L'IA per la finanza aziendale e come implementarla correttamente

Ogni CFO con cui parlo in aziende da oltre un miliardo di fatturato si confronta con il panorama dell'AI su due fronti:

L'assistente orizzontale: fornire a tutti nella tua organizzazione Microsoft Copilot o Claude Cowork. Il problema è che ogni dipendente attiva 3 agenti, che non comunicano tra loro, e in 3 mesi hai speso 3 milioni di dollari in token, con l'80% degli agenti inattivi o in continuo malfunzionamento in produzione. Ti ritrovi con una fattura di 3 milioni di dollari per il consumo di token e un cimitero di debito tecnico senza un responsabile.

La soluzione puntuale: introdurre un nuovo software per la contabilità fornitori, un altro per la chiusura contabile, e un altro ancora per le spese. Questo non funziona perché un software progettato per tutti non è fatto su misura per te. Non capisce che il tuo processo di contabilità fornitori prevede 7 passaggi, non 4, e non comprende la tua logica di gestione delle eccezioni. Di conseguenza, i tuoi dipendenti o non lo usano, o lo usano ma il ROI è inferiore al 15%. E peggio ancora, i tuoi dipendenti si lamentano che questo nuovo software è diverso dal loro vecchio modo di lavorare, e la metà pensa che sia un peggioramento. Un incubo.

Il mio compito è aiutare i CFO a trovare il giusto mix di entrambe le soluzioni per loro. C'è assolutamente un bisogno per l'assistente orizzontale, ma serve a uno scopo diverso. I dipendenti avranno comunque del lavoro da fare, e questo assistente aiuta un singolo dipendente a fare il lavoro di 10. Ma ti sfugge il quadro più ampio: agenti di background che svolgono il lavoro senza bisogno di essere sollecitati o utilizzati da un dipendente. Immagina un agente che legge ogni fattura nel momento in cui arriva, la abbina al giusto ordine di acquisto, e la sblocca o gira l'unica fattura anomala all'unica persona che deve decidere, tutto prima che il tuo team apra i portatili. Un agente che riconcilia ogni mattina l'attività bancaria del giorno precedente con la contabilità, così la chiusura è praticamente finita prima ancora che inizi la fine del mese. Un agente che insegue autonomamente ogni fornitore per la W-9 mancante o il pagamento scaduto, così nessuno del tuo team dovrà mai più scrivere una di quelle email. Nessuno li attiva. Lavorano semplicemente in background, e il lavoro è già fatto quando arrivi.

Per contesto, io gestisco Varick Agents (@varickagents). Collaboriamo con i team finanziari aziendali e implementiamo agenti AI che operano all'interno degli strumenti che già utilizzano. La finanza è il settore in cui abbiamo visto i risultati più rapidi e misurabili, perché il lavoro è ripetitivo, i processi sono ben definiti, e il costo della versione manuale è banalmente facile da quantificare.

L'obiettivo di questo articolo è mostrarti come abbiamo fatto questo per diverse aziende su larga scala, le insidie che abbiamo imparato a evitare, e come misuriamo il successo alla fine. In più: come facciamo a non spendere milioni di dollari in token ogni anno, e come riduciamo le allucinazioni quasi a zero. Per riferimento, abbiamo portato la chiusura di fine mese di un cliente da 12 a 5 giorni. Contemporaneamente, abbiamo ridotto i tassi di errore del 72%. Il valore catturato è stato di oltre 45 milioni di dollari all'anno, come combinazione di aumento dei ricavi, risparmi sui costi e riduzione del rischio. È sempre lo stesso schema, anche se gli agenti finali sono molto diversi (ecco perché il software point solution non funziona).

I tassi di fallimento delle implementazioni AI in finanza sono alti

Prima del "come", facciamo un rapido quadro dei numeri. Il divario tra dove sono i team finanziari e dove potrebbero essere è ampio, ma i risultati dell'AI finora sono stati piuttosto scarsi.

• Gartner ha intervistato 183 leader finanziari: l'84% ha implementato o prevede di implementare l'AI, ma solo il 7% ha riportato un impatto elevato.
• Il gruppo NANDA del MIT ha esaminato 300 implementazioni e ha scoperto che il 95% dei pilot aziendali di Gen-AI non fornisce alcun ritorno misurabile al conto economico.
• Gartner prevede che oltre il 40% dei progetti AI agentici verrà cancellato entro la fine del 2027 a causa di costi, valore poco chiaro e controlli del rischio deboli.

Quindi, quando dico che la maggior parte di questi fallisce, mi riferisco a queste statistiche. E ti spiegherò perché qui sotto, ma per confronto, il 100% delle implementazioni nei dipartimenti finanziari di Varick è stato implementato con successo in produzione, con un ROI positivo misurabile (la media è 5,5x).

Ora, per quanto riguarda il lavoro stesso:

• 2/3 delle fatture richiedono ancora l'intervento di uno o più umani. Solo un terzo passa direttamente (Ardent Partners, 2025). Presso i clienti con cui abbiamo lavorato, spesso ci sono 3 o più persone che toccano ogni fattura prima che sia completamente elaborata.
• Una fattura manuale costa $12,42 da elaborare dall'inizio alla fine.
• La metà di tutti i team finanziari impiega oltre una settimana per chiudere i libri contabili (Ledge, 2025), e il 94% di loro vive ancora in Excel da qualche parte all'interno di quella chiusura.
• Il 14% delle fatture viene segnalato come eccezione, e le eccezioni sono il singolo mal di testa più citato nella contabilità fornitori. Questa è la statistica su cui voglio attirare maggiormente l'attenzione. Le tue eccezioni sono diverse da quelle dell'azienda successiva, il che significa che nessun SaaS o prodotto generico può risolvere questo enorme mal di testa nel modo di cui hai bisogno. La necessità di software personalizzato non è mai stata così alta per le funzioni finanziarie e, fortunatamente, l'AI è lo strumento perfetto per questo.

Niente di tutto questo è più un problema tecnologico. È un problema di flusso di lavoro, un problema di "collante umano", e questa distinzione è quella che evidenzierò più in dettaglio qui sotto.

Perché gli assistenti orizzontali (Claude Cowork, Microsoft Copilot) falliscono

Anche se ignoriamo la bolletta dei token (milioni al trimestre), il problema più grande è che anche i modelli all'avanguardia sbagliano il lavoro finanziario nella maggior parte dei casi. Quando i modelli all'avanguardia (Fable, Opus, GPT 5.5, ecc.) sono stati sottoposti a oltre 900 compiti reali di analisti finanziari quest'anno, il migliore ha raggiunto solo il 52% di precisione (Vals AI). Un altro studio ha testato 19 modelli su un vero piano dei conti e la precisione più alta è stata del 66% (DualEntry). In una funzione finanziaria, questi livelli di precisione sono catastrofici. Persino i documenti ufficiali di Microsoft dicono di non usare Excel Copilot per calcoli numerici o qualsiasi cosa con implicazioni di conformità, il che è ironico perché hanno messo l'AI nel tuo foglio di calcolo in primo luogo.

Le allucinazioni non significano un errore di battitura in un'email. Se la tua AI allucina un fornitore o sballa un'eliminazione intercompany, sono soldi veri che escono dalla porta, da ritrovare e stornare. La mancanza di verificabilità è anche un problema enorme. "L'ha detto l'AI" non funziona con un revisore SOX.

I tuoi agenti AI devono essere protetti e autorizzati, in modo che eseguano solo le azioni esatte che permetti loro, determinate come risultato di un audit AI completo. Ogni attività viene ulteriormente scomposta nel suo stato più deterministico, in modo che il modello decida solo i pochi passaggi che richiedono giudizio, invece di tutto dall'inizio alla fine. È così che la precisione si mantiene sopra il 97%, con tracce degli agenti che possono essere presentate a un revisore e alla dirigenza.

Perché più soluzioni puntuali peggiorano le cose

Quindi salti il generalista e compri una dozzina di specialisti: un agente AP da Ramp e Brex e Bill, crediti da HighRadius, agenti di chiusura da BlackLine e FloQast, tutto infilato nell'ERP di SAP e Workday, più un nuovo ERP nativo AI. Capisci dove voglio arrivare? L'AI doveva essere la ragione per cui finalmente ti allontani da 20 diversi fornitori di software, ognuno che fa qualcosa di diverso. Hai bisogno di un unico pannello di controllo che viva attraverso i tuoi sistemi esistenti. Quei sistemi hanno già tutto ciò di cui un agente ha bisogno per funzionare sopra di essi, nessuna nuova piattaforma richiesta. Invece, vedo CFO introdurre, con rammarico, più licenze software, più superfici in cui il loro team deve accedere e tenere traccia, e alla fine, quasi nessun guadagno di efficienza da mostrare.

Cosa funziona

Ogni implementazione nei dipartimenti finanziari che funziona segue la stessa filosofia: un unico livello che si posiziona sopra e in mezzo al software che già utilizzi, invece di un altro strumento in cui il tuo team deve accedere. Legge dal tuo software come NetSuite, Bill e Workday, spostando i dati tra di loro e svolgendo il lavoro esattamente come farebbe il tuo team. Dove necessita di assistenza, segnalerà le modifiche per il tuo team da aggiustare.

In questo modo, potenzi l'operatore, non il compito. In questo momento, i tuoi strumenti automatizzano ciascuno una fetta del lavoro, ma nessuno automatizza la persona nel mezzo, che sta copiando un numero da uno schermo all'altro, controllando se due cifre corrispondono, inviando l'email di sollecito quando non corrispondono, escalation quando nessuno risponde. Questa persona è il collante, e il collante è dove risiede tutto il valore: la riduzione del tempo di ciclo significa che si risparmia tempo e si generano più entrate, più velocemente.

Se prendiamo questo esempio alle eccezioni: immagina una fattura che arriva senza un ordine di acquisto. In questo momento, un analista AP deve scoprire chi l'ha ordinata, poi trovare il PO giusto filtrando la posta in arrivo, poi abbinarla, prima di finalmente approvarla. Le eccezioni sono più comuni di quanto pensi; questo accade centinaia di volte al mese.

Tuttavia, con un livello agente unificato, l'AI coglie questa eccezione nel momento in cui arriva, poi cerca nel sistema PO per fornitore, importo, data, prima di finalmente sbloccare da sola le corrispondenze pulite, proprio come farebbe il tuo analista. Quando l'agente non è sicuro, invia i due PO più probabili a un analista su Slack e chiede di determinare quale sia quello giusto. 15 minuti di ricerca diventano trenta secondi per un sì o un no, con tutte le informazioni presentate in anticipo. La stessa modellazione avviene nella riconciliazione bancaria, nelle eliminazioni intercompany, nella ricerca di W-9, nelle email sullo stato dei pagamenti e nella lista PBC del revisore.

Come implementare questo sistema nella pratica

Facciamo 5 cose ogni volta:

1. Gli ingegneri schierati in prima linea si integrano con il tuo dipartimento e mappano ogni processo dall'inizio alla fine. I processi documentati e le SOP raramente catturano la realtà, che è ciò che le persone fanno effettivamente. Ad esempio: "Quando qualcosa va storto, controllo prima questo foglio di calcolo" e "Invio un'email direttamente a Sarah perché gli avvisi sono rotti da 3 anni." Un esempio reale: "la SOP dice che le fatture vengono abbinate ai PO nel sistema." Ma in realtà, vengono abbinate nel sistema, tranne quando il PO non è mai stato creato, nel qual caso Brittany invia un'email al capo dipartimento per uno retroattivo, a meno che non sia inferiore a $500, nel qual caso lo codifica alla linea di spesa generale del dipartimento e lo segnala per dopo. Se dovessi costruire agenti basandoti solo sulle SOP, si romperebbero la prima volta che incontrano Brittany, che è casualmente il Giorno 1 della produzione. Ecco perché è incredibilmente importante sedersi con le persone e guardarle lavorare. È il ponte tra servizi (consulenza) e software (sviluppo), ed è anche la differenza tra un'implementazione di agenti di successo e un colpo nel buio che muore immediatamente.
2. Costruisci all'interno degli strumenti che già utilizzano. L'agente esegue NetSuite o SAP o BlackLine come farebbe un nuovo assunto, accedendo e cliccando attraverso gli stessi schermi e colpendo le stesse API. Nessuno del tuo team deve imparare una nuova interfaccia, e l'unica cosa che le persone notano è che c'è meno lavoro accumulato, le eccezioni si risolvono più velocemente e la chiusura di fine mese si accorcia.
3. Costruisci agenti che fanno lavoro invece di dashboard. La maggior parte dell'"AI per la finanza" è uno strumento di analisi travestito da agente. Non cadere in questa trappola. Il monitoraggio e il reporting arrivano come risultato delle azioni degli agenti che li guidano. Sì, è utile misurare i KPI prima della costruzione per vedere se stai davvero guidando il cambiamento. Ma se il tuo artefatto è una dashboard o un chatbot invece di un agente di background, stai lasciando l'efficienza sul tavolo. Non dedicare mesi all'equivalente di un software di reporting appariscente.
4. Escalation solo quando è richiesto un vero giudizio, con un gate di fiducia davanti che migliora nel tempo. L'obiettivo è rimuovere il 70-85% che è puro riconoscimento di modelli dal piatto del tuo team, in modo che il loro tempo sia lasciato solo per decisioni ad alta leva e alto giudizio. Contemporaneamente, ogni volta che rispondono alle azioni degli agenti (con approva, modifica o rifiuta), questo addestra l'agente, permettendo alla precisione di aumentare ogni settimana invece di rimanere piatta o, peggio, regredire. È qui che l'ingegneria AI è fondamentale; la tua struttura può essere la differenza tra un sistema che migliora e uno che si affievolisce.
5. Progetta per l'intero dipartimento dal primo giorno. Questo è di gran lunga l'aspetto più trascurato delle implementazioni di agenti a livello aziendale. Immagina ogni operatore che prende uno strumento di vibe-coding, costruisce un agente solo per il suo angolo, ma non può scalare oltre il suo lavoro. Questo perde il quadro più ampio. Spesso, i loro colli di bottiglia sono a monte. Ma poi il team a monte costruisce il proprio agente, che non parla con quello a valle. Molto rapidamente hai dozzine di agenti, tutti isolati nelle loro attività, e nessuna comunicazione, solo debito tecnico in tutta l'organizzazione. Invece, mappa l'intera organizzazione, capisci chi è il collo di bottiglia di chi, e costruisci con questo in mente.

Evita la spesa sfrenata di token e le allucinazioni degli agenti

Come non spendere milioni in token: un buon agente AI è per lo più non AI. Ciò che spediamo è circa l'85% di codice semplice e circa il 15% di chiamate al modello. I modelli vengono utilizzati solo dove c'è una reale necessità di giudizio, come leggere un valore da una fattura disordinata, o classificare un'eccezione in uno dei tuoi bucket noti, o redigere una nota per un umano da approvare. D'altra parte, la maggior parte del lavoro è confronti (matematica), ricerche (filtraggio), instradamento (istruzioni if/then/else) e registrazione (chiamate API). Confrontalo con Claude Cowork, dove quasi ogni azione è determinata stocasticamente da un LLM. Invece, abbiamo agenti più veloci, più economici e più precisi. Gli LLM erano solo la chiave di volta.

Come ottenere errori quasi a zero: tre livelli.

• Codice deterministico: è coerente per progettazione, il che lo rende verificabile.
• Valutazioni: una suite di test creata manualmente ma aggiornata automaticamente che controlla sia la risposta che il percorso seguito dall'agente, permettendoci di catturare agenti che sono andati da qualche parte dove non dovevano, o hanno prodotto risultati incoerenti con il modo in cui vogliamo che si comportino.
• Feedback umano: ogni approvazione e correzione che il tuo team apporta addestra il sistema, e la precisione su un flusso di lavoro sale a oltre il 90% entro un paio di mesi. Vediamo la codifica GL passare da circa l'85% al 97% e oltre man mano che le correzioni si accumulano. E poiché è codice e valutazioni invece di una scatola nera, puoi effettivamente rispondere alla domanda "perché l'agente ha fatto questo", ogni volta che un stakeholder o un revisore lo chiede. Gli agenti orizzontali non possono farlo.

Come viene misurato

Fortunatamente, quando hai agenti che vivono sui tuoi sistemi di registrazione attraverso ogni singolo flusso di lavoro e ogni fetta di software, ora hai la capacità di tracciare i dati al livello più granulare e in tempo reale. Diventa molto evidente che l'80% delle eccezioni viene gestito dagli agenti, e il tempo per riconciliare le eccezioni è passato da 4 giorni a 2 ore. Alcuni risultati reali:

• Chiusura passata da 12 giorni a 5
• Gestione delle eccezioni passata da 130 ore al mese a 20
• Elaborazione delle fatture passata da 20 minuti ciascuna a meno di 1 minuto, in media

Ci sono solo 3 categorie di cattura del valore che contano per qualsiasi implementazione AI. Sto risparmiando tempo/soldi? Sto aumentando le entrate? Sto riducendo il rischio? Aiuta a raggruppare tutto ciò che stai misurando in queste 3 categorie e misurare di conseguenza ai fini della cattura del valore e dei KPI.

Da dove iniziare

Trova i proprietari dei processi nella tua organizzazione e inizia con loro. Comprendi a un livello profondo qual è il loro processo attuale (preparati a parlare con i loro sub-process owner, analisti, IC, ecc. per maggiori informazioni). Scava fino in fondo:

• Come funzionano le cose oggi, qual è il genoma del flusso di lavoro, per così dire
• Qual è il volume di dati e la produttività attraverso ogni attività
• Quali sono i tassi di errore e qual è il costo di un errore oggi?
• Come vengono gestite le eccezioni e in quali formati?

Da lì, prendi i tuoi apprendimenti e inizia a mappare quanto segue:

• Cosa farebbe l'AI vs cosa non farebbe per ogni flusso di lavoro? Come sarebbe un mondo post-AI per ogni processo?
• Attraverso le 3 categorie di cattura del valore, qual è l'importo quantificabile per ciascuna?
• Quanto tempo e sforzo richiederebbe ogni costruzione? Quali sono i rischi per ciascuna?

Confronta la cattura del valore con l'investimento, e ora hai la tua lista di priorità.

Ma in sintesi, non comprare una piattaforma e non creare un team di data science. Questo intero processo non deve nemmeno richiedere un anno intero. Devi invece trovare persone che si siedano con il tuo team, imparino il flusso di lavoro reale e costruiscano un agente all'interno dei sistemi che già utilizzi, misurandolo ogni passo del percorso. Se vuoi vedere prima lo stato finale, abbiamo creato una presentazione di cinque minuti del processo qui.

Questo è esattamente ciò che facciamo in Varick Agents. Abbiamo collaborato con team di finanza, vendite e operazioni in aziende da 1 miliardo di dollari di fatturato fino a giganti della Fortune 500 che fanno oltre 50 miliardi di dollari, e costruiamo agenti che eseguono i loro strumenti all'interno dei loro sistemi esistenti. Accettiamo solo una manciata di nuovi impegni a trimestre, e stiamo delineando il gruppo autunnale ora. Se la tua chiusura è ancora di due settimane e le tue persone migliori stanno ancora facendo data entry, vieni a trovarci su varickagents.com.