I team finanziari spendono il 26% del tempo a controllare l’IA

Il 6 ottobre 2026 Datarails ha diffuso i risultati del sondaggio su 270 responsabili finanziari statunitensi: dalle loro risposte emerge che la verifica o correzione degli output dell’IA occupa in media il 26% del tempo di lavoro. Gli intervistati operano in aziende con almeno 1.000 dipendenti e ricavi annui di almeno 100 milioni di dollari. La quota è una stima dichiarata dai partecipanti, non una misurazione delle ore di tutti i dipendenti dei loro team.

Il lavoro di controllo è diffuso e riguarda anche risultati che sembrano utilizzabili a prima vista. Nel resoconto di CFO Dive, il 96% degli intervistati dedica almeno il 10% del tempo alla verifica o correzione, l’8% supera metà della giornata e il 75% indica l’impossibilità di ricostruire il percorso dell’output come ostacolo alla fiducia nell’IA per le attività finanziarie critiche. Controllare una risposta significa quindi anche stabilire da dove proviene un numero e se può essere usato in una decisione.

La media nasconde carichi di verifica molto diversi

Una quota media descrive il peso complessivo del controllo, ma non dice come si distribuisca fra i reparti. Alcuni responsabili riferiscono verifiche relativamente brevi; per altri, correggere e ricostruire gli output assorbe gran parte della giornata. Il tempo richiesto dipende anche dal lavoro che precede la risposta dell’IA: raccogliere dati comparabili, scegliere la versione aggiornata di un piano e riconciliare cifre provenienti da sistemi differenti.

Il sondaggio è stato condotto online nel luglio 2026 da Global Surveyz Research per Datarails. Raccoglie le valutazioni di CFO e altri dirigenti finanziari, anziché registrare automaticamente la durata delle singole operazioni. È una distinzione utile per leggere la media: indica quanto controllo i partecipanti ritengono necessario nel loro lavoro, senza quantificare le ore impiegate per ciascun bilancio, previsione o analisi.

I dati disconnessi spostano lavoro a valle

La differenza più netta riguarda l’organizzazione dei dati. Nel rapporto completo di Datarails, il 76% dei responsabili con dati distribuiti fra sistemi disconnessi dedica più di un quarto del tempo alla verifica dell’IA, contro il 31% di chi dispone di dati perlopiù centralizzati; il 65% degli intervistati riferisce risposte formulate con sicurezza ma basate sui dati sbagliati e il 51% racconta di non essere riuscito a spiegare l’origine di un numero prodotto dall’IA. Il confronto fra gruppi mostra un’associazione, senza misurare quanto tempo si risparmierebbe collegando i sistemi.

In finanza, una cifra può essere aritmeticamente plausibile e riferirsi comunque all’entità, al periodo o alla definizione sbagliati. Se i dati operativi e quelli contabili arrivano da ambienti separati, il team deve decidere quali registrazioni siano aggiornate e quali trasformazioni abbiano prodotto il totale. L’IA può accelerare la formulazione della risposta; quando gli input restano incerti, la riconciliazione si presenta nel momento in cui quella risposta deve essere approvata.

Il carico di verifica nasce dunque in punti diversi della stessa catena. Un’informazione mancante richiede di tornare alla fonte; sistemi non allineati impongono di confrontare periodi e definizioni; un risultato che cambia richiede di ripetere il calcolo; un numero privo di provenienza costringe a ricostruirne il percorso. Il sondaggio non attribuisce una quota della media a ciascuna causa, ma distinguerle chiarisce perché correggere la frase finale spesso non basta.

Risposte divergenti, numeri difficili da ricostruire

L’incoerenza dell’output aggiunge un controllo diverso da quello sulla qualità dei dati. Nella ricostruzione di ITPro, il 56% degli intervistati ha visto membri del team ottenere risultati materialmente diversi usando lo stesso prompt e gli stessi dati; Didi Gurfinkel, amministratore delegato e cofondatore di Datarails, osserva che «caution hasn't disappeared». Il sondaggio registra l’esperienza dei responsabili finanziari, ma non individua la causa tecnica di ogni divergenza.

Se due risposte non coincidono, occorre capire se differiscono le cifre usate, le ipotesi applicate oppure il modo in cui il modello ha elaborato la richiesta. Ripetere il prompt può rendere visibile il problema, ma una risposta successiva non certifica quella precedente: entrambe potrebbero poggiare su dati inadatti. Per confrontarle serve poter identificare gli input e ripercorrere i passaggi che hanno portato al risultato.

La tracciabilità pesa soprattutto quando una cifra entra in una previsione, in un bilancio o in un’informazione destinata alla direzione. Chi la approva deve poter risalire alla fonte, alla versione dei dati e alle ipotesi impiegate. Se il collegamento manca, la verifica non consiste più soltanto nel valutare l’output: diventa una ricostruzione manuale del numero.

Il costo della verifica nelle decisioni finanziarie

Per le imprese italiane, la media del sondaggio statunitense non è una stima delle ore che i loro reparti finanziari spenderanno nello stesso lavoro. Il risultato illumina però una differenza concreta: produrre rapidamente un’analisi e renderne affidabili le cifre sono due attività distinte. La seconda comprende controlli sui dati di partenza, sulla coerenza del risultato e sulla possibilità di spiegarlo a chi deve decidere.

Questo lavoro resta al team anche quando l’IA prepara una prima risposta in tempi brevi. Più una cifra incide su bilanci e previsioni, più conta sapere se deriva dalle registrazioni corrette e da definizioni condivise. Il tempo liberato dalla generazione automatica può quindi essere assorbito, in parte, dalla verifica necessaria prima che il risultato diventi utilizzabile.

Leggi anche:

• Firma digitale valida o solo visibile? Come controllare davvero un file
• Il 47% delle aziende britanniche amplia i team tech: giudizio umano in testa
• Meta entra nel software aziendale, ma prezzi e controlli restano ignoti