AI in finanza, a prova di audit: modelli difendibili secondo GoBD e AI Act con numeri tracciabili

Un revisore tedesco non accetterà “lo ha detto l’AI”. Questa singola frase spiega perché la maggior parte dei progetti pilota di AI finanziaria nell’area DACH si arena prima di arrivare in produzione. La tecnologia impressiona in demo. Poi qualcuno del Rechnungswesen pone l’unica domanda che conta durante una verifica fiscale: da dove viene questo numero, e potete riprodurlo? Se la risposta onesta è “un modello linguistico lo ha generato da un prompt”, il progetto è già morto, semplicemente non lo sa ancora.

Questo è il divario tra la promessa della finanza autonoma e ciò che un ufficio finance tedesco regolamentato può realmente firmare. La promessa è reale. Anche i vincoli sono reali, e non stanno per sparire. Il GoBD richiede che ogni cifra rilevante ai fini contabili sia tracciabile, completa e inalterabile. L’AI Act dell’UE aggiunge un secondo livello di obblighi sopra a questo. E sotto entrambi si trova il problema più antico della finanza: se i vostri dati non sono riconciliati, nessun modello, AI o meno, produce un numero che potete difendere.

La nostra posizione è semplice. La via d’uscita non è un modello linguistico più intelligente. È un livello di modello riconciliato e verificabile in cui ogni cifra risale alla fonte. Se questo livello funziona correttamente, l’AI diventa genuinamente utile nel controlling. Se lo si salta, si è costruito un modo costoso per generare numeri plausibili che nessuno può sostenere.

Perché l’AI finanziaria continua a fallire il test dell’audit

Lo schema dominante nel 2024 e nel 2025 è stato puntare un modello linguistico di grandi dimensioni sui dati finanziari e chiedergli di “analizzare”. Funziona in un sandbox e crolla sotto tre pressioni.

La prima è l’aritmetica. I modelli linguistici predicono token; non calcolano. Chiedetene uno a sommare una colonna di 400 voci o a calcolare un margine medio ponderato tra segmenti e spesso otterrete un numero vicino, il che in finanza equivale a sbagliato. Vicino non è riconciliato. Vicino non quadra con il libro mastro.

La seconda è la provenienza. Quando un LLM produce una cifra, di solito non esiste una pista di audit che colleghi quella cifra a una specifica registrazione contabile, conto o documento sorgente. Il modello può scrivere una spiegazione sicura di sé, ma la spiegazione è testo generato, non prova. Secondo il GoBD, il testo generato non sostituisce la Nachvollziehbarkeit.

La terza è la riproducibilità. Eseguite lo stesso prompt due volte e potete ottenere due risposte diverse. Un ufficio finance che dipende dalla coerenza di fine mese non può operare su un sistema che varia silenziosamente. Un revisore che trova due versioni dello stesso KPI ha trovato un problema, non una funzionalità.

Nulla di tutto ciò significa che l’AI non abbia posto in finanza. Significa che il ruolo dell’AI deve cambiare.

Il vincolo GoBD, detto chiaramente

I Grundsätze zur ordnungsmäßigen Führung und Aufbewahrung von Büchern (GoBD) stabiliscono come devono essere conservati in Germania i registri rilevanti ai fini contabili. I principi che si scontrano più duramente con un’AI a scatola nera sono la tracciabilità (Nachvollziehbarkeit e Nachprüfbarkeit), la completezza e l’immutabilità. Un revisore fiscale deve poter seguire qualsiasi cifra dal bilancio fino al suo registro sottostante, e il registro non deve essere stato modificato silenziosamente lungo il percorso.

Un modello linguistico che sintetizza un numero a partire da schemi di addestramento e un prompt non soddisfa nessuno di questi requisiti per impostazione predefinita. Non c’è alcuna catena dall’output alla fonte. Non c’è alcuna garanzia che l’input fosse completo. Non c’è alcun registro di ciò che è cambiato.

La correzione è architetturale, non legale. Se l’AI non inventa mai cifre, se recupera soltanto cifre da un modello riconciliato che a sua volta quadra con il libro mastro, e ogni recupero porta con sé un riferimento alla fonte, il requisito di tracciabilità viene soddisfatto per costruzione. L’AI diventa un’interfaccia verso numeri difendibili invece di una fonte di numeri indifendibili. Approfondiamo il tema in Come garantire la tracciabilità GoBD nonostante l’AI a scatola nera.

L’AI Act dell’UE aggiunge un secondo orologio

Il GoBD è in vigore da anni. L’AI Act dell’UE è più recente, e i suoi obblighi stanno entrando in vigore secondo una tempistica che i team finance dovrebbero già avere in agenda. La normativa classifica i sistemi AI in base al rischio, impone obblighi di governance, documentazione, trasparenza e supervisione umana, e, cosa cruciale, si applica alle organizzazioni che utilizzano sistemi AI, non solo ai fornitori che li costruiscono. Un CFO che introduce uno strumento AI nel controlling è un deployer con obblighi propri.

L’implicazione pratica rispecchia quella del GoBD. Un sistema che potete spiegare, documentare e supervisionare è molto più facile da portare in conformità rispetto a uno opaco. Se potete mostrare esattamente cosa ha fatto l’AI, quali cifre ha recuperato, quale calcolo ha eseguito, quale output ha prodotto, tutto tracciabile, avete già gran parte della documentazione e della narrazione sulla supervisione umana. Se la vostra AI è una scatola nera, state costruendo una governance attorno a qualcosa che non potete ispezionare. La nostra analisi degli obblighi e della tempistica si trova in L’AI Act dell’UE da agosto 2026: cosa devono fare ora gli uffici finance.

La qualità dei dati è il vero ostacolo, non il modello

Ecco la verità poco affascinante che la maggior parte delle conversazioni sull’AI finanziaria salta. La parte più difficile non è l’AI. È che i dati sottostanti raramente si trovano in uno stato in cui qualsiasi modello possa produrre un numero che quadri.

La maggior parte delle aziende di medie dimensioni opera su più di un sistema: un ERP, uno strumento di fatturazione separato, fogli di calcolo che qualcuno mantiene a mano, un CRM che è in disaccordo con tutti gli altri. Lo stesso cliente compare sotto tre nomi diversi. Le registrazioni infragruppo non si compensano. Due sistemi riportano ricavi che differiscono per una politica di arrotondamento che nessuno ha documentato. Puntate il modello più intelligente del mondo su tutto ciò e otterrete risposte veloci, sicure di sé e sbagliate.

Un livello di modello riconciliato affronta questo problema prima ancora che l’AI entri in gioco. Il lavoro consiste nel collegare le fonti, risolvere i conflitti e costruire un unico modello finanziario che quadri con il libro mastro, una sola fonte di verità, non una quarta versione concorrente dei ricavi. Solo allora l’AI sopra ha senso. L’argomentazione completa: La qualità dei dati batte il modello: perché l’AI in finanza è un esperimento costoso senza una base dati riconciliata.

Dove l’AI si guadagna il suo posto: scenari e previsioni

Una volta che avete un modello riconciliato e un motore di calcolo deterministico, si aprono i casi d’uso davvero preziosi, quelli che i controller vogliono realmente. Simulazioni what-if. Previsioni rolling. “Cosa succede al nostro margine di manovra sul covenant se il cliente più grande paga con 30 giorni di ritardo e i costi degli input aumentano del quattro percento?”

La distinzione che porta un CFO a fidarsi dell’output: l’AI orchestra la domanda e spiega il risultato in linguaggio semplice, ma i numeri escono da un motore deterministico che opera sul modello riconciliato, non dalla “testa” del modello linguistico. Stessi input, stessi output, ogni volta. Scenari riproducibili che un revisore può rieseguire. Trattiamo il meccanismo in Analisi di scenario e previsioni rolling con l’AI: simulazioni what-if di cui il vostro CFO può fidarsi.

Come funziona realmente il livello

Rexfin è costruito per essere proprio questo livello. Si collega alle vostre piattaforme contabili e di dati finanziari, QuickBooks, Xero, NetSuite, Sage, il vostro data warehouse, oppure a estratti conto caricati, e costruisce un unico modello finanziario riconciliato che quadra con il libro mastro. Da lì, l’AI recupera le cifre, esegue i calcoli tramite un motore deterministico anziché tramite il modello, simula scenari e produce insight che risalgono alla fonte.

La separazione è tutto il punto. Il modello linguistico gestisce il linguaggio: comprendere la domanda, narrare la risposta. I numeri vengono recuperati e calcolati in modo deterministico, con la provenienza allegata. Questo è ciò che rende l’output tracciabile secondo il GoBD e difendibile secondo l’AI Act, invece che semplicemente impressionante in una demo. Potete leggere di più sull’architettura in come funziona e nelle integrazioni supportate.

Il punto chiave

La finanza autonoma non è frenata dall’intelligenza del modello. È frenata dal fatto che possiate difendere il numero quando qualcuno con autorità di audit chiede da dove viene. Risolvete prima la provenienza e la riconciliazione, tenete l’aritmetica fuori dal modello linguistico, e la narrazione sulla compliance, sia GoBD sia AI Act, si scrive in gran parte da sola. Saltate questo passaggio e avrete automatizzato la produzione di numeri che dovrete poi ritrattare.

Se volete vedere cifre che risalgono alla fonte e scenari che potete riprodurre su richiesta, prenotate una demo e portate la vostra domanda di riconciliazione più difficile.