La lezione da 15 milioni di dollari: quando un numero allucinato uccide un deal

Il term sheet era firmato. L’ufficio legale stava redigendo i documenti di chiusura. Il bonifico sarebbe dovuto arrivare di giovedì.

Il lunedì, un associate del fondo capofila ha fatto passare la data room dell’azienda attraverso un assistente IA per preparare un riepilogo finale delle metriche per il partnership meeting. Lo strumento ha letto una riga in una scheda intitolata “Ricavi ricorrenti Q4” come se fosse una cifra annuale, costruendoci sopra un numero di ARR. Il risultato mostrava circa quattro volte il run-rate reale dell’azienda. La crescita sembrava surreale. I margini troppo belli per essere veri. Il partner che aveva sostenuto l’operazione si è ritrovato con un riepilogo che non corrispondeva al modello costruito dal team due mesi prima, e per un po’ nessuno è riuscito a dire con certezza quale cifra fosse quella corretta.

Quel vuoto, le poche ore in cui nessuno riusciva a confermare con sicurezza quale cifra fosse giusta, è ciò che ha fatto saltare il round. Non il numero gonfiato in sé. Il fatto che non si potesse ricondurre alla fonte abbastanza in fretta da poterlo difendere.

L’azienda del racconto è composita. Il meccanismo no. Una cifra trimestrale letta come annuale gonfia una metrica esattamente del 400%, ed è un errore specifico già comparso in report reali. Un caso citato spesso riguarda una proiezione generata dall’IA che ha confuso i ricavi trimestrali con una cifra annuale, gonfiando la metrica principale del 400% e contribuendo al crollo di un’operazione di finanziamento a pochi giorni dal closing. Se avete mai visto un deal saltare per una domanda di riconciliazione, sapete già quanto sia plausibile.

Perché la due diligence è il posto peggiore per un’allucinazione

La maggior parte degli errori dell’IA è recuperabile. Si scopre il numero sbagliato, lo si corregge, si va avanti. La due diligence è diversa perché si regge sulla fiducia, e la fiducia è asimmetrica. Ci vogliono mesi per costruirla e una sola cifra sbagliata per distruggerla.

Quando l’analista di un fondo trova un numero che non quadra, non presume un errore onesto di strumento. Presume che il modello sia sciatto, o peggio, che qualcuno abbia manipolato le metriche. La conversazione passa da “quanto velocemente state crescendo” a “possiamo credere a qualsiasi cosa in questa data room”. È uno spostamento fatale a questo punto del processo. Non si riguadagna fiducia tre giorni prima di un bonifico.

C’è un problema di secondo ordine specifico del SaaS. L’ARR è già un termine ambiguo. Lo si usa sia per i ricavi ricorrenti annuali contrattualizzati sia per il run-rate annualizzato, che estrapola un periodo recente su dodici mesi. Founder e investitori annualizzano trimestri, mesi, a volte una sola settimana particolarmente forte, e chiamano tutto ARR. Questa ambiguità è documentata e sta ricevendo sempre più attenzione, man mano che le dichiarazioni di ARR gonfiato attirano scrutinio nel boom delle startup IA. Un LLM calato in una data room non risolve l’ambiguità. Sceglie un’interpretazione, la enuncia con piena sicurezza, e prosegue. Ed è proprio quella sicurezza la parte pericolosa.

Il problema non era il numero. Era la tracciabilità.

Ecco la verità scomoda per chiunque usi l’IA sui dati finanziari: il modello non ha “mentito”. Ha riconosciuto uno schema in un’etichetta, ha fatto una supposizione plausibile sul periodo, e ha prodotto un output fluente. I tassi di allucinazione nell’uso finanziario non vincolato sono stati stimati in un intervallo grezzo tra il 15 e il 25 percento a seconda del task e del livello di ancoraggio ai dati, e i fallimenti si concentrano esattamente dove manca il contesto. Una cella che dice “ricavi ricorrenti Q4” deve sapere se si tratta di un trimestre o di una cifra annualizzata, se netta il churn, se coincide con quanto riportato dal registro contabile. Togliete quel contesto e ottenete una risposta sbagliata detta con sicurezza.

Quindi la soluzione non è “usare un modello più intelligente”. Un modello più intelligente continua a non poter sapere che la cella trimestrale non va annualizzata, perché quella conoscenza non risiede nel testo. Risiede nella struttura dei dati finanziari. La soluzione è mettere l’IA sopra un modello dove ogni cifra porta già con sé il proprio significato e la propria fonte.

È l’intero argomento di questo pilastro sulle allucinazioni IA nei dati finanziari: la difesa duratura contro i numeri inventati è l’ancoraggio a un modello riconciliato, non un prompt migliore.

Cosa serve davvero a una data room difendibile

Se l’associate avesse lavorato su numeri tracciabili fino alla fonte, il lunedì sarebbe andato diversamente. La cifra 4x non sarebbe mai apparsa, perché il periodo sarebbe già stato definito, oppure sarebbe apparsa con un percorso a un clic verso la voce di registro sottostante, e la discrepanza si sarebbe risolta in minuti invece di trasformarsi in una domanda senza risposta.

Tre proprietà rendono possibile tutto questo.

• Un’unica fonte di verità riconciliata. Un solo modello finanziario che quadra con il registro contabile, così che “ricavi ricorrenti Q4” abbia esattamente un significato e l’IA non possa reinterpretarlo silenziosamente. È esattamente ciò che Rexfin costruisce a partire dalle vostre piattaforme contabili o dagli estratti caricati, prima che qualsiasi IA tocchi i dati.
• Calcolo deterministico, non aritmetica dell’LLM. Quando la metrica viene calcolata, deve passare attraverso un motore fisso, non essere indovinata token dopo token da un modello linguistico. Il numero è riproducibile. Lo si chiede due volte, si ottiene la stessa risposta. È anche per questo che “usare semplicemente un interprete di codice” non rende l’IA sicura per la finanza da sola: gli input devono comunque essere corretti.
• Tracciabilità dalla cella alla fonte. Ogni cifra riportata da un’IA dovrebbe collegarsi al documento, alla voce e al percorso di calcolo che sta dietro. Quando un partner chiede “da dove viene questo numero”, si risponde in pochi secondi. Questa capacità è il tema di costruire percorsi di audit per l’IA in finanza, ed è esattamente ciò che mancava nella storia raccontata sopra.

Nulla di tutto questo rende il modello in sé più onesto. Cambia cosa il modello ha il permesso di toccare. L’IA recupera cifre verificate ed esegue calcoli su un motore deterministico, così che l’output nel caso peggiore sia “non ho questa informazione”, non un errore sicuro di sé del 4x travestito da grafico pulito.

La posta in gioco più ampia

La raccolta fondi è il punto più tagliente, ma la stessa esposizione attraversa i board deck, il reporting ai creditori e i calcoli dei covenant. Ovunque un numero esca dalla vostra azienda con il vostro nome allegato, un’IA non ancorata è un rischio che state firmando personalmente. Lo scopo dello strato affidabile di modellazione finanziaria è che le cifre siano affidabili prima ancora che l’IA parli.

La lezione dura di quel Series B perduto non è “l’IA è troppo rischiosa per la finanza”. È che l’IA eredita l’affidabilità dei dati sottostanti, e una data room non riconciliata consegna all’IA una domanda già truccata. Datele un modello riconciliato e cifre tracciabili, e la risposta sicura ma sbagliata smette in gran parte di essere possibile.

Se volete che ogni numero riportato da un’IA sia tracciabile fino alla fonte prima di arrivare a un investitore, prenotate una demo e vi mostreremo il modello riconciliato che sta sotto.