Mettere i casi d uso alla prova Prossimo passo Come lavoriamo insieme Come costruiamo la governance insieme

Come lavoriamo insieme

Punto di partenza

Un commento che ci ha colpiti arrivava da un responsabile pianificazione, mi servono dati sulle acquisizioni, non un altro portale da presidiare. Per questo il nostro primo passo è sempre una mappa dei flussi esistenti, dove nascono oggi i dati sulle operazioni, come vengono arricchiti, dove si inceppano. Da qui costruiamo solo le integrazioni minime per far entrare l estrazione AI nel quadro, senza chiedere al team di cambiare abitudini da un giorno all altro.

Workshop su flusso dati M&A
Schema pipeline estrazione dati

Perimetro iniziale

Molte soluzioni AI vengono presentate come pacchetti chiusi, o li prendi così o niente. Il nostro approccio è più modesto, partiamo da un perimetro ristretto di documenti e di attributi transazionali, testiamo il flusso con un sottoinsieme di operazioni e misuriamo quanto rumore in meno produce nella vita quotidiana degli analisti. Solo se questo primo passo ha senso per il team ha senso parlare di ampliamento del perimetro.

Stati del dato

Uno dei rischi più sottovalutati è trasformare l AI in una nuova fonte di verità incontestabile. Per evitarlo, ogni dato estratto porta con sé il proprio stato, proposto, in revisione, confermato o contestato, e un log essenziale delle modifiche. Così, quando un manager guarda una tabella, sa subito se sta osservando numeri solidi o ancora in discussione, senza doversi affidare a intuizioni o messaggi sparsi.

Cosa non fa

La parte meno spettacolare ma più utile del nostro lavoro è documentare cosa il sistema non fa. Non deduce intenzioni del management, non interpreta clausole oltre quanto scritto, non sostituisce pareri tecnici su trattamenti contabili o implicazioni regolamentari. Questo perimetro negativo viene esplicitato fin dall inizio, così nessuno costruisce aspettative implicite su capacità che la tecnologia, semplicemente, non ha.

Parliamone

La catena di tracciabilità che usiamo davvero

Uno dei commenti più onesti che abbiamo ricevuto da un responsabile M&A suonava così, la vera fatica non è leggere, è spiegare sempre da capo ai nuovi colleghi come leggere. Da questa frase è nato il nostro metodo interno, che chiamiamo catena di tracciabilità. La catena parte da una premessa semplice, ogni numero che descrive una acquisizione o una dismissione deve poter essere ricondotto a tre elementi, il documento sorgente, il paragrafo preciso, la decisione interpretativa presa dal team. L AI aiuta sui primi due punti, individuando pattern, importi, date, ruoli e collegandoli al testo. Sul terzo punto, quello più delicato, il sistema si limita a raccogliere le scelte del team, non a inventarle. In pratica il flusso segue quattro passaggi. Ingestione controllata dei documenti rilevanti, con versioni e lingue tracciate. Estrazione di entità e relazioni specifiche per il contesto M&A, con un livello di confidenza sempre visibile. Proposta di classificazione secondo uno schema transazionale concordato con i team che useranno i dati. Infine, riconciliazione con i numeri di bilancio e con le basi dati interne già esistenti. Questo non elimina errori o ambiguità, ma rende più chiaro dove nascono. Quando un dato viene contestato, la discussione non si perde in mail o file paralleli, ma avviene direttamente sull oggetto, con commenti e revisioni che restano legate alla singola transazione. Per chi deve fare ricerca finanziaria su serie storiche di operazioni, questa memoria strutturata vale spesso più di qualsiasi dashboard brillante.

Dal documento al dataset

Una delle frasi più oneste arrivate da un revisore è stata, il problema non è trovare errori, è spiegare perché non li abbiamo visti prima. Per questo il nostro flusso di estrazione dati sulle acquisizioni e sulle dismissioni registra non solo il risultato finale, ma anche i passaggi intermedi, quali campi sono stati proposti dalla macchina, quali corretti dal team, quali lasciati volutamente vuoti per mancanza di evidenze solide.

In pratica ogni operazione diventa una piccola storia tracciata, con eventi ordinati nel tempo, caricamento dei documenti, prima estrazione, revisione, eventuali contestazioni, riconciliazione con il bilancio. Questa narrazione strutturata aiuta sia chi deve fare ricerca finanziaria su serie storiche, sia chi deve rispondere a domande interne su come è stato costruito un certo indicatore.

Un altro punto spesso sottovalutato riguarda la granularità. Non sempre ha senso spingere l AI a estrarre il massimo numero di campi possibili, soprattutto quando la qualità della documentazione non li supporta. Preferiamo un set di attributi più ristretto ma robusto, con un livello di confidenza dichiarato, piuttosto che un foglio di calcolo impressionante ma pieno di valori fragili e poco difendibili in un confronto tecnico.

Quando emergono divergenze tra testi e numeri, il sistema non prova a conciliarle in autonomia. Segnala il conflitto, suggerisce possibili origini, per esempio differenze tra valore annunciato e valore contabile, e chiede al team di scegliere come rappresentare la transazione nel dataset finale. Questa scelta rimane documentata, in modo che chi analizzerà i dati in futuro possa capire il ragionamento dietro a ogni campo.

Per i team che lavorano con molte giurisdizioni e formati diversi di bilancio, il motore di estrazione viene addestrato a riconoscere schemi ricorrenti, ma non viene mai presentato come onnisciente. Ogni nuovo tipo di documento viene trattato inizialmente come territorio sconosciuto, con un livello di attenzione maggiore e con cicli di revisione più frequenti fino a quando il comportamento del modello non viene considerato sufficientemente stabile.

In tutto questo resta un punto fermo, i risultati possono variare in base alla qualità dei documenti disponibili e alle scelte metodologiche del tuo team. Il sistema non promette risultati uniformi indipendentemente dal contesto, ma offre un modo più trasparente per capire perché, a parità di processo, alcune operazioni risultano più chiare e altre rimangono inevitabilmente opache.

Documenti M&A archiviati in ufficio
Dettaglio scrivania con report finanziari

Scene dal campo

Alcuni momenti tipici del lavoro quotidiano con i dati di acquisizioni e dismissioni quando l AI viene usata come strumento di tracciabilità, non come oracolo infallibile.
Analista che confronta dataset AI con note di bilancio

Verifica tra AI e bilancio

Un analista finanziario verifica i dati estratti dall AI confrontandoli con le note di bilancio su una specifica acquisizione, concentrandosi sulle discrepanze.
Schermata che mostra stati diversi di qualità del dato

Stati di qualità del dato

Interfaccia della piattaforma che evidenzia campi proposti, in revisione e confermati per una serie di operazioni di acquisizione e dismissione.
Riunione tra team M&A e controllo di gestione

Allineamento tra funzioni

Un gruppo misto di professionisti M&A e controllo di gestione discute come integrare i dati estratti nelle analisi interne.
Schema visuale della pipeline di estrazione AI

Pipeline di estrazione dati

Diagramma della pipeline che mostra ingestione documenti, estrazione, classificazione e riconciliazione con basi dati interne.
Ricercatore che analizza serie storiche di operazioni

Analisi storica operazioni

Un ricercatore osserva grafici e tabelle basati su serie storiche di acquisizioni e dismissioni normalizzate.

Velocità, accuratezza e scelte consapevoli

Molti ci chiedono come gestiamo la tensione tra velocità e accuratezza quando si parla di dati su acquisizioni e dismissioni. La risposta breve è che non la risolviamo con una formula magica, la rendiamo visibile e negoziabile. Nel nostro flusso esistono tre livelli di profondità di analisi, che chiamiamo lettura di superficie, lettura analitica e lettura critica. La lettura di superficie si concentra su pochi attributi essenziali, controparte, data, perimetro sintetico, valore annunciato, utile quando serve una vista ampia su molti deal in poco tempo. La lettura analitica entra nel dettaglio di struttura del corrispettivo, eventuali componenti variabili, impatti su segmenti di attività. La lettura critica, infine, si attiva quando emergono incongruenze tra testi e numeri o quando una operazione ha rilevanza particolare per il gruppo. L AI aiuta soprattutto nei primi due livelli, accelerando l identificazione di pattern e di elementi standardizzabili. Nel terzo livello il suo ruolo cambia, diventa un modo per portare sul tavolo rapidamente tutte le evidenze disponibili, invece di cercarle a mano in cartelle condivise. Il punto centrale è che la scelta del livello non è nascosta nel modello, viene impostata consapevolmente dal team in base al contesto, alle scadenze e al rischio percepito su ogni transazione.

Perché questa pagina esiste

La critica iniziale che riceviamo è quasi sempre la stessa, un altro strumento che promette di capire documenti complessi meglio di chi li legge da anni. Noi partiamo da un presupposto diverso, l AI non sostituisce la tua esperienza, la costringe a diventare esplicita. Ogni estrazione di dati sulle acquisizioni e sulle dismissioni porta con sé il riferimento puntuale al paragrafo di origine, così la discussione non è mai astratta, ma ancorata a un testo preciso.

Il nostro team usa questo spazio per spiegare come si passa da un bilancio pieno di note e allegati a un dataset interrogabile per analisi interne e ricerca finanziaria. Non ci interessa la narrativa salvifica sull automazione totale, ci interessa mostrare la catena causa effetto, da dove arrivano i dati, come vengono classificati, dove si fermano i modelli, dove interviene il giudizio umano.

Se lavori già con operazioni straordinarie sai che ogni deal ha un dettaglio che non entra bene in nessuna tabella standard. Qui raccontiamo come trattiamo proprio quei casi, quali limiti dichiariamo in anticipo e come documentiamo le decisioni interpretative, in modo che un altro analista, tra qualche mese, possa capire perché un certo dato appare in un certo modo e non in un altro.

Analisti italiani che discutono dati M&A

Cosa cambia davvero quando l estrazione AI viene progettata per il caos dei dati M&A invece che contro di esso

1

Conflitti tra fonti messi in chiaro

La frase che ci sentiamo ripetere più spesso dai team M&A è brutale, i dati sulle operazioni non coincidono mai tra report interni, comunicati e bilanci. Il nostro approccio AI parte proprio da questo disallineamento, estrae informazioni chiave da documenti eterogenei, le collega a ogni singola transazione e mette in evidenza dove i numeri non tornano. Non promettiamo perfezione, ma una base tracciabile su cui discutere le discrepanze invece di scoprirle all ultimo minuto.

3

Qualità dei dati resa visibile

Una paura legittima che sentiamo spesso è chiara, l AI rischia di trasformare approssimazioni in tabelle dall aria definitiva. Per questo abbiamo inserito in modo esplicito stati di qualità sui dati, proposto, in revisione, confermato, contestato. In questo modo le tue decisioni non si appoggiano su un dato opaco, ma su un oggetto che porta con sé la propria storia di correzioni e verifiche, utile anche in caso di audit o di confronti tra funzioni interne.