Il sessantadue percento dei professionisti dei servizi finanziari ammette che un errore generato dall'IA è già arrivato a un cliente. Non una bozza. Non un esperimento interno. Un cliente.
Quindi guarda il bellissimo modello a tre prospetti che il tuo assistente IA ti ha appena costruito in quattro minuti — quello con le mensilità ordinate in colonne, la rampante crescita dei ricavi, la scheda DCF che non avevi nemmeno chiesto — e fatti la domanda che conta: scommetteresti la tua raccolta fondi su ogni numero in esso contenuto? Perché nel momento in cui alleghi quel foglio di calcolo a un'email per un investitore o lo porti a una riunione in banca, stai facendo esattamente questo.
La buona notizia è che l'IA è davvero migliorata enormemente nella modellazione finanziaria. Febbraio 2026 ha segnato ciò che il Financial Modeling Institute definisce un cambiamento radicale: la prima volta che gli strumenti di IA hanno potuto costruire modelli veramente solidi a partire da un prompt ampio, invece di limitarsi a riempire modelli predefiniti. La cattiva notizia è che "migliore" non equivale a "affidabile". I modelli di IA hanno ancora allucinazioni, inseriscono ancora numeri hard-coded dove dovrebbero esserci formule e affermano ancora risposte sbagliate con totale sicurezza. La stessa OpenAI ha riconosciuto che le allucinazioni sono matematicamente inevitabili nei grandi modelli linguistici — non un bug da correggere, ma una proprietà da gestire.
Questo post ti offre una lista di controllo pratica per la revisione, basata sulle linee guida di ICAEW (l'Institute of Chartered Accountants in England and Wales) e del Financial Modeling Institute, per individuare gli errori dell'IA prima che chiunque, dal quale vuoi dei soldi, li veda.
Perché i modelli IA richiedono un nuovo tipo di scetticismo
I fogli di calcolo creati da esseri umani erano già inaffidabili. Decenni di ricerca sul rischio dei fogli di calcolo hanno notoriamente concluso che la stragrande maggioranza dei fogli di calcolo reali contiene errori — un sondaggio ampiamente citato lo colloca intorno al 90% — con tassi di errore a livello di cella di qualche punto percentuale anche in modelli costruiti con cura. L'IA non elimina questo rischio. Ne cambia la forma.
Gli errori di un modellatore umano tendono a concentrarsi dove il lavoro era più difficile: la formula più contorta, il copia-incolla fatto a tarda notte. Gli errori dell'IA sono diversi. Sono distribuiti uniformemente, perfettamente formattati e presentati senza alcuna ombra di incertezza. Un modello che presenta con sicurezza un bilancio che in realtà non quadra, o un piano di ammortamento del debito con saldi negativi al terzo anno, ha lo stesso aspetto curato di uno corretto. Non ci sono macchie di caffè sul lavoro di un'IA che ti dicano dove guardare.
Ecco perché il cambiamento di mentalità più importante è questo: tratta ogni modello generato dall'IA come una prima bozza da controllare, non come un prodotto finito. Come sottolinea Ian Schnoor del Financial Modeling Institute, costruire un modello con l'IA è come costruirlo da soli ma più velocemente — tu dirigi, perfezioni e metti in discussione ciò che produce. E questo funziona solo se sai già che aspetto ha un buon modello. L'IA è una collaboratrice, mai un'autorità.
I 7 modelli di errore che l'IA continua a ripetere
Dopo aver esaminato modelli generati dall'IA, le stesse modalità di errore si ripresentano ancora e ancora. Impara a riconoscere i modelli e la tua revisione diventerà molto più rapida.
1. Elementi mancanti
L'IA spesso produce un modello che sembra completo ma a cui mancano sezioni fondamentali: nessuna pagina di copertina, nessun riepilogo degli output, nessuna pagina dedicata alle assunzioni, nessun gestore di scenari, o schemi che sono solo abbozzi anziché calcoli funzionanti. A volte li salta perché il tuo prompt non li richiedeva esplicitamente; a volte… si limita a fermarsi.
Prima di controllare un singolo numero, controlla l'indice. Un modello senza una pagina esplicita delle assunzioni è un modello le cui assunzioni sono sepolte nelle formule, dove nessuno può verificarle — e un investitore che non riesce a trovare le tue assunzioni presumerà che tu non ne abbia.
2. Trappole nascoste: righe, fogli e collegamenti esterni occultati
L'IA ama nascondere le cose. Fogli nascosti, righe nascoste, colonne nascoste — chiedi direttamente all'IA se ne ha aggiunti e poi verifica manualmente comunque. I revisori raccontano di aver chiesto a un'IA di confermare che non ci fossero collegamenti a file esterni, di aver ricevuto la risposta che tutto era pulito, e poi di aver trovato collegamenti ad altri file durante un controllo manuale. L'IA si scuserà anche con fascino per averli mancati. Le scuse non riparano il tuo modello.
I collegamenti esterni meritano un'attenzione particolare. Un modello che estrae silenziosamente valori da un'altra cartella di lavoro sul laptop di qualcuno si romperà nel momento in cui lo invii via email — o, peggio, continuerà a mostrare valori memorizzati nella cache che sembrano aggiornati. A meno che un collegamento esterno non sia intenzionale e documentato, eliminalo.
3. Numeri morti e formule che deviano
Il classico segnale rivelatore dell'IA è il "numero morto": un valore hard-coded inserito all'interno di una formula dove dovrebbe esserci un riferimento di cella. La formula =B12*1,05 sembra logica di crescita finché non ti accorgi che il tasso di crescita del 5% è incorporato e che la tua cella delle assunzioni resta inutilizzata altrove. Cambi l'assunzione e non succede nulla. Gli investitori testano esattamente questo — flettono i tuoi driver per vedere se il modello risponde — e un modello pieno di numeri morti fallisce il test all'istante.
Il problema gemello è la deriva delle formule: l'IA è nota per cambiare silenziosamente le formule mentre le distribuisce su mesi o anni. La colonna F calcola i ricavi in un modo; la colonna G li calcola in modo leggermente diverso. La soluzione è meccanica ma non negoziabile: verifica a campione le formule all'inizio, al centro e alla fine di ogni riga e conferma che siano coerenti per tutto l'orizzonte di previsione.
4. Il bilancio che mente con cortesia
Questo è l'errore che uccide la credibilità più rapidamente. L'IA a volte forza il pareggio del bilancio con un tappo — risolvendo a ritroso un numero solo per far sì che le attività siano uguali alle passività più il patrimonio netto. Il bilancio quadra. È anche finzione.
Altri peccati di bilancio correlati da cercare:
- Saldi passivi del debito negativi, incluse linee di debito a breve termine che scendono sotto zero quando il modello le usa per mascherare future carenze di cassa.
- Sovra-ammortamento, dove l'ammortamento accumulato supera il costo dell'attività perché nessuno ha detto alla formula quando fermarsi.
- Attività o passività principali che diventano negative senza una valida ragione economica.
Ognuno di questi è un controllo di un minuto che ti evita una domanda profondamente scomoda da parte di un investitore.
5. Violazioni della fisica
Una previsione è una storia sul mondo reale, e l'IA non vive nel mondo reale. Verifica che i vincoli di capacità e i limiti operativi siano riflessi: ricavi che implicano la produzione di un volume illimitato, piani di organico senza conseguenze per uffici o imposte sui salari, o una crescita che richiederebbe dieci volte la tua struttura attuale. Se il tuo modello dice che puoi triplicare la produzione con le stesse macchine e le stesse persone, il modello è sbagliato, non visionario.
6. Controlli che non controllano nulla
I buoni modelli contengono controlli di errore interni — riconciliazioni di bilancio, riconciliazioni di cassa, protezioni dalla circolarità. I modelli generati dall'IA spesso includono anche questi, il che è positivo, tranne per il fatto che spesso funzionano solo per il primo periodo di previsione. Un controllo che verifica l'anno uno e ignora silenziosamente gli anni da due a cinque è peggio di nessun controllo, perché mostra un rassicurante "OK" verde mentre gli errori si accumulano fuori schermo. Estendi ogni controllo sull'intero orizzonte e rompi deliberatamente qualcosa per confermare che il controllo lo intercetti.
7. Sciocchezze sicure di sé
Infine, il problema dell'allucinazione nella sua forma più pura: il modello afferma con sicurezza informazioni errate, semplifica eccessivamente dove non dovrebbe, costruisce formule fragili difficili da aggiornare, o ti dà una risposta diversa quando fai la stessa domanda due volte. Quest'ultimo comportamento è in realtà un utile strumento diagnostico — chiedi all'IA la stessa cosa di nuovo con parole leggermente diverse e confronta gli output. Se i numeri cambiano, almeno una versione è sbagliata, e ora sai quale area necessita di verifica manuale.
La tua lista di controllo pre-investitore
Distilla tutto quanto sopra in un unico passaggio che esegui prima che il modello lasci le tue mani:
- Struttura per prima. Conferma che copertina, riepilogo, assunzioni, gestore di scenari e tutti gli schemi di supporto esistano e siano compilati.
- Rendi visibile tutto. Rivela fogli, righe e colonne nascosti; esamina ciascuno.
- Elimina i collegamenti vaganti. Cerca riferimenti a cartelle di lavoro esterne e rimuovi quelli che non sono intenzionali.
- Separa input da output. Le assunzioni dovrebbero trovarsi in un unico posto chiaramente contrassegnato, visivamente distinto (codifica a colori o formattazione) dalle celle calcolate.
- Caccia i numeri morti. Scansiona le formule per costanti hard-coded che dovrebbero essere riferimenti di cella.
- Verifica la coerenza delle formule. Controlla che la logica di ogni riga sia identica per ogni mese o anno.
- Semplifica le formule mostruose. Suddividi le formule eccessivamente lunghe nei prospetti chiave in passaggi leggibili.
- Metti sotto stress il bilancio. Conferma che quadri onestamente senza alcuna cifra di tappo.
- Verifica debito e ammortamento. Nessun saldo passivo negativo, nessuna attività sovra-ammortizzata, nessuna posizione negativa inspiegabile.
- Controlla la realtà operativa. Capacità, organico e strutture devono supportare la storia dei ricavi.
- Estendi tutti i controlli. Ogni validazione interna deve coprire l'intera previsione e dovresti testare che ciascuna si attivi effettivamente.
- Ripeti e confronta. Poni le domande chiave all'IA in un secondo modo e indaga su qualsiasi discrepanza.
Esegui questa lista e individuerai la stragrande maggioranza degli errori dell'IA. Più importante, entrerai in riunione comprendendo davvero i tuoi numeri — e, come osserva Schnoor, alla fine della giornata sarà un investitore umano a farti domande, non il tuo chatbot.
Fai prompt migliori la prossima volta
La revisione è la rete di sicurezza; prompt migliori significano averne meno bisogno. Alcune abitudini che producono costantemente modelli IA più solidi:
- Conosci gli ingredienti prima di fare il prompt. Se non sai descrivere cosa contiene un buon modello — assunzioni, output, scenari — non puoi dirigere l'IA a costruirne uno. Impara prima la struttura.
- Dirigi, non delegare. Lavora in modo iterativo: dì come costruire i ricavi, rifiuta ciò che non ti piace e modifica a passaggi. "Guarda i dati storici e costruiscimi un modello" produce un modello; non produce un buon modello.
- Pretendi verificabilità. Chiedi una pagina delle assunzioni, formattazione coerente, fonti documentate per ogni input esterno e controlli su ogni scheda — nel prompt, non come ripensamento.
- Metti in discussione l'output. Chiedi perché ha scelto un determinato metodo, cosa potrebbe essere sbagliato e cosa attaccherebbe un revisore scettico. La risposta dell'IA a "qual è il punto più debole di questo modello?" è spesso sorprendentemente onesta.
Libri contabili puliti in entrata, modelli credibili in uscita
Ecco la parte che nessuno vuole sentire: anche una revisione impeccabile non può salvare un modello costruito su dati storici disordinati. Quando dai a un'IA tre anni di transazioni non categorizzate, spese personali mescolate e una cifra di ricavi di cui sei solo abbastanza sicuro, essa costruirà felicemente una proiezione precisa, curata e splendidamente formattata di spazzatura. Gli investitori fanno due diligence anche sui dati storici — se i tuoi "consuntivi" non corrispondono ai tuoi libri contabili, la previsione è morta all'arrivo.
Questa è la base poco affascinante su cui poggia ogni flusso di lavoro di modellazione IA: libri contabili accurati, categorizzati e riconciliabili. Monitora i ricavi per flusso, mantieni le spese chiaramente separate e riconcilia mensilmente così che i tuoi dati storici siano qualcosa che difenderesti in una data room. Se vuoi i tuoi numeri in un formato che puoi confrontare, mettere sotto controllo di versione e consegnare a un'IA senza la roulette del copia-incolla, la contabilità in testo semplice ti dà esattamente questo — e strumenti di visualizzazione come Fava ti permettono di verificare rapidamente le tendenze prima che raggiungano un modello.
Semplifica la tua gestione finanziaria
Prima di lasciare che l'IA progetti il tuo futuro, assicurati che il tuo presente sia registrato con precisione — libri contabili puliti sono ciò che trasforma una bozza dell'IA in un modello che puoi difendere. Beancount.io fornisce contabilità in testo semplice che ti dà completa trasparenza e controllo sui tuoi dati finanziari, con ogni transazione sotto controllo di versione e pronta per l'analisi. Inizia gratuitamente e costruisci la tua prossima previsione su numeri di cui ti fidi davvero.
