AI nello studio del commercialista: un caso reale a Modena

Quando il titolare di uno studio di commercialisti mi ha chiesto di aiutarlo a mettere ordine nei documenti, la richiesta sembrava circoscritta. Voleva un archivio che permettesse a tutti di trovare contratti, comunicazioni, procedure e informazioni dei clienti senza dover indovinare in quale cartella fossero stati salvati. Era un problema concreto, e la tecnologia per affrontarlo esisteva già. Il progetto avrebbe potuto iniziare da lì e concludersi con un sistema di ricerca intelligente.

Dopo aver parlato con le persone dello studio, però, la richiesta iniziale ha assunto un significato diverso. I documenti difficili da trovare rallentavano il lavoro, ma una parte ancora più importante del tempo veniva assorbita dalle operazioni che seguivano il recupero del documento: dati ricopiati in più programmi, verifiche ripetute, moduli compilati a mano e informazioni da confrontare tra fonti diverse. La semplice introduzione di un archivio avrebbe migliorato un passaggio, lasciando quasi intatto il resto.

Racconto questo caso perché mostra come si possa progettare l’intelligenza artificiale in uno studio professionale senza partire da un elenco di prodotti da acquistare. È anche un modo per capire perché l’ascolto dei collaboratori, la protezione delle informazioni e il controllo umano siano parti essenziali del progetto. Gli esempi aggiuntivi che utilizzo per spiegare i passaggi sono illustrativi e non rappresentano nuove osservazioni raccolte sul campo.

La richiesta iniziale e il contesto dello studio

Il contatto è arrivato attraverso LinkedIn. Il titolare di uno studio della provincia di Modena, con il quale ero già collegato ma non avevo lavorato, mi ha scritto per chiedermi se esistesse un sistema capace di catalogare l’intera documentazione dello studio. Per rispettare la riservatezza sua e dei clienti non ne indico il nome.

Lo studio contava dieci persone: il titolare, due soci e sette collaboratori. Si occupava di consulenza fiscale e contabilità e utilizzava gli strumenti comuni a molte strutture di dimensioni analoghe: un gestionale contabile, la posta elettronica ordinaria, la PEC, cartelle condivise su computer e server e i portali degli enti con i quali un professionista deve confrontarsi. La manutenzione informatica era affidata a un’impresa esterna; all’interno non c’era una persona dedicata a tempo pieno ai sistemi informativi.

Sulla carta i documenti dovevano essere conservati nelle cartelle del server. Nella pratica erano presenti anche sui computer dei singoli collaboratori e distribuiti in archivi costruiti negli anni secondo abitudini personali. Questa distinzione fra organizzazione prevista e organizzazione effettiva è familiare a chiunque lavori in ufficio. Può esistere una procedura che stabilisce dove salvare i file, ma basta che l’operazione richieda troppo tempo perché una persona scelga una scorciatoia. Dopo qualche anno, la scorciatoia di ciascuno diventa una parte nascosta del processo aziendale.

Quando un collaboratore era assente, qualcuno doveva cercare le informazioni di cui aveva bisogno. Se la pratica era stata seguita da una persona che aveva lasciato lo studio, la ricerca diventava ancora più complicata: bisognava interpretare nomi di file, ricostruire cartelle e domandarsi quale versione di un documento fosse quella corretta. Il titolare aveva quindi individuato un problema reale. Il limite della sua richiesta stava nel considerarlo, almeno inizialmente, il problema principale.

C’era anche una difficoltà organizzativa. Lo studio formava persone che, dopo alcuni anni, tendevano a cercare un altro lavoro. Il titolare vedeva la fatica quotidiana dei collaboratori e voleva rendere l’attività meno pesante. Ogni uscita produceva inoltre una perdita di conoscenze pratiche, perché chi subentrava doveva imparare dove si trovavano i documenti e come venivano svolte le operazioni meno comuni. Questi aspetti non erano un dettaglio accessorio: davano alla richiesta tecnologica un obiettivo che andava oltre l’ordine delle cartelle.

Che cos’è una base di conoscenza aziendale

Per spiegare il progetto conviene chiarire cosa significhi knowledge base, espressione inglese che si traduce con base di conoscenza. Si tratta di un insieme organizzato di documenti e informazioni che le persone autorizzate possono consultare. Una cartella condivisa costituisce già una forma elementare di archivio; una base di conoscenza ben progettata aggiunge criteri di classificazione, permessi di accesso, aggiornamento dei contenuti e strumenti per recuperare ciò che serve.

Quando si collega un motore di ricerca assistito dall’intelligenza artificiale, la consultazione può avvenire con domande scritte in linguaggio naturale. Un collaboratore potrebbe chiedere dove sia conservata una procedura o quale documento contenga una determinata istruzione. Il sistema cerca nei materiali accessibili a quella persona e presenta i risultati. Se è costruito in modo da indicare le fonti, chi legge può aprire il documento originale e verificare che la risposta non sia stata interpretata male.

È importante capire che una base di conoscenza non rende automaticamente corretti i contenuti che contiene. Se in archivio sono presenti tre versioni diverse della stessa procedura, il sistema deve poter distinguere quella valida dalle precedenti. Se manca un documento, l’intelligenza artificiale non dovrebbe inventarlo per completare una risposta.

Se un collaboratore non è autorizzato a leggere una pratica, non deve poterlo fare neppure formulando una domanda alla chat. La qualità dell’archivio dipende quindi da regole organizzative precise, prima ancora che dalla capacità del modello linguistico.

Nel nostro caso una base di conoscenza era utile e sarebbe stata realizzata. Per decidere se bastasse, però, avevo bisogno di vedere il lavoro quotidiano dello studio e non soltanto la struttura delle sue cartelle.

Perché ho parlato con chi svolge le attività

Con il titolare e i due soci ho dedicato circa quattro ore a comprendere obiettivi, priorità e vincoli. Ai colloqui individuali con i collaboratori e all’osservazione del lavoro alla scrivania sono state dedicate circa quattordici ore. In totale sono state ascoltate nove persone, cioè il titolare, i soci e i collaboratori coinvolti nella ricostruzione dei processi descritti nel progetto. Il tempo dedicato all’ascolto è stato quindi di circa diciotto ore.

Durante gli incontri non mi bastava sapere che un dipendente si occupasse, per esempio, degli avvisi dell’Agenzia delle Entrate. Volevo vedere come arrivava il documento, dove veniva aperto, quali dati venivano letti, quali strumenti servivano per verificarli e che cosa succedeva quando il caso non seguiva la procedura ordinaria. Una risposta come «gestisco gli avvisi» descrive una responsabilità professionale; per progettare un’automazione serve conoscere la sequenza delle operazioni.

Questo modo di osservare i processi ha un vantaggio. Fa emergere le eccezioni, che di solito sono proprio ciò che non compare nei diagrammi di flusso. Una persona può aver imparato a controllare una voce perché anni prima si era verificato un errore. Un’altra può sapere che un portale a volte restituisce informazioni in un formato diverso. Queste conoscenze vengono applicate quasi automaticamente da chi ha esperienza e rischiano di non essere menzionate durante una riunione generale.

A sinistra la richiesta del titolare, una knowledge base per centralizzare documenti e procedure; al centro l’ascolto delle 9 persone dello studio; a destra le attività emerse, ciascuna con i suoi passaggi manuali: ravvedimenti, F23, avvisi bonari, successioni e fatture estere. Sotto, il progetto: la knowledge base più gli strumenti per le attività di ogni giorno

L’ascolto non dovrebbe assomigliare a un interrogatorio sulle inefficienze personali. Se un collaboratore teme che ogni minuto descritto verrà utilizzato per giudicare la sua produttività o mettere in discussione il suo ruolo, è naturale che diventi più prudente. Il titolare deve chiarire perché sta facendo l’analisi, quali risultati cerca e come intende utilizzare le informazioni raccolte. Solo così si possono ottenere descrizioni fedeli del lavoro effettivo.

Nel caso dello studio modenese il problema dei documenti è stato confermato. Ma i colloqui hanno evidenziato che il tempo veniva assorbito soprattutto da una serie di attività ripetitive che iniziavano dopo la ricerca del documento. Quelle attività sono diventate il nuovo centro del progetto.

Le anagrafiche: quando lo stesso dato vive in più posti

Il tema sentito con maggiore urgenza dai collaboratori era l’aggiornamento delle anagrafiche dei clienti. L’anagrafica è la scheda che contiene le informazioni identificative e di contatto di una persona o di un’impresa: denominazione, sede, recapiti, indirizzo PEC e altri riferimenti necessari per lavorare correttamente. In uno studio professionale le stesse informazioni possono essere utilizzate da programmi e archivi diversi.

Quando un cliente cambia sede o modifica un riferimento, l’aggiornamento dovrebbe propagarsi dove quel dato viene usato. Se questo collegamento non esiste, una persona deve riportare manualmente la variazione in più punti. Il problema non è soltanto il tempo necessario. Ogni copiatura introduce la possibilità di una trascrizione sbagliata, di una scheda dimenticata o di una versione non aggiornata che verrà riutilizzata più avanti.

Prendiamo un esempio didattico. Una società comunica un nuovo indirizzo PEC. Il collaboratore lo modifica nel gestionale, ma dimentica una seconda rubrica utilizzata per determinate comunicazioni. Nei mesi seguenti un collega recupera il contatto dalla rubrica sbagliata. Un errore nato da una sola omissione viene scoperto quando ha già creato difficoltà operative. Non sto descrivendo uno specifico incidente avvenuto nello studio: è un esempio delle conseguenze possibili del doppio inserimento.

L’automazione di questo processo richiede di individuare quale archivio debba essere considerato la fonte attendibile, come venga confermata la variazione e quali altri sistemi debbano ricevere il dato. Solo dopo si decide che cosa può aggiornarsi automaticamente e quali modifiche necessitano di approvazione. Se si automatizzasse una semplice copiatura senza stabilire prima la fonte corretta, si rischierebbe di propagare più velocemente anche gli errori.

Nello studio l’aggiornamento delle anagrafiche è stato il primo ambito affrontato dalle applicazioni collegate al sistema centrale. La logica del progetto era eliminare la ricopiatura manuale lasciando alle persone la possibilità di verificare i dati e le variazioni.

Ravvedimento operoso: automatizzare i passaggi senza delegare la responsabilità

Un’altra attività emersa nei colloqui riguardava il ravvedimento operoso. Si tratta di una procedura che consente, al ricorrere delle condizioni previste dalla normativa, di regolarizzare determinati versamenti effettuati in ritardo o non effettuati, corrispondendo quanto dovuto con sanzioni e interessi calcolati secondo le regole applicabili. Le condizioni concrete possono variare e devono essere sempre verificate sulle disposizioni aggiornate.

Per chi non lavora in uno studio fiscale, può sembrare un calcolo. Per chi lo esegue è una sequenza che comprende l’individuazione dell’obbligo, la ricostruzione della data, la scelta delle regole pertinenti, l’applicazione dei parametri corretti e un controllo conclusivo. A seconda del caso serve confrontare più fonti e verificare che non ci siano particolarità che cambiano il trattamento.

Nel processo osservato i collaboratori dedicavano tempo alla consultazione delle norme e al ricalcolo manuale dei valori. Un sistema di supporto può recuperare i riferimenti normativi selezionati dallo studio, predisporre i dati necessari e proporre un risultato preliminare. Per renderlo affidabile occorre però conservare il percorso del calcolo, indicare le fonti, identificare la versione delle regole utilizzate e sottoporre il risultato a un professionista.

Qui è utile distinguere i compiti. Un programma tradizionale, basato su formule e regole esplicite, può essere più adatto a eseguire un calcolo deterministico. Un componente di intelligenza artificiale può invece aiutare a leggere una richiesta, classificare documenti, individuare le informazioni da utilizzare o trovare procedure interne. La combinazione delle due tecnologie può essere utile, mentre affidare tutto a un modello che produce testo senza controlli sarebbe una scelta fragile.

Questo esempio mostra perché l’obiettivo non sia chiedere all’AI di «fare il commercialista». Il risultato desiderato è permettere al professionista di dedicare meno tempo alla preparazione ripetitiva e più attenzione alla verifica dei casi che richiedono competenza.

Modello F23, avvisi bonari e rate da ricopiare

Fra le altre attività individuate c’era la compilazione del modello F23, utilizzato per specifici pagamenti secondo le regole applicabili. Il collaboratore doveva prendere informazioni già presenti in un sistema e riportarle in uno strumento differente. Il tempo impiegato dipendeva dalla quantità dei dati e dai controlli necessari, ma l’operazione comportava comunque una ripetizione di passaggi.

Un processo simile riguardava gli avvisi bonari. Questa espressione viene comunemente usata per le comunicazioni con le quali l’Agenzia delle Entrate segnala determinati esiti dei controlli e indica come regolarizzare la posizione, quando consentito. Nel lavoro descritto dai collaboratori, le informazioni sulle rate dovevano essere lette dal PDF e riportate una per una. Il contenuto era già disponibile in formato digitale, ma non esisteva un collegamento che evitasse la trascrizione.

Prima di automatizzare una simile attività serve decidere quali campi estrarre, come verificare che il PDF sia leggibile, come trattare documenti con impaginazioni diverse e che cosa fare se un importo appare ambiguo. Un sistema può preparare un prospetto strutturato, ma non deve trasformare silenziosamente un dato che non riesce a leggere in una cifra inventata. È preferibile che segnali un campo incerto e chieda un controllo.

Per un lettore che gestisce un ufficio amministrativo, il parallelo è immediato: lo stesso problema si presenta quando i dati di una fattura vengono ricopiati in Excel, quando i riferimenti di un ordine vengono trascritti in un gestionale o quando si ripetono le medesime informazioni in moduli differenti. In tutti questi casi il punto di partenza è individuare un dato che esiste già e capire perché qualcuno debba digitarlo di nuovo.

L’AI può aiutare a estrarre e interpretare testo da documenti diversi, mentre software di integrazione e controlli deterministici possono verificare e trasferire i valori. Il progetto deve prevedere anche cosa accade quando il documento è incompleto, non corrisponde allo standard previsto o contiene elementi che richiedono una valutazione professionale.

Sei attività ripetitive dopo la ricerca del documento. Anagrafiche dei clienti: Lo stesso dato aggiornato a mano in più programmi. Ravvedimenti operosi: Consultazione delle norme e ricalcolo manuale dei valori. Modello F23: Dati già presenti in un sistema, da riportare in uno strumento diverso. Avvisi bonari: Informazioni sulle rate lette dal PDF e riportate una per una. Successioni: Dati catastali recuperati e inseriti a mano. Fatture estere: Inserimenti ripetuti a mano, con passaggi diversi da quelli delle fatture italiane. Una stessa struttura:. arriva un documento, si leggono i dati, si confrontano con le regole, si trasferiscono in un programma e si controlla.

Successioni e fatture estere: lo stesso problema in attività differenti

Le pratiche di successione possono richiedere il recupero e l’inserimento di dati catastali relativi a uno o più immobili. Nello studio alcuni di questi passaggi venivano svolti manualmente. Per automatizzarli è indispensabile chiarire da quali fonti si prendano i dati, quali identificativi servano per associare correttamente un immobile alla pratica e come debbano essere gestite informazioni assenti o discordanti.

La presenza di un archivio centralizzato può facilitare la ricerca dei documenti, ma non basta a completare la lavorazione. Dopo avere trovato una visura o un documento, il collaboratore deve ancora trasferire informazioni nei campi corretti, controllare la corrispondenza dei dati e verificare che il documento sia pertinente al caso. La differenza fra cercare un’informazione e utilizzarla correttamente è proprio ciò che aveva cambiato la direzione del progetto.

Un’ulteriore area riguardava le fatture estere. La registrazione di questi documenti segue passaggi che possono essere diversi da quelli delle fatture italiane, in funzione del tipo di operazione e delle regole contabili e fiscali applicabili. Nello studio i collaboratori ripetevano manualmente una serie di inserimenti. Anche qui l’obiettivo dell’automazione era preparare i dati e ridurre i passaggi di copiatura, mantenendo il controllo sulle classificazioni e sulle eccezioni.

Queste attività mostrano un aspetto importante: due processi possono sembrare molto diversi dal punto di vista professionale e avere una struttura tecnica simile. Arriva un documento, qualcuno ne individua i dati, li confronta con regole e informazioni già presenti, li trasferisce in un programma e controlla il risultato. Riconoscere questa struttura comune consente di riutilizzare parti dell’architettura e di sviluppare applicazioni dedicate senza ricostruire tutto da zero.

Non significa che una sola automazione possa gestire indistintamente ravvedimenti, successioni e fatture estere. Le regole professionali sono diverse e le verifiche devono rimanere specifiche. Significa piuttosto che ricerca dei documenti, gestione dei permessi, estrazione dei dati, registrazione delle operazioni e raccolta delle approvazioni possono poggiare su componenti comuni.

Dall’archivio richiesto a un progetto più ampio

La conclusione dell’analisi è stata che lo studio aveva bisogno sia di una base di conoscenza sia di applicazioni dedicate alle attività ripetitive emerse dai colloqui. La base di conoscenza è stata realizzata e ha costituito il nucleo informativo dell’architettura. Attorno a essa sono stati progettati strumenti in grado di utilizzare informazioni e procedure per compiti specifici.

Ho descritto questo nucleo come un «cervello centrale». È una metafora utile per orientarsi, purché non suggerisca che il sistema ragioni o decida in autonomia come una persona. Dal punto di vista operativo parliamo di archivi, regole di accesso, sistemi di ricerca, modelli di intelligenza artificiale e collegamenti con programmi aziendali. La loro integrazione permette di usare le informazioni senza doverle cercare e ricopiare ogni volta.

I documenti potevano arrivare attraverso la posta elettronica ordinaria, le scansioni, le cartelle già utilizzate e il caricamento manuale. La PEC non era stata collegata. Era prevista anche una ricerca delle novità sui portali e sulle fonti selezionate dallo studio, tra cui Agenzia delle Entrate, Camera di Commercio e INPS. Per evitare equivoci, seguire una fonte non equivale a garantire che ogni variazione normativa sia interpretata correttamente: le informazioni devono essere selezionate, aggiornate e verificate dai professionisti.

Un collaboratore autorizzato poteva interrogare la base di conoscenza e utilizzare le applicazioni create per le proprie attività. I permessi servivano a limitare l’accesso ai documenti in funzione dei ruoli. È un requisito importante in uno studio che conserva informazioni su più clienti: sapere che un documento esiste non deve necessariamente dare a tutti il diritto di leggerlo.

Questa impostazione offre un vantaggio nel tempo. Se emerge una nuova attività ripetitiva, si può progettare un’applicazione aggiuntiva collegata ai servizi comuni. Se cambia un modello di intelligenza artificiale, la struttura dovrebbe consentire di intervenire sul componente interessato. L’obiettivo è evitare di costruire un programma unico nel quale ogni modifica costringa a riscrivere tutto.

Il gestionale contabile che non permetteva integrazioni

Il principale ostacolo tecnico è stato il gestionale dello studio. Era un programma chiuso, privo di un’interfaccia utilizzabile per scambiare dati con gli altri sistemi, e non era possibile operare direttamente sul suo archivio. In situazioni simili la difficoltà non consiste nel leggere un documento: consiste nel portare il dato dentro il programma che resta necessario al lavoro quotidiano.

Un nucleo comune, applicazioni per ogni attività. Documenti: Arrivano da più canali: Posta elettronica, Scansioni, Cartelle già in uso, Caricamento manuale. Base di conoscenza: Ricerca dei documenti e permessi in funzione dei ruoli. Applicazioni dedicate: Una per ogni attività ripetitiva, collegata ai servizi comuni. Gestionale e controllo: Un agente usa le schermate del gestionale; le persone verificano. Il nucleo non decide da solo. È fatto di archivi, regole di accesso, ricerca, modelli di AI e collegamenti con i programmi aziendali.

Quando un gestionale dispone di un’API, cioè un’interfaccia pensata per far dialogare due programmi, l’integrazione può essere relativamente diretta. In assenza di API utilizzabili, bisogna valutare soluzioni alternative. Una possibilità è usare un programma che interagisca con l’interfaccia grafica, aprendo schermate, compilando campi e verificando i risultati come farebbe una persona.

Nel progetto sono stati realizzati agenti incaricati di eseguire questi passaggi. Un agente AI è un sistema che combina istruzioni e strumenti per portare avanti attività composte da più operazioni. In questo caso il suo compito era utilizzare le schermate del gestionale per registrare informazioni preparate dagli altri componenti del progetto.

Una soluzione basata sull’interfaccia grafica richiede particolare attenzione. Il programma può cambiare schermata dopo un aggiornamento, mostrare messaggi inattesi, rallentare oppure ricevere un dato che non trova posto nel campo previsto. Per questo devono esserci verifiche sul risultato, gestione delle eccezioni e la possibilità di interrompere un’operazione quando i dati non coincidono. Non si può considerare conclusa un’attività soltanto perché l’agente ha eseguito una serie di clic.

L’alternativa sarebbe stata sostituire il gestionale, ma una decisione del genere avrebbe richiesto un progetto diverso e avrebbe coinvolto gran parte dell’organizzazione dello studio. In questo caso si è scelto di conservare il programma esistente e di costruire intorno a esso un collegamento operativo. Il fatto che la soluzione sia stata adottata nel progetto non significa che sia sempre la scelta migliore: dipende dai costi, dalla stabilità del programma e dai rischi associati alle operazioni.

Che cosa significa proteggere i dati mentre l’AI lavora

Lo studio custodiva bilanci, dichiarazioni, recapiti, documenti e informazioni riservate dei clienti. La protezione dei dati non poteva essere affrontata dopo la realizzazione delle automazioni. Doveva condizionare fin dall’inizio quali componenti utilizzare e dove collocare le elaborazioni.

Nel progetto è stata adottata una struttura ibrida. Alcuni compiti semplici, come la classificazione e l’estrazione di determinate informazioni, venivano svolti da modelli di piccole dimensioni installati sul server dello studio. Per altre operazioni si utilizzavano modelli esterni più capaci. Prima dell’invio verso questi modelli, un software riconosceva dati identificativi e li sostituiva con segnaposto.

Il meccanismo si può spiegare con un esempio inventato. Una richiesta che menziona il nome di una società, una cifra e il numero di rate viene trasformata in un testo che utilizza identificativi convenzionali, come [AZIENDA_1], [IMPORTO_1] e [RATE_1]. Il modello esterno prepara la risposta sulla versione mascherata e il sistema ricompone il testo quando torna nell’ambiente controllato. Nomi e importi dell’esempio sono fittizi e servono esclusivamente a illustrare il funzionamento.

Occorre essere precisi con le parole. Sostituire i nomi con segnaposto è spesso una forma di pseudonimizzazione o mascheramento, non necessariamente una vera anonimizzazione irreversibile. Anche un testo privo di nomi può permettere di riconoscere una persona o un’impresa attraverso altre informazioni. Inoltre la protezione dipende dalla qualità del riconoscimento dei dati, dalle autorizzazioni, dai registri tecnici e dai contratti con i fornitori. Per questo il mascheramento riduce il rischio ma non dimostra, da solo, la conformità alla normativa sulla protezione dei dati.

C’è poi una distinzione che può sembrare sottile e invece è decisiva: installare un’applicazione sul server dello studio non garantisce che tutti i dati rimangano lì. Se l’applicazione interroga un modello esterno, una parte delle informazioni viene comunque trasmessa. Chi progetta il sistema deve sapere quali dati escono, per quale motivo, verso quale fornitore e con quali garanzie.

Lo stesso vale per i permessi interni. Un’applicazione che restituisce rapidamente un documento riservato alla persona sbagliata non migliora la sicurezza soltanto perché i server sono in azienda. Le autorizzazioni devono essere progettate sui ruoli reali e verificate nel funzionamento quotidiano.

Dal progetto all’utilizzo: il valore dell’affiancamento

Il progetto inizia ai primi di giugno 2026 e arriva all’utilizzo quotidiano a metà luglio, dopo circa sei settimane. L’intervallo comprende i colloqui, l’analisi, la progettazione, la realizzazione della base di conoscenza, l’impostazione dei permessi, i collegamenti ai documenti, le applicazioni per i processi individuati e le soluzioni necessarie per lavorare con il gestionale.

Una volta avviato il sistema, ho trascorso una prima settimana accanto al titolare e ai collaboratori. Questa fase serve a osservare se la nuova procedura resiste alle attività ordinarie, ai documenti imprevisti e alle abitudini di chi deve usarla. Gli errori che in una presentazione possono sembrare marginali diventano molto concreti quando una persona deve completare una pratica e non trova il pulsante che si aspettava.

L’affiancamento permette di correggere le istruzioni, rivedere un controllo troppo macchinoso e chiarire le eccezioni che non erano emerse durante l’analisi. È anche un momento formativo. Chi usa il sistema deve capire quali attività può delegare alla macchina, come controllare il risultato e quando fermarsi per chiedere l’intervento di un collega.

Un rischio comune dei progetti di automazione è considerarli conclusi al momento dell’installazione. Un’applicazione può funzionare tecnicamente e continuare a essere poco utilizzata perché non è stata inserita nel flusso di lavoro. Le persone tornano allora ai fogli Excel, alle cartelle personali e ai metodi precedenti. La verifica della reale adozione è parte del risultato, non un favore concesso agli utenti alla fine dei lavori.

Le quattro ore al giorno: che cosa significa il dato

Lo studio ha stimato un recupero complessivo di circa quattro ore al giorno sull’intero gruppo di lavoro. Il dato nasce dalla somma del tempo che i collaboratori dichiaravano di dedicare alle attività poi automatizzate. È un’informazione utile per comprendere l’ordine di grandezza del problema, ma va qualificata correttamente: non deriva da una misurazione strumentale con cronometro eseguita prima e dopo il progetto.

Considerando un anno di circa 220 giorni lavorativi, il valore annuale è di circa 880 ore. Il calcolo è una proiezione illustrativa del tempo giornaliero stimato, e non prova che tutte quelle ore diventino automaticamente un risparmio economico. Per ottenere un valore monetario occorrerebbe conoscere il costo del lavoro, verificare la frequenza effettiva delle attività, includere i controlli necessari e sottrarre i costi di gestione del sistema.

C’è inoltre una differenza fra tempo liberato e denaro risparmiato. Se un collaboratore impiega meno tempo a registrare dati e usa le ore disponibili per seguire meglio un cliente, lo studio può ottenere più capacità di servizio senza ridurre i costi del personale.

Se il tempo viene destinato a controlli professionali che prima erano compressi, il vantaggio può riguardare soprattutto qualità e riduzione del rischio. Se una parte del lavoro consente di evitare straordinari o di assorbire una crescita di pratiche, il beneficio economico sarà diverso.

Per misurare in modo solido un progetto simile, consiglierei di prendere un campione rappresentativo di attività prima dell’automazione, registrare tempi e errori, ripetere la rilevazione dopo l’avvio e distinguere le eccezioni dai casi ordinari. Bisognerebbe inoltre osservare quanto tempo impieghino le persone a verificare le proposte dell’AI e quante volte debbano correggerle. Solo con questi dati si può passare da una stima condivisa a una valutazione più affidabile dei benefici.

Il valore delle quattro ore è quindi quello che il racconto dichiara: una stima operativa interna a un singolo progetto. Non la userei come promessa per altri studi, perché la quantità di lavoro ripetitivo, i programmi in uso, le procedure e le competenze delle persone cambiano da una realtà all’altra.

Il cambiamento nella giornata dei collaboratori

Accanto alle ore stimate, ho descritto un cambiamento osservato durante l’affiancamento: i collaboratori disponevano di più tempo da dedicare alle attività professionali, dopo la riduzione di alcune operazioni manuali. È un’impressione diretta sul funzionamento dello studio e sulla giornata di chi ci lavora; non va confusa con un’indagine strutturata sulla soddisfazione del personale.

La distinzione è importante perché un progetto AI può avere effetti diversi sulle persone. Ridurre le attività ripetitive può rendere il lavoro più interessante, ma può anche aumentare la pressione se l’organizzazione pretende immediatamente più pratiche senza rivedere priorità e carichi. Per questo occorre spiegare prima quale impiego si prevede per il tempo recuperato e coinvolgere le persone nel definire i nuovi controlli e le nuove responsabilità.

Nel nostro caso il titolare aveva un problema concreto di ricambio dei collaboratori. Un ambiente nel quale le attività più meccaniche vengono ridotte può costituire un argomento anche quando si cerca personale. Un candidato potrebbe apprezzare la possibilità di dedicarsi maggiormente alla consulenza e meno alla trascrizione di dati. Perché questa promessa abbia valore, però, deve corrispondere al lavoro che le persone svolgono davvero, e non soltanto alla presenza di uno strumento innovativo.

Un software non sostituisce da solo una buona organizzazione. Se le procedure restano confuse, se nessuno sa chi deve approvare una pratica e se tutte le eccezioni finiscono sulle spalle di un unico collaboratore, l’intelligenza artificiale può rendere più veloce una parte della giornata senza risolvere le cause principali della fatica. L’automazione rende visibili alcuni problemi e offre strumenti per affrontarli; sta all’organizzazione intervenire sui processi nel loro insieme.

Che cosa può imparare una PMI da questo caso

Chi legge potrebbe pensare che uno studio professionale abbia esigenze troppo specifiche per essere un riferimento utile ad altre aziende. In realtà, al di là delle norme fiscali e dei moduli, molte difficoltà operative sono comuni a uffici commerciali, amministrazioni, imprese manifatturiere e società di servizi. Il dato viene letto in un posto e scritto in un altro. Un’informazione è nota a una sola persona. Un documento si trova, ma prima di utilizzarlo richiede una catena di passaggi manuali.

Per iniziare una valutazione è utile scegliere un processo che tutti conoscono, come la gestione di una richiesta cliente, e ricostruirlo dall’arrivo alla chiusura. Bisogna indicare chi esegue ogni operazione, quali documenti consulta, dove scrive i dati, quali controlli compie e quali errori sono più frequenti. Già questo esercizio può far emergere passaggi che non richiedono alcuna intelligenza artificiale: talvolta basta usare meglio una funzione del gestionale o eliminare una doppia registrazione.

Quando invece l’operazione richiede di interpretare documenti diversi, recuperare informazioni in linguaggio naturale o classificare comunicazioni non strutturate, l’AI può essere utile. La decisione deve arrivare dopo aver descritto il compito e valutato la qualità dei dati. Una dimostrazione nella quale il software riesce una volta non basta per decidere di affidargli centinaia di pratiche al mese.

È inoltre utile progettare il controllo umano fin dall’inizio. Chi approva un risultato deve vedere i dati originali e le eventuali incertezze, non una risposta presentata come certamente corretta. L’azienda deve sapere che cosa è stato modificato, quando e da quale componente. In caso di errore deve poter ricostruire il passaggio e ripristinare le informazioni, compatibilmente con il processo e gli strumenti utilizzati.

Infine conviene ragionare sull’evoluzione del sistema. Se oggi automatizziamo un inserimento manuale, fra sei mesi potremmo voler automatizzare un’altra attività. La scelta dell’architettura dovrebbe consentire di aggiungere funzioni senza ripartire da capo, mantenendo separati i documenti, le regole aziendali, i collegamenti con i programmi e i modelli di intelligenza artificiale.

Una piccola guida per analizzare il proprio ufficio

Per rendere pratico il metodo descritto, immagina di dedicare una mattina all’osservazione di un’attività ripetuta nel tuo ufficio. Non occorre cominciare acquistando strumenti. Chiedi alla persona che se ne occupa di mostrarti una pratica ordinaria e, subito dopo, una pratica che presenta un’eccezione. Segui tutti i passaggi senza interrompere continuamente e annota ogni volta in cui un’informazione viene cercata, verificata, copiata o corretta.

Dopo l’osservazione, ricostruisci il percorso in parole semplici. Per esempio: la richiesta arriva via email; il collaboratore apre il documento allegato; cerca il cliente nel gestionale; controlla che il riferimento corrisponda; inserisce i dati; verifica la disponibilità di un’informazione; prepara la risposta; un responsabile approva. Se non riesci a descrivere la sequenza in modo completo, ti manca ancora qualche pezzo del processo.

A quel punto prova a chiedere quali operazioni si ripetano senza variazioni e quali richiedano invece una valutazione. La ricopiatura di un identificativo potrebbe essere automatizzata con strumenti ordinari. La lettura di una descrizione libera potrebbe beneficiare di un modello linguistico. La decisione su una condizione contrattuale particolare potrebbe dover restare a una persona competente. In questo modo ogni tecnologia riceve un compito delimitato.

Prima della prova verifica la natura dei dati coinvolti e le regole aziendali. Usa documenti fittizi o anonimizzati quando vuoi sperimentare un servizio non ancora autorizzato. Definisci in anticipo quale risultato considererai corretto e come misurerai gli errori. Se il programma sbaglia, conserva l’esempio per capire quale regola o quale controllo manchi, invece di nascondere il problema in una correzione manuale non documentata.

La prova va poi ripetuta con più casi. Un’automazione deve funzionare non soltanto con il documento pulito scelto per la dimostrazione, ma anche con formati differenti, campi assenti, allegati poco leggibili e richieste formulate in modi imprevisti. Quando un caso è troppo incerto, il sistema deve poter restituire il lavoro alla persona senza inventare una soluzione.

Questa sequenza di osservazione, progettazione e verifica permette di iniziare con un investimento limitato e di prendere decisioni sulla base del lavoro reale. È lo stesso principio che ha portato lo studio modenese a cambiare il progetto iniziale: conoscere bene il processo prima di scegliere lo strumento.

Ascoltare le persone prima di progettare la tecnologia

Il titolare dello studio aveva ragione nel voler riunire i documenti. Le informazioni erano disperse e recuperarne alcune poteva richiedere troppo tempo. Se avessimo realizzato soltanto un archivio intelligente, però, avremmo risolto una parte del problema e lasciato ai collaboratori quasi tutte le attività manuali che seguivano la ricerca.

Le conversazioni con le persone hanno reso visibili sei aree di lavoro ripetitivo: anagrafiche dei clienti, ravvedimenti operosi, modello F23, avvisi bonari, successioni e fatture estere. Da questa analisi è nato un sistema composto da una base di conoscenza e da applicazioni specifiche, con controlli umani e misure di protezione dei dati previste nell’architettura. Il gestionale chiuso ha richiesto una soluzione particolare, ma non ha impedito l’integrazione.

Le circa quattro ore giornaliere recuperate riportate nel caso restano una stima condivisa con i collaboratori, utile a raccontare il potenziale del progetto e non a garantire lo stesso risultato altrove. Il cambiamento più interessante, dal punto di vista del metodo, è un altro: il progetto non è stato definito unicamente da chi dirigeva lo studio. Ha preso forma attraverso l’osservazione del lavoro di chi ogni giorno doveva aprire i documenti, interpretare le richieste, correggere gli errori e completare le pratiche.

Se stai valutando l’intelligenza artificiale per la tua azienda o per il tuo studio, questo è un esercizio che puoi fare prima di chiedere qualsiasi preventivo. Entra in un reparto, segui una pratica dall’inizio alla fine e chiedi alle persone quali passaggi ripetono senza motivo. Potresti scoprire che la difficoltà che conosci già è soltanto la parte più visibile di un processo molto più lungo. A quel punto avrai elementi concreti per decidere dove intervenire e per capire se l’AI sia davvero la tecnologia adatta.

Domande frequenti

Che cos’è una base di conoscenza aziendale?

Una base di conoscenza, in inglese knowledge base, è un insieme organizzato di documenti e informazioni che le persone autorizzate possono consultare. Rispetto a una cartella condivisa aggiunge criteri di classificazione, permessi di accesso, aggiornamento dei contenuti e strumenti per recuperare ciò che serve. Con la ricerca assistita dall’AI si interroga con domande in linguaggio naturale e, se indica le fonti, si può controllare il documento originale.

Quanto tempo ha recuperato lo studio di commercialisti con l’automazione?

Lo studio ha stimato circa quattro ore al giorno recuperate sull’intero gruppo di lavoro, circa 880 ore l’anno su 220 giorni lavorativi. La stima nasce dalla somma del tempo che i collaboratori dichiaravano di dedicare alle attività automatizzate, non da una misurazione con cronometro. Non va presa come promessa per altri studi né come risparmio economico automatico.

Quanto tempo serve per introdurre l’AI in uno studio professionale?

Nel caso raccontato, uno studio di dieci persone, il progetto è partito ai primi di giugno 2026 ed è arrivato all’utilizzo quotidiano a metà luglio, dopo circa sei settimane tra colloqui, analisi, progettazione e realizzazione. Dopo l’avvio c’è stata una prima settimana di affiancamento accanto a titolare e collaboratori, per verificare che la procedura regga le attività ordinarie.

Come si proteggono i dati dei clienti quando uno studio usa l’AI?

Nel caso descritto si è usata una struttura ibrida: modelli piccoli sul server dello studio per compiti semplici, modelli esterni più capaci per altre operazioni, con un software che sostituiva i dati identificativi con segnaposto prima dell’invio. Il mascheramento riduce il rischio ma è spesso pseudonimizzazione e da solo non dimostra la conformità. Contano anche permessi per ruolo e contratti con i fornitori.

Come si collega l’AI a un gestionale contabile che non ha un’API?

Se il gestionale non ha un’API, cioè un’interfaccia pensata per far dialogare due programmi, si può usare un agente AI che opera sulle schermate come farebbe una persona. Nel caso dello studio si è scelto questo, invece di sostituire il gestionale. Servono verifiche sul risultato, gestione delle eccezioni e la possibilità di interrompere l’operazione quando i dati non coincidono.