Sommario
- Come è nata l'idea dell'intelligenza artificiale?
- Le prime speranze e gli inverni dell'intelligenza artificiale
- Dal machine learning al deep learning
- L'arrivo dell'intelligenza artificiale nella gestione finanziaria e delle spese
- Prima fase: controlli basati su regole
- Seconda fase: macchine che leggono i documenti
- Terza fase: rilevamento delle anomalie e previsione
- Domande frequenti (FAQ)
- Quando è nata per la prima volta l'intelligenza artificiale?
- Qual è la differenza tra i sistemi basati su regole e i sistemi che apprendono?
- Come viene utilizzata l'intelligenza artificiale nella gestione delle spese?
- L'intelligenza artificiale sostituirà il team finanziario?
La storia dell'intelligenza artificiale è l'avventura, lunga decenni, del sogno di creare macchine capaci di pensare. Oggi questa avventura ha un significato particolare per i team finanziari: i sistemi che leggono le ricevute, classificano le spese e individuano le operazioni sospette non sono nati da un giorno all'altro. Per valutare correttamente l'intelligenza artificiale che oggi trasforma la gestione delle spese e degli acquisti, occorre sapere da dove viene questa tecnologia e verso dove sta andando. In questo articolo esamineremo prima, con una breve cronologia, le tappe fondamentali dell'intelligenza artificiale, per poi analizzare come questa tecnologia sia arrivata ai processi finanziari — in particolare alla gestione delle spese.
Come è nata l'idea dell'intelligenza artificiale?
La domanda se le macchine possano pensare risale all'epoca in cui i computer erano grandi quanto una stanza. Nel 1950 il matematico britannico Alan Turing pose la sua ormai celebre domanda: "Le macchine possono pensare?" Questa domanda gettò le basi del concetto che oggi conosciamo come test di Turing: se una macchina è in grado di conversare in modo abbastanza naturale da convincere un valutatore umano, si può ritenere che "pensi".
La nascita ufficiale del campo risale invece alla Conferenza di Dartmouth del 1956. John McCarthy, Marvin Minsky e gli altri pionieri dell'epoca discussero qui l'idea che le macchine potessero apprendere e risolvere problemi; il termine "intelligenza artificiale" fu usato per la prima volta proprio in questa conferenza.
Le prime speranze e gli inverni dell'intelligenza artificiale
Nei vent'anni successivi a Dartmouth, i primi programmi capaci di dimostrare teoremi matematici e di conversare con schemi semplici suscitarono grande entusiasmo. Alcuni ricercatori prevedevano che macchine capaci di pensare a livello umano fossero ormai vicinissime. La realtà rimase al di sotto delle aspettative.
Il campo attraversò due grandi periodi di stagnazione, chiamati "inverni dell'intelligenza artificiale". Nel primo (1974–1980) la limitata potenza di calcolo e la scarsità di dati dimostrarono che le promesse non potevano essere mantenute; i finanziamenti furono tagliati. Negli anni '80 i sistemi esperti basati su regole divennero popolari nel mondo del business: queste strutture, che codificavano la conoscenza degli esperti nella forma "se esiste questa condizione, allora fai questo", funzionavano in ambiti specifici, ma erano difficili da mantenere, poco flessibili e costose. Quando i loro limiti divennero evidenti, arrivò il secondo inverno (1987–1993).
La lezione di quel periodo è ancora valida oggi: le regole scritte a mano non riescono a tenere il passo con la complessità del mondo reale. La stessa lezione, come vedremo più avanti, si sarebbe ripetuta identica anche nell'evoluzione dei software finanziari.
Dal machine learning al deep learning
A partire dalla fine degli anni '90 si verificò un silenzioso cambio di paradigma: con il machine learning i sistemi iniziarono a imparare le regole direttamente dai dati, anziché riceverle già pronte dagli esseri umani. L'aumento della potenza di calcolo, l'abbondanza di dati portata da internet e i progressi nelle reti neurali artificiali resero possibile questa trasformazione. Nel 1997 la vittoria di Deep Blue sul campione mondiale di scacchi Garry Kasparov divenne il simbolo del fatto che le macchine potevano superare l'uomo in ambiti specifici.
Gli anni 2010 sono invece l'era del deep learning. Le reti neurali artificiali multistrato, addestrate su grandi insiemi di dati, aprirono nuove strade nel riconoscimento delle immagini e nell'elaborazione del linguaggio naturale: nel 2012 i modelli di deep learning distanziarono i concorrenti nelle competizioni di riconoscimento delle immagini, nel 2016 AlphaGo sconfisse il campione mondiale di Go e l'architettura transformer pubblicata nel 2017 gettò le basi degli odierni grandi modelli linguistici. Negli anni 2020 l'intelligenza artificiale generativa — modelli che scrivono testi, generano immagini e riassumono documenti — è entrata nel flusso di lavoro quotidiano di milioni di persone.
L'arrivo dell'intelligenza artificiale nella gestione finanziaria e delle spese
Ogni fase della storia dell'intelligenza artificiale ha trovato un riscontro nei software finanziari. È possibile leggere questa evoluzione in tre fasi.
Prima fase: controlli basati su regole
La prima generazione di software finanziari funzionava con regole scritte a mano, proprio come i sistemi esperti degli anni '80: "se la spesa per un pasto supera questo importo, va in approvazione", "la fattura di questa categoria va registrata su questo conto". Queste regole erano utili ma fragili. Quando la politica cambiava, occorreva aggiornare le regole una per una; ogni eccezione che non rispettava una regola veniva esaminata manualmente. L'inserimento delle ricevute, la scelta della categoria e la riconciliazione restavano interamente a carico delle persone — un sistema lento e soggetto a errori. Il costo di questo carico manuale per le aziende lo abbiamo analizzato in dettaglio nell'articolo il costo nascosto in tempo dell'inserimento delle spese.
Seconda fase: macchine che leggono i documenti
Il machine learning e il deep learning hanno preso di mira il carico più gravoso dei team finanziari: l'elaborazione dei documenti. Grazie ai progressi nel riconoscimento delle immagini, i sistemi sono diventati in grado di leggere ricevute e fatture da una fotografia; importo, data, fornitore e informazioni fiscali vengono estratti in pochi secondi e registrati nei campi corretti. Anche la categorizzazione ha iniziato a basarsi sugli schemi anziché sulle regole: il sistema, imparando dalle spese passate, colloca da solo una nuova spesa nella categoria corretta. Man mano che l'inserimento manuale dei dati diminuiva, si riducevano sia il tasso di errore sia il tempo che i dipendenti dedicavano alla dichiarazione delle spese.
Terza fase: rilevamento delle anomalie e previsione
La fase attuale è quella in cui la macchina non si limita a leggere e classificare, ma si accorge delle deviazioni. L'intelligenza artificiale impara gli schemi di spesa dell'azienda e segnala ciò che è insolito: ricevute duplicate, dichiarazioni sospette che cadono nel fine settimana, spese ripetute appena al di sotto del limite di policy. Questi segnali, che il controllo manuale a campione lascia sfuggire, rendono possibile individuare il rischio di frode nelle spese prima che cresca. La stessa capacità di apprendimento degli schemi guarda anche al futuro: a partire dai dati storici si possono prevedere le tendenze di spesa e individuare precocemente gli scostamenti di budget. Nemmeno le regole sono scomparse; ora i controlli della politica delle spese collaborano con i sistemi che apprendono per individuare la spesa anomala già al momento della dichiarazione.
Masraff è una piattaforma di gestione delle spese basata sull'intelligenza artificiale che rappresenta l'anello più recente di questa evoluzione: dalla lettura di ricevute e fatture alla categorizzazione intelligente, dal controllo delle policy alla segnalazione delle anomalie, automatizza l'intero processo delle spese dall'inizio alla fine.
Domande frequenti (FAQ)
Quando è nata per la prima volta l'intelligenza artificiale?
Il concetto fu introdotto ufficialmente alla Conferenza di Dartmouth del 1956; le sue basi teoriche risalgono invece al lavoro di Alan Turing del 1950.
Qual è la differenza tra i sistemi basati su regole e i sistemi che apprendono?
Nei sistemi basati su regole gli esseri umani scrivono ogni condizione una per una; il sistema risponde solo agli scenari definiti. I sistemi che apprendono, invece, estraggono schemi dai dati: possono prendere decisioni ragionevoli anche quando si trovano di fronte a situazioni nuove e non previste in precedenza. In ambito finanziario questa differenza è quella tra un "controllo di limite fisso" e il "riconoscere autonomamente una spesa insolita".
Come viene utilizzata l'intelligenza artificiale nella gestione delle spese?
In tre ambiti principali: la lettura automatica di ricevute e fatture da una fotografia, la categorizzazione intelligente delle spese in base ai dati storici e la segnalazione immediata delle spese insolite o non conformi alla policy. In questo modo il carico di lavoro manuale diminuisce, gli errori si riducono e il team finanziario può concentrarsi sulla strategia anziché sul controllo.
L'intelligenza artificiale sostituirà il team finanziario?
No; si fa carico dei compiti ripetitivi. Mentre l'inserimento dei dati, l'abbinamento e i controlli di primo livello passano alla macchina, le decisioni che richiedono giudizio — la progettazione delle policy, l'approvazione delle eccezioni, la strategia di budget — restano alle persone.
Lo sviluppo dell'intelligenza artificiale, durato decenni, ha oggi raggiunto una maturità capace di alleggerire concretamente i vostri processi di spesa. Se desiderate vedere nella vostra azienda il passaggio dai controlli basati su regole ai sistemi che apprendono, contattateci — esaminiamo insieme che cosa ha cambiato l'intelligenza artificiale nella gestione delle spese.