Intelligenza artificiale per commercialisti, senza mandare fuori i dati dei clienti
L'intelligenza artificiale per commercialisti che progetto gira su un server dentro lo studio o il CAF: classifica i documenti in arrivo, estrae i campi che servono, cerca nelle circolari dell'Agenzia delle Entrate e prepara le bozze di risposta ai clienti. Dichiarazioni, F24 e corrispondenza restano dove sono.
AI per commercialisti: perché tenerla dentro lo studio
Uno studio o un CAF lavora su dati che il cliente gli affida sotto segreto professionale: redditi, familiari a carico, spese sanitarie, posizioni debitorie. Incollarli in un chatbot pubblico significa trasferirli a un fornitore esterno, spesso extra UE, con un contratto che il titolare dello studio deve aver letto e valutato ai sensi del GDPR.
Un modello linguistico locale (un LLM open-weight da 8 a 32 miliardi di parametri) installato su un server dello studio fa lo stesso lavoro su documenti e testi senza connessione verso l'esterno. Non è il modello più grande sul mercato, e non serve che lo sia: classificare un F24, leggere un codice fiscale o riassumere una circolare sono compiti circoscritti, dove un modello di questa taglia, ben istruito, è affidabile.
Il flusso, dal documento in arrivo alla risposta al cliente
Classificazione automatica dei documenti
Ogni file che entra (PEC, email, cartella condivisa, scansione) viene riconosciuto: modello 730, Redditi PF, F24, CU, visura, avviso bonario, comunicazione dell'Agenzia, fattura, corrispondenza. Il documento finisce nella pratica giusta, con un'etichetta che l'operatore può correggere.
Estrazione dei campi in formato strutturato
Dal documento classificato il modello estrae i campi in JSON validato: codice fiscale, partita IVA, codici tributo, importi, periodo di riferimento, scadenze. I controlli formali (checksum del codice fiscale, somme, date) sono codice tradizionale, non AI: se un campo non torna, la pratica va in revisione invece di passare.
Ricerca su circolari e normativa
Circolari, risoluzioni e risposte a interpello dell'Agenzia delle Entrate, più le note interne dello studio, vengono indicizzate in un archivio di ricerca semantica (RAG). L'operatore fa una domanda in italiano e riceve una risposta con i riferimenti al documento e al paragrafo da cui è presa, da verificare prima di usarla.
Bozze di risposta ai clienti
Per le richieste ricorrenti (documenti mancanti, scadenze, esito di un controllo, spiegazione di un avviso) il sistema prepara una bozza nel tono dello studio, con i dati della pratica già inseriti. La firma e l'invio restano all'operatore.
Molti operatori insieme, nei mesi del 730 e delle scadenze
Richieste in parallelo, non in coda
Il modello gira dietro un server di inferenza con batching continuo (ad esempio vLLM): le richieste di più operatori vengono elaborate insieme sulla stessa GPU invece di aspettare una dopo l'altra.
Lavori pesanti fuori orario
Classificazione ed estrazione sui lotti di documenti arrivati in giornata possono girare di notte o in pausa pranzo. Di giorno la capacità resta libera per ricerca e bozze, che sono le richieste interattive.
Dimensionato sul picco reale
Prima di scegliere l'hardware si misura: quanti operatori contemporanei nel giorno peggiore, quanti documenti al giorno, quanto è lungo un documento tipico. Taglia del modello e numero di GPU si decidono su quei numeri, non a sensazione.
Degrado controllato
Se il carico supera la capacità, le richieste interattive hanno la precedenza e i lavori in batch rallentano. Nessun operatore resta bloccato davanti a uno schermo che gira.
Cosa deve imparare il modello, e cosa invece deve solo consultare
È l'errore più comune nei progetti di intelligenza artificiale per commercialisti: pensare di "addestrare" il modello sulle circolari perché le conosca. Non funziona bene e invecchia male, perché la normativa cambia ogni anno. Per far conoscere i documenti al modello si usa il RAG: il testo resta in un archivio, il sistema recupera i passaggi pertinenti a ogni domanda e il modello risponde citandoli. Una circolare nuova si aggiunge all'archivio, senza riaddestrare niente.
Il fine-tuning serve ad altro: stile, formato e classificazione. Con qualche migliaio di esempi di estrazione corretti dagli operatori dello studio, un fine-tuning leggero (LoRA) su un modello da 8-32B richiede poche ore di calcolo e insegna al modello a restituire sempre lo stesso JSON, a riconoscere i documenti che lo studio tratta davvero e a scrivere con il suo registro. I dati restano sullo stesso server anche durante l'addestramento.
Chatbot pubblico, software per commercialisti con AI, AI privata on-premise
| Chatbot pubblico | Software gestionale con AI in cloud | AI privata on-premise | |
|---|---|---|---|
| Dove finiscono i dati | Server del fornitore, spesso extra UE | Cloud del fornitore del gestionale | Server dello studio |
| Conosce le pratiche dello studio | No: incolli tu il testo | Solo i dati dentro quel gestionale | Sì: documenti, archivio, note interne |
| Formato dell'output | Testo libero | Deciso dal fornitore | Deciso dallo studio (JSON, campi, etichette) |
| Costo | Abbonamento per utente | Canone per utente o per modulo | Hardware e progetto iniziale, poi manutenzione |
| Quando ha senso | Domande generiche senza dati dei clienti | Lo studio usa già quel gestionale e gli basta | Volumi alti, molti operatori, dati che non devono uscire |
Stefano Salvucci
Ingegnere iscritto all'Albo di Roma, 12+ anni tra sviluppo, architettura e automazione, co-fondatore di BusinessinCloud. Progetto e metto in produzione sistemi di intelligenza artificiale: dalla scelta del modello e dell'hardware all'integrazione con le cartelle, la PEC e il gestionale che lo studio usa già. Lavoro come fractional CTO: decido con te cosa vale la pena automatizzare e lo costruisco.
Intelligenza artificiale per commercialisti e CAF: le domande più comuni
Qual è la miglior AI per commercialisti?
Dipende da cosa deve fare e da dove possono stare i dati. Per domande generiche un chatbot pubblico va bene. Per lavorare su dichiarazioni, F24 e corrispondenza dei clienti serve un sistema che resti dentro lo studio, con un modello open-weight da 8-32B scelto e istruito su quei compiti precisi. La scelta del modello si fa con un test sui documenti reali dello studio, non sulle classifiche.
I dati dei clienti escono dallo studio?
No. Modello, archivio di ricerca e documenti stanno su un server dello studio o del CAF, senza chiamate a servizi AI esterni. Anche il fine-tuning si fa sulla stessa macchina. Resta da fare il lavoro GDPR ordinario (registro dei trattamenti, accessi, backup), ma senza un nuovo fornitore esterno a cui trasferire i dati.
Un modello da 8-32 miliardi di parametri basta?
Per classificazione, estrazione di campi, ricerca sui documenti con RAG e bozze di risposta, sì: sono compiti circoscritti. Il modello non deve sapere la normativa a memoria, la legge dall'archivio. Dove serve ragionamento più lungo si sale verso i 32B; dove conta la velocità con molti operatori si scende verso gli 8B.
Che hardware serve?
Un server con una o più GPU, dimensionato sul numero di operatori contemporanei nel giorno di picco e sul volume di documenti. Per 5-50 GB di archivio lo spazio disco non è il problema: lo è la memoria della GPU, che decide quale modello si può usare e quante richieste servire in parallelo. Lo definiamo dopo aver misurato il carico reale.
L'AI sostituisce il controllo del professionista?
No. Classifica, estrae e propone; l'operatore verifica e firma. I campi che non superano i controlli formali vanno in revisione, e ogni risposta sulla normativa riporta la fonte da cui è presa.
Si integra con il software per commercialisti che usiamo già?
Di solito sì, attraverso cartelle condivise, PEC, export ed eventuali API del gestionale. L'obiettivo è che l'operatore trovi i dati già estratti dove lavora ogni giorno, non un'altra applicazione da aprire.
Da dove si comincia?
Da una call conoscitiva gratuita da 30 minuti. Mi racconti volumi, documenti e colli di bottiglia dello studio, e ti dico se un'AI on-premise ha senso nel tuo caso o se basta qualcosa di più semplice.
Parliamo del tuo studio
30 minuti, gratuiti: valutiamo se e come l'AI on-premise può servire allo studio.