L'AI per i Commercialisti - Una Riflessione Critica

Il mio scopo oggi è stimolare una riflessione critica sull'adozione dell'intelligenza artificiale nel nostro settore. Non per demonizzare la tecnologia, ma per affrontare con onestà intellettuale i problemi reali che spesso vengono sottaciuti nell'entusiasmo del momento.

Ma prima di tutto: non si chiama AI!

Perché continuiamo a chiamare "intelligenza artificiale" sistemi come ChatGPT o Claude? Non è vera AI. È marketing, puro e semplice, che maschera la reale natura di questi strumenti e crea aspettative completamente irrealistiche. 
La terminologia corretta sarebbe Large Language Model (LLM) – modello linguistico di grandi dimensioni. O, più precisamente: sistemi statistici di predizione del testo. Questi programmi calcolano quale parola è più probabilmente la successiva in una sequenza, basandosi su pattern appresi da enormi quantità di testo. Sono sistemi di elaborazione del linguaggio naturale, nulla di più. Qualcuno preferisce "agenti conversazionali" o "assistenti linguistici". Ma nessuna di queste definizioni ha la forza evocativa del termine "intelligenza artificiale".
Eppure "IA", nel senso proprio del termine, implica qualcosa di radicalmente diverso:

• ragionamento autonomo
• comprensione semantica profonda
• capacità di apprendere in tempo reale

Questi sistemi, invece, non "capiscono" nel senso umano – riconoscono pattern statistici. Non ragionano – calcolano probabilità. Non apprendono dalle conversazioni. Non hanno obiettivi propri, intenzionalità, comprensione reale di ciò che producono.

Il termine "AI" ha vinto sulla precisione terminologica perché "vende". Suona futuristico, potente, rivoluzionario....figo! "Sistema statistico di predizione linguistica" suona tecnico, limitato, meno finanziabile. Il marketing ha prevalso sulla scienza, come sempre, per la gioia di Altman il "cantastorie" del momento.

Per noi professionisti, questa mistificazione rappresenta un pericolo concreto. Un commercialista che crede di dialogare con un'intelligenza si fiderà troppo degli output ricevuti. Chi avrà la capacità di mantenere attento il suo cervello su questo punto manterrà il giusto scetticismo professionale.

La prima mistificazione è nel nome stesso. Prima di chiederci se l'AI può aiutarci nella professione, dovremmo chiederci: di cosa stiamo davvero parlando?

1. Il prerequisito spesso sottovalutato e mancante: le competenze di base

Il paradosso della complessità

• Molti studi professionali faticano ancora con strumenti basilari: gestione efficace della posta elettronica, organizzazione documentale digitale, backup sistematici.
  Cos'è un url, che differenza c'è tra internet, google, browser? e IMAP o ical, vcard o caldav/cardav? eppure esistono da decine e decine di anni.
• L'AI richiede competenze informatiche di livello superiore: comprensione degli output, validazione dei risultati, gestione dei prompt. 
  Il rischio: saltare i fondamentali per abbracciare lo strumento complesso porta a un uso acritico e pericoloso

L'uso etico e consapevole

• L'AI non è una calcolatrice: richiede giudizio professionale continuo
• Senza formazione adeguata, si rischia di delegare responsabilità che restano nostre davanti a clienti e autorità
• La deontologia professionale impone di comprendere gli strumenti che utilizziamo

2. I limiti tecnici dell'AI Generativa

Gli errori sistematici

• Le "allucinazioni": l'AI genera informazioni false con assoluta sicurezza  [ndr ed anche questo termine è sbagliato in quanto antopomorfico, mentre AI non ha niente legato all'essere umano]
• Studi recenti indicano tassi di errore che variano dal 3% al 15% a seconda del compito fino al 25% [e non lo dico io, lo dice OpenAI: https://openai.com/index/why-language-models-hallucinate/ 
• Nel nostro settore: un errore fiscale o contabile non è accettabile, nemmeno all'1%. Io dico sempre: "tu fosssi il cliente, andresti da un professionista che sbaglia mediamente il 50% delle volte?"

L'obsolescenza dei dati

• I modelli sono addestrati su dati storici, spesso fermi a mesi o anni fa
• La normativa fiscale italiana cambia continuamente: come può un sistema obsoleto gestire correttamente la consulenza?

3. La questione "etica" dei dati

L'appropriazione indebita

• OpenAI, Anthropic e altri hanno addestrato i loro sistemi su miliardi di dati raccolti senza consenso
• Contenuti protetti da copyright, dati personali, opere creative: tutto assimilato in nome di un "interesse superiore" autodichiarato
• Per noi professionisti: utilizziamo strumenti costruiti su fondamenta eticamente discutibili?

La privacy dei dati

• Inserire dati sensibili in sistemi cloud comporta rischi non sempre valutati
• Dove finiscono le informazioni che inseriamo? Chi ne ha accesso realmente?
• E con l'introduzione dei browser c.d. "agentici" quello che non gli diamo noi, se lo prendono da soli: tutto! per non parlare di Copilot che fa gli screenshot dei nostri desktop.

4. Il costo ambientale nascosto

Il problema energetico

• Un singolo modello AI richiede energia equivalente al consumo annuale di centinaia di famiglie per il solo addestramento
• Ogni interrogazione consuma risorse: moltiplicato per miliardi di utenti, l'impatto è insostenibile
• La contraddizione: parliamo di digitalizzazione "verde" usando tecnologie energivore

5. I limiti strutturali futuri

La carenza di dati di qualità

• Internet non è infinito: le fonti di dati di qualità per addestrare nuovi modelli si stanno esaurendo
• Il rischio del "collasso del modello": AI addestrate su contenuti generati da altre AI perdono progressivamente qualità
• Strumenti come DeepSeek che si autoaddestrano o NotebookLM Search, non risolvono, sembra che lo facciano, ma la qualità dei dati è fondamentale ed ora sono finiti (vedi sopra con i browser agentici)

Gli algoritmi: vecchi di 40 anni

• Le reti neurali e il deep learning si basano su principi degli anni '80
• Non c'è stata una vera rivoluzione algoritmica, solo più potenza di calcolo e più dati
• La domanda: stiamo inseguendo una moda o una vera innovazione?

6. L'alternativa trascurata: La Business Intelligence (BI)

Perché la BI potrebbe essere più adatta

• Esiste da 40 anni [come gli algoritmi di cui sopra] è matura, testata, affidabile
• Analizza i dati strutturati che già abbiamo: bilanci, flussi di cassa, dichiarazioni fiscali
• Produce risultati verificabili, ripetibili, spiegabili ai clienti
• Non "inventa" nulla: elabora ciò che esiste

Le soluzioni open source

• Strumenti come Apache Superset, Metabase, Grafana sono gratuiti e professionali
• db <---> Knime <---> db ---> Meabase . è il mio workflow preferito
• Personalizzabili secondo le nostre esigenze specifiche
• Nessun vendor lock-in, pieno controllo sui dati [firma la petizione contro il lock-in]

Conclusione

Non sono contrario all'innovazione. Sono contrario all'innovazione acritica.
Prima di adottare l'AI nel nostro studio:

1. Chiediamoci: abbiamo le competenze per usarla responsabilmente?
2. Valutiamo: i benefici superano davvero i rischi per i nostri clienti?
3. Consideriamo: esistono alternative più adatte, mature e sicure? [non excel, mi raccomando]

Il nostro primo dovere professionale è la prudenza e la protezione degli interessi dei clienti. L'entusiasmo tecnologico non può sostituire la responsabilità professionale.