Il problema del 95%: cosa significa per la finanza il GenAI Divide del MIT

Un numero circola nelle sale riunioni da quasi un anno: il 95% dei pilot di IA generativa aziendale non produce un ritorno misurabile. Deriva dall’iniziativa NANDA del MIT, in un report del 2025 intitolato The GenAI Divide: State of AI in Business. I ricercatori hanno esaminato centinaia di implementazioni e hanno scoperto che la stragrande maggioranza non ha mai spostato una voce di conto economico. Una piccola minoranza sì.

Quella statistica viene citata per giustificare la cautela, o usata come battuta. Entrambe le letture perdono il punto. La domanda interessante non è perché il 95% abbia fallito. È cosa ha fatto diversamente l’altro 5%. E in finanza, nello specifico, la risposta è scomoda, perché non ha quasi nulla a che vedere con il modello scelto.

Il divario non riguarda la qualità del modello

Quando il pilot IA di un team finance muore, il post mortem di solito incolpa la cosa sbagliata. “Il modello non era abbastanza intelligente.” “Allucinazioni.” “Ci serviva GPT-5, non GPT-4.” Così il team attende la release successiva, esegue lo stesso pilot su un modello migliore e ottiene lo stesso risultato deludente. Il modello non è mai stato il collo di bottiglia.

L’impostazione del MIT è che il divario si trovi tra gli strumenti e i flussi di lavoro. Gli assistenti chat generici vengono adottati facilmente perché sono tolleranti: bozza di un’email, riassunto di un documento, nessun danno se leggermente impreciso. Ma i sistemi pensati per svolgere lavoro operativo reale, dove l’output alimenta una decisione, si bloccano. Non trattengono il contesto, non si integrano con il modo in cui il team lavora davvero e, cosa cruciale, nessuno può fidarsi abbastanza dell’output da agire senza ricontrollare tutto a mano. A quel punto, cosa ha fatto risparmiare l’IA?

In finanza il problema della fiducia è più acuto quasi ovunque altrove. Un riassunto “quasi giusto” va bene per un recap di riunione. Un margine lordo “quasi giusto” è un numero sbagliato in un board deck, e c’è il tuo nome sopra.

Perché la finanza fallisce per una ragione diversa

Fuori dalla finanza, la modalità di fallimento è spesso l’attrito nel flusso di lavoro. Dentro la finanza, sotto quel problema ce n’è uno più specifico: i dati su cui l’IA ragiona non erano affidabili fin dall’inizio.

Ripercorriamo cosa succede davvero. Un team punta uno strumento IA sui propri dati QuickBooks o NetSuite, oppure carica qualche export, e inizia a fare domande. Il sistema contabile dice una cosa. Il CRM dice un’altra sugli stessi clienti. Il board deck del mese scorso ha una terza versione della cifra di ricavo perché qualcuno ha fatto una rettifica manuale in un foglio di calcolo che non è mai tornata nel libro mastro. L’IA non sa nulla di tutto questo. Media con sicurezza sul caos e restituisce una risposta che non torna con nulla.

Non è un difetto del modello. È un difetto dei dati che il modello eredita fedelmente. I team FP&A conoscono già intimamente questo dolore: sondaggio dopo sondaggio si scopre che gli analisti spendono una quota consistente della settimana, spesso qualcosa tra un terzo e quasi la metà, solo a raccogliere e riconciliare dati prima che inizi qualsiasi analisi. Quella riconciliazione manuale è il lavoro che rende un numero affidabile. Saltarla, e l’IA diventa veloce e sbagliata invece che lenta e giusta.

Quindi la vera precondizione per il ROI dell’IA in finanza non è un modello migliore. È una fonte unica di verità riconciliata: un unico modello finanziario dove i numeri tornano davvero con il libro mastro, prima che l’IA li tocchi mai. Questo è il cuore di perché un’IA finanziaria affidabile ha bisogno di un modello riconciliato sotto.

Cosa hanno in comune il 5% di successo

Togli l’hype e le implementazioni riuscite condividono un tratto poco eccitante. Erano ancorate. L’IA non stava associando liberamente su un mucchio di documenti; recuperava da una fonte dati definita e governata, e chi la usava poteva vedere da dove veniva ciascuna risposta.

Questo è tutto il gioco. L’ancoraggio trasforma un sistema plausibile in uno difendibile. Quando un controller può cliccare una cifra e risalire alla transazione sorgente, l’IA smette di essere una passività e diventa leva. Quando non può, ogni output richiede una verifica manuale, e il caso di produttività crolla: hai aggiunto un passaggio, non rimosso uno.

C’è una trappola correlata che vale la pena nominare. Anche con un buon ancoraggio, chiedere a un modello linguistico di calcolare la risposta reintroduce errore, perché gli LLM sono genuinamente scarsi in aritmetica (approfondiamo la meccanica in perché l’IA sbaglia la matematica finanziaria). La soluzione è lasciare che l’IA recuperi e interpreti, e affidare il calcolo vero e proprio a un motore deterministico. Il retrieval ancora gli input. Il motore garantisce la matematica. Nessuno dei due da solo basta.

Come entrare nel 5%, in ordine

Se sei un CFO che deve decidere se il budget IA di quest’anno ripeterà la delusione dell’anno scorso, l’ordine conta più degli strumenti. In sintesi:

• Riconcilia prima di tutto. Arriva a un unico modello dove ricavi, margine e cassa tornano con il libro mastro su ogni fonte connessa. Nessun passaggio IA vale la pena eseguirlo su numeri che non firmeresti.
• Ancora l’IA a quel modello, non a export grezzi o a un mucchio di documenti. L’IA dovrebbe recuperare dalla fonte riconciliata, con ogni cifra tracciabile fino all’origine.
• Delega la matematica a uno strato deterministico. Lascia che il modello decida cosa calcolare; lascia che un motore vero faccia il calcolo, così la stessa domanda dà sempre la stessa risposta.
• Poi automatizza. Una volta che ti fidi dei numeri e del percorso che li produce, espandi verso reporting, analisi degli scostamenti e scenari. L’automazione è la ricompensa della fiducia, non un suo sostituto.

La maggior parte dei pilot falliti inverte questo ordine. Automatizzano prima, scoprono che i numeri non sono affidabili e chiudono tutto in silenzio. Il 95% non è un verdetto sull’IA. È un verdetto su dove si è iniziato.

Il punto chiave

Il MIT non ha dimostrato che l’IA non funziona in finanza. Ha dimostrato che l’IA costruita su dati non riconciliati non funziona, cosa che qualsiasi controller avrebbe potuto dirti gratis. Il modello ormai è una commodity. Lo strato finanziario riconciliato e tracciabile sotto di esso è la parte difficile, ed è quella che decide su quale lato del divario finisci.

Se vuoi che la tua prossima iniziativa IA sia nel 5%, la prima mossa poco affascinante è sistemare i numeri. È quello per cui Rexfin è costruita. Prenota una demo e ti mostreremo come appare l’IA quando ogni cifra torna alla fonte.