Statistical analysis on Generative AI adoption in the U.S banking sector. A Comparative Benchmark with the EU and Italy (Eurostat, Istat)

This thesis investigates the adoption of Generative Artificial Intelligence (GenAI) in the U.S. banking sector and examines its relationship with bank productivity and profitability. The study is motivated by the productivity paradox and the “Innovation J-Curve,” which suggest that new general-purpose technologies may create short-term implementation costs before generating measurable long-term benefits. Building on Kikuchi (2026), the thesis focuses on the distinction between selection effects, whereby banks that adopt GenAI may already have stronger characteristics, and treatment effects, whereby GenAI adoption itself influences financial performance. The empirical analysis uses a panel of six publicly traded U.S. bank holding companies observed from 2021 to 2025. GenAI adoption is identified through disclosures in SEC filings, while profitability is measured using Return on Assets (ROA) and Return on Equity (ROE) from Federal Reserve and SEC data. The study applies two-way fixed-effects panel regressions, difference-in-differences analysis, and moderation models examining bank size and digital maturity. The thesis also provides a descriptive comparison with AI-adoption trends in the EU and Italy using Eurostat and Istat data. The results show no statistically significant relationship between GenAI adoption and short-term ROA or ROE in the U.S. sample, while the limited adoption timing prevents a separate causal estimate of the proposed Implementation Tax. The study therefore highlights the importance of sample size, adoption timing, and digital maturity when evaluating the economic effects of GenAI in banking.

Questa tesi indaga l'adozione dell'intelligenza artificiale generativa (GenAI) nel settore bancario statunitense ed esamina la sua relazione con la produttività e la redditività bancaria. Lo studio è motivato dal paradosso della produttività e dalla "Innovation J-Curve", che suggeriscono che le nuove tecnologie generiche possono creare costi di implementazione a breve termine prima di generare benefici misurabili a lungo termine. Basandosi su Kikuchi (2026), la tesi si concentra sulla distinzione tra gli effetti di selezione, per cui le banche che adottano GenAI potrebbero già avere caratteristiche più forti, e gli effetti di trattamento, per cui l'adozione di GenAI stessa influenza le prestazioni finanziarie. L'analisi empirica utilizza un gruppo di sei holding bancarie statunitensi quotate in borsa osservate dal 2021 al 2025. L'adozione di GenAI viene identificata attraverso le divulgazioni nei documenti SEC, mentre la redditività viene misurata utilizzando Return on Assets (ROA) e Return on Equity (ROE) dai dati della Federal Reserve e della SEC. Lo studio applica regressioni del pannello a effetti fissi a due vie, analisi della differenza nelle differenze e modelli di moderazione che esaminano le dimensioni della banca e la maturità digitale. La tesi fornisce anche un confronto descrittivo con le tendenze dell'adozione dell'IA nell'UE e in Italia utilizzando i dati Eurostat e Istat. I risultati non mostrano alcuna relazione statisticamente significativa tra l'adozione di GenAI e ROA o ROE a breve termine nel campione statunitense, mentre i tempi di adozione limitati impediscono una stima causale separata della tassa di implementazione proposta. Lo studio evidenzia quindi l'importanza della dimensione del campione, dei tempi di adozione e della maturità digitale quando si valutano gli effetti economici di GenAI nel settore bancario.