La Tesi analizza la valutazione del merito creditizio nel credito al consumo alla luce dell'evoluzione normativa e tecnologica, con attenzione ai lavoratori della gig economy. Ricostruisce il quadro giuridico (art. 124-bis T.U.B., GDPR, AI Act, giurisprudenza europea sulle decisioni automatizzate) e verifica se consenta modelli di valutazione alternativi, più inclusivi per i gig workers, compatibili con la sana e prudente gestione. Il primo capitolo descrive il passaggio dal credit scoring tradizionale al machine learning e ne evidenzia i limiti, ovvero la qualità dei dati e le difficoltà di rappresentare redditi non standard. Il secondo esamina le decisioni automatizzate: art. 22 GDPR, diritto alla spiegazione (sentenze SCHUFA e D&B), credit scoring come sistema ad alto rischio nell'AI Act. Il terzo capitolo applica il quadro ai gig workers, penalizzati dai sistemi tradizionali a causa di redditi discontinui e contratti frammentati. Vengono proposti tre modelli alternativi: uno basato sui flussi di cassa (open banking), uno che coinvolge le piattaforme come fonti informative, uno misto con hard e soft data, soglie di intervento umano ed explainable AI. La normativa non impedisce l'innovazione, ma richiede scelte progettuali che bilancino capacità predittiva ed equità; altrimenti la disciplina del merito creditizio rischia di ostacolare l'accesso al credito di intere categorie di lavoratori.

Credit scoring e verifica del merito di credito dei lavoratori della gig economy: profili normativi e criticità applicative

MARCHETTO, MATTEO
2025/2026

Abstract

La Tesi analizza la valutazione del merito creditizio nel credito al consumo alla luce dell'evoluzione normativa e tecnologica, con attenzione ai lavoratori della gig economy. Ricostruisce il quadro giuridico (art. 124-bis T.U.B., GDPR, AI Act, giurisprudenza europea sulle decisioni automatizzate) e verifica se consenta modelli di valutazione alternativi, più inclusivi per i gig workers, compatibili con la sana e prudente gestione. Il primo capitolo descrive il passaggio dal credit scoring tradizionale al machine learning e ne evidenzia i limiti, ovvero la qualità dei dati e le difficoltà di rappresentare redditi non standard. Il secondo esamina le decisioni automatizzate: art. 22 GDPR, diritto alla spiegazione (sentenze SCHUFA e D&B), credit scoring come sistema ad alto rischio nell'AI Act. Il terzo capitolo applica il quadro ai gig workers, penalizzati dai sistemi tradizionali a causa di redditi discontinui e contratti frammentati. Vengono proposti tre modelli alternativi: uno basato sui flussi di cassa (open banking), uno che coinvolge le piattaforme come fonti informative, uno misto con hard e soft data, soglie di intervento umano ed explainable AI. La normativa non impedisce l'innovazione, ma richiede scelte progettuali che bilancino capacità predittiva ed equità; altrimenti la disciplina del merito creditizio rischia di ostacolare l'accesso al credito di intere categorie di lavoratori.
2025
File in questo prodotto:
File Dimensione Formato  
Matteo_Marchetto_903758.pdf

embargo fino al 04/11/2027

Dimensione 858.15 kB
Formato Adobe PDF
858.15 kB Adobe PDF

I documenti in UNITESI sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.14247/31470