L'AI Agentica in Finance Ha Prima Bisogno di un Livello di Numeri Affidabile

Un agente autonomo non si ferma a mettersi in dubbio. Questo è il punto. Gli dai un obiettivo, un insieme di strumenti e l’autorità di agire, e lavora sul problema finché non è finito. Ora immagina quell’agente leggere “Ricavi Q3: 4,1M” su una dashboard che in realtà mostrava una cifra da inizio trimestre a oggi, decidere che l’azienda è avanti rispetto al piano, e attivare una riprevisione che il board vedrà venerdì. Nessun essere umano ha digitato quel numero. Nessuno l’ha verificato. L’agente ha semplicemente agito su ciò che gli è stato dato.

Questo è il rischio reale nella finance agentica, e non ha quasi nulla a che fare con quanto sia intelligente il modello.

L’argomento di vendita per gli agenti è genuinamente buono. Invece di un’AI che risponde a domande, ottieni un’AI che svolge il lavoro: estrae i dati, esegue il calcolo, redige il commento sugli scostamenti, aggiorna la previsione, segnala l’anomalia, registra la scrittura contabile. Gartner prevede che l’AI integrata nell’ERP cloud porterà a una chiusura finanziaria circa il 30% più veloce entro il 2028, e una gran parte dei team finance sta già sperimentando o pianificando workflow agentici. La direzione di marcia non è in discussione. La domanda è su cosa questi agenti stiano poggiando.

L’autonomia moltiplica qualunque cosa ci sia sotto

Ecco la matematica scomoda. Un chatbot che allucina un numero spreca il pomeriggio di un analista. Un agente che allucina un numero, poi compie tre azioni a valle basate su di esso, poi passa quegli output a un secondo agente, ha appena propagato una cifra sbagliata attraverso una catena che nessuno ha monitorato in tempo reale. L’autonomia è un moltiplicatore. Moltiplica le buone decisioni e moltiplica i cattivi input con esattamente lo stesso entusiasmo.

I dati sulla governance dovrebbero far riflettere qualsiasi CFO. Secondo una stima del 2025, solo circa il 2% delle aziende aveva in atto guardrail AI adeguati, e la stragrande maggioranza delle organizzazioni aveva già sperimentato almeno un incidente legato all’AI. La maturità è rara. Circa una azienda su cinque ha un framework di governance AI maturo. Nel frattempo gli agenti continuano a essere rilasciati. La capacità corre più veloce dei controlli, uno schema familiare e pericoloso.

Quindi l’istinto di rallentare è corretto. Ma “rallentare” non è una strategia, e non sopravviverà al confronto con un board che ha letto gli stessi titoli sulla finance autonoma. La risposta migliore è essere precisi su cosa deve essere solido prima di lasciare che un agente agisca, e costruire quello per primo.

Tre cose si rompono, e solo una è il modello

Quando un agente finance produce un risultato sbagliato, il difetto quasi sempre risale a uno di tre punti.

Il modello ragiona male. Questo è il difetto che tutti sistemano per primo ed è la causa meno comune. I modelli frontier ora ragionano ragionevolmente bene sui concetti finanziari.

Il modello fa da solo l’aritmetica. I modelli linguistici tokenizzano i numeri e li abbinano per pattern invece di calcolarli, ed è per questo che restituiscono con sicurezza somme e rapporti sbagliati. Analizziamo il meccanismo in perché la tua AI sbaglia i numeri. La soluzione è ben nota: non lasciare che il modello faccia i calcoli. Affida il calcolo a un motore deterministico.

I dati sottostanti erano sbagliati, obsoleti, ambigui o non riconciliati. Questo è il grande problema, ed è quello di cui nessuno vuole parlare perché non è un problema del modello che puoi risolvere comprando una finestra di contesto più grande. Se l’agente legge una cifra che non torna con il libro contabile, ogni azione che compie dopo è costruita sulla sabbia. Nessuna quantità di intelligenza del modello ripara un input sbagliato.

Nota che due dei tre difetti vivono interamente sotto il modello. Puoi mettere l’agente più capace del mondo sopra dati non riconciliati e una calcolatrice stocastica, e produrrà comunque numeri sicuri di sé, non tracciabili e sbagliati. Più velocemente di prima.

Il livello di numeri affidabile, definito

Questa è la parte che l’hype sugli agenti salta. Prima dell’autonomia, serve un livello che svolga tre compiti noiosi e portanti.

• Un unico modello riconciliato. Attingi da QuickBooks, Xero, NetSuite, Sage, un data warehouse o estratti conto caricati, e risolvili in un unico modello finanziario che torna con il libro contabile. Non una copia dei dati. Una fonte di verità riconciliata dove 4,1M significa una cosa specifica, definita, concordata.
• Calcolo deterministico. Quando un agente ha bisogno di un margine, di una runway, di un covenant ratio, il numero viene da un motore che lo calcola allo stesso modo ogni volta, non da un modello che improvvisa. Stessi input, stessa risposta, sempre. Questo è ciò che rende un risultato riproducibile invece che il lancio di un dado una tantum.
• Tracciabilità alla fonte. Ogni cifra toccata dall’agente può essere ricondotta al documento e al percorso di calcolo che l’ha prodotta. Un controller può cliccare su un numero e vedere da dove viene.

Metti insieme questi tre elementi e hai cambiato ciò su cui l’agente sta agendo. Non sta più ragionando su uno screenshot di una dashboard. Sta recuperando cifre verificate, calcolando contro un motore deterministico, e producendo output tracciabili fino alla fonte. L’autonomia è la stessa. Le fondamenta no.

La vediamo come un ordine delle operazioni non negoziabile: prima fidati dei numeri, poi automatizza le azioni. Invertilo e ti sarai automatizzato la strada verso errori più veloci. Questa è la stessa logica dietro fonte unica di verità: perché i dati riconciliati sono il vero sblocco per l’AI in finance, che è la precondizione, non un optional.

”Basta dare all’agente un interprete di codice”

Un’obiezione comune a questo punto: gli agenti possono già chiamare strumenti, quindi lascia che l’agente esegua Python e il problema aritmetico sparisce. È mezza giusta, il che è il tipo pericoloso di giusto.

Un interprete di codice risolve l’aritmetica. L’agente smette di sbagliare le moltiplicazioni lunghe. Bene. Ma non fa nulla per input sbagliati, fonti non riconciliate, provenienza mancante o ambiguità locale, e ce n’è parecchia in finance di quest’ultima. 12.345 è dodicimilatrecentoquarantacinque o dodici virgola tre quattro cinque? Dipende da dove viene l’estratto. Un interprete di codice calcola felicemente su un numero sbagliato. Il risultato ora è preciso e sbagliato, il che è peggio dell’essere ovviamente sbagliato, perché la precisione si legge come affidabilità. Entriamo nei dettagli in perché “usa solo un interprete di codice” non rende l’AI sicura per la finance. L’uso di strumenti è necessario. Non è affatto sufficiente.

Come appare davvero una buona finance agentica

I team che ottengono valore reale dagli agenti in finance non sono quelli con più autonomia. Sono quelli che l’hanno definita con cura.

L’human-in-the-loop viene trattato come una decisione di design, non una fase di rodaggio da superare. Per le azioni ad alto impatto, un agente che propone e un umano che approva batte costantemente la piena autonomia sia sul rischio sia sulla responsabilità. Le implementazioni più serie applicano permessi a privilegio minimo, registrano ogni azione, richiedono approvazione umana sui passaggi rilevanti, e mantengono un interruttore di emergenza. Puoi leggere la rassegna di ricerca sull’AI agentica nei servizi finanziari per vedere come questo si sta sviluppando nella pratica.

La riprevisione automatica è un buon esempio di questo schema fatto bene: l’agente monitora uno scostamento rilevante, propone una previsione aggiornata, mostra il proprio lavoro, e un umano firma per approvazione. È potente e difendibile, ma solo perché lo scostamento rilevato è stato calcolato contro una base riconciliata invece che un numero ricordato vagamente. Ne parliamo in l’FP&A agentica sta arrivando, ma gli agenti hanno bisogno di una base riconciliata.

Un modo utile per leggere tutto questo è insieme all’argomento più ampio per un livello di modellazione finanziaria affidabile per l’AI. Gli agenti sono semplicemente il consumatore più esigente di quel livello. Espongono ogni debolezza dei tuoi dati più velocemente e più pubblicamente di quanto farebbe mai un analista umano.

I limiti onesti

Un livello di numeri affidabile non rende gli agenti infallibili. Non risolve un obiettivo mal specificato, un modello che ragiona male su una situazione genuinamente nuova, o un processo in cui nessuno rivede le decisioni ad alto rischio. La riconciliazione stessa è difficile, e far concordare le fonti finanziarie fino al centesimo tra sistemi diversi è vera ingegneria, non una casella da spuntare. Non stiamo vendendo magia. Stiamo vendendo una precondizione.

Quello che il livello fa è rimuovere le modalità di errore imperdonabili in finance: agire su un numero che non è mai stato reale, calcolarlo in un modo che non puoi riprodurre, e riportarlo senza alcuna tracciabilità verso la fonte. Elimina questi e ciò che resta è un insieme di rischi che un team finance competente sa già gestire con permessi, approvazioni e revisione.

Gli agenti gestiranno molto lavoro finance in questo decennio. I team che vinceranno non saranno quelli che li hanno implementati per primi. Saranno quelli i cui agenti poggiavano su numeri che erano davvero veri.

Se stai sperimentando con gli agenti e vuoi vedere come si comportano su un modello riconciliato invece che su un’ipotesi da dashboard, prenota una demo e la percorreremo insieme ai tuoi dati.