L’audit societario è uno di quei riti aziendali di cui pochi parlano e che tutti pagano, anno dopo anno. Le società quotate spendono migliaia di ore a raccogliere evidenze, testare controlli e stendere relazioni, per lo più a mano, su fogli Excel, in processi che non sono cambiati molto dal 2002. Andera, una startup che vuole affidare questo lavoro all’intelligenza artificiale, ha appena ottenuto 37 milioni di dollari di finanziamento, segnale che il settore è pronto a voltare pagina.

Dal foglio elettronico all’LLM

L’idea di Andera non è isolata. Negli ultimi anni, i Large Language Models e le pipeline di automazione documentale sono entrati in rotta di collisione con professioni basate sulla verifica manuale. L’audit è un candidato ideale: grandi volumi di dati strutturati e non, regole ripetitive, necessità di trovare anomalie e pattern. Un LLM addestrato o sottoposto a fine-tuning su normative contabili e prassi di revisione può analizzare rapidamente migliaia di transazioni, incrociare evidenze e segnalare scostamenti che un revisore umano impiegherebbe ore a scovare.

Tuttavia, la tecnicia non è pronta per un’adozione “chiavi in mano”. Il lavoro di audit richiede precisione assoluta e piena tracciabilità: un modello che produce allucinazioni o risposte non verificabili è inaccettabile. Inoltre, il contesto regolatorio in Europa, con il GDPR e le norme sulla protezione dei dati finanziari, impone vincoli stringenti su dove e come i dati possono essere elaborati.

Il nodo della sovranità dei dati

Per le Big Four e le grandi società di consulenza, l’uso di AI per la revisione contabile si scontra con la necessità di mantenere il controllo assoluto sulle informazioni dei clienti. Bilanci, scritture contabili e documenti interni non possono transitare su cloud pubblici senza garanzie contrattuali ferree. Ecco perché, al di là del fascino del software as a service, molte organizzazioni guardano con interesse a deployment on-premise o ibridi, dove l’inference e il trattamento dei dati avvengono su infrastruttura proprietaria, all’interno dei propri data center o su hardware dedicato.

Non è un dettaglio tecnico secondario: parliamo di TCO, scelte hardware (GPU con quantità di VRAM adeguate alla quantization dei modelli), aggiornamento continuo dei framework di orchestrazione e gestione della latenza. In questo scenario, l’investimento di Andera segnala che il mercato è in fermento, ma la strada verso una revisione contabile completamente automatizzata è lastricata di decisioni architetturali complesse.

Oltre la nuvola: perché l’audit può spingere l’AI on-premise

L’audit è, per natura, un’attività che richiede fiducia e confidenzialità. Un modello che opera in self-hosted, magari dentro un ambiente air-gapped, offre rassicurazioni che il cloud pubblico fatica a dare. Non si tratta solo di compliance: è una questione di responsabilità legale. Se un assistente AI commette un errore nella rilevazione di una frode, chi risponde? Il fornitore del servizio cloud o la società di revisione? La tendenza a mantenere il controllo completo sulla pipeline di inference è destinata a crescere, e con essa l’interesse per soluzioni che permettano di eseguire LLM vicino ai dati, senza spostare un singolo token su reti esterne.

In questo framework, la notizia del round di Andera assume un valore che va oltre il semplice dato finanziario. Indica che l’industria sta cercando di colmare un divario: quello tra la potenza dell’AI generativa e le esigenze concrete di settori regolamentati. Per chi oggi valuta un deployment on-premise, esistono trade-off significativi tra costi di capitale, competenze interne e scalabilità. Tuttavia, proprio l’audit potrebbe diventare uno dei primi casi d’uso in cui il ritorno dell’investimento giustifica la complessità.

Prospettiva

La strada è tracciata. L’automazione del lavoro di revisione non sarà immediata, ma l’ingresso di capitali consistenti dimostra che l’AI sta per lasciare il laboratorio per entrare nei consigli di amministrazione. La partita, per i fornitori di tecnicia e per le società di revisione, si giocherà sulla capacità di coniugare performance dei modelli e sovranità dei dati, in un equilibrio che molto probabilmente vedrà l’hardware on-premise tornare protagonista.