La qualità dei dati batte il modello: perché l'IA in finanza fallisce senza una base riconciliata

Chiedete a un responsabile finanziario tedesco perché il suo progetto pilota di IA si sia bloccato e raramente sentirete rispondere “il modello non era abbastanza intelligente”. Quello che sentirete è che i dati erano un disastro. Il pilota funzionava splendidamente nella demo, su numeri campione puliti, e poi è crollato nel momento in cui ha incontrato tre anni di scritture contabili reali su due entità e un piano dei conti cambiato a metà anno.

Non è un aneddoto. È il riscontro più coerente nella ricerca tedesca sull’IA. I sondaggi Bitkom sulle aziende tedesche collocano ripetutamente la qualità dei dati, la disponibilità dei dati e l’integrazione tra i principali ostacoli all’adozione dell’IA, davanti a costo, competenze e regolamentazione. Altri studi specifici sui reparti finanziari arrivano alla stessa conclusione. L’ostacolo non è l’intelligenza del modello. È lo stato dei dati che ci sta sotto.

Questo dovrebbe cambiare il modo in cui spendete il vostro prossimo ciclo di budget.

Un problema di modello e un problema di dati non sono la stessa battaglia

Se la vostra IA dà risposte sbagliate perché il modello è debole, siete bloccati ad aspettare. Aspettate la prossima release all’avanguardia, pagate più potenza di calcolo, sperate. Non avete quasi nessun controllo.

Se la vostra IA dà risposte sbagliate perché i dati non sono riconciliati, avete un problema che potete effettivamente risolvere, con strumenti che già esistono e metodi che i contabili usano da un secolo. La riconciliazione non è esotica. È la disciplina di far concordare i numeri tra loro e con la fonte. La parte scomoda è che la maggior parte dei progetti di IA in finanza la salta del tutto, perché la riconciliazione non è affascinante e collegare un chatbot a un data warehouse richiede un pomeriggio.

Così i team dedicano quel pomeriggio. Collegano un LLM al registro contabile grezzo e iniziano a chiedergli di margini e runway. Le risposte sono fluenti. Una buona parte sono persino corrette. Ma non c’è modo rapido di sapere quali, perché il modello sta interpretando transazioni grezze che non sono mai state quadrate con nulla. Non avete automatizzato l’analisi. Avete automatizzato la produzione di numeri sicuri di sé che nessuno può verificare.

Perché “date semplicemente all’IA i dati grezzi” si ritorce contro

Emergono quasi subito due modalità di fallimento.

Primo, il modello inventa. I grandi modelli linguistici sono macchine di pattern, non calcolatrici. Chiedetegli di sommare una colonna di 400 voci o di calcolare una media ponderata tra valute e produrrà un numero che sembra plausibile ed è a volte sbagliato di un ampio margine, presentato con la stessa sicurezza di una risposta corretta. Non sa di sbagliare, e nemmeno voi lo saprete finché qualcuno non riconcilia a mano, il che vanifica lo scopo.

Secondo, anche quando l’aritmetica per caso è corretta, la base è sbagliata. Le scritture infragruppo sono contate due volte. Una riclassificazione dello scorso trimestre non è stata applicata. Due sistemi riportano lo stesso ricavo secondo regole di cut-off diverse. Il modello calcola fedelmente su input scorretti e vi consegna una bugia dall’aspetto pulito. Immondizia in ingresso, immondizia sicura di sé in uscita, alla velocità di una macchina.

Per un team finanziario tedesco questo non è solo un problema di accuratezza. Il GoBD richiede che le cifre siano tracciabili alla loro fonte, e da agosto 2026 l’EU AI Act aggiunge obblighi per alcuni casi d’uso in finanza. Un numero che non potete tracciare è un numero che non potete difendere. Approfondiamo questo tema in IA in contabilità e tracciabilità GoBD e sull’orologio normativo in cosa significa l’EU AI Act per i reparti finanziari.

La soluzione è un livello, non un modello più intelligente

Il tassello mancante è un livello di riconciliazione e modellazione che si colloca tra i vostri dati contabili e l’IA, e svolge il suo lavoro prima che al modello sia permesso rispondere a qualsiasi cosa.

In pratica questo significa tre cose. Collegate le vostre fonti, piattaforme contabili come QuickBooks, Xero, NetSuite, Sage, un data warehouse o estratti conto caricati manualmente. Costruite da questi un unico modello finanziario riconciliato, una fonte di verità unica che quadra con il registro contabile, con infragruppo, valute e cut-off gestiti una volta sola e correttamente. Poi l’IA lavora su quel modello anziché sui dati grezzi: recupera cifre già riconciliate, esegue i calcoli tramite un motore deterministico invece di indovinarli, modella scenari ipotetici sulla stessa base affidabile e produce ogni risposta con una tracciabilità fino alla fonte.

La separazione è ciò che conta. Il modello linguistico è bravo a capire la vostra domanda e a spiegare il risultato in parole semplici. È scarso in aritmetica e ancora peggio nel sapere quando sbaglia. Quindi lasciate che gestisca il linguaggio e affidate la matematica a un motore corretto per costruzione. Questo è il design alla base di Rexfin, e la pagina come funziona mostra il flusso dall’inizio alla fine.

Cosa questo non risolve

Vale la pena dirlo chiaramente: un livello di riconciliazione non pulisce magicamente un registro contabile che è genuinamente rotto. Se i vostri dati sorgente hanno errori, la riconciliazione li fa emergere, non inventa la verità. Questa è una caratteristica, non una carenza, perché far emergere una discrepanza è esattamente ciò che volete prima che un numero arrivi a una presentazione al consiglio. Ma significa che il livello è una disciplina, non un pulsante. Il beneficio è che una volta che la base è corretta, tutto ciò che viene costruito sopra, comprese le previsioni e l’analisi di scenario, eredita quella integrità.

Il punto chiave

L’istinto di aspettare un modello migliore è l’errore costoso. Il modello non è il vostro collo di bottiglia e probabilmente non lo è mai stato. Lo sono i dati riconciliati e tracciabili. Sistemate prima la base, mettete un motore deterministico tra l’IA e l’aritmetica, e l’IA smette di essere un esperimento costoso e inizia a essere qualcosa su cui potete mettere un numero davanti al vostro revisore.

Se volete vederla funzionare sui vostri libri contabili, prenotate una demo e portate una domanda a cui il vostro ultimo pilota ha risposto male.