Nel settore delle paghe, gli errori più pericolosi dell’IA sembrano corretti

L’elaborazione delle paghe è uno dei pochi processi aziendali in cui ogni errore è associato a un nome, a un importo e a una data. Per questo l’IA applicata alle paghe merita un dibattito più attento, dato che la maggior parte delle discussioni si concentra su ciò che l’IA individua. La domanda più difficile è che cosa cambia l’IA quando nessuno sta guardando.

Ho lavorato per diciassette anni nel settore finanziario, prima come CFO e poi sviluppando infrastrutture per l’elaborazione delle paghe transfrontaliere. In tutto questo tempo, ho imparato a considerare l’automazione uno scambio: si rinuncia al lavoro manuale visibile e, in cambio, ci si assume il comportamento invisibile del sistema.

Che cosa richiede davvero la normativa

Secondo il Regolamento UE sull’IA, l’IA utilizzata sul posto di lavoro è ad alto rischio quando contribuisce a prendere decisioni riguardanti una persona: chi viene assunto, promosso o licenziato, come viene assegnato il lavoro, come vengono valutate le prestazioni o come cambiano le condizioni di lavoro. Queste decisioni influiscono sul lavoro e sul reddito di una persona, quindi l’azienda che utilizza lo strumento deve mantenere il controllo umano e registrare come è stata presa ogni decisione. Di norma, il calcolo delle paghe non rientra in questo elenco, perché applicare le tariffe concordate alle ore approvate è un’operazione aritmetica. Diventa ad alto rischio quando i dati relativi alle paghe iniziano ad alimentare decisioni sulle persone o quando uno strumento venduto come sistema per l’elaborazione delle paghe inizia, senza darlo a vedere, a prendere tali decisioni.

Negli Stati Uniti, il National Institute of Standards and Technology (NIST), un’agenzia federale nota per la definizione di standard tecnici e di sicurezza, ha pubblicato nel 2023 un apposito Quadro per la gestione dei rischi dell’IA, che le organizzazioni possono adattare facilmente alle proprie circostanze. Propone alle aziende un ciclo pratico in quattro fasi, a cui tornerò più avanti.

Fin dove può spingersi in sicurezza oggi l’IA nell’elaborazione delle paghe

In apparenza, l’IA applicata alle paghe sembra una coppia di mani più veloce. Tuttavia, il superpotere dell’IA, che è anche la sua maledizione, è un’automazione impeccabile, fluida e capace di creare dipendenza. Una volta avviato, è difficile individuare e correggere tutti i modi in cui il sistema influisce sui suoi destinatari ultimi: le persone che lavorano. Ecco perché l’IA nelle risorse umane è considerata ad alto rischio: incide direttamente sui mezzi di sostentamento delle persone, sul loro successo professionale e sulle loro prospettive di carriera future.

La maggior parte degli strumenti per l’elaborazione delle paghe segue un percorso breve. Per prima cosa controllano e preparano i dati, confrontandoli, segnalando anomalie e predisponendo bozze. Poi iniziano a formulare raccomandazioni, suggerendo di bloccare un pagamento o di chiedere chiarimenti su una fattura, mentre una persona prende la decisione. Al terzo passaggio, quando lo strumento agisce su qualcosa che incide sul lavoro, sullo status o sul reddito di una persona, dovrebbe fermarsi e restituire la decisione a un essere umano. Il problema è che questi passaggi si confondono tra loro. Segnalare un numero insolito di ore è un innocuo controllo di riconciliazione nel primo passaggio, ma diventa una valutazione delle prestazioni nel terzo. Il modello non cambia; cambia l’uso che una persona fa del suo risultato.

Dove l’IA è davvero utile

Un risultato positivo dell’automazione delle paghe è la drastica riduzione degli errori, fino al 78%, secondo Blair McQuillen di Ignite HCM, un servizio di consulenza in materia di paghe. Per ridurre gli errori, uno strumento basato sull’IA esegue essenzialmente queste operazioni di analisi e correzione dei sistemi di elaborazione delle paghe:

• Rilevamento delle anomalie: gli algoritmi di apprendimento automatico confrontano i dati delle paghe con le registrazioni storiche per segnalare picchi nei pagamenti, voci duplicate e trattenute insolite.
• Convalida dei dati in tempo reale: l’IA esamina sia i dati correnti dei dipendenti (ad es. le presenze registrate automaticamente) sia i sistemi di origine (ad es. i fogli presenze), segnalando gli errori di copia e incolla manuale.
• Prevenzione predittiva degli errori: individua in anticipo gli errori, prima che le paghe siano definitive.
• Anche la conformità può essere automatizzata in parte da agenti di IA. Questi monitorano il personale e i calcoli delle paghe e avvisano immediatamente le risorse umane, persino prima della verifica trimestrale. Consentire all’IA di occuparsi della conformità come sentinella significa definire in modo inequivocabile le sue capacità e assicurare che le decisioni restino nelle mani di persone in carne e ossa.
• Previsioni basate sull’IA: prevedono come i cambiamenti organizzativi o le fluttuazioni del mercato influiranno sui costi e sui budget delle paghe.

Secondo il rapporto OpenLadger, relativo a un’API contabile integrata basata sull’IA, le aziende hanno ottenuto chiusure contabili il 19% più rapide e un miglioramento del 34% nel rispetto del budget.

Quando il sistema di riferimento impara dai tuoi errori

La maggior parte degli strumenti di IA per le paghe viene proposta sulla base dell’apprendimento continuo. Col tempo, il sistema determina come si presenta una situazione normale per la tua organizzazione e confronta ogni elaborazione con quel modello. È davvero utile, ma è anche il punto in cui inizia il problema silenzioso.

Un sistema che impara che cosa è «normale» dalla cronologia impara anche gli errori contenuti in quella cronologia. Immagina che una trattenuta sia stata applicata in modo errato per sei mesi. Il sistema di rilevamento smette di segnalarla perché, dopo sei mesi dello stesso errore, non sembra più insolita.

Il lavoro transfrontaliero rende il problema ancora più evidente. Quando paghi collaboratori in molti paesi, con diverse valute e modalità di pagamento, ciò che è «insolito» spesso è legittimo: il raggiungimento di una tappa di progetto, il passaggio a un diverso canale di pagamento, un incarico occasionale o l’apertura di una nuova tratta. Col tempo, un modello ottimizzato per ridurre i falsi positivi inizierà a sopprimere anche quelli veri.

Quando un pagamento viene bloccato, segnalato o modificato, qualcuno deve spiegarne il motivo: al collaboratore in attesa di ricevere il denaro, a un revisore mesi dopo e, infine, a un’autorità di regolamentazione.

Tre modi per rendere verificabile l’automazione delle paghe

1. Separare le attività. Un unico assistente che acquisisce i dati, classifica i lavoratori, calcola le retribuzioni, verifica la conformità e invia i cedolini è comodo da acquistare, ma difficile da sottoporre a verifica: se il risultato è errato, infatti, non si può capire quale passaggio abbia generato l’errore. Alcuni fornitori di servizi per le paghe stanno già passando a sistemi multiagente, in cui componenti distinti si occupano dell’acquisizione dei fogli presenze, della classificazione dei lavoratori, del calcolo delle retribuzioni, della conformità e delle comunicazioni, registrando ciascuno le proprie attività in un registro di controllo condiviso. Questa configurazione costa di più da realizzare, ma ripaga l’investimento la prima volta che un’autorità di regolamentazione chiede come si è arrivati a una decisione. È possibile ricostruire la catena un passaggio alla volta.
2. Assegnare le azioni in base alla loro reversibilità. Un modello con supervisione umana, ormai comune nelle tecnologie per le risorse umane, suddivide le azioni automatizzate in tre livelli: esecuzione automatica, escalation e blocco. Assegnerei i livelli in base a un unico criterio: il costo di un errore. Le azioni reversibili a basso rischio, come inviare promemoria, richiedere documenti e controllare la formattazione, possono essere eseguite autonomamente. Per le azioni a medio rischio, come sospendere un pagamento in attesa di chiarimenti o chiedere informazioni su una fattura, l’IA dovrebbe preparare gli elementi necessari e una persona dovrebbe decidere. Le azioni irreversibili e tutto ciò che incide sui mezzi di sostentamento di una persona devono restare al di fuori delle competenze della macchina: interrompere un rapporto di collaborazione, modificare lo stato di un lavoratore, trattenere una retribuzione per motivi di conformità. Il criterio che applico si basa su una sola domanda: se l’azione si rivelasse errata, potremmo annullarla prima che la persona interessata se ne accorga? Se la risposta è no, serve l’approvazione di una persona.
3. Definire la governance prima di ampliare la scala. Il Framework NIST per la gestione dei rischi dell’IA che ho menzionato prima si basa su quattro funzioni: governare, mappare, misurare e gestire. In ambito paghe, si traducono in quattro domande. Chi è responsabile del risultato: l’ufficio paghe, la funzione finanziaria, la conformità o il fornitore? Ai sensi dell’AI Act, gli obblighi del soggetto che utilizza il sistema ricadono sull’organizzazione che lo gestisce; quindi «il fornitore» non è una risposta accettabile, anche se ormai molti prodotti riportano la dicitura «pronto per l’AI Act dell’UE». Quali dei vostri strumenti utilizzano davvero l’IA, considerato quanto apprendimento automatico è ormai integrato nei software acquistati come se fossero basati su regole? Con quale frequenza le persone ignorano le indicazioni dell’IA? È il dato che terrei sotto osservazione più di tutti, perché un tasso di intervento umano prossimo allo zero raramente significa che il modello è impeccabile e spesso indica che le persone hanno smesso di leggere. E qual è la procedura alternativa se il modello non è disponibile durante la chiusura delle paghe o se non ci si può più fidare dei suoi risultati? C’è ancora qualcuno nel team che sa elaborare le paghe manualmente? Per i responsabili delle risorse umane e delle paghe che intendono usare l’IA su larga scala, vale la pena predisporre questa struttura fin da subito.

L’era dell’IA offre alle aziende l’occasione di svolgere il lavoro meno appariscente: censire gli strumenti dotati di IA, tenere registri che documentino il ragionamento e non solo i risultati, designare un responsabile per ogni decisione automatizzata e riesaminare regolarmente le metriche degli interventi umani.

Quando entreranno in vigore gli obblighi per i sistemi ad alto rischio, i revisori non chiederanno: «Usate l’IA?». Chiederanno: «Mostratemi perché questo pagamento è stato effettuato, bloccato o modificato». Le aziende in grado di rispondere in pochi minuti riusciranno ad ampliare con successo l’automazione.