Dentro il passaggio dall'IA generativa all'IA agentica nella finanza aziendale

      TL;DRL'organizzazione finanziaria di AT&T sta costruendo flussi di lavoro AI agentici utilizzando LangGraph per automatizzare la preparazione manuale delle registrazioni contabili sotto i controlli SOX. L'architettura separa la preparazione ripetibile dal giudizio umano attraverso playbook di proprietà finanziaria, prove di audit a livello di nodo e confini di approvazione espliciti.

      L'AI generativa ha già cambiato il modo in cui le aziende redigono, riassumono e cercano informazioni. La prossima sfida è più complessa: se l'AI può coordinare il lavoro attraverso i sistemi aziendali mantenendo i controlli, l'auditabilità e la responsabilità umana.

      Questo è il test centrale per l'AI agentica. A differenza di un chatbot che restituisce una risposta, un sistema agentico può interpretare un obiettivo, recuperare dati, chiamare strumenti, applicare regole, convalidare risultati e preparare il lavoro per la revisione umana. In funzioni regolamentate come la finanza, tale capacità crea sia opportunità che rischi. Un sistema utile deve fare più che automatizzare un compito. Deve mostrare quali dati sono stati utilizzati, quale logica decisionale è stata applicata, dove si sono verificate eccezioni e chi ha approvato l'azione finale.

      Le registrazioni contabili manuali offrono un esempio pratico. In grandi organizzazioni finanziarie, queste registrazioni richiedono spesso agli analisti di raccogliere informazioni da più sistemi, riconciliare input, applicare logica contabile, calcolare valori, preparare documentazione di supporto e instradare il pacchetto per l'approvazione. Il processo è ripetitivo, sensibile al tempo e ricco di controlli, specialmente perché le registrazioni contabili influenzano la rendicontazione finanziaria e operano all'interno di ambienti controllati da SOX.

      Il 💜 della tecnologia UELe ultime novità dalla scena tecnologica dell'UE, una storia del nostro saggio fondatore Boris e alcune opere d'arte AI discutibili. È gratuito, ogni settimana, nella tua casella di posta. Iscriviti ora!

      In AT&T, Monika Malik, Lead Data and AI Engineer nell'organizzazione finanziaria, ha lavorato a un approccio agentico a questo problema attraverso l'iniziativa Manual Journal Entry dell'azienda. Il design non è inteso per consentire a un modello AI di pubblicare indipendentemente le registrazioni. Invece, separa il lavoro di preparazione ripetibile dal giudizio professionale e dall'approvazione finale.

      La scala dell'ambiente finanziario è significativa: i flussi di lavoro fiscali e contabili collegati a questo più ampio sforzo di modernizzazione sono legati a centinaia di milioni di dollari in obbligazioni accumulate e valore commerciale ricorrente.

      Il flusso di lavoro utilizza LangGraph come framework di orchestrazione. Questa scelta è importante perché un'architettura basata su grafi consente a un processo finanziario di essere rappresentato come una serie di nodi espliciti, rami e checkpoint piuttosto che come un'unica automazione opaca. In un processo controllato da SOX, quella struttura è utile perché ogni passaggio può essere auditato individualmente. I rami condizionali possono anche mappare a percorsi di approvazione finanziaria reali: una registrazione pulita può procedere, mentre le registrazioni con rotture di soglia, prove mancanti o eccezioni alle regole possono essere instradate per revisione.

      In questo modello, un nodo del flusso di lavoro potrebbe gestire l'estrazione dei dati, un altro potrebbe trasformare i dati di origine, un altro potrebbe calcolare i valori delle registrazioni contabili e un altro potrebbe generare un modello di bozza. Ogni nodo produce un output strutturato e timestampato che registra i dati di input utilizzati, la decisione o la regola applicata e il risultato della convalida. Questo crea una traccia di prove che può essere esaminata in seguito, piuttosto che fare affidamento su un output finale con poca visibilità su come è stato prodotto.

      Un'altra importante scelta progettuale è l'uso di playbook di proprietà finanziaria. Invece di codificare ogni regola nella logica ingegneristica, il processo aziendale è definito e mantenuto da esperti di materia finanziaria. Questi playbook specificano i passaggi da eseguire, gli strumenti da chiamare, le soglie da applicare, le prove richieste e come appare un “buono” per un particolare tipo di registrazione contabile. L'ingegneria possiede il livello di orchestrazione ed esecuzione; la finanza possiede la logica aziendale. Questa divisione mantiene la responsabilità del processo con l'azienda, pur consentendo al flusso di lavoro di scalare attraverso più tipi di registrazione.

      Il sistema utilizza anche valutazioni a livello di nodo come punti di controllo. In pratica, ciò significa che ogni fase del flusso di lavoro può essere controllata prima che la successiva venga eseguita. I controlli di qualità dei dati possono confermare se i campi richiesti sono presenti. I controlli di calcolo possono ricalcolare i totali e convalidare le convenzioni di segno o le regole di bilanciamento. I controlli dello schema di output possono verificare che il modello di registrazione contabile sia strutturalmente completo. I controlli basati su regole possono confrontare i valori con le soglie o le aspettative dei periodi precedenti. La valutazione basata su LLM può essere utilizzata per segnalare spiegazioni non supportate, come narrazioni che fanno riferimento a dati non presenti nello stato del flusso di lavoro.

      Il monitoraggio è un'altra parte dell'architettura. Uno strato di monitoraggio del modello tiene traccia se il sistema continua a comportarsi all'interno dei confini definiti nel tempo. In un contesto SOX, ciò include deviazioni di output, tassi di eccezione, fallimenti di convalida ripetuti e cambiamenti nei modelli di pass/fail. Lo scopo non è solo quello di catturare problemi di qualità del modello, ma di determinare se il flusso di lavoro rimane sufficientemente affidabile per un processo finanziario controllato.

      Il confine umano nel loop è esplicito. Il sistema prepara un pacchetto convalidato, inclusi l'output di bozza, i risultati della valutazione, le note di eccezione, la cronologia dei tentativi e le prove di supporto. I revisori umani rimangono responsabili per le eccezioni, il giudizio professionale e l'approvazione finale. Il flusso di lavoro può rendere la preparazione più coerente e programmabile, ma non rimuove la responsabilità dalla funzione finanziaria.

      L'esperienza precedente di Malik in ambienti bancari regolamentati informa anche questo approccio, in particolare l'enfasi sulla qualità dei dati, la tracciabilità e l'affidabilità operativa.

      L'esempio della registrazione contabile manuale punta a un modello aziendale più specifico: l'AI agentica diventa utile nella finanza solo quando orchestrazione, regole di proprietà aziendale, prove a livello di nodo, monitoraggio e confini di approvazione sono progettati insieme. LangGraph fornisce la struttura del flusso di lavoro, i playbook di proprietà finanziaria preservano il controllo aziendale, le valutazioni a livello di nodo creano prove di audit, il monitoraggio tiene traccia se il comportamento rimane all'interno delle soglie e i revisori umani mantengono la responsabilità per le eccezioni e l'approvazione finale. Nella finanza regolamentata, il valore dell'AI agentica potrebbe dipendere meno dall'autonomia stessa che da quanto precisamente quell'autonomia è vincolata.