FINRA segnala le allucinazioni dell'IA: cosa devono fare i team finanziari regolamentati sui numeri inventati

Il 9 dicembre 2025 FINRA ha pubblicato il suo Rapporto Annuale di Vigilanza Regolamentare 2026. Sepolta tra circa 90 pagine di priorità, una definizione si trova ora sulla scrivania di ogni responsabile della conformità presso una società associata: un’allucinazione si verifica quando un modello “genera informazioni imprecise o fuorvianti, ma presentate come informazioni fattuali.” Il regolatore ha fornito degli esempi: numeri allucinati, riferimenti normativi inventati, riepiloghi imprecisi dei dati dei clienti. Non sono ipotesi inventate da un fornitore per vendere software di governance. Sono le specifiche modalità di guasto che un’organizzazione di autoregolamentazione ha deciso di mettere per iscritto.

Se gestisci la finanza o la conformità presso un broker-dealer, questo cambia i calcoli sull’IA. La domanda non è più se il tuo modello inventi occasionalmente una cifra. La domanda è se puoi dimostrare, su richiesta, che il numero che un rappresentante registrato o un analista ha mostrato a un cliente risale a una fonte reale.

Cosa ha detto davvero FINRA, e cosa non ha detto

Partiamo dai limiti, perché contano. FINRA non ha scritto una nuova regola. Il rapporto 2026, come già l’Avviso Regolamentare 24-09 prima di esso, si appoggia a un principio che FINRA ripete spesso: le sue regole esistenti sono “tecnologicamente neutre.” Una cifra di utili allucinata in un riepilogo per il cliente redatto dall’IA è regolata dalle stesse norme di supervisione e comunicazione sempre applicate. Lo strumento è nuovo. L’obbligo no.

Questo principio incide più di quanto farebbe una nuova regola. La Rule 3110 richiede un sistema di supervisione “ragionevolmente progettato” per garantire la conformità alle leggi sui titoli. L’impostazione del rapporto 2026 è che “ragionevolmente progettato” ora deve tenere conto dei rischi noti degli strumenti che una società sceglie di adottare. L’allucinazione è, per stessa ammissione di FINRA, un rischio noto. Quindi un sistema di supervisione che invia output dell’IA ai clienti senza un controllo che intercetti i numeri inventati è, di conseguenza, più difficile da difendere come ragionevole.

L’aspettativa del rapporto è concreta: le società dovrebbero valutare i propri obblighi di conformità prima di adottare l’IA generativa, costruire una governance per supervisionarne l’uso e mantenere una persona qualificata che riveda i contenuti generati dall’IA usati per le interazioni con i clienti, l’analisi finanziaria o gli scopi di conformità. Il controllo umano nel processo (human in the loop) è la mitigazione principale citata. Torneremo sul perché questo, da solo, non basta.

Perché “fai controllare a un umano” fallisce silenziosamente

Chiedi a un revisore di intercettare le allucinazioni e avrai descritto il compito, non risolto il problema. Il revisore legge del testo in prosa. La prosa è fluente e sicura di sé. Una cifra inventata appare esattamente come una corretta: è proprio questo il problema di questa categoria di errore. Non c’è un errore di battitura, nessuna frase spezzata, nessun segnale d’allarme. Un numero di ricavi sbagliato dell’8% si legge in modo identico a uno esatto.

Così il revisore ricade sul controllo a campione, e il controllo a campione scala male. Un pacchetto mensile di revisione per un cliente può contenere quaranta cifre distribuite su una dozzina di conti. Verificarle una per una a mano rispetto alla fonte significa riaprire estratti conto fiduciari, libri contabili e depositi precedenti, cioè gran parte del lavoro che l’IA avrebbe dovuto eliminare. In pratica, la revisione degenera in una prova dell’olfatto: sembra plausibile? Questo fa spuntare la casella dell’audit trail e non intercetta quasi nulla.

Il problema più profondo riguarda l’origine del numero. Quando un modello linguistico “legge” un 10-K o un estratto conto e riporta una cifra, sta generando un testo statisticamente plausibile dato il documento, non recuperando un valore da un registro strutturato. Il più delle volte il testo plausibile corrisponde al numero reale. A volte no, e nulla nell’output indica in quale caso ci si trova. Un revisore non può supervisionare un processo i cui guasti sono invisibili per costruzione.

Il controllo che l’impostazione di FINRA implica davvero

Leggi il rapporto 2026 da ingegnere anziché da avvocato e ti indica qualcosa di specifico: l’output deve essere tracciabile, e la matematica deve essere affidabile. Non “rivisto.” Tracciabile. Ogni cifra mostrata a un cliente dovrebbe portare con sé un percorso che riconduca a un documento sorgente o a una voce contabile, e qualsiasi numero derivato da un calcolo dovrebbe provenire da un processo che puoi rieseguire ottenendo la stessa risposta.

Questa è la differenza tra chiedere a un modello di avere ragione e costruire un sistema che non può presentare un numero che non è in grado di rintracciare. Non sono lo stesso problema di ingegneria, e solo uno dei due sopravvive a un’ispezione.

Ecco la linea su cui Rexfin è costruito. Lo strato di modellazione finanziaria affidabile per l’IA non chiede al modello linguistico di essere la fonte della verità. Si collega a dove i numeri risiedono davvero, QuickBooks, Xero, NetSuite, Sage, il data warehouse, oppure estratti conto caricati, e costruisce un unico modello finanziario riconciliato che quadra con il libro contabile. L’IA recupera quindi le cifre da quel modello invece di generarle da un PDF. Quando serve un calcolo, un margine, un tasso di crescita, un rapporto, questo passa attraverso un motore deterministico, non attraverso l’LLM. Il modello orchestra e spiega. Non fa l’aritmetica, e non inventa gli input.

Il vantaggio in termini di conformità è la parte che conta per FINRA. Ogni cifra si ricollega alla fonte. Riesegui la stessa domanda il trimestre successivo e ottieni lo stesso numero, perché è stato prodotto da un motore deterministico. Quando un ispettore chiede da dove viene un valore, la risposta è una citazione, non un’alzata di spalle. È così che la piattaforma trasforma l’output dell’IA in qualcosa che puoi davvero difendere.

Una concessione, perché è meritata

Niente di tutto questo rende l’IA infallibile, e qualsiasi fornitore che ti dica il contrario è quello di cui dovresti diffidare. Un modello riconciliato vale quanto la riconciliazione stessa. I dati sorgente possono essere sbagliati ancora prima che l’IA li tocchi. Un motore deterministico calcola esattamente ciò che gli dici, inclusa una formula errata, con coerenza perfetta. Tracciare un numero fino alla sua fonte dimostra la provenienza, non la correttezza: la voce sottostante può comunque essere un errore.

Ciò che cambia è la categoria di rischio che ti rimane in mano. Passi da “l’IA potrebbe averlo inventato e non lo sapremmo mai” a “questa cifra proviene da una fonte specifica attraverso un calcolo noto.” Il primo caso è indifendibile in un’ispezione. Il secondo è il lavoro ordinario della finanza: verificabile, sottoponibile ad audit, e il tipo di cosa attorno a cui un sistema di supervisione può essere ragionevolmente progettato.

In sintesi

FINRA ha inserito i numeri inventati in un rapporto regolamentare. Questo elimina l’opzione di trattare l’allucinazione come una stranezza tollerabile e la riqualifica come un fallimento di supervisione in attesa di un’ispezione. Le società che usciranno bene da questo passaggio non saranno quelle con il memo più severo del tipo “per favore ricontrolla l’IA.” Saranno quelle la cui IA non può strutturalmente presentare un numero che non è in grado di tracciare, e la cui matematica passa attraverso un motore che restituisce sempre la stessa risposta.

Se preferisci mostrare a un ispettore una citazione piuttosto che spiegare un’ipotesi, prenota una demo e ti mostreremo come il modello tracciabile regge esattamente a quel tipo di controllo.

Per saperne di più su come questi errori si insinuano, consulta la pagina pilastro su le allucinazioni dell’IA nei dati finanziari, oppure i casi specifici su perché l’IA legge male il tuo 10-K e la checklist di verifica da eseguire prima che i numeri dell’IA arrivino a un board deck.