Professione & Innovazione · 5 maggio 2026 · Co.Ne.Pro – Banca Generali Private, Roma
In occasione del convegno “Il Futuro della Professione di Commercialista”, organizzato dall'assicurazione Co.Ne.Pro in collaborazione con Banca Generali Private, ho presentato una guida pratica con i consigli e le precauzioni propedeutiche all'inserimento degli LLM negli studi professionali assieme ad una panoramica generale sul tema; di seguito un resoconto dei principali contenuti senza pretese di "tecnicismi". Attenzione: le slide sono come gli LLM, aggiornate a qualche mese fa, e la tecnologia va avanti veloce... 😅
Che cos’è un LLM e perché interessa al professionista
Un Large Language Model (LLM) è un sistema statistico addestrato su miliardi di dati (pesi) con l’obiettivo di predire la sequenza di parole più probabile...statisticamente. È importante chiarire fin da subito una distinzione fondamentale: questi modelli non “comprendono” nel senso cognitivo del termine, eseguono calcoli su probabilità. Il testo risultante può essere grammaticalmente così impeccabile da sembrare vero e corretto e al contempo fattualmente errato.
Il ciclo di vita di un LLM si articola in tre fasi: la tokenizzazione, che converte il testo in sequenze numeriche; il training, in cui il modello elabora enormi quantità di testo e calibra miliardi di parametri interni; e l’inferenza, ossia la generazione della risposta in tempo reale sulla base del prompt ricevuto.
Come interagire efficacemente: il prompt
L’interfaccia più immediata è quella conversazionale (ChatGPT, Claude.ai, Le Chat). La qualità dell’output dipende in misura determinante dalla qualità del prompt. Un prompt efficace specifica il ruolo atteso, il contesto operativo, il formato richiesto e i vincoli da rispettare.
Esempio pratico Invece di “Scrivimi una lettera”, si dovrebbe scrivere: “Sei un commercialista italiano. Scrivi una lettera di risposta a un avviso bonario IRPEF per un cliente persona fisica. Tono formale, massimo 250 parole.”
Per Studi che già utilizzano l’ecosistema Microsoft o Google, strumenti come Copilot o Gemini Workspace consentono di integrare le capacità LLM direttamente nelle applicazioni in uso, abbattendo la curva di adozione.
I rischi tecnici: allucinazioni e bias
Il fenomeno delle allucinazioni, le risposte false presentate con tono assertivo e prive di segnali di incertezza, rappresenta il rischio tecnico più rilevante per il professionista. Il modello può citare circolari inesistenti, attribuire contenuti errati a norme reali o eseguire calcoli sbagliati con apparente sicurezza. La regola d’oro rimane una sola: verificare sempre le fonti primarie, richiedendole sempre nel prompt.
A ciò si aggiunge il bias: i modelli riflettono le distorsioni presenti nei dati di addestramento. Per la normativa italiana, questo si traduce in un bias geografico (prevalenza di testi anglosassoni) e in un bias temporale (le informazioni sono ferme alla data di “cutoff” del training). Il CNDCEC è esplicito sul punto: l’AI non sostituisce il giudizio esperto, e la responsabilità finale rimane sempre del professionista.
Privacy e GDPR: i quattro rischi per lo studio
L’uso degli LLM in uno studio professionale introduce rischi privacy, inteso come il rispetto della normativa in materia di trattamento dati, che non possono essere ignorati. La presentazione ne identifica quattro principali.
⚠️ Attenzione Inserire nel prompt dati identificativi di clienti (nome, codice fiscale, redditi) costituisce un trattamento di dati personali ai sensi del GDPR. Il commercialista, in qualità di titolare del trattamento, è direttamente responsabile.
Trasferimento extra-UE. I principali provider (OpenAI, Google, Anthropic) hanno sede negli Stati Uniti. I dati inseriti nei prompt potrebbero essere elaborati su server americani. È necessario verificare l’esistenza di un Data Processing Agreement (DPA) e delle Standard Contractual Clauses.
Uso per il training del modello. Nei piani gratuiti, i dati inseriti possono essere utilizzati per addestrare il modello. Questo configura una potenziale violazione dell’obbligo di riservatezza professionale.
Segreto professionale. Inserire dati di clienti in strumenti consumer può integrare una violazione del segreto professionale.
Piano gratuito o a pagamento? La differenza è sostanziale
| Aspetto | Piano FREE | Piano PRO/Business | Enterprise/API |
|---|---|---|---|
| Uso dati per training | Sì (default) | No (opt-out) | No (contrattuale) |
| DPA disponibile | No | Sì | Sì (incluso) |
| Adeguato per dati clienti | No | Solo con DPA firmato | Sì, con precauzioni |
| Costo indicativo/mese | Gratuito | da € 20 / €200 | Su preventivo |
I rischi legali di un uso non governato
L’assenza di una policy interna sull’uso dell’AI espone lo studio a sanzioni GDPR fino a 20 milioni di euro o al 4% del fatturato. Il GDPR art. 35 impone la redazione di una DPIA (Data Protection Impact Assessment) ogni volta che il trattamento è ad alto rischio, categoria nella quale rientra l’uso di LLM con dati fiscali e patrimoniali dei clienti.
La Legge 132/2025 impone ai professionisti intellettuali di informare il cliente dell’utilizzo dell’AI nell’ambito del mandato professionale. Il CNDCEC ha predisposto una clausola tipo per agevolare l’adempimento. L’omissione di tale informativa non configura una sanzione amministrativa diretta, ma può comportare responsabilità disciplinare, civile e assicurativa.
Quale strumento scegliere: panoramica dei principali LLM
La scelta del modello dipende dall’uso previsto e dalle esigenze di compliance. Tra i generalisti a pagamento, ChatGPT (OpenAI) è il più diffuso per bozze e comunicazioni; Claude (Anthropic) eccelle nella gestione di testi lunghi e ragionamento complesso; Copilot (Microsoft) è la scelta naturale per chi già utilizza Microsoft 365; Le Chat (Mistral) offre maggiori garanzie GDPR essendo di origine europea. Abbiamo inoltre citato altre AI minori ma non prive di interesse. Fondamentale non è "usare sempre la stessa in ogni contesto", ma conoscerne più di una in modo da scegliere il prodotto corretto per il nostro scopo. Paragono questo errore a "Uso Excel per tutto perchè conosco solo quello o equivalente per whatsapp"
Per la ricerca normativa e le attività di consulenza, i modelli verticali addestrati su banche dati fiscali e legali italiane offrono ad esempio affidabilità superiore rispetto ai generalisti, con riferimenti normativi verificati e aggiornati. Il loro costo è generalmente più elevato, ma il rapporto qualità/rischio è significativamente migliore per questo specifico caso d’uso. Questi possono essere affiancati da sistemi LLM generativi (es. Claude o Le Chat) per la "sistemazione del testo".
Riguardo a DeepSeek, il modello cinese che ha registrato ottimi benchmark tecnici: la presentazione "finge" di sconsiglia esplicitamente per dati professionali, trattandosi di server situati fuori da qualsiasi perimetro GDPR/AI Act, ma i loro pesi sono aperti, open-source, e alla fine tra Cina e USA la privacy è comunque infranta.
Vibe Coding: quando l’AI scrive codice al posto tuo
Il termine vibe coding, coniato da Andrej Karpathy (co-fondatore di OpenAI) nel febbraio 2025, indica la pratica di descrivere in linguaggio naturale ciò che si vuole ottenere e lasciare che l’AI generi tutto il codice. Non è richiesta alcuna competenza di programmazione: si accetta l’output, lo si esegue, si incolla l’eventuale errore all’AI e si ripete finché il risultato “sembra funzionare”.
Attenzione: il giusto prompt non esiste, esiste il giusto prompt in quel momento con quello specifico LLM. Diffidati da chi vi vende corsi su come "redigere il prompt perfetto"!
Debug impossibile senza competenze. Chi non sa leggere il codice prodotto dall’AI (perchè non è un programmatore) non è in grado di individuare dove si trova un problema quando qualcosa smette di funzionare o produce dati errati. Il debug diventa dipendenza cieca dallo stesso strumento che ha generato l’errore.
Vendor lock-in automatico. Il codice generato è spesso ottimizzato per una piattaforma specifica. Spostarsi altrove diventa difficile o impossibile, rendendo lo studio prigioniero dello strumento scelto e delle sue vulnerabilità.
Rischio malware e backdoor. I modelli attingono a codice pubblico di qualità variabile e possono inserire librerie con vulnerabilità note. Il fenomeno dello slopsquatting (App/pacchetti con nomi simili a quelli legittimi) è un vettore di attacco reale e documentato.
Debito tecnico invisibile. Il codice “funziona”, ma nessuno capisce come. In pochi mesi diventa una scatola nera ingestibile, e ogni modifica genera nuovi errori a cascata.
La raccomandazione della presentazione è netta: non utilizzare il vibe coding per gestire dati dei clienti, elaborazioni fiscali o automatizzazioni aziendali. Senza sapere cosa fa il codice, non è possibile garantirne né la correttezza né la sicurezza. non lo inserite in maniera massiva nei processi di studio, al limite per alcuni moduli stand-alone.
Modelli Open Source: un’alternativa da considerare
Accanto ai modelli commerciali, esiste un ecosistema di LLM con pesi aperti che merita attenzione per gli studi con esigenze di massima riservatezza. Tra i più rilevanti: Llama (Meta), Mistral/Mixtral (europeo, ottimo per l’italiano), Phi-3 (Microsoft), Gemma (Google) e Falcon.
Il vantaggio principale è che i dati rimangono interamente in locale o comunque su vostri sistemi, eliminando qualsiasi rischio di trasferimento verso server di terze parti. Non vi sono costi per token o API e i modelli sono personalizzabili attraverso tecniche di fine-tuning o RAG (Retrieval-Augmented Generation, che consente al modello di consultare documenti esterni).
I limiti sono altrettanto concreti: è richiesto hardware potente, la gestione tecnica è a carico dello studio e la qualità rimane inferiore ai modelli proprietari di punta. Si tratta quindi di una soluzione indicata per studi dotati di competenze IT interne o che trattano volumi significativi di dati riservati. Ma esistono LLM ridotti e leggei, anche idonei ad essere utilizzati con la solo CPU e non dovendo investire in GPU e potrebbero anche soddisfare le vostre esigenze.
Il Decalogo: le dieci regole d’oro
- Non inserire mai dati personali in LLM consumer gratuiti, e attenzione anche a quelli Pro
- Utilizzare solo LLM dotati di DPA firmato (piano Business o Enterprise)
- Verificare sempre l’output: l’AI può inventare norme e citazioni inesistenti
- Aggiornare il Registro dei Trattamenti includendo l’uso dell’AI
- Redigere la DPIA se si utilizzano LLM con dati fiscali o patrimoniali dei clienti
- Inserire la clausola AI nel mandato professionale, come indicato dal CNDCEC
- Preferire LLM europei (Mistral) o soluzioni verticali italiane
- Formare i collaboratori e definire una policy interna scritta sull’uso dell’AI
- Per la ricerca normativa, utilizzare LLM verticali verificati affiancati da strumenti generalisti sicuri
- Rimanere professionisti: l’AI è un assistente, la responsabilità resta umana.
Gli agenti AI e l’accesso al computer: nuovi poteri, nuove responsabilità
L’ultima sezione della presentazione affronta il tema degli agenti AI (es. come Cowork di Anthropic al momento della scrittura delle slide, ma ve ne sono molti altri) che possono operare direttamente sul PC del professionista, accedendo a file, aprendo applicazioni, navigando il web e pianificando task autonome. Si tratta di una frontiera ancora recente, che richiede cautela operativa.
I rischi principali riguardano l’accesso non controllato ai file locali, la possibilità di prompt injection tramite contenuti web malevoli, l’esecuzione di operazioni automatizzate su dati sensibili e la condivisione involontaria di dati tra applicazioni aperte. Il principio guida è chiaro: il professionista rimane responsabile di tutte le azioni compiute dall’AI per suo conto, anche se automatizzate.
Una riflessione finale
La presentazione si chiude con una considerazione di natura culturale più che tecnologica: La resistenza al cambiamento! Frasi come “ho sempre fatto così”, “fanno tutti così” è lo stesso ostacolo che ha rallentato l’adozione di ogni innovazione precedente, dal fax alla posta elettronica, dalle banche dati agli strumenti collaborativi. Il problema non è la tecnologia: è l’ecosistema chiuso che spesso porta a utilizzare strumenti nuovi con logiche vecchie. O strumenti vecchi ma gli unici conosciuti per qualsiasi scopo.
Cuncludiamo dicendo che i dati sono il motore del futuro della professione. Riappropriarsene attraverso soluzioni open source, modelli locali e architetture aperte è la condizione per essere protagonisti attivi dell’evoluzione, anziché semplici intermediari destinati all’obsolescenza.
📎 Scarica le slide dell’evento
Le slide complete della presentazione “AI e LLM nello Studio Professionale” sono disponibili per il download al link qui sotto.
