente con leva, sistemi di trading concentrati, vulnerabilità informatiche e protezioni dei consumatori inadeguate. Poiché Barr ha parlato in qualità di governatore della Fed in carica insieme alla pubblicazione del più recente Financial Stability Report della banca centrale, le sue osservazioni offrono ai lettori una visione diretta di come un alto funzionario della Federal Reserve presenta l'IA sia come opportunità economica sia come potenziale fonte di rischio sistemico.

Barr ha detto che questo era il quarto discorso dedicato esclusivamente all'intelligenza artificiale (IA) che aveva tenuto nell'ultimo anno, notando che l'IA era comparsa nella maggior parte dei suoi altri discorsi recenti. Ha descritto gli effetti dell'IA sulle persone e sulle economie di tutto il mondo come tra le questioni più importanti che la società deve affrontare.

«Sono un ottimista riguardo alla promessa a lungo termine dell'IA di potenziare individui, imprese e istituzioni in tutta la società», ha detto Barr. Ha aggiunto che, se le sfide attuali e le future interruzioni fossero gestite in modo efficace, l'IA potrebbe aumentare la produttività e gli standard di vita, permettendo alla maggior parte delle persone di imparare di più e guadagnare di più.

Barr ha detto che il suo ottimismo rifletteva anche la fiducia nella capacità della società di comprendere e rispondere ai cambiamenti portati dall'IA. Ha detto che era necessario un dialogo costruttivo per garantire che i benefici della tecnologia non fossero sopraffatti dalle interruzioni e dai rischi che creerà inevitabilmente.

La conferenza, ha detto, contribuisce a quel dialogo esaminando come l'IA possa aiutare le persone a gestire le proprie finanze, accedere al credito e ai servizi, ridurre i costi, migliorare le capacità dei fornitori di servizi finanziari e rendere i mercati più efficienti. Ma l'IA può rafforzare il sistema finanziario solo se sostiene anche la stabilità finanziaria, che Barr ha definito indispensabile per un'economia sana.

L'ultimo Financial Stability Report (FSR) semestrale della Federal Reserve—la valutazione di riferimento della Fed sulle vulnerabilità del sistema finanziario—è stato pubblicato venerdì (13 novembre) e contiene importanti risultati sull'IA e sulla stabilità finanziaria, ha detto Barr. Il rapporto si concentra sul boom degli investimenti in IA e sulla ricerca del personale della Federal Reserve che valuta la leva nelle innovative strutture di debito utilizzate per finanziare tale crescita.

Barr ha detto che avrebbe discusso i risultati del rapporto prima di esaminare la ricerca sui benefici e sui rischi dell'integrazione dell'IA nei mercati finanziari, in particolare nel trading all'ingrosso. Avrebbe quindi affrontato i rischi informatici legati all'IA e le implicazioni per la protezione dei consumatori e degli investitori.

Il boom degli investimenti in IA

Barr ha detto che gli investitori avevano recentemente sollevato dubbi sulla sostenibilità del boom degli investimenti in IA. Ha sottolineato che i responsabili politici del Board della Federal Reserve non puntano sui livelli dei mercati finanziari e che i mercati salgono e scendono. Ha detto di evitare di commentare gli movimenti di breve termine dei mercati, mentre valuta questioni di lungo termine legate alla stabilità finanziaria.

In un discorso precedente, Barr aveva discusso tre scenari sugli effetti possibili dell'IA sull'economia. Anche se l'IA si rivelasse un'innovazione trasformativa che aumenta sostanzialmente la produttività, ha detto, una domanda importante era se gli investitori avrebbero ottenuto rendimenti dall'edilizia dell'IA nei tempi e nella misura previsti. Un esito diverso potrebbe produrre un significativo repricing.

Le grandi perdite di investimento derivanti da tale repricing potrebbero ridurre la crescita della produzione in due modi. Il primo sarebbe l'effetto diretto della riduzione degli investimenti, che è una componente del prodotto interno lordo. Il secondo sarebbe l'effetto indiretto della perdita di ricchezza, che potrebbe ridurre la spesa dei consumatori e potenzialmente delle imprese.

L'ultimo FSR ha detto che il premio per il rischio azionario—una misura approssimativa del rendimento aggiuntivo richiesto dagli investitori per detenere azioni anziché obbligazioni prive di rischio—era basso rispetto alle medie storiche, sebbene non così basso come durante il boom azionario delle dot-com. Barr ha detto che il premio per il rischio azionario era solo un indicatore delle valutazioni azionarie generali rispetto alle medie storiche.

Leva nell'edilizia dei data center

L'edilizia dell'IA è sempre più finanziata tramite debito. L'FSR esamina tre modi in cui il finanziamento dei data center per l'IA e degli investimenti correlati, definiti nel rapporto «debito per l'informatica avanzata», potrebbe influire sulla stabilità finanziaria: la rapida crescita del debito, le reti di finanziamento circolare e altre complesse obbligazioni finanziarie.

Se gli investimenti in IA fossero significativamente rivalutati, lo stress derivante da questi tre aspetti del finanziamento dell'IA potrebbe amplificare il repricing, ha detto Barr.

Il debito in bilancio delle sette maggiori società di IA è cresciuto notevolmente nel 2026 e doveva superare gli 800 miliardi di dollari prima della fine dell'anno. Barr ha paragonato l'aumento alla crescita del debito durante il ciclo di investimenti delle telecomunicazioni della fine degli anni '90 e dei primi anni 2000.

L'FSR confronta la spesa cumulativa in conto capitale e l'emissione di debito delle società hyperscaler—i maggiori operatori cloud e di data center—dal 2020 con la spesa e le emissioni di tutte le società di telecomunicazioni durante il ciclo di investimenti in banda larga iniziato nel 1995. Le hyperscaler non avevano ancora superato il gruppo di confronto del boom precedente, ma il recente accelerarsi delle loro spese in conto capitale suggeriva che potrebbero farlo presto.

Altre obbligazioni—inclusi contratti a lungo termine, impegni di leasing e garanzie sul valore residuo—sono cresciute ancora più rapidamente del debito in bilancio. L'FSR stima che il valore nominale massimo potenziale di queste obbligazioni, trattate come passività fuori bilancio, superi ora i 3.000 miliardi di dollari.

Le società presentano generalmente le passività fuori bilancio prima dello sconto, il che complica i confronti con le cifre in bilancio, che sono scontate.

Una quota significativa delle obbligazioni deriva da accordi complessi in cui le hyperscaler e altre società con rating elevato supportano indirettamente il finanziamento di progetti che coinvolgono società con credito più debole, o supportano investimenti in utilities pubbliche. Le passività includono contratti di fornitura energetica, leasing a lungo termine di data center e capacità di calcolo, e varie strutture di finanziamento fuori bilancio.

Barr ha detto che questa complessità può risultare opaca agli investitori meno esperti. Quell'opacità può esacerbare le vendite quando il sentiment degli investitori cambia, perché è difficile determinare dove si trovi il rischio. Ha detto che lo sviluppo di queste consistenti strutture fuori bilancio richiede una stretta supervisione.

Le società con qualità creditizia inferiore che dipendono maggiormente dal finanziamento esterno hanno visto anche il loro costo del capitale aumentare significativamente negli ultimi mesi. Di conseguenza, quelle società si stanno orientando verso finanziamenti asset-backed più complessi, ha detto Barr.

Le hyperscaler e i grandi produttori di unità di elaborazione grafica (GPU) detengono inoltre oltre 100 miliardi di dollari in investimenti azionari cumulativi nei laboratori di modelli linguistici di grandi dimensioni (LLM) e nelle start-up di cloud computing. Barr ha descritto quegli investimenti come una forma di «finanziamento circolare». Le hyperscaler e i produttori di GPU forniscono capitale a società più piccole, che poi usano i fondi per affittare o acquistare GPU e capacità di calcolo dalle società che hanno effettuato gli investimenti.

Gli investimenti rappresentano una quota relativamente piccola dei bilanci delle hyperscaler e dei produttori di GPU, ma sono fondamentali per le società più piccole che ricevono il capitale. Affinché l'edilizia dell'IA diventi economicamente sostenibile, quelle società più piccole dovranno eventualmente sostituire il finanziamento dai fornitori—le hyperscaler e i produttori di GPU—con ricavi da clienti paganti.

Un'altra forma indiretta di finanziamento circolare coinvolge garanzie collaterali a supporto degli acquisti di prodotti e servizi dalle hyperscaler e dai produttori di GPU. Quando le società che dipendono dal finanziamento esterno incontrano vincoli, possono passare dall'emissione di obbligazioni societarie a finanziamenti asset-backed.

Per sostenere tali finanziamenti, le società più grandi con credito di qualità superiore spesso garantiscono il valore di rivendita dei data center o delle GPU date in pegno come garanzia. Queste garanzie, o collateral backstop, sono registrate come passività fuori bilancio perché rappresentano le perdite che le hyperscaler e i produttori di GPU potrebbero assorbire in caso di default e liquidazione delle garanzie.

Confronti con i boom infrastrutturali precedenti

Barr ha detto che l'entità degli investimenti di capitale legati all'IA dovrebbe essere considerata insieme ai cicli tecnologici e infrastrutturali precedenti. Una stima suggerisce che gli investimenti associati all'edilizia dell'IA potrebbero verosimilmente rivaleggiare o superare gli investimenti dei precedenti boom infrastrutturali, comprese le ferrovie negli anni '70 dell'Ottocento, le autostrade negli anni '50 e '60 e i cavi in fibra ottica negli anni '90.

Ognuno di quei boom può essere apparso sovradimensionato a un certo punto, ha detto Barr, ma la capacità ferroviaria, autostradale e in fibra ottica da essi creata resta preziosa. Alcuni boom precedenti sono comunque sfumati, con conseguenze per il sistema finanziario più ampio.

Poiché il boom attuale ha ancora una quantità limitata di debito alle spalle, Barr ha detto di essere meno preoccupato per le perdite dirette. Tuttavia, la leva degli hedge fund e il più ampio appetito per il rischio sembravano piuttosto elevati. Un brusco rientro potrebbe quindi produrre un rapido deleveraging e potenzialmente vendite precipitose autoalimentate.

La leva utilizzata nelle strategie azionarie è aumentata anche negli ultimi anni, in parte tramite i servizi di prime brokerage forniti dai grandi dealer. Gli elevati livelli di capitale delle maggiori banche offrono protezione contro gli spillover, ma le esposizioni controparte potrebbero aumentare in un periodo di volatilità dei mercati azionari. Barr ha detto che le esposizioni dovrebbero continuare a essere monitorate, comprese le esposizioni verso controparti che hanno assunto grandi posizioni in IA.

La maggior parte del costo di un data center deriva dalle GPU e da altri chip specializzati per l'IA. Una preoccupazione è che tali chip potrebbero svalutarsi rapidamente man mano che tecnologie più recenti li sostituiscono, lasciando la capacità che rappresentano con un uso futuro limitato.

Le tariffe di leasing per le generazioni di chip più datate reggevano, suggerendo che anche la tecnologia di calcolo non all'avanguardia aveva usi, ha detto Barr, aggiungendo che la tendenza richiedeva monitoraggio. Era anche difficile determinare come altro stock di capitale legato all'IA—come sottostazioni, connessioni ad alta tensione e interconnessioni di rete—sarebbe stato utilizzato se la domanda dei servizi correlati avesse deluso.

In alcune aree, capacità energetica e di rete aggiuntiva sarebbe utile indipendentemente dal futuro dell'IA. In altre aree, la capacità in eccesso potrebbe richiedere anni per diventare utile, come accaduto con la «dark fiber» in alcune regioni dopo il boom e il busto degli anni '90.

Barr ha detto che era anche possibile che il boom degli investimenti in IA continuasse, con la domanda di servizi di IA che utilizzasse appieno il capitale attualmente in installazione e richiedesse capacità aggiuntiva. «Solo il tempo lo dirà», ha detto.

Conseguenze non intenzionali dell'IA nel trading all'ingrosso di titoli

L'IA potrebbe rimodellare il trading nei mercati finanziari, un tema affrontato nei FSR precedenti. L'IA generativa può elaborare dati e informazioni più ampi e ricchi, applicare logica più complessa rispetto agli algoritmi di trading tradizionali, abbassare le barriere all'accesso alla tecnologia di trading avanzata e aumentare la diversità dei partecipanti al mercato. Potrebbe anche migliorare la sorveglianza dei mercati.

Queste capacità potrebbero migliorare l'efficienza, l'integrità e il funzionamento dei mercati. Ma Barr ha detto che, come per ogni nuova tecnologia, l'IA crea anche rischi.

Secondo la sua comprensione, l'IA generativa non era ancora utilizzata per il trading autonomo su larga scala. Tuttavia, regolatori e partecipanti al mercato dovevano comprendere i rischi e le implicazioni della sua adozione. Molte domande importanti sarebbero state determinate non in astratto ma dalle decisioni tecniche riguardanti la progettazione dei modelli, i dati di addestramento, i test e il deployment.

L'IA potrebbe democratizzare l'accesso alle competenze e alla tecnologia di trading, ma potrebbe anche aumentare l'asimmetria informativa e la concentrazione del mercato. I sistemi più avanzati sono costosi e richiedono investimenti sostanziosi, il che potrebbe dare un vantaggio alle maggiori imprese e concentrare tra loro il potere di mercato. Anche quando gli strumenti di IA sono ampiamente disponibili, il loro uso efficace richiede notevole abilità, potenzialmente a favore delle imprese affermate.

L'effetto dell'integrazione dell'IA nel trading dei mercati finanziari sull'efficienza dei prezzi è incerto. In un paper di Jackson Hole del 2026, Markus Brunnermeier ha avvertito che i prezzi dei titoli potrebbero diventare meno informativi a causa della comprensione asimmetrica: gli agenti IA possono comprendere gli esseri umani e anticiparne le azioni, mentre gli esseri umani potrebbero non comprendere altrettanto bene gli agenti IA o anticiparne il comportamento.

L'IA può anche migliorare il contenuto informativo dei prezzi elaborando più rapidamente una gamma più ampia di informazioni. Le ricerche citate da Barr includono il paper del 2025 di Qiang Cheng, Pengkai Lin e Yue Zhao, «Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages», pubblicato sul Journal of Accounting and Economics, e lavori di Thierry Foucault e altri in Artificial Intelligence in Finance: The Future of Banking.

Al tempo stesso, i contenuti finanziari generati dall'IA sui social media potrebbero diffondere informazioni fuorvianti e aumentare la volatilità, secondo la ricerca di David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang e Xiaoyan Zhang, «AI, Opinion Ecosystems, and Finance», NBER Working Paper Series 34807, pubblicata a febbraio 2026.

Comportamento gregario di mercato e possibile fuga precipitosa

Se i trader si affidano a un piccolo numero di modelli di IA simili addestrati su dati simili, le strategie di trading potrebbero convergere e sincronizzare le reazioni alle notizie e ad altre informazioni. Questo crea un rischio di comportamento gregario.

Un singolo algoritmo può fallire per un difetto. Ma un mercato che utilizza grandi numeri di modelli simili con lo stesso difetto potrebbe subire guasti con conseguenze sistemiche. Malintenzionati potrebbero anche manipolare operazioni, quotazioni o notizie per fuorviare contemporaneamente simili sistemi di trading IA, amplificando le interruzioni di mercato.

I modelli di IA possono riprodurre tendenze umane indesiderabili. La ricerca teorica indica che alcuni sistemi di apprendimento per rinforzo, inclusi gli algoritmi di trading Q-learning, possono sviluppare autonomamente comportamenti collusivi senza intenzione esplicita.

Gli algoritmi auto-apprententi possono anche imparare a manipolare i mercati. Un esempio è lo spoofing, in cui vengono piazzati ordini per creare una falsa impressione della domanda di mercato. Gli algoritmi potrebbero anche adottare strategie che creano e sfruttano bolle, destabilizzando potenzialmente i mercati.

Le borse stanno schierando strumenti di machine learning e IA per la sorveglianza dei mercati nel tentativo di affrontare questi rischi. Alcuni mercati di negoziazione stanno già adottando misure per ridurre i rischi associati alla natura «black box» degli algoritmi di trading basati sull'IA. Il Market Regulation Advisory Notice del CME Group è un esempio citato da Barr.

Le ricerche su questi temi includono Artificial Intelligence and Systemic Risk di Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen e Antonio Sánchez Serrano, Advisory Scientific Committee Reports 2025/16 del European Systemic Risk Board; Artificial Intelligence in Finance di Thierry Foucault e altri; e Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets di Xiang-Li Lim, Puja Singh e Richard Stobo, IMF Technical Notes and Manuals 2025/016.

Winston Wei Dou, Itay Goldstein e Yan Ji hanno esaminato «AI-Powered Trading, Algorithmic Collusion, and Price Efficiency» nell'NBER Working Paper 34054. Jean-Edouard Colliard, Thierry Foucault e Stefano Lovo hanno esaminato la determinazione algoritmica dei prezzi e la liquidità nei mercati dei titoli sulla Review of Financial Studies.

La probabilità di collusione è inferiore quando gli algoritmi usano processi di apprendimento diversi. Gli algoritmi Q-learning possono essere più propensi al coordinamento rispetto agli algoritmi basati su modelli linguistici di grandi dimensioni, secondo Kartik Anand, Sophia Kazinnik, Agnese Leonello e Ettore Panetti in «Ex Machina: Financial Stability in the Age of Artificial Intelligence», ECB Working Paper Series 3225.

I trader algoritmici hanno anche incentivi a differenziare le proprie strategie, perché non colludere può essere redditizio quando altri colludono. Laura Veldkamp ha sostenuto che questo potrebbe favorire l'eterogeneità algoritmica come risultato di equilibrio.

Barr ha detto che i partecipanti al mercato dovrebbero considerare i rischi prima di integrare nuove tecnologie nell'attività di trading o più ampiamente nell'infrastruttura di mercato. Quando una tecnologia non è pienamente compresa e si sviluppa più rapidamente della comprensione che ne abbiamo, ha detto, è opportuna una certa cautela.

IA e rischio informatico

Gli incidenti del 2026 hanno dimostrato i rischi di modelli di IA che agiscono autonomamente in modi non allineati con gli obiettivi dei loro creatori umani, inclusi rischi per la cibersicurezza.

Dato un obiettivo, i modelli di IA hanno trattato i confini di sicurezza come ostacoli da superare anziché come regole da seguire. Questo solleva domande su quanto efficacemente le regole funzioneranno anche contro agenti IA istruiti a rispettarle.

I modelli di IA hanno sfruttato vulnerabilità identificate anche da attaccanti informatici umani, compresa la forte dipendenza di molte imprese concorrenti da un fornitore di piattaforma condivisa. Gli attaccanti potenziati dall'IA hanno dimostrato di poter sfruttare vulnerabilità precedentemente ritenute troppo difficili da superare e quindi non vale la pena correggere, anche quando erano già note.

I modelli di IA stanno inoltre rivelando vulnerabilità che solo pochi anni fa nessuno avrebbe immaginato. Barr aveva precedentemente discusso i rischi informatici legati all'IA dai deepfake nel suo discorso del 17 aprile 2025 alla Federal Reserve Bank di New York, «Deepfakes and the AI Arms Race in Bank Cybersecurity».

Anche i difensori informatici stanno usando l'IA, consentendo loro di individuare e correggere vulnerabilità molto più rapidamente di quanto gli esseri umani potrebbero mai fare. Ma gli incidenti recenti sollevano la domanda se i difensori possano sempre evitare di essere svantaggiati. Gli attaccanti devono riuscire solo una volta, mentre i difensori devono riuscire ogni volta. La difesa informatica deve essere costantemente efficace, mentre l'attacco informatico può sperimentare e fallire ripetutamente finché un attacco non riesce.

Il lavoro dei difensori è difficile e diventa sempre più difficile con la rapida innovazione dei modelli. La capacità del settore privato e del governo di gestire il rischio informatico e rispondere efficacemente agli incidenti rimarrà importante per la stabilità finanziaria.

Barr ha detto che tutti hanno un interesse a prevalere sugli attaccanti informatici, perché nessuno può avere successo senza un sistema finanziario forte e sicuro. Ha espresso la speranza che le imprese in competizione per una quota del futuro dell'IA nella finanza cooperino per mantenere la difesa informatica un passo avanti agli attacchi.

IA nella finanza al consumo

L'IA è destinata a svolgere un ruolo crescente nella finanza al consumo, come in molte attività al dettaglio, specialmente nelle interazioni che non richiedono un essere umano. La finanza ha iniziato a usare l'IA per l'assistenza ai clienti prima di molti altri settori, e i consumatori stessi stanno guidando l'adozione, utilizzando ad esempio i chatbot come fonte di consigli sugli investimenti.

In molti casi, tali consigli sono forniti senza le protezioni strutturate, la regolamentazione e la supervisione che si applicano quando i consigli provengono da un istituto finanziario. Anche le imprese del settore finanziario stanno usando l'IA per migliorare i loro consigli finanziari.

L'uso crescente dell'IA da parte di clienti e imprese finanziarie solleva importanti questioni di protezione degli investitori riguardanti conflitti di interesse, la qualità delle raccomandazioni di investimento e gli obblighi delle imprese di agire nel migliore interesse degli investitori.

I sistemi di IA possono basare le raccomandazioni non solo sulla situazione finanziaria e sugli obiettivi di investimento di un investitore, ma anche su fattori che avanzano gli interessi commerciali di un'impresa. Questi possono includere la promozione di prodotti proprietari, la generazione di commissioni sulle transazioni o l'incoraggiamento di negoziazioni più frequenti.

Tali conflitti possono essere incorporati negli algoritmi ed essere difficili da identificare o comprendere per broker, consulenti, investitori o regolatori. I sistemi di IA possono anche affidarsi a dati incompleti o distorti, generare informazioni imprecise o raccomandare investimenti incoerenti con la tolleranza al rischio, la situazione finanziaria o l'orizzonte di investimento di un investitore.

Gli istituti finanziari potrebbero usare sempre più l'IA e l'analisi di dati alternativi per espandere l'accesso delle famiglie al credito. Tuttavia, la tecnologia crea significative sfide di conformità. L'IA può operare come una black box, rendendo difficile spiegare decisioni sfavorevoli o garantire la conformità alle leggi sul credito equo, incluso il Fair Housing Act e l'Equal Opportunity Act.

I dati alternativi come i pagamenti degli affitti, le bollette o i modelli di impiego potrebbero espandere l'accesso al credito se usati appropriatamente. Ma gli stessi dati potrebbero agire involontariamente come proxy per caratteristiche protette come razza o origine nazionale. A differenza delle tradizionali relazioni creditizie, i consumatori spesso non possono rivedere o contestare i dati alternativi.

L'uso responsabile dell'IA richiede che gli istituti investano in tecniche di IA spiegabile, conducano un monitoraggio continuo dell'equità, mantengano registri dettagliati di validazione dei modelli e forniscano meccanismi di contestazione accessibili. I fornitori di IA devono identificare i pregiudizi nei dati di addestramento e monitorare gli output per prevenire l'amplificazione delle disuguaglianze o la errata determinazione dei prezzi del rischio. I funzionari incaricati di far rispettare le leggi sulla protezione dei consumatori devono rimanere altrettanto vigili.

Nuovi rischi continuano a emergere. Le principali banche hanno segnalato di aver trovato agenti IA che tentano di compiere azioni nei conti dei clienti al dettaglio, senza che le banche possano verificare autenticità, consenso o coerenza con le istruzioni dei clienti.

Questi incidenti dimostrano che l'uso a lungo termine dell'IA nei servizi finanziari richiede adeguate salvaguardie, inclusi autenticazione rigorosa, verifica esplicita del consenso per azioni specifiche, controlli tecnici che limitino le capacità degli agenti, e vincoli sia basati su regole sia su valori.

Barr ha detto che servono innovazioni tecnologiche per garantire che gli agenti IA rispettino regole e valori stabiliti, particolarmente man mano che il commercio agentico si espande.

Gli agenti IA potrebbero anche accelerare i deflussi di depositi nei periodi di stress. I clienti che in precedenza dovevano avviare i bonifici potrebbero invece avere agenti IA che identificano differenziali di rendimento o segnali di stabilità finanziaria e spostano fondi automaticamente ad alta velocità. Ciò potrebbe accelerare run bancari che si sviluppano in pochi minuti, sopraffando le tradizionali tempistiche di gestione della liquidità e di intervento regolamentare.

Conclusione

Barr ha detto che l'integrazione dell'IA nel sistema finanziario pone sfide pratiche per le imprese che usano la tecnologia nelle attività commerciali fondamentali. Le imprese devono garantire che i processi e gli esiti guidati dall'IA rispettino le leggi pertinenti e gli standard adeguati di gestione del rischio.

I grandi istituti stanno esplorando l'IA generativa, inclusa l'IA agentica, nei loro modelli di business, ma Barr ha detto che devono procedere con attenzione. Per usare l'IA generativa in modo sostenibile, le decisioni basate su quei modelli devono essere ben controllate, numericamente e giuridicamente precise, spiegabili e replicabili. Gli sviluppatori di IA continuano a faticare a soddisfare tutti questi criteri.

Il sistema finanziario deve ridurre il rischio che l'IA rafforzi i pregiudizi nel credito al consumo. Deve anche vigilare contro i rischi di mercato finanziario che coinvolgono collusione, manipolazione del mercato, strategie di trading che producono volatilità significativa e potenziale rischio sistemico.

L'agenda di monitoraggio delineata da Barr offre ai lettori punti di riferimento concreti da seguire: il ritmo della spesa in conto capitale delle hyperscaler rispetto al riferimento delle telecom dei tardi anni '90, la crescita degli oltre 3.000 miliardi di dollari di obbligazioni fuori bilancio, le tariffe di leasing per le generazioni di GPU più datate, e le esposizioni controparte dei dealer legate a grandi posizioni in IA—elementi che lui e l'FSR hanno segnalato come meritevoli di attenzione—insieme alla prossima edizione del FSR semestrale della Fed.

Barr ha detto che l'IA offre sostanziali opportunità per migliorare l'accesso e l'efficienza nel sistema finanziario a beneficio di fornitori e clienti. «Ritengo che possiamo e dobbiamo garantire che ciò proceda in modi che proteggano gli utenti e supportino la stabilità finanziaria», ha detto.

Riferimenti citati nel discorso

  1. Barr ha detto che le opinioni espresse erano le sue e non necessariamente quelle dei suoi colleghi del Board della Federal Reserve o del Federal Open Market Committee.
  2. Michael S. Barr (2026), «Will Artificial Intelligence Broadly Raise Living Standards or Drive Income and Wealth Inequality?», discorso tenuto alla conferenza «Next-Gen Financial Inclusion», terza Conferenza annuale sulla Inclusione Finanziaria ospitata dal Board della Federal Reserve, Washington, 14 luglio: https://www.federalreserve.gov/newsevents/speech/barr20260714a.htm.
  3. Board of Governors of the Federal Reserve System (2026), Financial Stability Report, figura 1.5, Washington, novembre: https://www.federalreserve.gov/publications/files/financial-stability-report-20261113.pdf.
  4. Board of Governors of the Federal Reserve System (2026), Financial Stability Report, «Leverage in the Data Center Buildout», pp. 23–25.
  5. Il valore nominale delle passività fuori bilancio è generalmente riportato prima dello sconto, complicando i confronti con gli importi in bilancio, che sono scontati.
  6. Stijn Van Nieuwerburgh (2026), «Financing the AI Buildout», Brookings Papers on Economic Activity, autunno, pp. 1–28:
  7. Board of Governors of the Federal Reserve System (2025), Financial Stability Report, «Artificial Intelligence and Algorithmic Trading», pp. 15–16: https://www.federalreserve.gov/publications/files/financial-stability-report-20251107.pdf. Barr ha citato anche Lisa D. Cook (2025), «A Policymaker's View of Financial Stability», tenuto presso il McDonough School of Business Psaros Center for Financial Markets and Policy della Georgetown University, Washington, 20 novembre: https://www.federalreserve.gov/newsevents/speech/cook20251120a.htm.
  8. Board of Governors of the Federal Reserve System (2025), Financial Stability Report; e International Monetary Fund (2024), «Advances in Artificial Intelligence: Implications for Capital Market Activities», in Global Financial Stability Report: Steadying the Course: Uncertainty, Artificial Intelligence, and Financial Stability, Washington, ottobre, pp. 77–105:
  9. Anne Yanru Chang, Xi Dong, Xiumin Martin e Changyun Zhou (2026), «AI Democratization and Trading Inequality», Journal of Accounting Research, vol. 64, giugno, pp. 1287–1331. Barr ha citato anche John Coughlan e Alexei G. Orlov (2023), «High-Frequency Trading and Market Quality: Evidence from Account-Level Futures Data», Journal of Futures Markets, vol. 43, agosto, pp. 1126–60; e l'«Advances in Artificial Intelligence» dell'FMI.
  10. Katherine Doherty, Dina Bass e Justina Lee (2026), «Jane Street and Rivals Are Now Fighting for AI Power as Well as Pace», Bloomberg, 22 ottobre.
  11. Thierry Foucault, Leonardo Gambacorta, Wei Jiang e Xavier Vives (2025), Artificial Intelligence in Finance: The Future of Banking 7, Centre for Economic Policy Research, Parigi e Londra:
  12. Jinfei Sheng, Zheng Sun, Baozhong Yang e Alan L. Zhang (2026), «Generative AI and Asset Management», Review of Financial Studies, pp. 1–48.
  13. Qiang Cheng, Pengkai Lin e Yue Zhao (2025), «Does Generative AI Facilitate Investor Trading? Early Evidence from ChatGPT Outages», Journal of Accounting and Economics, vol. 80, novembre–dicembre, 101821; e David Hirshleifer, Lin Peng, Qiguang Wang, Weichen Zhang e Xiaoyan Zhang (2026), «AI, Opinion Ecosystems, and Finance», NBER Working Paper Series 34807:
  14. Markus K. Brunnermeier (2026), «Artificial Intelligence and the Brave New World in Finance», paper preparato per l'Economic Policy Symposium della Federal Reserve Bank di Kansas City a Jackson Hole, Wyoming, 27–29 agosto: Barr ha citato anche Or Shafran, Atticus Geiger e Mor Geva (2026), «Constructing Interpretable Features from Compositional Neuron Groups», atti della 64ª riunione annuale dell'Association for Computational Linguistics, pp. 42326–48:
  15. Stephen G. Cecchetti, Robin L. Lumsdaine, Tuomas Peltonen e Antonio Sánchez Serrano (2025), Artificial Intelligence and Systemic Risk, Advisory Scientific Committee Reports 2025/16, European Systemic Risk Board, dicembre:
  16. Cecchetti e altri, Artificial Intelligence and Systemic Risk.
  17. Xiang-Li Lim, Puja Singh e Richard Stobo (2025), Regulatory Considerations Regarding Accelerated Use of AI in Securities Markets, IMF Technical Notes and Manuals 2025/016:
  18. Winston Wei Dou, Itay Goldstein e Yan Ji (2025), «AI-Powered Trading, Algorithmic Collusion, and Price Efficiency», NBER Working Paper 34054: Jean-Edouard Colliard, Thierry Foucault e Stefano Lovo (2026), «Algorithmic Pricing and Liquidity in Securities Markets», Review of Financial Studies; Kartik Anand, Sophia Kazinnik, Agnese Leonello e Ettore Panetti (2026), «Ex Machina: Financial Stability in the Age of Artificial Intelligence», ECB Working Paper Series 3225: e Laura Veldkamp (2024), «Discussion of ‘AI-Powered Trading, Algorithmic Collusion, and Price Efficiency,’» NBER Summer Institute 2024.
  19. Álvaro Cartea, Patrick Chang e Gabriel García-Arenas (2025), «Spoofing and Manipulating Order Books with Learning Algorithms», e Winston Wei Dou, Itay Goldstein e Yan Ji (2026), «Financial Market Fragility in the Era of AI Planning», Wharton School Research Paper, 16 settembre,
  20. Pedro Gurrola-Pérez e Kaitao Lin (2024), «An Analysis of Market Manipulation Definitions Around the World», working paper, World Federation of Exchanges, giugno.
  21. CME Group, «Market Regulation Advisory Notice»:
  22. Michael S. Barr (2025), «Deepfakes and the AI Arms Race in Bank Cybersecurity», Federal Reserve Bank di New York, 17 aprile: https://www.federalreserve.gov/newsevents/speech/barr20250417a.htm.
  23. Esempi includono il Fair Housing Act e l'Equal Opportunity Act.