TL;DR: introdurre l’AI in amministrazione non significa aggiungere un chatbot sopra Excel. Significa scegliere una decisione ricorrente, collegarla a fonti approvate, automatizzare la preparazione e lasciare a una persona il controllo di eccezioni e firma finale. Il caso pubblicato da OpenAI il 10 agosto 2026 offre un metodo utile, ma descrive obiettivi ancora in costruzione. Per una PMI il punto di partenza realistico è un solo workflow misurabile in 30 giorni.

La promessa della “funzione finance AI-native” è facile da vendere: chiusure più rapide, previsioni aggiornate, meno tempo perso a cercare dati. Il rischio è comprare lo strumento prima di avere deciso quale lavoro deve migliorare.

Per una PMI partirei da una domanda meno ambiziosa: quale decisione amministrativa ripetiamo ogni settimana o ogni mese, e quanto ci costa prepararla? Scostamenti tra budget e consuntivo, controllo delle fatture, previsione di cassa e verifica delle spese sono candidati sensati. Uno solo, non quattro insieme.

La mia take è netta: il primo risultato di un progetto AI in finanza non deve essere un agente autonomo. Deve essere un processo più leggibile. Se fonti, passaggi, eccezioni e responsabilità non sono visibili, l’AI aumenta la velocità ma non il controllo.

Il caso OpenAI: utile, ma va letto per quello che è

Il 10 agosto 2026 Sarah Friar, CFO di OpenAI, ha raccontato come il team stia costruendo una funzione finanziaria centrata sull’AI. Gli obiettivi dichiarati sono una chiusura contabile a zero giorni e previsioni aggiornate in modo continuo. La stessa fonte precisa che entrambi sono ancora in costruzione. Non sono quindi risultati consolidati né un confronto indipendente tra aziende.

La parte interessante è il metodo. OpenAI descrive un percorso che parte dai dati approvati, collega consuntivi, ordini di acquisto, ratei e dettagli delle transazioni, prepara una prima spiegazione degli scostamenti e porta all’attenzione del team solo le eccezioni. Finance valida i numeri, applica il giudizio professionale e mantiene la firma finale.

Un altro esempio è IR-GPT, uno strumento interno basato sui materiali approvati dal team investor relations. Secondo OpenAI, produce in pochi secondi una prima bozza di risposte che prima richiedevano ore e talvolta proseguivano durante la notte. Anche qui il passaggio umano resta esplicito: il team rilegge, aggiunge contesto e controlla la coerenza prima dell’uso.

Questo caso non prova che ogni impresa possa replicare una chiusura a zero giorni. Prova qualcosa di più concreto: l’AI funziona meglio quando il workflow è delimitato, le fonti sono note e l’output non coincide con l’approvazione.

Disegnare il workflow a ritroso dalla decisione

Il lavoro va progettato partendo dalla decisione finale. Prendiamo la revisione settimanale della liquidità. Il risultato atteso non è “un’analisi AI”, ma una risposta verificabile a tre domande: quanta cassa è disponibile, quali movimenti cambiano la previsione e quali eccezioni richiedono una decisione.

Prima di scegliere modello o piattaforma, mapperei cinque elementi:

  1. le fonti ammesse, per esempio estratto bancario, scadenziario clienti, fatture fornitori e budget approvato;
  2. il proprietario di ogni dato e la sua frequenza di aggiornamento;
  3. le trasformazioni deterministiche, come normalizzazione, deduplica e riconciliazione;
  4. i punti in cui l’AI può classificare, sintetizzare o spiegare uno scostamento;
  5. la persona che approva la versione finale e può correggere il sistema.

Questa sequenza evita un errore comune: chiedere al modello di compensare dati disordinati. Un LLM può spiegare una differenza già calcolata. Non dovrebbe inventare quale fattura appartiene a quale commessa perché gli identificativi non coincidono.

La distinzione è importante anche quando si valuta se comprare una piattaforma o costruire uno stack interno. Ho affrontato il tema in AI verticale o stack interno: quale conviene?. Per il primo pilot finanziario sceglierei la soluzione che riduce integrazioni e superficie di rischio, non quella con più funzioni.

L’architettura minima per una PMI

Un workflow finanziario assistito dall’AI può restare semplice. Servono quattro livelli chiari.

1. Fonti approvate e snapshot

Il processo legge copie o esportazioni controllate, preferibilmente in sola lettura. Ogni esecuzione conserva data, versione del file e riferimento alla fonte. Se un dato cambia, deve essere possibile ricostruire quale versione ha prodotto l’analisi.

2. Regole deterministiche prima del modello

Totali, scadenze, soglie e corrispondenze esatte vanno calcolati con codice o formule. Il modello entra dopo, per classificare descrizioni incoerenti, sintetizzare cause possibili e preparare domande di verifica. Ho già spiegato perché conviene separare questi due piani in Regole vs LLM judge: controllare gli output AI.

3. Coda delle eccezioni

Il sistema non deve nascondere i casi incerti. Deve produrre una coda con fonte, importo, motivo del dubbio, proposta del modello e livello di confidenza. L’utente approva, corregge o rimanda. Le correzioni diventano dati per migliorare prompt e regole, non permessi per agire senza controllo.

4. Azione separata dall’analisi

Generare un report e modificare un gestionale sono due privilegi diversi. Nel pilot terrei l’AI in lettura e consentirei al massimo la creazione di una bozza. Pagamenti, registrazioni contabili, invii a clienti e modifiche al budget richiedono un gate umano distinto.

Anche WordPress può entrare nel flusso, ma nel ruolo giusto. Una dashboard riservata o un report interno possono mostrare indicatori ed eccezioni. Non metterei dati finanziari sensibili nel database WordPress né darei a un plugin accesso diretto al conto bancario. WordPress resta l’interfaccia; la logica e le credenziali vivono in un servizio isolato.

Un pilot in 30 giorni, senza progetto infinito

Il pilot deve avere un perimetro abbastanza piccolo da produrre evidenza. La guida che uso per misurare un workflow AI prima di scalarlo si applica bene anche qui.

Settimana 1: baseline e dati

Scegli un processo con almeno quattro esecuzioni nel mese. Misura il tempo oggi impiegato, il numero di fonti consultate, quante correzioni servono e chi firma. Prepara un campione storico già chiuso e verificato. Il sistema verrà testato su casi di cui conosci il risultato.

Settimana 2: prototipo in sola lettura

Costruisci l’importazione dei dati, applica controlli deterministici e usa l’AI per una sola funzione: per esempio spiegare gli scostamenti sopra una soglia già calcolata. L’output deve citare sempre la riga o il documento di origine. Se manca la fonte, la risposta corretta è “da verificare”.

Settimana 3: prova in parallelo

Esegui il vecchio processo e il nuovo sullo stesso periodo. Non sostituire ancora il metodo ufficiale. Confronta risultati, tempo di revisione, falsi positivi e casi non intercettati. Fai correggere l’output alla persona che oggi possiede il processo.

Settimana 4: decisione

Decidi se tenere, correggere o interrompere il pilot. Se il modello prepara una buona bozza ma la revisione costa quanto prima, non hai automazione: hai spostato il lavoro. Se riduce la ricerca manuale ma sbaglia sulle eccezioni rare, può comunque essere utile purché quelle eccezioni restino visibili.

Il piano deve includere fin dall’inizio una condizione di stop. Per esempio: nessun accesso in scrittura, zero output senza fonte e una soglia massima di correzioni manuali. Senza questi limiti, ogni problema viene rinviato alla fase successiva e il pilot non finisce mai.

Controlli, dati e responsabilità

OpenAI raccomanda di definire con IT e governance quali dati il sistema può leggere, quali azioni può eseguire, quando serve un’approvazione e quando un caso va escalato. È una buona checklist anche se si usa un fornitore diverso.

Per i prodotti business, OpenAI dichiara che i dati dell’organizzazione non vengono usati per addestrare i modelli per impostazione predefinita, che i contenuti sono cifrati a riposo e in transito e che sono disponibili controlli amministrativi. Sono dichiarazioni del fornitore. Prima di caricare dati contabili vanno comunque verificati contratto, data residency, retention, log, ruoli e possibilità di esportazione per il piano effettivamente acquistato.

Il controllo minimo comprende:

  • account nominativi, MFA e permessi per ruolo;
  • accesso solo ai dataset necessari al singolo workflow;
  • log di input, fonti, versione del prompt, output e approvazione;
  • separazione tra ambiente di prova e dati reali;
  • procedura per revocare accessi e cancellare i dati;
  • responsabile umano identificato per ogni risultato usato.

Licenze, token e tempo dei dipendenti vanno trattati come un costo operativo unico. In AI aziendale: token, utenti e permessi ho raccolto i controlli che evitano di misurare l’adozione soltanto dal numero di account attivati.

Le metriche che decidono se scalare

OpenAI propone di misurare il lavoro completato, il costo comprensivo di revisione e rilavorazione, la qualità del risultato e l’effetto sulla velocità o sulla decisione. È un’impostazione più utile del conteggio di prompt o token.

Per una PMI userei una scheda corta:

  • tempo totale dal dato disponibile alla decisione approvata;
  • percentuale di record riconciliati senza intervento;
  • numero di eccezioni vere, falsi positivi e casi mancati;
  • minuti di revisione umana per esecuzione;
  • costo del servizio, delle integrazioni e della manutenzione;
  • numero di output usati senza correzione sostanziale.

La metrica principale dipende dal processo. Per una previsione di cassa può essere il tempo necessario a produrre uno scenario aggiornato con fonti tracciabili. Per una riconciliazione può essere la quota gestita automaticamente, purché il sistema non aumenti gli errori non rilevati.

Non sceglierei il modello più economico per singolo token. Sceglierei il workflow con il costo totale più basso per risultato approvato. Un modello meno caro che richiede tre tentativi e dieci minuti di controllo può costare più di uno migliore usato una volta.

Take finale e fonti

Il caso OpenAI è interessante perché non elimina il ruolo finance: sposta il lavoro dalla raccolta alla verifica e dalla preparazione al giudizio. Ma il vantaggio non arriva dal modello da solo. Arriva dalla qualità delle fonti, dalla separazione dei privilegi e da un proprietario umano che firma il risultato.

Per una PMI la sequenza corretta è questa: una decisione, un dataset approvato, regole deterministiche, una funzione AI, un gate umano e una metrica. Se il pilot funziona per 30 giorni, si estende al passaggio successivo. Se non funziona, si interrompe senza avere collegato un agente a metà dell’amministrazione.

Fonti primarie: