AI per il controllo dei rendiconti di progetto

Un sistema di controllo dei rendiconti basato su AI legge documenti eterogenei — rendiconti, budget, allegati scansionati, file firmati digitalmente — e verifica automaticamente la coerenza tra importi, attività e regole di ammissibilità, restituendo un esito a semaforo con le evidenze a supporto. Per una fondazione non-profit che finanzia la ricerca scientifica in ambito oncologico ne abbiamo realizzato un Proof of Concept, applicato a un primo gruppo di progetti reali.

L’ente eroga fondi a progetti di ricerca e deve verificare come quei fondi vengono rendicontati dai ricercatori e dagli enti finanziati. È un controllo delicato: mette in gioco la corretta destinazione di risorse pubbliche e donate. E, fatto a mano, è anche lento e ripetitivo.

Il problema: il controllo dei rendiconti è manuale, documentale e ripetitivo

Per ogni progetto e per ogni annualità, chi controlla deve incrociare più documenti eterogenei — rendiconti dell’ente e ministeriali, application e rinnovi, rimodulazioni di budget, report amministrativi annuali, allegati scansionati e file firmati digitalmente (.p7m) — e verificare a mano una lunga serie di coerenze: tra importi rendicontati e budget approvato, tra descrizioni delle attività e qualifiche del personale, con le regole sugli eligible costs e con la presenza delle autorizzazioni bioetiche.

È un lavoro lungo, ripetitivo e per sua natura soggetto a errore umano. La difficoltà non è la singola verifica, ma la mole: decine di controlli incrociati, su documenti in formati diversi, ripetuti per ogni progetto e ogni annualità.

La soluzione: una web application che legge i documenti con l’AI

Abbiamo sviluppato una web application, distribuita nel tenant Azure dell’ente, che processa i documenti caricati tramite un modello LLM di Azure OpenAI. L’operatore avvia una nuova analisi selezionando ricercatore, progetto e annualità, carica i documenti di rendicontazione, l’application più recente e le eventuali rimodulazioni di budget, e riceve un esito strutturato.

I controlli automatici e l’esito a semaforo

Il sistema esegue una serie di controlli: corrispondenza tra rendiconto, progetto e annualità; distinzione tra rendiconti dell’ente e ministeriali; individuazione degli scostamenti di budget oltre soglia; verifica delle giustificazioni testuali nel report amministrativo annuale; coerenza tra il personale citato e il team di progetto; conformità agli eligible costs; coerenza delle descrizioni delle attività con la qualifica; presenza delle autorizzazioni bioetiche per la sperimentazione. L’esito è restituito con un indicatore a semaforo — verde, giallo, rosso — e un report dettagliato delle evidenze, con lo storico delle analisi e una pagina di dettaglio per ciascuna.

Perché senza RAG: l’approccio a prompt engineering

A differenza di altri progetti in cui costruiamo un motore di retrieval basato su RAG, qui la soluzione non usa vettorializzazione: si basa sull’ingegnerizzazione dei prompt con cui interrogare il modello, sfruttando direttamente la sua capacità di leggere ed estrarre informazioni dai documenti — anche da allegati scansionati e file firmati .p7m. È una scelta di architettura, non una scorciatoia: quando i documenti da confrontare sono puntuali e circoscritti alla singola pratica, l’estrazione diretta è più semplice da governare e da rendere tracciabile della costruzione di un indice vettoriale.

Le sfide: estrazione affidabile e criteri di giudizio

La parte più delicata non è leggere un singolo documento, ma rendere affidabile l’estrazione su materiale eterogeneo — inclusi allegati scansionati e file firmati digitalmente — e classificare correttamente ogni analisi rispetto a progetto e annualità. Due nodi in particolare hanno richiesto lavoro: distinguere in automatico i rendiconti dell’ente da quelli ministeriali, sulla base di formato e importi, e definire i criteri con cui l’esito passa da verde a giallo a rosso. Non è una soglia meccanica: serve stabilire quando uno scostamento o un’incoerenza è un semplice segnale da verificare (giallo) e quando è un problema che blocca la pratica (rosso), circoscrivendo il comportamento del modello con guardrail espliciti perché il giudizio resti prevedibile e giustificabile. Allo stesso modo, il riconoscimento delle regole sugli eligible costs e la lettura dei file firmati .p7m sono stati affinati sul materiale reale dei primi progetti, dove ogni ente rendiconta con sfumature proprie. È qui che un controllo documentale basato su AI diventa davvero utilizzabile: non nel generare testo, ma nel produrre un esito di cui una persona si può fidare e che può motivare a un revisore.

Un PoC per validare l’approccio

Questa prima versione è un Proof of Concept, applicato a un gruppo ristretto di progetti scelti dall’ente per mettere alla prova la solidità dell’approccio prima di estenderlo. In questa fase i dati di supporto — ricercatori, progetti, annualità — sono predisposti per simulare l’integrazione futura con il sistema gestionale dell’ente. L’evoluzione prevista è chiara: un job schedulato su Azure Function, integrato via API con il software gestionale e con il file share documentale, per portare il controllo da assistito ad automatico end-to-end.

Trattandosi di un PoC, i benefici sono per ora qualitativi — un controllo più veloce, più uniforme e più tracciabile — e la misurazione puntuale dell’impatto è parte della fase successiva, sui volumi reali.

A chi è utile questo approccio

Questo tipo di soluzione è pertinente per qualunque organizzazione che debba controllare, in modo ricorrente, la coerenza di un insieme di documenti rispetto a regole precise: enti che erogano finanziamenti e contributi, funzioni amministrative che verificano rendiconti e giustificativi, uffici che gestiscono pratiche documentali ad alta intensità di controllo. Ovunque il collo di bottiglia sia la verifica manuale di molti documenti eterogenei, l’AI può leggere, incrociare e segnalare, lasciando alla persona la decisione. Lo stesso impianto di verifica documentale è alla base della validazione dei documenti di una pratica assicurativa.

Se la tua organizzazione dedica tempo di personale qualificato al controllo manuale di rendiconti o pratiche documentali, un progetto di document processing con l’AI può ridurre drasticamente il lavoro ripetitivo. Contattaci per una valutazione →