Riproducibile per progettazione: come dimostrare un numero IA come si dimostra una formula

Clicca su una cella di un foglio di calcolo e puoi dimostrare il numero che c’è dietro. La barra della formula mostra l’operazione, l’operazione rimanda ad altre celle, e quelle celle rimandano agli input. Puoi ricostruire la cifra a mano e ottenere la stessa risposta ogni volta. Questa proprietà ha un nome nel lavoro di revisione: si riproduce. Stessi input, stesso percorso, stesso risultato.

Ora poni la stessa domanda due volte a un modello linguistico e guarda cosa succede.

In un test ampiamente citato, un modello da 235 miliardi di parametri ha prodotto 80 completamenti distinti su 1.000 esecuzioni identiche, anche con la temperatura impostata a zero. I ricercatori che hanno studiato il problema lo hanno ricondotto all’hardware stesso: differenze di arrotondamento nell’aritmetica in virgola mobile, oltre a kernel GPU non deterministici negli strati di attenzione e normalizzazione. Impostare la temperatura a zero restringe la distribuzione. Non la chiude. Un modello può essere in disaccordo con se stesso su un numero che riporterai a un consiglio di amministrazione.

Questo è il divario di cui parla questo articolo. Non se l’IA possa essere utile in finanza, ma se una cifra generata dall’IA possa essere dimostrata come si dimostra una formula. La risposta dipende interamente da dove avviene l’aritmetica.

Cosa richiede davvero “riproducibile”

Quando un revisore o un comitato di audit dice di voler output IA verificabili, di solito chiede tre cose, anche se le formula in modo diverso.

Primo, il determinismo: input identici producono una cifra identica, oggi e tra diciotto mesi quando qualcuno riaprirà il file. Secondo, la tracciabilità: ogni numero ha un percorso che risale a una scrittura contabile o a un input dichiarato, non a una parafrasi dello stesso. Terzo, l’indipendenza: una seconda parte può rieseguire il lavoro e ottenere lo stesso risultato entro una tolleranza.

Non sono aspettative nuove inventate per l’IA. Sono gli stessi controlli sotto cui la finanza ha sempre operato. Ciò che è nuovo è che i framework di vigilanza hanno iniziato a nominare esplicitamente la riproducibilità. I requisiti di verificabilità dell’AI Act europeo per i sistemi ad alto rischio, il NIST AI Risk Management Framework e le linee guida bancarie statunitensi si basano tutti sulla coerenza a fronte di input identici. Le linee guida COSO sui controlli interni per l’IA generativa, pubblicate nel 2026, hanno fatto lo stesso punto nel linguaggio dei controlli: “impostare e dimenticare” non funziona con i modelli probabilistici, e il monitoraggio diventa un’attività di controllo anziché un ripensamento.

Alcuni team di revisione sono andati oltre e hanno messo per iscritto cosa sono disposti ad accettare. Sono comparsi standard di replica con una cadenza di campionamento esplicita e una banda di tolleranza del ±5 percento per le riesecuzioni indipendenti. Leggilo con attenzione. Una banda di tolleranza è ciò che si specifica quando si è già ammesso che il sistema non può riprodursi in modo esatto. Per una riconciliazione di bilancio, il ±5 percento non è un margine di arrotondamento. È una falla.

Perché il modello non può mai essere la calcolatrice

L’istinto, di fronte alla variabilità del modello, è abbassare la temperatura e sperare. Abbiamo visto team farlo e convincersi di aver risolto il problema. Riduce la variabilità visibile sulle risposte brevi e nasconde il resto.

Il problema più profondo è concettuale. Un modello linguistico predice il token successivo. È straordinariamente bravo a riconoscere che una domanda riguarda il margine lordo e che il margine lordo coinvolge ricavi e costo del venduto. Non è una calcolatrice. Quando “calcola” 4.182.665 meno 3.114.209, sta producendo una sequenza plausibile di cifre, non eseguendo una sottrazione. Il più delle volte la sequenza plausibile è corretta. Il più delle volte è il problema. Non puoi mettere “di solito corretto” in una nota a piè di pagina.

Un altro filone di lavoro sui flussi finanziari chiama questa modalità di guasto output drift: lo stesso prompt eseguito su provider diversi, o su versioni diverse del modello, o semplicemente in un martedì qualunque, restituisce cifre che non tornano più. Il drift è invisibile finché la riconciliazione non lo intercetta, e la riconciliazione è esattamente il passo che i team vogliono automatizzare via.

Quindi il modello deve mantenere il suo vero punto di forza, il linguaggio e l’intento, e cedere l’unico compito per cui non è mai stato costruito. L’aritmetica deve spostarsi altrove, in un luogo deterministico.

Il livello che rende tutto dimostrabile

Questo è il disegno su cui è costruito Rexfin, e il ragionamento è chiaro una volta separati i compiti.

Rexfin si collega ai sistemi in cui i tuoi numeri già vivono, tra cui QuickBooks, Xero, NetSuite, Sage, SAP, Oracle e il tuo data warehouse, o estratti conto caricati. Da queste fonti costruisce un unico modello finanziario riconciliato che torna con il libro mastro. Quel modello è l’unica cosa rispetto a cui ogni cifra viene calcolata. Il motivo per cui questo conta è trattato nel pilastro su il livello di modellazione finanziaria affidabile per l’IA, e la trappola di trattare un foglio di calcolo come quella fondazione è l’argomento di perché un foglio di calcolo è la fondazione sbagliata per la finanza IA.

Quando fai una domanda, il modello linguistico fa la parte in cui è bravo: interpreta cosa intendi e sceglie quali cifre e operazioni sono rilevanti. La matematica vera e propria passa attraverso un motore di calcolo deterministico, non l’LLM. Il motore esegue l’operazione sul modello riconciliato, restituisce la cifra e registra il percorso dagli input al risultato. Rifai la stessa domanda il trimestre prossimo sugli stessi dati e ottieni lo stesso numero. Passala a un secondo revisore e otterrà lo stesso numero. Questa è la riproducibilità nel senso del foglio di calcolo, ripristinata.

Vale la pena essere precisi sul perché collegare un modello al tuo ERP tramite un protocollo non è la stessa cosa. Una connessione dà al modello accesso ai dati; non sposta l’aritmetica fuori dal modello. Approfondiamo questa distinzione in MCP per la finanza non basta. L’accesso senza un motore deterministico permette solo al modello di recuperare numeri reali e poi fare su di essi una matematica inaffidabile.

Cosa cambia nella stanza

Immagina la conversazione di audit. Qualcuno mette in discussione una cifra nel management pack. Con un approccio che coinvolge il modello nel calcolo, la risposta onesta è che il numero è stato generato, probabilmente corretto, ma non garantito da riprodurre. Quella risposta non sopravvive a una revisione dei controlli.

Con un livello deterministico, la risposta è diversa. La cifra risale a scritture contabili specifiche. L’operazione che l’ha prodotta è registrata. Rieseguila e restituisce lo stesso valore. Non stai più difendendo un numero generato. Stai mostrando il tuo lavoro, come faresti per una formula.

Il lavoro di scenario riceve lo stesso trattamento. Quando modelli un what-if in Rexfin, il motore ricalcola in modo deterministico contro il modello riconciliato, così uno scenario negativo che presenti al consiglio può essere riprodotto riga per riga anziché rigenerato e silenziosamente diverso. Puoi vedere come questo si traduce in flussi di lavoro finanziari reali nella pagina dei casi d’uso.

Niente di tutto questo rende il modello meno prezioso. Rende il modello affidabile dandogli un compito che può davvero mantenere: capire la domanda, narrare la risposta, lasciare l’aritmetica a un livello che si riproduce. Togli tutto il resto e questo è l’intero argomento. Un numero che non puoi riprodurre non è un numero che puoi riportare.

Se al tuo team viene chiesto di mettere cifre IA davanti a un revisore o a un consiglio, la domanda da risolvere per prima è se quelle cifre si riproducono. Prenota una demo e faremo passare una delle tue riconciliazioni attraverso il motore deterministico, due volte, e ti lasceremo verificare il risultato rispetto al tuo libro mastro.