Come costruiamo la governance insieme

Mappare i passaggi

Un responsabile M&A ci ha raccontato che il momento peggiore è quando, a ridosso di una scadenza, emergono differenze tra versioni di uno stesso dato e nessuno ricorda più quale percorso abbia seguito. Nel nostro approccio il primo passo è sempre una mappa dei punti in cui il dato su una acquisizione o dismissione cambia forma, dall annuncio iniziale alle ultime note di bilancio, con evidenza dei passaggi che oggi non lasciano traccia chiara.

Riunione audit su dati operazioni
Schema governance e permessi dati

Decidere cosa tracciare

Dopo la mappatura lavoriamo con i team per definire quali trasformazioni devono essere sempre spiegabili. Non tutte meritano lo stesso livello di rigore, ma alcune, come il passaggio da valore annunciato a valore contabile, richiedono una documentazione costante. L AI qui non decide nulla, ma automatizza il collegamento tra numeri e testi, riducendo il tempo speso a cercare giustificazioni sparse in documenti diversi.

Stati e ruoli

Una volta definiti i punti critici, introduciamo stati del dato semplici ma vincolanti, proposto, in revisione, confermato, contestato. Ogni cambio di stato richiede un ruolo abilitato e, quando serve, una breve nota. Questo evita che i dataset sulle operazioni M&A si riempiano di valori apparentemente definitivi che in realtà nessuno ha mai guardato con attenzione.

Revisione continua

Infine, costruiamo con i team una routine minima di revisione periodica, non per inseguire l errore singolo, ma per vedere se nel tempo la qualità percepita dei dati migliora o peggiora. Qui l AI aiuta a misurare, mostra quali tipi di documenti generano più contestazioni e dove le proposte dei modelli vengono quasi sempre accettate. I risultati possono variare, ma almeno la variazione diventa visibile e discutibile.

Confrontiamoci

Integrare l AI senza creare nuovi silo

Un commento che ritorna spesso dai team di pianificazione è netto, abbiamo già troppi strumenti, non vogliamo un altro silo. Il nostro lavoro su governance e AI per dati di acquisizioni e dismissioni parte proprio dal rifiuto del silo aggiuntivo. Primo passaggio, mappiamo dove vivono oggi i dati sulle operazioni, sistemi di consolidamento, fogli di lavoro locali, repository documentali, applicazioni usate per la reportistica. L obiettivo non è sostituirli, ma decidere quali devono restare fonti autorevoli e quali possono diventare archivi di supporto. La piattaforma AI si aggancia a queste scelte, non le impone. Secondo passaggio, definiamo quali attributi transazionali hanno bisogno di un livello di tracciabilità più alto, per esempio quelli che influenzano in modo diretto analisi di scenario, covenant o indicatori interni. Per questi campi costruiamo un percorso più rigoroso, con stati di validazione, log sintetico delle modifiche e collegamento diretto alle fonti testuali e numeriche. Terzo passaggio, rendiamo visibile nel tempo cosa succede davvero. Quante proposte del modello vengono confermate, quante vengono corrette, quali tipi di documenti creano più ambiguità. Non usiamo queste informazioni per slogan sulla precisione, ma per decidere insieme dove vale la pena investire in miglioramenti e dove invece è più sensato accettare un livello di incertezza strutturale. Questo approccio non rende la governance perfetta, ma riduce almeno un rischio concreto, che le decisioni su operazioni rilevanti si basino su dati apparentemente solidi, ma senza una storia tracciabile alle spalle.

Team che discute governance dati M&A

Perché la governance conta

Un membro di un comitato rischi ci ha detto, non mi spaventa l errore singolo, mi spaventa il fatto che nessuno se ne accorga in tempo. Da questa frase abbiamo costruito il modo in cui l AI entra nei processi sui dati di acquisizioni e dismissioni, non come un filtro magico, ma come un livello in più di tracciabilità, che rende visibili sia gli allineamenti sia le anomalie tra documenti, serie storiche e viste interne.

Quando i dati M&A passano attraverso troppi strumenti senza un filo conduttore, ogni team finisce per avere la propria versione degli eventi. Il nostro lavoro non è imporre una verità unica, è aiutare a documentare come ogni numero arriva dove arriva, quali trasformazioni subisce e chi le ha approvate. Questo non elimina discussioni o interpretazioni diverse, ma le sposta su un terreno più solido, dove le differenze sono spiegabili e non frutto di percorsi opachi nei sistemi interni.

Governance in pratica

Alcune scene tipiche di come l AI può sostenere la governance dei dati M&A, senza sostituire il presidio umano ma rendendo più leggibili passaggi, responsabilità e limiti dichiarati.
Comitato interno che rivede la qualità dei dati M&A

Revisione qualità dati

Un gruppo di responsabili interni discute la qualità dei dati sulle acquisizioni e dismissioni utilizzando report generati dalla piattaforma AI.

Schermata che mostra il log delle modifiche su una operazione

Cronologia modifiche operazione

Interfaccia che elenca le modifiche effettuate sui campi chiave di una specifica operazione di acquisizione, con utenti e motivazioni sintetiche.
Responsabile risk che valuta incoerenze tra documenti

Analisi incoerenze documentali

Un responsabile risk analizza le incoerenze tra documenti diversi relativi alla stessa dismissione, evidenziate automaticamente dal sistema.

Schema visuale dei flussi dati tra sistemi interni

Mappa flussi e controlli

Diagramma che rappresenta il flusso dei dati M&A tra sistemi interni, repository documentali e piattaforma AI, con punti di controllo evidenziati.

Team che definisce ruoli e permessi per l accesso ai dati

Definizione ruoli e permessi

Un team multidisciplinare discute ruoli, permessi e responsabilità nell accesso ai dati sulle acquisizioni e dismissioni.

Fino a dove ci spingiamo con l AI

C è una domanda che ci viene posta spesso in modo diretto, fino a dove vi spingete con l AI sulle operazioni di acquisizione e dismissione. La risposta onesta è che preferiamo fermarci prima del punto in cui il modello inizierebbe a sostituire giudizi tecnici non delegabili. Il nostro perimetro operativo segue una logica di anelli concentrici. Nell anello più interno l AI aiuta a individuare informazioni chiaramente espresse nei testi, valori, date, nomi di controparti, descrizioni di perimetro. In quello intermedio propone classificazioni in base a schemi concordati, per esempio tipologia di operazione o struttura del corrispettivo, sempre con la possibilità per il team di accettare o rifiutare. Nell anello più esterno si limita a segnalare possibili incoerenze tra testi e numeri, o tra documenti diversi riferiti alla stessa transazione. Oltre questi anelli il sistema non entra. Non deduce intenzioni del management, non formula valutazioni su convenienza economica, non suggerisce trattamenti contabili o posizioni regolamentari. Quando qualcuno prova a spingerlo oltre, preferiamo rispondere con un limite esplicito piuttosto che con una funzione opaca. Per chi lavora su governance questo perimetro dichiarato è spesso più utile di qualsiasi promessa di automazione spinta. Permette di definire con chiarezza quali passaggi restano sotto controllo umano obbligatorio e quali possono beneficiare di un supporto automatizzato, senza confondere i piani. In sintesi, l AI aiuta a vedere meglio il terreno, ma non decide la rotta. E questa distinzione resta centrale in ogni progetto che affrontiamo.

Catene di responsabilità sui dati M&A

La frase più diretta arrivata da un responsabile risk è stata semplice, non mi interessa quanto è sofisticato il modello, mi interessa capire chi firma cosa. Da qui nasce il nostro modo di integrare l AI nei flussi di dati su acquisizioni e dismissioni. Prima catena di causa effetto, documento caricato significa fonte dichiarata. Ogni bilancio, allegato o report M&A entra nel sistema con un proprietario interno, una data di riferimento e una finalità d uso, per esempio analisi di scenario, reporting interno, supporto a comunicazioni esterne. Senza questi tre elementi l ingestione non procede. Seconda catena, dato estratto significa proposta, non verità. Quando il modello individua valori, controparti, strutture di corrispettivo o impatti contabili, li presenta come suggerimenti collegati al paragrafo originale, con un livello di confidenza visibile. Ogni campo resta in stato proposto finché un ruolo abilitato non lo porta a in revisione o confermato. Terza catena, modifica significa responsabilità esplicita. Se un analista cambia il perimetro di una operazione o la classificazione tra acquisizione, dismissione o altro tipo di deal, il sistema registra chi, quando e con quale nota metodologica. Questo non serve a cercare colpevoli, serve a ricordare tra sei mesi perché una certa scelta è stata fatta. In tutto questo restiamo trasparenti su un punto, i modelli non sostituiscono le politiche interne di gestione dati, le rendono solo più visibili. Se la governance è confusa, l AI la amplifica, non la risolve. Per questo insistiamo nel lavorare insieme ai team di controllo e di risk fin dall inizio, non a valle, quando i numeri sono già in circolazione.

Perché parliamo di governance dei dati M&A

Questa pagina esiste perché qualcuno ci ha detto chiaramente che non vuole un altro motore AI opaco, vuole sapere chi decide cosa quando un dato su una acquisizione o una dismissione cambia significato dentro l organizzazione.

Dati tracciati

Presidio normativo

Ruoli chiari

Fonti collegate

Ruoli e permessi tracciabili nei flussi M&A

Governance chiara

Un responsabile controllo ci ha detto una volta che il problema non è l AI, sono i dati che scappano di mano. Il nostro approccio parte da qui, ogni estrazione su acquisizioni e dismissioni è legata a permessi, ruoli e finalità dichiarate. Definiamo chi può caricare documenti, chi può validare attributi transazionali e chi può solo consultarli, con log sintetici ma leggibili. Questo non rende il processo perfetto, ma evita che i dataset M&A diventino fogli di calcolo anonimi senza paternità chiara.

Perimetro dell AI definito per iscritto

Limiti espliciti

Molte implementazioni AI vengono vendute come sostituti silenziosi delle regole interne. Noi preferiamo l opposto, rendere visibili i limiti. Il modello non prende decisioni normative, non interpreta trattamenti contabili oltre quanto scritto, non produce raccomandazioni operative. Segnala pattern, discrepanze, lacune documentali e propone estrazioni, ma la responsabilità finale resta nei team M&A, pianificazione e controllo, che possono accettare o respingere ogni proposta con un semplice stato.