I quattro livelli di cui ogni stack finanziario IA ha bisogno

La maggior parte delle demo di IA per la finanza è profonda due livelli. Si connettono a una fonte di dati, e lasciano che un modello recuperi e parli di ciò che ha trovato. La demo sembra pulita. Poi qualcuno chiede il margine lordo dello scorso trimestre per regione, il modello restituisce un numero sicuro di sé, e il controller lo smonta in quattro minuti perché non quadra con nulla nel libro contabile.

I pezzi mancanti stanno nel mezzo. Uno stack IA finanziario affidabile ha quattro livelli distinti, non due: connessione, riconciliazione, calcolo deterministico e recupero. I due che tutti saltano sono i due che decidono se un numero è difendibile. Saltarli è la ragione strutturale per cui la maggior parte di queste demo muore nella stanza dove qualcuno deve firmare.

Primo livello: la connessione

Questo è il livello che tutti costruiscono per primo, perché è il livello con un’API soddisfacente. Ti colleghi a QuickBooks, Xero, NetSuite, Sage, un’istanza SAP o Oracle, un data warehouse, oppure importi estratti conto ed export caricati. I dati fluiscono. Un modello può vederli.

La connessione è necessaria ed è genuinamente difficile ai margini. Permessi, limiti di frequenza, deriva dello schema, il fatto che “ricavi” in un sistema sia tre campi diversi in un altro. Ma risolvere bene la connessione risolve esattamente un problema: l’accesso. Non ti dice nulla su se i numeri concordano tra loro, e non fa nulla per impedire a un modello di eseguire aritmetica che non ha alcun titolo di fare.

La trappola è che la connessione sembra l’intero lavoro. Puoi dare a un modello linguistico una pipe autenticata verso il libro mastro e guardarlo rispondere a domande in linguaggio semplice. Fa una bellissima figura in demo. È anche l’esatta configurazione che produce numeri che non quadrano, perché i due livelli successivi non fanno nulla.

Secondo livello: la riconciliazione

Qui è dove la maggior parte degli stack ha un buco. I dati finanziari grezzi non sono un modello finanziario. Sono un mucchio di fatti provenienti da sistemi che non sono mai stati progettati per concordare tra loro. Il sottolibro non corrisponde al libro mastro per qualche migliaio. Le voci infragruppo sono registrate su entrambi i lati con tempistiche diverse. Un’entità rendiconta in una valuta diversa, con un calendario di chiusura diverso, con un piano dei conti diverso. Tre export della “stessa” cifra non concordano, e tutti e tre sono tecnicamente corretti dal punto di vista da cui provengono.

La riconciliazione è il lavoro di trasformare quel mucchio in un unico modello che quadra con il libro contabile. Un’unica fonte di verità, in senso letterale: cifre che si riconciliano tra loro e risalgono al sistema da cui provengono. Questo è un lavoro poco appariscente, deterministico, guidato da regole. È anche il livello che decide se qualsiasi cosa costruita sopra è affidabile, perché ogni calcolo e ogni cifra recuperata eredita l’integrità del modello sottostante.

Salta la riconciliazione e stai chiedendo a un’IA di ragionare su contraddizioni. Lo farà. Sceglierà uno dei numeri in conflitto, o li mescolerà silenziosamente, e presenterà il risultato con la stessa fluente sicurezza che dà a una risposta corretta. Il modello non ha alcun meccanismo per sapere che gli input erano in disaccordo. Non è un prompt che puoi correggere. È un livello che non hai costruito.

Terzo livello: il calcolo deterministico

Questo è il livello su cui si discute di più, quindi lasciatemi essere diretto sul meccanismo. I modelli linguistici non calcolano. Predicono il prossimo token più plausibile, e un numero dall’aspetto plausibile non è un numero corretto. La ricerca meccanicistica recente è piuttosto chiara su questo punto: i modelli possono generare aritmetica e non riuscire a validarla, e gli errori sono riproducibili invece che rumore casuale. Esiste persino un lavoro che isola i circuiti interni responsabili di risposte finanziarie sbagliate ma sicure di sé. La conclusione per chiunque costruisca in questo spazio è inequivocabile. Il modello può decidere cosa calcolare. Non deve essere ciò che esegue il calcolo.

Quindi il calcolo deve avvenire altrove, in un motore deterministico. Margini, rapporti, tassi di crescita, consolidamenti, ripartizioni, conversione valutaria al tasso giusto nella data giusta, matematica periodo su periodo. Questi vengono eseguiti come codice contro il modello riconciliato, non come testo generato da un transformer. Stessi input, stessa risposta, ogni volta. Questa proprietà conta per una ragione che non ha nulla a che fare con l’eleganza: un controller può rieseguirlo. Un revisore può rieseguirlo. Un output non deterministico, dove la stessa domanda produce una cifra leggermente diversa il martedì, fallisce le aspettative base di audit e conformità a prima vista.

Un test utile per qualsiasi strumento IA finanziario: chiedigli la stessa domanda numerica tre volte, con parole leggermente diverse. Se le cifre variano, l’aritmetica vive dentro il modello, e hai un problema di terzo livello travestito da funzionalità.

Questa è la parte dell’architettura a cui pensiamo di più in Rexfin, perché è la parte che il mercato continua a cercare di saltare. Collegare un modello al tuo ERP e lasciarlo rispondere “sembra” finito. La matematica esce comunque sbagliata, perché il modello è ancora la calcolatrice.

Quarto livello: il recupero

Il recupero è il livello che riceve i riflettori, e se li merita, solo non nel ruolo che gli danno le demo. Fatto bene, il recupero è ciò che permette a una persona di fare una domanda in linguaggio naturale, estrarre le cifre giuste dal modello riconciliato, eseguire uno scenario what-if, e ottenere una risposta in cui ogni numero risale alla propria fonte. Il compito del modello qui è genuino e prezioso: capire l’intento, recuperare le cifre corrette, incorniciare il risultato, spiegarlo.

Ciò che il recupero non è, è un sostituto dei livelli sottostanti. La generazione aumentata dal recupero (retrieval-augmented generation) si è guadagnata la reputazione ancorando le risposte a documenti reali, e per “cosa dice questa clausola,” è sufficiente. La finanza è aritmetica che deve quadrare. Puntare un modello sulla riga esatta del libro mastro è necessario e comunque lo lascia libero di calcolare il margine sbagliato a partire da un numero corretto. Il recupero ancora da dove viene la cifra. Non rende corretta la matematica. Ecco perché connessione più recupero, la demo a due livelli, tocca un tetto e ci resta.

Quando il recupero si posiziona sopra un modello riconciliato e un motore deterministico, il quadro cambia. Le cifre restituite quadrano già. I calcoli si rieseguono già identicamente. Il modello sta componendo una risposta a partire da parti affidabili invece di fabbricarne una. L’informazione risale alla fonte perché la fonte era reale prima ancora che il modello la vedesse.

Perché il mezzo viene saltato, e cosa costa

I due livelli mancanti mancano per una ragione banale: sono l’ingegneria difficile e poco appariscente, e non fanno effetto in demo. La connessione ha un’API. Il recupero ha una chat box. La riconciliazione e il calcolo deterministico sono infrastruttura silenziosa che si fa notare solo quando è assente, e a quel punto stai spiegando a un CFO perché il numero dell’IA non concorda con la chiusura.

Concedo il limite ovvio. Nulla di tutto ciò rende l’IA onnisciente sul tuo business. Il modello riconciliato vale quanto i sistemi sorgente che lo alimentano, “spazzatura in entrata, spazzatura in uscita” si applica comunque, e le decisioni discrezionali sugli aggiustamenti restano compito del tuo team. Ciò che la separazione in quattro livelli ti offre è più ristretto e più importante: quando l’IA ti dà un numero, è un numero che puoi difendere. Quadra con il libro contabile, la matematica si rieseguisce in modo identico, e la traccia risale alla fonte.

Questo è l’intero criterio per la finanza. Non “impressionante in demo.” Difendibile nella stanza dove qualcuno firma.

Se vuoi vedere come appare uno stack quando i due livelli intermedi sono davvero costruiti, il pilastro lo strato di modellazione finanziaria affidabile per l’IA mostra il quadro completo, e MCP per la finanza non basta approfondisce perché collegare un LLM al tuo ERP produce comunque matematica sbagliata. Quando preferisci vederlo funzionare su numeri reali piuttosto che leggerne, prenota una demo e porta una domanda a cui il tuo ultimo strumento ha risposto male.