Autonomia governata contro human-in-the-loop: perché approvare ogni azione dell'agente non scala

Una controller con cui ho parlato l’ultimo trimestre era diventata silenziosamente un collo di bottiglia. Il suo team aveva distribuito un agente per la contabilità fornitori che abbinava le fatture, segnalava le eccezioni e metteva in coda i pagamenti. Funzionava. Il problema era il cancello di approvazione: ogni azione proposta dall’agente finiva nella sua coda. A fine mese stava timbrando 400 voci al giorno, la metà sotto i 200 dollari, e ha ammesso di aver smesso di leggere quelle piccole. L’agente era veloce. La persona davanti a lui no. Quindi l’intero sistema girava alla sua velocità, e la sua attenzione si era già degradata in una formalità.

Questa è la modalità di fallimento di cui nessuno vi avverte quando vi vendono la “supervisione umana”. Mettere una persona dentro ogni transazione sembra sicuro. In pratica fa due cose negative contemporaneamente. Limita il throughput al ritmo a cui può pensare un singolo revisore, e addestra quel revisore ad approvare senza guardare, perché nessun essere umano sostiene un vero controllo attento su centinaia di decisioni quasi identiche. Finite con il costo di un controllo e la garanzia di nessuno.

Il cancello di approvazione è un limite di velocità

L’human-in-the-loop aveva senso quando l’IA era un motore di suggerimenti e i volumi erano bassi. Una manciata di raccomandazioni al giorno, ciascuna riesaminata correttamente, è un progetto ragionevole. Smette di essere ragionevole nel momento in cui un agente può eseguire migliaia di azioni all’ora. A quel volume il cancello non è più una salvaguardia; è una coda, e le code hanno un tasso massimo di svuotamento fissato dal componente più lento. Il componente più lento è la persona.

L’inquadramento di Gartner qui è netto: gli agenti che osservano, consigliano, agiscono con approvazione e agiscono in autonomia non comportano lo stesso rischio, e trattarli allo stesso modo è la strada verso implementazioni fallite. L’azienda è arrivata ad avvertire che applicare una governance uniforme su tutti gli agenti produrrà un fallimento aziendale, con lacune di sicurezza e rollback in produzione. Il corollario che i responsabili finanziari si perdono è l’errore inverso. Se applicate il controllo più severo, l’approvazione umana per ogni azione, a ogni flusso di lavoro indipendentemente dal rischio, non ottenete più sicurezza. Ottenete un sistema che non può scalare e un revisore che ha smesso di revisionare.

Quindi la domanda non è “umano o nessun umano”. È dove si posiziona l’umano rispetto al lavoro.

L’autonomia governata sposta l’umano di un livello

Lo spostamento del 2026, e potete leggerlo nel lavoro sul modello operativo del Berkeley CMR e nel playbook per i consigli di amministrazione del WEF, è smettere di posizionare gli umani dentro le transazioni e iniziare a posizionarli sopra il sistema. Invece di approvare l’output dell’agente, definite la politica che lo vincola: soglie di spesa, quali conti può toccare, quale reversibilità richiede una determinata azione, quando deve fare escalation. L’umano progetta i confini. L’agente opera liberamente al loro interno e si ferma di colpo al limite.

Questo è “human-on-the-loop” piuttosto che human-in-the-loop. Un pattern utile dalla letteratura sui modelli operativi agentici è un controllo di guardrail separato che intercetta l’azione di un agente prima che venga eseguita. Se un agente di procurement avvia un pagamento di 50.000 dollari mentre la sua baseline comportamentale è di 10.000 dollari, il guardrail blocca l’azione e la instrada a una persona. Sotto la soglia, l’agente procede e l’umano non lo vede mai. L’attenzione del revisore ora si concentra solo sul 3% dei casi che effettivamente richiedono un giudizio, il che significa che è di nuovo attenzione vera.

L’economia si ribalta. Smettete di pagare un revisore per dare un’occhiata a 400 voci e iniziate a pagarne uno per interrogarne davvero dodici. Stesso organico, garanzia molto maggiore, e l’agente gira a velocità macchina per tutto ciò che è di routine. Questa è l’unica versione di scalabilità che sopravvive al contatto con un consiglio di amministrazione.

Un confine vale quanto il numero che verifica

Ecco la parte che i fornitori di governance saltano, ed è la parte che decide se tutto questo regge.

Una politica come “auto-approva sotto i 10.000 dollari, fai escalation se l’impatto di cassa supera il 5% del budget del periodo, non toccare mai un periodo chiuso” è un insieme di regole valutate rispetto a dei numeri. Tutta l’architettura dell’autonomia governata poggia sul fatto che quei numeri siano corretti. Se la visione che l’agente ha dell‘“impatto di cassa” o del “budget del periodo” o del “saldo residuo” è sbagliata, il confine scatta nel momento sbagliato. Peggio ancora, scatta sbagliato in silenzio: l’agente auto-approva con sicurezza qualcosa che avrebbe dovuto far escalare, perché la cifra che ha confrontato con la soglia era errata.

È qui che la maggior parte degli stack di finanza agentica fallisce silenziosamente. L’agente si collega all’ERP, estrae campi grezzi del libro mastro, e il modello linguistico fa aritmetica probabilistica fragile per decidere se una soglia è stata superata. Abbiamo già scritto del perché gli agenti finanziari devono chiamare strumenti, non calcolare: un LLM prevede come dovrebbe apparire un numero, non esegue la formula. Un guardrail costruito su un numero predetto non è un guardrail. È teatro con un punteggio di fiducia allegato.

L’autonomia governata ha bisogno che le condizioni di confine siano deterministiche e riconciliate. Il controllo della soglia deve essere eseguito su un unico modello finanziario che quadra con il registro contabile, con la matematica eseguita da un motore anziché dal modello. Questa è la differenza tra una politica che potete difendere davanti a un revisore e una politica che sperate regga.

Come appare questo in pratica

Concretamente, il flusso di lavoro che scala ha tre parti, e corrispondono a dove si posiziona Rexfin.

Primo, un unico modello riconciliato. Collegate QuickBooks, Xero, NetSuite, Sage, il vostro data warehouse, o estratti conto caricati, in un’unica fonte di verità che quadra con il registro contabile. Ogni soglia, baseline e budget a cui fa riferimento la politica legge da questo modello, non da qualunque cosa l’agente abbia raschiato.

Secondo, valutazione deterministica. Quando l’agente considera un’azione, la logica di soglia passa attraverso un motore di calcolo deterministico, non l’LLM. “Questo supera il 5% della cassa del periodo” restituisce la stessa risposta ogni volta e risale alla fonte. Il confine diventa verificabile.

Terzo, l’umano sopra il sistema. Il vostro team definisce e affina le politiche, riesamina solo le eccezioni in escalation, e ispeziona una traccia che registra non solo cosa ha fatto l’agente ma quale cifra ha controllato e perché la politica ha permesso o bloccato l’azione. Quest’ultimo punto conta per la conformità, e si collega direttamente a cosa devono registrare gli agenti pronti per SOX: decisioni, non solo azioni.

Niente di tutto ciò rimuove l’umano. Lo riposiziona dove il suo giudizio si moltiplica invece che dove viene logorato.

Il punto centrale

Approvare ogni azione dell’agente non è prudenza. È un progetto che vi compra l’apparenza del controllo limitando la vostra funzione finanziaria al throughput di un revisore stanco. L’autonomia governata è l’alternativa che scala davvero, ma funziona solo se i confini sono calcolati su numeri di cui vi fidate. Una soglia testata su una cifra allucinata è peggio di nessuna soglia, perché fallisce silenziosamente e con apparente rigore.

Se quest’anno state progettando l’autonomia degli agenti, progettate prima le politiche e poi ponete la domanda più difficile: da cosa leggono quelle politiche? Se la risposta è “la migliore ipotesi dell’LLM sul registro contabile”, non avete costruito governance. Avete costruito un modo più veloce di sbagliare. Prenotate una demo e vi mostreremo come appare l’autonomia governata quando i confini poggiano su un modello riconciliato.

Fonti: Auditoria, Finance AI 2026: Human-in-the-Loop Out, Governed Autonomy In; California Management Review, Governing the Agentic Enterprise; World Economic Forum, A board playbook for governing agentic AI; Gartner, Applying Uniform Governance Across AI Agents Will Lead to Enterprise AI Agent Failure.