Perché un foglio di calcolo è la fondazione sbagliata per l'IA finanziaria (e cosa lo sostituisce)

Una revisione ampiamente citata di 35 anni di ricerca sui fogli di calcolo, pubblicata nel 2024, ha fissato la cifra al 94 percento: quella quota di fogli di calcolo aziendali esaminati nel corso di decenni di studi conteneva almeno un errore. Un lavoro separato ha scoperto che circa la metà dei modelli che le aziende medio-grandi eseguono per decisioni reali porta difetti materiali. Questi non sono casi limite esotici. Questo è il substrato che la maggior parte dei team finanziari già usa per fare budget, previsioni, prezzare accordi e informare il board.

Ora immaginate un assistente IA seduto sopra tutto questo. Legge il foglio, ci scrive sopra, e risponde a domande su di esso in inglese semplice. La promessa è che il foglio di calcolo finalmente parla. La realtà è che l’IA eredita ogni riferimento rotto, ogni override hard-coded che qualcuno ha dimenticato di rimuovere, ogni cella che dice 2024 ma preleva 2023. Non pulisce la fondazione. Costruisce più velocemente su una fondazione incrinata.

Il foglio di calcolo non è mai stato una fonte di verità

Un foglio di calcolo sembra autorevole perché è la cosa che il controller guarda. Ma autorevolezza e affidabilità sono proprietà diverse. La griglia mischia input, calcoli e presentazione nelle stesse celle, senza separazione forzata tra una cifra proveniente dal libro mastro e una cifra che qualcuno ha digitato sopra alle 23 prima di una scadenza. Non c’è provenienza nativa. Chiedete “da dove viene questo numero”, e la risposta onesta è spesso “scorri in su e fidati della barra delle formule”.

Quell’ambiguità è sopportabile quando un umano possiede il foglio. Le persone costruiscono conoscenza locale: quali schede sono obsolete, quale cella non toccare, quale totale è “quello vero”. Il modello non ha nulla di quel contesto tribale. Tratta una cella avvelenata con la stessa sicurezza di una pulita. Quindi il primo problema con l’IA su Excel non è che l’IA sia stupida. È che l’IA sta leggendo fedelmente un documento che non è mai stato progettato per essere un sistema di registrazione.

Cosa mostrano davvero i benchmark

Ora esistono prove concrete su come i modelli linguistici gestiscono specificamente i fogli di calcolo finanziari. FinSheet-Bench, pubblicato all’inizio del 2026, ha costruito un benchmark da dati di portafoglio sintetici modellati su strutture reali di fondi di private equity, poi ha testato dieci configurazioni di OpenAI, Google e Anthropic su ricerche e ragionamento numerico su layout realistici.

Il miglior risultato è stato circa l’82 percento di accuratezza. Sono circa una risposta sbagliata ogni sei domande, dal modello più forte in campo. E peggiorava con la complessità: sul file più grande dell’insieme, la media tra tutti i modelli è scesa sotto il 50 percento. La conclusione stessa del paper è diretta: nessun modello autonomo raggiunge un tasso di errore sufficientemente basso per un uso non supervisionato nella finanza professionale.

Leggete questo come dovrebbe farlo un CFO. Un tasso di mancata risposta del 18 percento non è un problema di arrotondamento da coprire con un disclaimer. Se una cifra su sei in una previsione è sbagliata e non potete dire quale, l’intera previsione è inutilizzabile per qualsiasi decisione che porti conseguenze. L’accuratezza è abbastanza alta da sembrare giusta e abbastanza bassa da essere pericolosa, la peggiore combinazione possibile.

E notate da dove vengono gli errori. Alcuni sono fallimenti di recupero, il modello afferra la cella sbagliata su un layout disordinato con divisori di fondo e intestazioni multi-riga. Altri sono fallimenti di ragionamento, fa l’aritmetica da solo e la sbaglia. Entrambi falliscono silenziosamente. L’output è un numero sicuro senza segnalazione, senza fonte, senza modo di ripercorrere come è stato derivato.

Perché scrivere sopra peggiora le cose

Leggere un foglio difettoso è un rischio. Lasciare che l’IA ci scriva sopra è un’altra categoria interamente. Nel momento in cui un assistente modifica celle, può propagare un errore attraverso schede collegate, sovrascrivere un aggiustamento manuale che esisteva per un motivo reale, o introdurre una formula che sembra plausibile ed è sottilmente sbagliata. Ora avete un foglio di calcolo che nessun singolo umano ha completamente creato, che cambia sotto modifiche automatizzate, alimentando una presentazione per il board.

C’è un punto strutturale più profondo qui. L’LLM è un sistema probabilistico. Un calcolo finanziario dovrebbe essere deterministico: stessi input, stessa risposta, ogni volta. Quando lasciate che il modello decida sia cosa calcolare sia esegua il calcolo dentro una griglia libera, avete cablato un motore non deterministico nell’unica parte del business che è legalmente e operativamente tenuta a essere riproducibile. Questo non è un upgrade di automazione. È un fallimento di controllo in attesa di un audit.

Cosa sostituisce il foglio

La soluzione non è un prompt migliore o un modello più attento. È spostare la fonte di verità fuori dalla griglia interamente. Invece di un’IA che modifica un foglio di calcolo, volete un’IA che interroga un modello riconciliato sottostante.

Concretamente, questo significa un livello che fa tre cose che il foglio di calcolo non ha mai potuto fare. Primo, si collega direttamente a dove vivono realmente i numeri, QuickBooks, Xero, NetSuite, Sage, SAP, Oracle, un warehouse, o estratti conto caricati, invece di ereditare un export manuale. Secondo, riconcilia quelle fonti in un unico modello che quadra con il libro mastro, così esiste una sola cifra per i ricavi, non sette leggermente diverse tra sette schede. Terzo, fa la matematica in un motore deterministico, non nella testa del modello. All’LLM è permesso ragionare, recuperare e spiegare. Non gli è permesso inventare l’aritmetica.

Quell’architettura cambia cos’è una risposta. Quando l’IA riporta un numero, quel numero è stato recuperato da un modello riconciliato e calcolato da un motore deterministico, e riporta alla transazione sorgente. Potete riprodurlo. Potete mostrare a un auditor il percorso. Il problema di accuratezza che i benchmark espongono non viene rattoppato, viene aggirato, perché il modello non è più la cosa che conta.

Questo è anche dove gli scenari finalmente trovano il posto giusto. I CFO vogliono davvero visioni multiple: caso base, ribasso, ipotesi su un piano di assunzioni. L’errore è lasciare che quelle variazioni vivano come numeri in conflitto nei dati sottostanti. Appartengono come scenari sovrapposti a un’unica fondazione riconciliata, ciascuno esplicito su quali ipotesi sono cambiate. Un insieme di fatti, molti futuri modellati, non molti fogli che pretendono ciascuno di essere i fatti.

Il punto chiave

Excel è una superficie eccellente su cui un umano può pensare. È un pessimo sistema di registrazione su cui una macchina possa calcolare, e i dati sui tassi di errore sono chiari da decenni. Innestare l’IA sul foglio di calcolo non risolve questo; lo amplifica. I team che ottengono valore reale e difendibile dall’IA in finanza non sono quelli con l’assistente più intelligente. Sono quelli che hanno smesso di trattare la griglia come la fonte di verità e hanno messo un livello di modellazione riconciliato e deterministico sotto di essa.

Se state valutando l’IA per la finanza, la domanda da porre a un fornitore è semplice: quando il vostro strumento mi dà un numero, potete mostrarmi esattamente da dove viene e dimostrare la matematica nello stesso modo in cui dimostrerei una formula? Rexfin è costruito per rispondere sì. Per vedere come si presenta contro i vostri dati, prenotate una demo.

Per il quadro più ampio, iniziate con il pilastro sul livello di modellazione finanziaria affidabile per l’IA. Da lì, MCP per la finanza non basta spiega perché collegare un LLM al vostro ERP fa comunque sbagliare la matematica, e fonte unica di verità contro versioni sufficienti di verità copre dove appartiene davvero la variazione degli scenari.