La crisi della responsabilità algoritmica: progettare soluzioni Deep AI per l'era dell'enforcement

Il panorama dei servizi finanziari sta attualmente attraversando una trasformazione fondamentale nella vigilanza sui sistemi decisionali automatizzati. L'era dell'impunità algoritmica—un periodo caratterizzato dalla rapida diffusione di modelli "black-box" sotto l'egida dell'innovazione proprietaria—è stata sostituita da un regime di stretta responsabilità e di intelligenza difendibile. Questo cambiamento è scandito da interventi regolatori di alto profilo, in particolare l'accordo da $2.5 million raggiunto da Earnest Operations LLC nel luglio 2025 e l'esame sistemico delle disparità nei mutui di Navy Federal Credit Union.¹ Per i fiduciari moderni e i finanziatori istituzionali, questi episodi rappresentano più di semplici battute d'arresto legali isolate; sono sintomi di un profondo fallimento architetturale.

La transizione verso l'intelligenza artificiale nell'underwriting e nella valutazione del rischio è stata inizialmente presentata come una panacea contro la soggettività umana. Tuttavia, l'affidamento ad architetture "wrapper" superficiali—sistemi che si limitano a passare dati strutturati o non strutturati a large language model (LLM) di terze parti come GPT-4 di OpenAI o Gemini di Google—ha introdotto una nuova classe di rischi sistemici. Queste integrazioni sottili mancano delle guardrail di dominio, dei meccanismi di trasparenza e del ragionamento causale necessari per superare l'attuale scrutinio del Consumer Financial Protection Bureau (CFPB) e degli attorneys general degli Stati.³ Veriprajna si colloca in questo snodo critico, sostenendo una filosofia "Deep AI" che privilegia l'integrità strutturale, l'ingegneria dell'equità e una governance robusta rispetto alla mera efficienza probabilistica.

L'accordo Earnest Operations: una tassonomia del bias algoritmico

Il 10 luglio 2025, l'Attorney General del Massachusetts ha annunciato un accordo storico con Earnest Operations LLC, risolvendo accuse secondo cui i modelli di lending basati sull'IA dell'azienda avrebbero danneggiato in modo sproporzionato i richiedenti Black e Hispanic e i mutuatari non cittadini.¹ Questo caso costituisce uno studio seminale su come le "proxy variables" e le "knockout rules" possano inadvertitamente cristallizzare la discriminazione storica nelle piattaforme digitali moderne.

Il meccanismo della discriminazione proxy tramite CDR

Un elemento centrale dell'indagine del Massachusetts è stato l'uso da parte di Earnest del Cohort Default Rate (CDR) come sottopunteggio ponderato nel suo modello di rifinanziamento dei prestiti studenteschi.¹ Il CDR traccia il tasso medio di default dei prestiti presso specifici istituti formativi. Da un punto di vista statistico, la variabile sembra offrire una visione di alto livello del rischio istituzionale. Tuttavia, l'Attorney General ha sostenuto che il potere predittivo di questa variabile non derivava dalla meritevolezza creditizia individuale, bensì dalla sua forte correlazione con classi razziali e socioeconomiche protette.⁶

Storicamente, gli Historically Black Colleges and Universities (HBCU) e gli istituti che servono elevate concentrazioni di studenti minoritari a basso reddito hanno subito un sottofinanziamento sistemico e tassi medi di default più elevati a causa dei divari di ricchezza intergenerazionale.⁶ Penalizzando i richiedenti in base al CDR della loro scuola, il modello applicava di fatto una sanzione collettiva agli individui a prescindere dalla loro stabilità finanziaria personale o dalla storia creditizia. Ciò rappresenta un classico fallimento di "conceptual soundness" nel quadro dello SR 11-7: usare un artefatto storico basato sul gruppo come proxy del rischio individuale.⁶

Esclusioni automatiche e fallimenti di governance

L'indagine Earnest ha inoltre evidenziato il pericolo delle "knockout rules"—cancelli algoritmici hardcoded che negano automaticamente le domande sulla base di criteri specifici.¹ Earnest utilizzava una knockout rule per negare i richiedenti che non disponevano almeno di una green card, una pratica che l'Attorney General ha individuato come violazione dei rischi di disparate impact dell'Equal Credit Opportunity Act (ECOA).¹

In modo cruciale, l'accordo ha rivelato una disconnessione tra le politiche dichiarate dell'azienda e la sua realtà operativa. Mentre le politiche interne di Earnest imponevano la supervisione senior per le eccezioni al modello, gli investigatori hanno riscontrato che gli underwriter aggiravano frequentemente i modelli o applicavano standard arbitrari senza documentazione.¹ Questa inconsistenza crea un profilo di rischio ibrido in cui coesistono sia il bias algoritmico sia il bias umano non monitorato, rendendo il sistema impossibile da sottoporre ad audit e da difendere.⁸

Categoria di violazione	Trigger tecnico	Infrazione legale
Discriminazione proxy	Cohort Default Rate (CDR)	ECOA Disparate Impact / M.G.L. c. 93A
Esclusione automatica	Status immigratorio "Knockout Rules"	Pratiche sleali/ingannevoli (UDAP)
Fallimento di trasparenza	Avvisi di adverse action inaccurati	Non conformità al Regulation B (ECOA)
Lacuna di governance	Mancanza di validazione indipendente del modello	Mancata mitigazione dei rischi di fair lending
Instabilità di processo	Override umani non standardizzati	Mancata implementazione di controlli interni

Navy Federal Credit Union: responsabilità statistica e deriva sistemica

Mentre il caso Earnest si è concentrato su fallimenti specifici di variabili, l'indagine su Navy Federal Credit Union (NFCU) dimostra l'impatto a livello macro di sistemi algoritmici che nel tempo si sono allontanati da esiti equi. L'analisi dei dati 2022 dell'Home Mortgage Disclosure Act (HMDA) ha rivelato che NFCU, la più grande credit union della nazione, ha respinto più della metà dei suoi richiedenti Black di mutui convenzionali.⁹

Il divario di disparità nei mutui

Le disparità statistiche presso Navy Federal erano particolarmente nette se confrontate con altri finanziatori di primo livello. Nel 2022, la credit union ha approvato circa il 77% dei richiedenti white ma solo il 48,5% dei richiedenti Black e il 55,8% dei richiedenti Hispanic.⁹ Il divario di quasi 29 punti percentuali tra i tassi di approvazione white e Black è stato il più ampio tra i primi 50 finanziatori di mutui.¹⁰

La difesa offerta da NFCU—secondo cui i dati HMDA pubblici mancano di credit score e metriche di liquidità disponibile—è stata contestata da analisi rigorose di terze parti. Quando i ricercatori hanno controllato per più di una dozzina di variabili, tra cui reddito, rapporto DTI, valore della proprietà e caratteristiche del quartiere, i richiedenti Black avevano ancora più del doppio delle probabilità di essere negati rispetto ai richiedenti white con profili identici.² Ciò suggerisce un "residual bias" all'interno dell'algoritmo di underwriting "segreto" della credit union che non può essere giustificato dai fattori creditizi tradizionali.¹²

Contenzioso e backlash regolatorio

L'incidente Navy Federal ha innescato un'ondata di class action consolidate e di indagini del Congresso. Nel maggio 2024, un giudice distrettuale degli Stati Uniti ha stabilito che le rivendicazioni di disparate impact potevano procedere, consentendo agli attori di ottenere discovery sulla logica interna dei modelli di underwriting di NFCU.¹² Ciò sottolinea una lezione critica per il settore: la sola disparità statistica è spesso sufficiente a superare una motion to dismiss, spostando sull'istituto l'onere di dimostrare che il suo processo "segreto" è sia necessario sia l'alternativa meno discriminatoria (LDA) disponibile.¹²

Metrica	Richiedenti white	Richiedenti Black	Divario
Tasso di approvazione grezzo	77.1%	48.5%	28.6%
Tasso di diniego	23.0%	52.0%	29.0%
Tasso di diniego VA Loan	15-17% (est)	28.6%	~12%
Diniego medio nazionale (CFPB)	5.6%	16.2%	10.6%

Vulnerabilità strutturali: perché i wrapper falliscono il test fiduciario

L'affidamento a semplici wrapper LLM o a strumenti di IA "orizzontali" crea un disallineamento fondamentale tra capacità tecnologica e requisiti regolatori. I servizi finanziari richiedono logica deterministica ad alto rischio, mentre i foundation model sono intrinsecamente probabilistici e non deterministici.⁴

Il paradosso di allucinazione e accuratezza

I Large Language Model operano prevedendo il token successivo in una sequenza, non recuperando fatti o eseguendo calcoli attuariali.¹⁵ In un contesto di credit underwriting, un LLM potrebbe generare una "allucinazione"—una giustificazione fabbricata per un diniego di prestito che suona plausibile ma non ha alcun fondamento nel fascicolo finanziario del richiedente.¹⁶ Se il chatbot o il sistema automatizzato di una banca indica in modo errato i criteri di eleggibilità o i tassi di interesse, l'istituto affronta una responsabilità diretta per aver indotto in errore i consumatori, come nel precedente del chatbot di Air Canada.¹⁶

Il vuoto di contesto dell'IA orizzontale

Le piattaforme di IA generiche mancano del contesto "verticale" necessario per elaborare con accuratezza documenti ipotecari, dichiarazioni dei redditi ed estratti conto. Senza un training specifico del settore, questi modelli faticano a interpretare le sfumature dei pattern di reddito o dell'analisi dei flussi di cassa, spesso portando a "falsi negativi" in cui mutuatari meritevoli di credito vengono respinti perché il modello non riconosce pattern di dati alternativi.⁴ I finanziatori che implementano architetture "Deep AI"—quelle che includono ingestion dedicata dei dati, estrazione di entità e layer di rischio di dominio—ottengono una precisione significativamente superiore e meno trigger di conformità.⁴

Il problema della contaminazione dei dati di training

Gli LLM sono addestrati su vasti corpora di testo internet, saturi di bias storici, di genere e razziali.¹⁹ Quando un istituto usa un wrapper LLM per "valutare" la storia di un mutuatario o la storia lavorativa, il modello può involontariamente applicare gli stereotipi presenti nei suoi dati di training.¹⁵ Ad esempio, certe nazionalità o professioni potrebbero essere associate a una minore meritevolezza creditizia nello "spazio latente" del modello, anche se i punti dati specifici dell'individuo sono impeccabili.¹⁵

Il panorama regolatorio 2026: standard di difendibilità

L'ambiente regolatorio per il 2025 e il 2026 è passato da guidance generali a mandati espliciti. L'era in cui si poteva affermare che un algoritmo è "troppo complesso da spiegare" è finita.

CFPB e specificità comportamentale

Il CFPB ha finalizzato guidance (Circular 2023-03 e aggiornamenti 2025) che stabiliscono che i creditori devono fornire "ragioni accurate e specifiche" per le adverse action.³ I finanziatori non possono nascondersi dietro categorie ampie come "storico degli acquisti" o "reddito insufficiente" se la ragione sottostante era l'identificazione algoritmica di una specifica abitudine di spesa o di un punto dati non tradizionale.³ Il Bureau ha chiarito che "l'ha deciso l'algoritmo" non è un'affermazione legalmente difendibile.²⁰

SR 11-7 e l'evoluzione del Model Risk Management (MRM)

La Supervisory Regulation 11-7 rimane lo standard definitivo per la governance dei modelli nel banking.⁷ Nel contesto dell'IA, i regolatori si stanno ora concentrando su:

1.​ Conceptual Soundness: i finanziatori devono documentare la logica economica e matematica del modello, dimostrando che non si basa soltanto su correlazioni spurie.⁷

2.​ Independent Validation: il team che valida il modello deve essere tecnicamente competente e del tutto indipendente dal team di sviluppo.⁷

3.​ Outcomes Analysis: sono richiesti back-testing regolari e "effective challenge" per assicurare che il modello operi come previsto in condizioni reali.⁷

NIST AI RMF 2.0: il blueprint di governance

Il National Institute of Standards and Technology (NIST) ha rilasciato nel 2025 il suo aggiornato AI Risk Management Framework (RMF) 2.0, che introduce il concetto di "AI Bill of Materials" (AI-BOM).²⁵ Ciò richiede agli istituti di sapere esattamente da dove provengono i loro dati, quali modelli vengono usati (incluse le API di terze parti) e come questi componenti interagiscono.²⁵

Funzione RMF 2.0	Requisito di implementazione	Evidenza difendibile
Govern	Definire la ownership del rischio IA	Registri di oversight a livello di board
Map	Inventariare tutti i sistemi di IA	AI-BOM dinamico e data lineage
Measure	Quantificare bias e drift	Audit SHAP/LIME e log TPR
Manage	Mitigazione continua del rischio	"Kill switch" automatici del modello

Ingegneria dell'equità: la matematica dell'equity

I provider di Deep AI vanno oltre la "fairness" qualitativa verso la "fairness engineering" quantitativa. Ciò implica l'applicazione di vincoli matematici in più fasi del ciclo di vita del modello.

Metriche di fairness nell'underwriting creditizio

Veriprajna utilizza una suite di metriche di fairness per sottoporre ad audit e calibrare i modelli:

●​ Demographic Parity: il requisito che il tasso di approvazione ( ) per il gruppo protetto ( ) sia uguale al tasso di approvazione per il gruppo ( ).​

●​ Equalized Odds: il requisito che sia i true positive rate (TPR) sia i false positive rate (FPR) siano coerenti tra i gruppi. Ciò assicura che il modello sia ugualmente accurato per tutte le demografie.²⁹

●​ Disparate Impact Ratio: una metrica in cui il rapporto tra il tasso di approvazione del gruppo protetto e quello del gruppo di controllo dovrebbe tipicamente essere superiore a 0.8 (la regola dei quattro quinti) per evitare lo scrutinio regolatorio.³¹

Strategie di debiasing: pre-, in- e post-processing

Mitigare il bias richiede interventi lungo tutta la pipeline 32:

1.​ Pre-processing: affrontare il bias nei dati di training con tecniche come SMOTE (Synthetic Minority Oversampling Technique) o generando "dati sintetici" per bilanciare le demografie sottorappresentate.¹⁸

2.​ In-processing: modificare l'algoritmo di apprendimento stesso. L'"Adversarial Debiasing" è l'attuale gold standard, in cui un modello secondario (l'avversario) è addestrato a predire l'attributo protetto dalle predizioni del modello primario. Il modello primario è poi ottimizzato per minimizzare il proprio errore di predizione massimizzando al contempo l'errore dell'avversario.³³

3.​ Post-processing: regolare le soglie dopo che il modello ha prodotto il suo score iniziale per assicurare equalized odds senza richiedere un completo riaddestramento del modello base.³²

Explainable AI (XAI): trasparenza forense

Perché un sistema di IA sia di livello enterprise, deve essere spiegabile. Veriprajna integra framework XAI che vanno oltre la semplice importanza delle feature verso la "local interpretability".²⁰

Integrazione di SHAP e LIME

I valori SHAP (SHapley Additive exPlanations) forniscono un modo matematicamente rigoroso per attribuire il merito di una decisione a feature di input specifiche.³¹ Basato sulla teoria dei giochi cooperativi, il valore SHAP per la feature ( ) è calcolato come:

Ciò consente al sistema di generare un "dettaglio comportamentale" specifico e auditabile per ogni avviso di adverse action, soddisfacendo lo standard più elevato di conformità CFPB.²⁰

Spiegazioni contrastive e controfattuali

I regolatori moderni si aspettano sempre più spiegazioni controfattuali: "Cosa avrebbe dovuto cambiare perché questo richiedente fosse approvato?".²⁰ I sistemi Veriprajna le generano in tempo reale: "Se la tua credit utilization fosse inferiore del 15%, o se il tuo reddito fosse $5,000 più alto, il prestito sarebbe stato approvato".²⁰ Ciò fornisce una trasparenza azionabile che costruisce fiducia e riduce il rischio di contenzioso.³⁷

L'architettura Veriprajna: un framework Deep AI

L'approccio Veriprajna sostituisce il "thin wrapper" con un sistema socio-tecnico multi-layer progettato per i rigorosi requisiti dei servizi finanziari.³⁸

Layer 1: il layer di orchestrazione e astrazione

Invece di chiamare un LLM direttamente da un controller—il che blocca i thread del server e nasconde i costi—Veriprajna implementa un layer di orchestrazione.³⁹ Questo layer gestisce le code, gestisce la logica di retry specifica del provider e usa la semantic caching per assicurare efficienza di costo e reattività.³⁹

Layer 2: il layer di integrità dei dati e di contesto

Prima che i dati raggiungano mai un modello di IA, passano attraverso una pipeline di validazione che li valuta su sei dimensioni: Accuratezza, Completezza, Consistenza, Tempestività, Rilevanza e Rappresentatività.⁴⁰ Ciò assicura che i "dati sporchi" non conducano a esiti distorti o allucinatori.⁴⁰

Layer 3: il multi-model risk engine

Veriprajna non si affida a un singolo foundation model. Usa invece un approccio ibrido:

●​ Deterministic Rule Engines: per controlli di conformità "knockout" (ad es. requisiti di età o residenza) che devono essere accurati al 100%.⁴¹

●​ Gradient Boosted Models (XGBoost/LightGBM): per lo scoring creditizio strutturato dove interpretabilità e stabilità sono fondamentali.³⁶

●​ Fine-tuned LLMs: specificamente per l'analisi di documenti non strutturati e l'estrazione di entità, utilizzando RAG (Retrieval-Augmented Generation) per ancorare il modello ai documenti effettivi del richiedente.³⁹

Layer 4: il continuous monitoring e l'audit vault

Un sistema Deep AI include un layer di monitoraggio "shadow" che traccia:

●​ Model Drift: rilevare quando la distribuzione dei dati in ingresso si discosta dal set di training.²³

●​ Bias Drift: alert in tempo reale quando il Disparate Impact Ratio scende sotto le soglie stabilite.²⁷

●​ Hallucination Detection: confrontare gli output dell'IA con i dati sorgente originali (la "ground truth") per segnalare anomalie.¹⁵

Implementazione strategica: una roadmap per i fiduciari

Il passaggio da un sistema legacy o basato su wrapper a un'architettura Deep AI richiede un approccio per fasi incentrato sulla "difendibilità fin dal primo giorno."

Step 1: inventario algoritmico e ranking del rischio

Gli istituti devono catalogare tutti i sistemi quantitativi, inclusi i componenti di IA incorporati nel software di terze parti.²³ Ogni sistema viene poi classificato per rischio in base a complessità, materialità e sensibilità regolatoria.²³

Step 2: la "ricerca di alternative" (audit LDA)

Secondo l'attuale diritto di fair lending, non basta dire che un modello è accurato. I finanziatori devono cercare attivamente "alternative meno discriminatorie".¹³ Ciò implica addestrare più configurazioni di modello e selezionare quella che massimizza la fairness senza una perdita "materiale" di potere predittivo.¹³

Step 3: formalizzazione del Human-in-the-Loop (HITL)

L'"elemento umano" deve essere altrettanto auditabile quanto l'algoritmo. Veriprajna implementa sistemi "Human-in-the-Loop" in cui ogni override manuale è registrato con un campo di giustificazione obbligatorio e rivisto da un compliance officer indipendente.³⁷ Ciò previene la "Earnest Pitfall" in cui decisioni umane arbitrarie minano la fairness intenzionale dell'IA.¹

Fase di implementazione	Voce di azione	Esito atteso
Fase I: Discovery	Audit AI-BOM e Data Lineage	Piena visibilità dei potenziali rischi proxy
Fase II: Calibration	Adversarial Debiasing e ricerca LDA	Trade-off ottimizzato fairness-accuratezza
Fase III: Integration	Motore XAI e controfattuale	Avvisi di adverse action conformi al CFPB
Fase IV: Governance	Continuous Monitoring e audit HITL	Resilienza e fiducia del modello nel lungo periodo

Conclusione: il nuovo standard di intelligenza fiduciaria

Gli incidenti presso Earnest Operations e Navy Federal Credit Union segnano la fine della prima ondata di IA nella finanza—un'ondata definita da sperimentazione "black-box" e integrazione superficiale. La seconda ondata, definita dalla Deep AI, richiede un impegno fondamentale all'integrità architetturale, all'equità matematica e a una trasparenza radicale.

La filosofia di Veriprajna si fonda sulla consapevolezza che nel 2026 un algoritmo non è soltanto uno strumento di efficienza; è una dichiarazione di valori aziendali e un record legale vincolante. L'accordo da $2.5 million pagato da Earnest non è stato soltanto una multa per bias; è stato un prezzo pagato per la mancanza di governance, il fallimento nell'identificare i proxy e l'incapacità di spiegare una decisione.¹ Il contenzioso in corso di Navy Federal è un monito che le disparità statistiche, se non affrontate da audit "Deep AI", possono minacciare anche gli istituti più storicamente consolidati.²

Andando oltre il wrapper LLM e costruendo sistemi socio-tecnici che integrano la fairness a livello di codice, gli istituti finanziari possono assolvere il loro duplice mandato: massimizzare il valore per gli azionisti attraverso l'accuratezza predittiva e al contempo onorare il loro dovere fiduciario verso le comunità che servono. La scelta non è più tra IA e processi manuali; è tra una tecnologia "wrapper" fragile e l'intelligenza robusta e difendibile della Deep AI. Questo è il nuovo standard di eccellenza, ed è l'unica via verso un'innovazione sostenibile in un mondo regolamentato.

Opere citate

1. Mass. AG reaches settlement with student loan firm for $2.5M over AI lending bias, consultato il 6 febbraio 2026, https://bankingjournal.aba.com/2025/08/mass-ag-reaches-settlement-with-earnest-operations-for-2-5m-over-ai-lending-bias/

2. Hicks et al. v. Navy Federal Credit Union - 1:23-cv-01798 - Class Action Lawsuits, consultato il 6 febbraio 2026, https://www.classaction.org/media/hicks-et-al-v-navy-federal-credit-union.pdf

3. CFPB Issues Guidance on Credit Denials by Lenders Using Artificial Intelligence, consultato il 6 febbraio 2026, https://www.consumerfinance.gov/about-us/newsroom/cfpb-issues-guidance-on-credit-denials-by-lenders-using-artificial-intelligence/

4. AI adoption pitfalls: what lenders get wrong about automation | Ocrolus, consultato il 6 febbraio 2026, https://www.ocrolus.com/blog/ai-adoption-pitfalls-lenders-get-wrong-about-automation/

5. State action targets use of biased AI underwriting models: Key points - DLA Piper, consultato il 6 febbraio 2026, https://www.dlapiper.com/en/insights/publications/ai-outlook/2025/state-action-targets-use-of-biased-ai-underwriting-models

6. AI Discrimination Risk in Lending: Lessons from the Massachusetts ..., consultato il 6 febbraio 2026, https://www.debevoisedatablog.com/2025/07/20/ai-discrimination-risk-in-lending-lessons-from-the-massachusetts-ags-recent-2-5-million-settlement/

7. SR 11-7 Model Risk Management: Compliance, Validation & Governance - ModelOp, consultato il 6 febbraio 2026, https://www.modelop.com/ai-governance/ai-regulations-standards/sr-11-7

8. AG Campbell Announces $2.5 Million Settlement With Student Loan ..., consultato il 6 febbraio 2026, https://www.mass.gov/news/ag-campbell-announces-25-million-settlement-with-student-loan-lender-for-unlawful-practices-through-ai-use-other-consumer-protection-violations

9. Brown, Colleagues Call for a Review of Navy Federal After Reported Racial Disparities in Mortgage Lending | United States Committee on Banking, Housing, and Urban Affairs, consultato il 6 febbraio 2026, https://www.banking.senate.gov/newsroom/majority/brown-colleagues-call-for-a-review-of-navy-federal-after-reported-racial-disparities-in-mortgage-lending

10. Reps. Cleaver, Horsford Demand Answers from Navy Federal Credit Union Following Reports of Alarming Racial Disparities in Mortgage Lending, consultato il 6 febbraio 2026, https://cleaver.house.gov/media-center/press-releases/reps-cleaver-horsford-demand-answers-navy-federal-credit-union

11. Members of Congress say they're still concerned over racial disparities after meeting with Navy Federal Credit Union CEO | Congressman Steven Horsford, consultato il 6 febbraio 2026, https://horsford.house.gov/media/in-the-news/members-of-congress-say-they-re-still-concerned-over-racial-disparities-after-meeting-with-navy-federal-credit-union-ceo

12. Court Grants Part, Not All, of Navy Federal Credit Union's Motion to ..., consultato il 6 febbraio 2026, https://www.americascreditunions.org/blogs/compliance/court-grants-part-not-all-navy-federal-credit-unions-motion-dismiss-fair-lending

13. How To Identify Less Discriminatory Lending Alternatives and Why the Search Matters, consultato il 6 febbraio 2026, https://www.rmahq.org/journal-articles/2024/feb-mar-2024/how-to-identify-less-discriminatory-lending-alternatives-and-why-the-search-matters/

14. Navy Federal Mortgage Discrimination Litigation Civ. No. 23-cv - Class Action Lawsuits, consultato il 6 febbraio 2026, https://www.classaction.org/media/navy-federal-mortgage-discrimination-litigation.pdf

15. An Executive's Guide to the Risks of Large Language Models (LLMs) - FairNow AI, consultato il 6 febbraio 2026, https://fairnow.ai/executives-guide-risks-of-llms/

16. LLM Hallucinations: What Are the Implications for Financial Institutions? | BizTech Magazine, consultato il 6 febbraio 2026, https://biztechmagazine.com/article/2025/08/llm-hallucinations-what-are-implications-financial-institutions

17. Top 5 challenges in Manual Credit Underwriting - Accumn - Corpository, consultato il 6 febbraio 2026, https://hello.accumn.ai/top-5-challenges-in-manual-credit-underwriting/

18. Synthetic Data in Model Risk Management - NexaStack, consultato il 6 febbraio 2026, https://www.nexastack.ai/blog/synthetic-data-model-risk-management

19. LLM or Large Liability Model? The risks of ChatGPT in Finance - Global Relay, consultato il 6 febbraio 2026, https://www.globalrelay.com/resources/thought-leadership/large-language-model-or-large-liability-model-what-are-the-risks-of-chatgpt-in-financial-services/

20. AI in Lending: AI Credit Regulations Affecting Lending Business 2025 - HES FinTech, consultato il 6 febbraio 2026, https://hesfintech.com/blog/all-legislative-trends-regulating-ai-in-lending/

21. CFPB Applies Adverse Action Notification Requirement to Artificial Intelligence Models | Insights | Skadden, Arps, Slate, Meagher & Flom LLP, consultato il 6 febbraio 2026, https://www.skadden.com/insights/publications/2024/01/cfpb-applies-adverse-action-notification-requirement

22. How Model Risk Management (MRM) Teams Can Comply with SR 11-7 - ValidMind AI, consultato il 6 febbraio 2026, https://validmind.com/blog/sr-11-7-model-risk-management-compliance/

23. Managing AI model risk in AML: A step-by-step guide for banks and fintechs - Taktile, consultato il 6 febbraio 2026, https://taktile.com/articles/managing-ai-model-risk-in-aml

24. Sustaining model risk management excellence amid deregulations - KPMG International, consultato il 6 febbraio 2026, https://kpmg.com/us/en/articles/2025/sustaining-model-risk-excellence-deregulations.html

25. NIST AI RMF 2025 Updates: What You Need to Know About the Latest Framework Changes, consultato il 6 febbraio 2026, https://www.ispartnersllc.com/blog/nist-ai-rmf-2025-updates-what-you-need-to-know-about-the-latest-framework-changes/

26. AI Vendor Risk Assessment Questionnaire for Compliance (2026) - Atlas Systems, consultato il 6 febbraio 2026, https://www.atlassystems.com/blog/ai-vendor-risk-questionnaire

27. Risk Management Framework 2025 | NIST, COSO, ISO, AI RMF - Neotas, consultato il 6 febbraio 2026, https://www.neotas.com/risk-management-framework/

28. AI Governance Checklist for 2026 Compliance - RadarFirst, consultato il 6 febbraio 2026, https://www.radarfirst.com/blog/2026-ai-governance-and-privacy-readiness-checklist/

29. (PDF) AI-powered credit risk assessment and algorithmic fairness in digital lending: A comprehensive analysis of the United States digital finance landscape - ResearchGate, consultato il 6 febbraio 2026, https://www.researchgate.net/publication/392902124_AI-powered_credit_risk_assessment_and_algorithmic_fairness_in_digital_lending_A_comprehensive_analysis_of_the_United_States_digital_finance_landscape

30. Debiasing Machine Learning - GeeksforGeeks, consultato il 6 febbraio 2026, https://www.geeksforgeeks.org/machine-learning/debiasing-machine-learning/

31. Structural Gender Bias in Credit Scoring: Proxy Leakage - arXiv, consultato il 6 febbraio 2026, https://arxiv.org/html/2601.18342v1

32. The Fair Game: Auditing & Debiasing AI Algorithms Over Time - arXiv, consultato il 6 febbraio 2026, https://arxiv.org/html/2508.06443

33. Fairness and Bias in Machine Learning: Mitigation Strategies - Lumenova AI, consultato il 6 febbraio 2026, https://www.lumenova.ai/blog/fairness-bias-machine-learning/

34. Explainable Artificial Intelligence for Credit Risk Assessment: Balancing Transparency and Predictive Performance - ResearchGate, consultato il 6 febbraio 2026, https://www.researchgate.net/publication/395996196_Explainable_Artificial_Intelligence_for_Credit_Risk_Assessment_Balancing_Transparency_and_Predictive_Performance

35. Disparate Impact as Uniquely Relevant in the Age of AI, consultato il 6 febbraio 2026, https://civilrights.org/disparate-impact-age-of-ai/

36. Interpreting LLMs as Credit Risk Classifiers: Do Their Feature Explanations Align with Classical ML? - arXiv, consultato il 6 febbraio 2026, https://arxiv.org/html/2510.25701v1

37. AI Risk Management Framework - Palo Alto Networks, consultato il 6 febbraio 2026, https://www.paloaltonetworks.com/cyberpedia/ai-risk-management-framework

38. Advance Journal of Econometrics and Finance Vol-3, Issue-1, 2025 ..., consultato il 6 febbraio 2026, https://ajeaf.com/index.php/Journal/article/download/131/142

39. From Wrappers to Workflows: The Architecture of AI-First Apps | by Silversky Technology | Jan, 2026 | Medium, consultato il 6 febbraio 2026, https://medium.com/@silverskytechnology/stop-building-wrappers-the-architecture-of-ai-first-apps-a672ede1901b

40. Checklist for Validating AI Financial Systems - Lucid.Now, consultato il 6 febbraio 2026, https://www.lucid.now/blog/checklist-validating-ai-financial-systems

41. Revolutionizing Underwriting: The Depth of ML Assistance and Algorithmic LLMs in Financial Decision-Making | by Rakesh patel | Medium, consultato il 6 febbraio 2026, https://medium.com/@rakesh.sruhad/revolutionizing-underwriting-the-depth-of-ml-assistance-and-algorithmic-llms-in-financial-8f338ad4e3a8

42. Strengthening Model Risk Management: Adapting to New Regulations and Emerging Risk - Solytics Partners, consultato il 6 febbraio 2026, https://www.solytics-partners.com/resources/blogs/strengthening-model-risk-management-adapting-to-new-regulations-and-emerging-risk

43. Navigating AI compliance: A risk-based framework for financial services in 2026, consultato il 6 febbraio 2026, https://www.advisorengine.com/action-magazine/articles/navigating-ai-compliance-a-risk-based-framework-for-financial-services-in-2026