Uno dei casi d’uso più concreti dell’intelligenza artificiale negli studi professionali non consiste nel chiedere a un chatbot di “dare un parere”.
Consiste nel delegare alla macchina una parte del lavoro sistematico, ripetitivo e ad alta intensità documentale, mantenendo al professionista la valutazione finale e la responsabilità del risultato.
Il 3 settembre 2026 OpenAI ha pubblicato un caso dedicato a Legora, piattaforma agentica utilizzata nel lavoro legale e professionale (la fonte ufficiale è disponibile qui: OpenAI — Legora e GPT-6 Astra).
Nel test descritto, un agente basato su GPT‑6 Astra ha eseguito un tie-out su 41 documenti finanziari in una singola sessione. Secondo Legora, il sistema ha controllato ogni saldo rispetto ai prospetti di supporto, registrato ciascun controllo e individuato tutti e quattro gli errori inseriti intenzionalmente nei documenti, compresa una differenza di 500.000 sterline nascosta in una nota sui ricavi.
Legora riferisce inoltre un miglioramento di quasi il 40% rispetto al modello precedente sul proprio benchmark specifico per questo workflow. Sul totale dei task del benchmark interno BAR, il miglioramento medio riportato è invece circa il 3%.
È importante distinguere i due valori: il 40% riguarda il singolo workflow finanziario descritto, non una superiorità generalizzata del modello su qualunque attività professionale.
Il vero valore dell’AI professionale è l’esaustività
Il lavoro professionale contiene molte attività nelle quali il valore non nasce da una singola intuizione, ma dalla capacità di non dimenticare nulla.
Un controllo finanziario può richiedere di confrontare decine di valori distribuiti tra bilanci, note, prospetti e allegati.
Una due diligence può coinvolgere centinaia di documenti.
Una verifica normativa può richiedere di seguire riferimenti incrociati, date e versioni.
Questo tipo di lavoro può essere particolarmente adatto a un agente quando il processo può essere descritto chiaramente.
Il sistema attraversa tutte le fonti, applica la stessa sequenza di controllo e costruisce un registro delle verifiche effettuate.
L’esperto non deve più utilizzare tutto il proprio tempo per eseguire meccanicamente ogni confronto, ma può concentrarsi sulle anomalie e sulle decisioni.
La differenza rispetto a un chatbot è significativa:
- un chatbot produce normalmente una risposta;
- un agente professionale deve produrre evidenze: quali documenti ha letto, quali valori ha confrontato, quali eccezioni ha trovato e quali verifiche sono state completate.
Human in the loop come architettura
OpenAI e Legora sottolineano che il giudizio finale rimane al professionista.
Questo punto è fondamentale, soprattutto in ambiti come legal, fiscalità, audit, compliance e risk.
L’obiettivo non dovrebbe essere eliminare l’intervento umano anche quando l’attività richiede responsabilità professionale: il modello più utile è spesso quello nel quale l’AI svolge il lavoro preparatorio e l’esperto decide.
Il concetto di human in the loop viene talvolta presentato come una limitazione dell’automazione.
In realtà può diventare una caratteristica progettuale.
Il workflow può stabilire che determinate attività siano completamente automatiche, altre richiedano una conferma e altre ancora siano soltanto preparatorie.
Il sistema deve sapere dove fermarsi.
Questo permette di aumentare la produttività senza confondere velocità e autorità decisionale.
Tracciabilità prima della risposta
Per gli studi professionali, una delle esigenze principali è poter ricostruire come si è arrivati a un risultato.
Una risposta AI priva di riferimenti può essere utile per brainstorming, ma è molto meno adatta a un processo professionale verificabile.
Nel caso Legora, il valore dichiarato non deriva soltanto dall’aver trovato gli errori.
L’agente registra ogni check, fornendo al professionista una traccia granulare da revisionare.
Questo principio è molto vicino a quello di un buon sistema RAG.
La knowledge base dovrebbe fornire al modello le fonti corrette e mantenere i riferimenti ai documenti originari.
Se un’affermazione dipende da un file specifico, l’utente deve poter risalire alla fonte.
Con gli agenti il requisito aumenta: non basta citare il documento finale, bisogna sapere quali strumenti e quali passaggi siano stati utilizzati.
Da un singolo documento a workflow cross-documentali
Molti sistemi AI aziendali partono dal caricamento di PDF e dalla domanda “cosa dice questo documento?”.
Il lavoro reale è più complesso.
Una domanda professionale può richiedere informazioni presenti in più file, magari con versioni differenti o date diverse.
Il sistema deve capire quali documenti sono pertinenti, evitare duplicati, privilegiare fonti autorevoli e confrontare dati che non si trovano nello stesso punto.
È qui che retrieval, reranking e struttura della knowledge base diventano importanti.
Una finestra di contesto molto ampia può aiutare, ma non elimina la necessità di selezionare le informazioni corrette.
Caricare indiscriminatamente tutti i documenti aumenta rumore, costi e rischio di confusione.
Il sistema migliore è quello che recupera prima il contesto rilevante e poi utilizza il modello per eseguire il lavoro.
Perché questo interessa audit, tax e compliance
Legora nasce nel settore legal, ma il caso descritto riguarda un financial-statement workflow e la società indica audit, tax, compliance e risk come aree verso cui sta estendendo questo approccio.
È un passaggio importante perché questi settori condividono alcune caratteristiche:
- grandi quantità di documenti,
- procedure ripetibili,
- necessità di evidenze e responsabilità finale attribuita a un professionista.
L’AI può quindi creare valore non sostituendo l’esperto, ma riducendo il tempo dedicato a ricerca, confronto e controllo manuale:
- un commercialista può ricevere una prima analisi strutturata,
- un revisore può vedere automaticamente le differenze tra documenti,
- un consulente può ottenere un dossier di fonti già organizzato,
- un ufficio compliance può utilizzare un agente per monitorare aggiornamenti e confrontarli con procedure interne.
Il valore cresce quando queste attività diventano workflow e non prompt isolati.
Knowledge base dinamica e fonti aggiornate
Perché un agente professionale sia affidabile, la knowledge base deve essere aggiornata. Non basta caricare una cartella una volta e considerarla definitiva.
Le organizzazioni producono continuamente nuova conoscenza: email, documenti, circolari, newsletter, pagine web, database e modifiche normative.
Una piattaforma AI deve quindi essere in grado di acquisire nuove fonti, conservarne provenienza e data, applicare permessi e rendere utilizzabile la versione corretta.
Questa componente è spesso importante quanto il modello stesso.
Un LLM molto potente che riceve il documento sbagliato produrrà comunque un risultato debole. Un modello meno potente con un retrieval corretto può risultare molto più affidabile sul dominio specifico.
Gol-IA: dalla domanda al lavoro professionale
È precisamente uno dei problemi che Gol-IA vuole affrontare.
Gol-IA nasce come hub AI locale e ibrido per aziende e studi professionali.
Documenti, knowledge base, retrieval, utenti e conversazioni possono rimanere sotto il controllo dell’organizzazione.
La knowledge base può essere alimentata da file, ma progressivamente anche da email, siti, newsletter, database e altre fonti.
Le skill possono descrivere procedure ricorrenti.
I workflow possono trasformare la conoscenza recuperata in attività operative.
Per una realtà con pochi utenti è possibile utilizzare modelli locali open source. Per esigenze più elevate, il sistema può mantenere localmente documentazione e retrieval e inviare a un modello esterno soltanto il contesto selezionato necessario alla richiesta.
La decisione finale rimane legata al caso d’uso, ai dati e alla responsabilità dell’organizzazione e del professionista.
Contattaci per avere informazioni in anteprima su Gol-IA:
Il vantaggio è progettare l’AI affinché lavori con fonti controllate, passaggi tracciabili e punti di revisione espliciti.
Una Consulenza AI può aiutare a identificare quali processi siano adatti a questo tipo di automazione: verifiche documentali, controlli incrociati, drafting, aggiornamenti normativi, classificazione, estrazione e preparazione di dossier.
Il caso Legora mostra una direzione concreta dell’AI professionale:
non una macchina che “dà il parere”, ma un agente che esegue il lavoro esaustivo, raccoglie evidenze e consegna al professionista un risultato strutturato da valutare.
Per studi e aziende è probabilmente qui che si trova una delle opportunità più immediate: spostare sull’AI il lavoro ripetitivo senza spostare anche la responsabilità.