Confrontare elenchi, presenze e attestati senza perdere il controllo del dato.

In molte segreterie scolastiche la domanda decisiva non è soltanto dove si trovi un documento, ma quale dei tre file disponibili sia quello giusto. Un elenco contiene gli iscritti, un altro le presenze, un terzo gli attestati, un quarto le risposte a un modulo, un quinto la versione esportata da una piattaforma.

A prima vista sembrano file simili. In realtà possono contenere nomi scritti in modo diverso, codici mancanti, email non uniformi, date incoerenti, duplicati, righe vuote, colonne nascoste, stati pratica non aggiornati e criteri di compilazione non dichiarati.

L’intelligenza artificiale può diventare un supporto prezioso proprio in questo spazio: non per decidere al posto dell’ufficio, ma per aiutare la segreteria a leggere meglio il dato, individuare incongruenze, costruire tabelle di controllo e produrre una sintesi utile per DSGA e Dirigente scolastico.

Un foglio di calcolo non è mai solo una tabella. È una rappresentazione parziale di un processo amministrativo. Se il dato è sporco, ambiguo o incompleto, l’AI può renderlo più leggibile, ma non automaticamente più vero.

Il foglio Excel come luogo della verità apparente

Excel, o più in generale il foglio di calcolo, è spesso il punto in cui convergono attività diverse: iscrizioni, presenze, attestati, incarichi, scadenze, pagamenti, rendicontazioni, firme, moduli e piattaforme. Questa centralità lo rende indispensabile, ma anche fragile.

La fragilità nasce dal fatto che il dato amministrativo non è sempre nato per essere confrontato. Un nominativo può provenire da Scuola Futura, uno da un modulo Google, uno da un registro firme, uno da un file di validazione. Ogni fonte può avere regole proprie: maiuscole e minuscole, accenti, apostrofi, doppi cognomi, email istituzionali o personali, codici identificativi assenti o incompleti.

Prima di chiedere all’AI di confrontare i dati, occorre quindi chiederle di aiutare l’ufficio a capire quanto quei dati siano affidabili. Il primo prodotto utile non è una risposta definitiva, ma una diagnosi della qualità del dataset.

Primo presidio

Prima di analizzare un file, occorre capire come è stato generato, da quale fonte proviene, quali colonne contiene, quali dati mancano e quali criteri possono essere usati per confrontarlo con altri elenchi.

Dove l’AI può aiutare concretamente

L’AI può supportare la segreteria in molte attività ricorrenti: descrivere la struttura di un dataset, individuare colonne mancanti o ambigue, normalizzare nominativi, date e codici, rilevare duplicati, confrontare due o più elenchi, segnalare record presenti in un file e assenti in un altro, produrre tabelle riepilogative e preparare una sintesi per l’ufficio.

Il suo valore non sta però nella sostituzione del controllo amministrativo. L’AI può segnalare che un record è probabilmente corrispondente a un altro, ma non può trasformare una corrispondenza probabile in certezza. Può suggerire che un attestato risulta mancante, ma non può decidere automaticamente che debba essere emesso. Può segnalare una presenza non associata a un’iscrizione, ma non può concludere da sola che quella presenza sia valida o non valida.

L’AI può aiutare a trovare incoerenze. Non può trasformare un dato incerto in un dato certo. L’AI può aiutare a trovare incoerenze. Non può trasformare un dato incerto in un dato certo.
Può aiutare a… Non deve essere usata per…
Individuare colonne chiave e colonne problematiche. Inventare dati mancanti o sostituire codici non presenti.
Normalizzare spazi, maiuscole/minuscole, accenti e apostrofi. Modificare definitivamente il file senza conservare l’originale.
Segnalare duplicati, incongruenze e record sospetti. Decidere in automatico attestati, pagamenti, validazioni o esclusioni.
Distinguere corrispondenze certe, probabili e da verificare. Considerare equivalenti due record solo perché simili.
Generare report e sintesi operative. Sostituire la responsabilità dell’ufficio nella validazione finale.

 

Il caso tipico: iscritti, presenze e attestati

Il caso più ricorrente riguarda la riconciliazione tra file diversi al termine di un’attività formativa. La segreteria dispone di un elenco degli iscritti, di un registro delle presenze e di un file relativo agli attestati. In teoria i tre file dovrebbero parlare la stessa lingua. In pratica spesso non accade.

Il file degli iscritti può provenire da una piattaforma; il file delle presenze da un modulo compilato dai partecipanti; il file degli attestati da un gestionale o da una procedura interna di validazione. I nominativi possono essere scritti in modo diverso. Le email possono non coincidere. Un docente può aver usato l’indirizzo personale per la presenza e quello istituzionale per l’iscrizione. Un cognome con apostrofo può essere stato digitato senza apostrofo. Un doppio nome può comparire in una fonte e non in un’altra.

Il lavoro dell’AI, in questo caso, non è decretare chi abbia diritto all’attestato, ma aiutare l’ufficio a costruire una mappa delle coerenze e delle anomalie.

Matrice di riconciliazione

Una matrice semplice può aiutare l’ufficio a trasformare il confronto tra file in azioni verificabili. L’obiettivo è distinguere le situazioni coerenti dalle anomalie e dai casi che richiedono controllo manuale.

Situazione rilevata Significato possibile Azione dell’ufficio
Iscritto + presente + attestato Situazione apparentemente coerente. Archiviare come caso regolare, salvo controlli a campione.
Iscritto + presente + no attestato Attestato mancante, non generato o non ancora validato. Verificare soglia di frequenza, dati anagrafici, chiusura corso e procedura di emissione.
Iscritto + assente + no attestato Situazione coerente se l’assenza è confermata. Non emettere automaticamente; conservare evidenza della mancata frequenza.
Iscritto + assente + attestato Possibile errore di validazione o presenza registrata altrove. Controllo manuale prioritario prima di qualsiasi conferma.
Non iscritto + presente Presenza anomala, iscrizione mancante o errore di nominativo. Verificare autorizzazione, iscrizione tardiva, omonimia o errore di compilazione.
Presente duplicato Possibile doppia compilazione del modulo presenza. Consolidare il record senza cancellare la traccia del duplicato.
Nominativi simili Possibile variazione di scrittura, accento, apostrofo, doppio nome. Classificare come corrispondenza probabile e sottoporre a verifica umana.
Attestato senza iscrizione Possibile errore di generazione o file incompleto. Verificare origine del dato prima di invio o pubblicazione.
Regola operativa

In amministrazione, una corrispondenza probabile non è una certezza: è un invito al controllo.

 Regola operativa

In amministrazione, una corrispondenza probabile non è una certezza: è un invito al controllo.

 Regola operativa

In amministrazione, una corrispondenza probabile non è una certezza: è un invito al controllo.

 

Prompt per confrontare elenchi amministrativi

Il prompt seguente è pensato per il confronto tra file relativi a iscrizioni, presenze e attestati. Può essere adattato anche ad altri casi: graduatorie, elenchi di incarichi, scadenziari, pagamenti, rendicontazioni o monitoraggi interni.

Agisci come analista senior di dati amministrativi scolastici.

 

Analizza i file Excel allegati relativi a iscrizioni, presenze e attestati di un’attività formativa.

 

Obiettivo:

confrontare gli elenchi, individuare corrispondenze, incongruenze, duplicati e record da sottoporre a verifica manuale, senza assumere decisioni amministrative automatiche.

 

Vincoli:

– non decidere autonomamente chi ha diritto all’attestato;

– non correggere dati senza esplicitare il criterio utilizzato;

– non considerare equivalenti due record solo sulla base di somiglianze deboli;

– non inventare dati mancanti;

– distinguere tra corrispondenze certe, corrispondenze probabili e record da verificare;

– non formulare giudizi sulle persone;

– trattare l’analisi come supporto istruttorio e non come esito definitivo.

 

Analisi richiesta:

1. descrivi la struttura dei file;

2. individua le colonne chiave utilizzabili per il confronto;

3. segnala colonne mancanti, ambigue o incoerenti;

4. normalizza, se possibile, maiuscole/minuscole, spazi, accenti e apostrofi;

5. individua duplicati interni a ciascun file;

6. confronta iscritti, presenti e attestati;

7. classifica i record in coerenti, incoerenti, probabili corrispondenze e casi da verificare;

8. produci una tabella di riepilogo;

9. segnala i casi che richiedono controllo umano;

10. proponi una sintesi operativa per DSGA o Dirigente.

 

Output richiesto:

– sintesi esecutiva;

– qualità dei dati;

– criteri di confronto utilizzati;

– tabella delle corrispondenze;

– elenco delle incongruenze;

– duplicati;

– casi da verificare manualmente;

– raccomandazioni operative;

– limiti dell’analisi.

 

Confine dell’AI

L’AI può costruire una mappa dei casi da controllare. Non può trasformare quella mappa in una decisione amministrativa finale.

Esempio dettagliato: tre file che non parlano la stessa lingua

Immaginiamo che la segreteria debba verificare la situazione finale di un corso. I tre file disponibili contengono pochi record, ma sufficienti a mostrare problemi tipici.

File 1 – Iscritti

ID iscrizione Nome Cognome Email Scuola Stato iscrizione
I-001 Maria D’Amico maria.damico@scuola.it IC Verdi confermata
I-002 Luca De Santis l.desantis@scuola.it IIS Manzoni confermata
I-003 Anna Maria Lo Presti annamaria.lopresti@scuola.it IC Rodari confermata
I-004 Giovanni Rossi g.rossi@scuola.it IC Verdi confermata

 

File 2 – Presenze

Cognome e nome Email dichiarata Data presenza Durata rilevata
D AMICO MARIA maria.damico@scuola.it 12/03/2026 4 ore
DeSantis Luca luca.desantis@scuola.it 12/03/2026 4 ore
LO PRESTI ANNA M. annamaria.lopresti@scuola.it 12/03/2026 4 ore
Rossi Giovanni g.rossi@scuola.it 12/03/2026 2 ore
D’Amico Maria maria.damico@scuola.it 12/03/2026 4 ore

 

File 3 – Attestati

Cognome Nome Email Stato attestato
D’Amico Maria maria.damico@scuola.it generato
De Santis Luca l.desantis@scuola.it non generato
Lo Presti Anna Maria annamaria.lopresti@scuola.it generato
Rossi Giovanni g.rossi@scuola.it generato

 

Lettura dell’esempio

A un controllo superficiale il dataset sembrerebbe quasi coerente. In realtà emergono almeno quattro punti di attenzione. Maria D’Amico compare due volte nel file presenze, una volta con apostrofo e una volta senza. Luca De Santis compare nel file presenze con cognome unito e con email diversa rispetto al file iscritti. Anna Maria Lo Presti è registrata con abbreviazione del secondo nome. Giovanni Rossi ha un attestato generato nonostante nel file presenze risultino solo due ore, dato che potrebbe essere insufficiente se la soglia prevista fosse superiore.

L’AI deve quindi separare il dato apparentemente regolare dal dato da verificare, senza correggere automaticamente il file e senza decidere l’esito finale.

Record Esito dell’AI Motivo Azione consigliata
Maria D’Amico Corrispondenza forte con duplicato presenza Email coincidente; variazione grafica del cognome; due compilazioni nel file presenze. Consolidare il duplicato e conservare traccia della verifica.
Luca De Santis Corrispondenza probabile Nome e cognome molto simili; email non coincidente tra iscrizione e presenza. Controllo manuale prima di validare presenza o attestato.
Anna Maria Lo Presti Corrispondenza probabile/forte Email coincidente; nome abbreviato nella presenza. Uniformare il nominativo nel file di lavoro dopo verifica.
Giovanni Rossi Criticità attestato-presenza Attestato generato ma durata rilevata pari a 2 ore. Verificare soglia minima, eventuale presenza in altri incontri o errore di registro.
L’output utile non è “tutto corretto” o “tutto sbagliato”. L’output utile è una classificazione dei casi: coerenti, probabili, incoerenti, duplicati, da verificare. L’output utile non è “tutto corretto” o “tutto sbagliato”. L’output utile è una classificazione dei casi: coerenti, probabili, incoerenti, duplicati, da verificare. L’output utile non è “tutto corretto” o “tutto sbagliato”. L’output utile è una classificazione dei casi: coerenti, probabili, incoerenti, duplicati, da verificare. L’output utile non è “tutto corretto” o “tutto sbagliato”. L’output utile è una classificazione dei casi: coerenti, probabili, incoerenti, duplicati, da verificare.

 

Criteri di matching: certezza, probabilità, controllo

Uno degli errori più comuni è trattare il confronto tra elenchi come un’operazione binaria: trovato o non trovato. Nella pratica amministrativa, invece, esistono livelli diversi di affidabilità. La segreteria deve sapere quali corrispondenze sono solide e quali richiedono prudenza.

Livello Criterio Esempio Uso amministrativo
Corrispondenza certa Identificativo univoco coincidente o combinazione forte di codice/email/nominativo. Stesso codice identificativo e stessa email. Può essere validata, salvo controlli ordinari.
Corrispondenza forte Email coincidente e variazione minima nel nome. D’Amico Maria / D AMICO MARIA. Verifica rapida e normalizzazione del dato.
Corrispondenza probabile Nome simile, email diversa o dati parziali. De Santis Luca / DeSantis Luca con email differente. Controllo manuale obbligatorio.
Corrispondenza debole Somiglianza solo testuale, senza identificativi di supporto. Rossi G. / Giovanni Rossi. Non usare per decisioni; richiedere verifica.
Nessuna corrispondenza Assenza di elementi affidabili di collegamento. Presente nel registro ma assente tra iscritti e senza email riconoscibile. Aprire caso da chiarire con ufficio o referente.

 

Normalizzare non significa cancellare

La normalizzazione è una fase utile, ma deve essere governata. Portare tutto in maiuscolo, eliminare spazi doppi, uniformare apostrofi e accenti, separare cognome e nome o trasformare date in un formato coerente può facilitare il confronto. Tuttavia ogni normalizzazione deve essere tracciata e reversibile.

La buona pratica consiste nel conservare il file originale, creare una copia di lavoro e aggiungere colonne di servizio: nominativo_normalizzato, email_normalizzata, chiave_confronto, esito_matching, note_verifica. In questo modo l’ufficio non perde il dato originale e può sempre ricostruire come è stato prodotto il risultato.

Formula prudenziale

Mai lavorare direttamente sull’unica copia del file. Prima si conserva l’originale, poi si crea una copia di lavoro, infine si documentano le regole usate per normalizzare e confrontare i dati.

Colonne di servizio consigliate

Colonna A cosa serve Esempio
NOMINATIVO_ORIGINALE Conserva la forma esatta proveniente dalla fonte. D AMICO MARIA
NOMINATIVO_NORMALIZZATO Uniforma maiuscole, spazi, apostrofi e accenti. DAMICO MARIA
EMAIL_NORMALIZZATA Elimina spazi e uniforma minuscole. maria.damico@scuola.it
CHIAVE_CONFRONTO Combina più campi per migliorare il matching. DAMICO_MARIA_maria.damico@scuola.it
ESITO_MATCHING Classifica il risultato del confronto. forte / probabile / da verificare
NOTE_VERIFICA Spiega perché il record richiede controllo umano. email diversa nel file presenze

 

Il report per DSGA e Dirigente

Dopo il confronto, l’output più utile non è un file “ripulito” senza spiegazioni, ma un report sintetico che renda leggibile il lavoro svolto. Il report dovrebbe distinguere dati certi, dati da verificare, duplicati e criticità, indicando sempre i criteri utilizzati.

Sezione del report Contenuto atteso
Sintesi esecutiva Numero di record analizzati, file confrontati, principali criticità rilevate.
Qualità dei dati Colonne mancanti, formati incoerenti, duplicati, campi vuoti, chiavi deboli.
Criteri di confronto Campi usati per il matching: codice, email, nome, cognome, scuola, data.
Casi coerenti Record che risultano allineati tra iscrizioni, presenze e attestati.
Casi da verificare Corrispondenze probabili, email divergenti, nominativi simili, dati incompleti.
Criticità prioritarie Attestati senza presenza, presenti non iscritti, duplicati, durate incongruenti.
Raccomandazioni Azioni operative per migliorare raccolta dati, moduli, colonne obbligatorie e controlli futuri.
Limiti dell’analisi Elementi che l’AI non può decidere: diritto all’attestato, validazione finale, interpretazione di casi dubbi.

 

Checklist prima di usare l’AI su file Excel

Prima di sottoporre un file all’AI o di chiedere un confronto tra più elenchi, l’ufficio dovrebbe completare una verifica minima. La checklist seguente può essere adattata alle procedure interne della scuola.

Area Domanda operativa
Originale Il file originale è stato conservato senza modifiche?
Copia di lavoro È stata creata una copia su cui effettuare prove, normalizzazioni e confronti?
Dati personali Sono stati rimossi i dati non necessari all’analisi?
Colonne chiave Esistono campi affidabili per il confronto, come codice, email, identificativo o scuola?
Formato dati Date, email, codici e nominativi hanno formati coerenti?
Duplicati Sono stati individuati duplicati interni a ciascun file?
Criteri di matching Sono stati dichiarati i criteri per distinguere match certi, probabili e deboli?
Tracciabilità Le trasformazioni effettuate sono documentate in colonne di servizio o note?
Validazione I casi probabili o incoerenti sono stati sottoposti a controllo umano?
Output finale Il report distingue evidenze, ipotesi, limiti e raccomandazioni operative?

 

Laboratorio operativo: altri casi significativi per la segreteria

Per rendere l’articolo uno strumento di lavoro, conviene spostare l’attenzione da un solo esempio al metodo riutilizzabile. La riconciliazione tra fogli di calcolo non riguarda soltanto iscritti, presenze e attestati: attraversa molti processi della scuola, dalla formazione del personale alle uscite didattiche, dagli incarichi PNRR agli acquisti, fino alla gestione di assenze, supplenze e scadenze. In tutti questi casi l’AI può aiutare a leggere l’incoerenza, ma non può trasformarla automaticamente in una decisione amministrativa.

Principio operativo

Ogni confronto tra file deve produrre almeno tre esiti distinti: dati coerenti, dati incoerenti e dati da verificare. Se l’AI restituisce solo “sì” o “no”, l’analisi è troppo povera per un uso amministrativo.

Esempio 1 – Formazione del personale: iscrizioni, presenze, risorse e attestati

Un caso molto frequente riguarda la chiusura di un percorso formativo. L’ufficio dispone di file provenienti da piattaforme diverse: iscrizioni, presenza al webinar, consultazione delle risorse, eventuale registro Meet, attestati generati o da validare. Il problema non è soltanto sapere chi “ha partecipato”, ma ricostruire una situazione amministrativamente spiegabile.

Fonte dati Contenuto tipico Criticità ricorrente
Iscrizioni Nome, cognome, email, scuola, stato candidatura, codice identificativo Nominativi duplicati, candidature non confermate, email diverse da quelle usate nei moduli
Presenze sincrone Nome inserito nel modulo, timestamp, eventuale email Accenti, apostrofi, secondo nome, compilazioni multiple, presenza non associabile con certezza
Consultazione risorse Dichiarazione di consultazione, timestamp, nominativo Docente presente al webinar ma senza dichiarazione risorse; compilazione con nome abbreviato
Attestati Stato attestato, data validazione, codice corso Attestato mancante o generato a fronte di dati incompleti

 

La regola di esito non deve essere nascosta dentro una formula incomprensibile. Deve essere dichiarata. Ad esempio: attestato proponibile solo se il docente risulta iscritto, presente e con risorse consultate; caso da contattare se presente ma privo della dichiarazione sulle risorse; controllo prioritario se attestato presente ma mancano presenza o iscrizione.

Esito della riconciliazione Significato operativo Azione consigliata
Iscritto + presente + risorse + attestato Percorso coerente Nessuna criticità apparente
Iscritto + presente + risorse + no attestato Possibile attestato da validare Verificare tempi di emissione e stato piattaforma
Iscritto + presente + no risorse Adempimento incompleto Contattare il docente o verificare modulo risorse
Iscritto + assente + attestato Incoerenza grave Blocco e controllo manuale
Presente + non iscritto Partecipazione non riconciliata Verificare candidatura, email e autorizzazione

 

Esempio 2 – Incarichi PNRR o DM 66: ore previste, ore svolte, compensi e documentazione

Nei progetti finanziati, il confronto tra fogli di calcolo può riguardare incarichi, calendari, registri presenze, timesheet, attestazioni delle ore, compensi previsti e documentazione finale. Qui l’AI può aiutare a costruire un controllo incrociato prima della rendicontazione, evitando che una differenza tra ore autorizzate, ore svolte e ore liquidabili venga scoperta troppo tardi.

File da confrontare Domanda di controllo Possibile anomalia
Incarichi Le ore assegnate sono coerenti con il progetto? Incarico privo di data, CUP, importo o periodo
Calendario attività Le date programmate coincidono con quelle svolte? Sessione registrata in calendario ma non nel registro
Registro presenze Le firme o presenze sono complete? Ore dichiarate senza evidenza di partecipazione
Timesheet esperto/tutor Le ore rendicontate coincidono con attività effettive? Ore eccedenti rispetto all’incarico
Liquidazione L’importo calcolato rispetta ore e tariffa? Differenza tra ore validate e importo liquidato
Uso prudente dell’AI

In questo scenario l’AI non deve calcolare automaticamente il compenso dovuto come esito finale. Deve evidenziare scostamenti tra fonti, produrre una tabella di controllo e indicare quali record richiedono verifica del DSGA o del responsabile del progetto.

 Uso prudente dell’AI

In questo scenario l’AI non deve calcolare automaticamente il compenso dovuto come esito finale. Deve evidenziare scostamenti tra fonti, produrre una tabella di controllo e indicare quali record richiedono verifica del DSGA o del responsabile del progetto.

 Uso prudente dell’AI

In questo scenario l’AI non deve calcolare automaticamente il compenso dovuto come esito finale. Deve evidenziare scostamenti tra fonti, produrre una tabella di controllo e indicare quali record richiedono verifica del DSGA o del responsabile del progetto.

 

Esempio 3 – Uscite didattiche: autorizzazioni, quote, elenchi e coperture

Le uscite didattiche generano spesso più elenchi: alunni partecipanti, autorizzazioni delle famiglie, versamenti, eventuali deleghe, necessità particolari, accompagnatori, pullman o gruppi. L’AI può aiutare a individuare chi compare in un elenco ma non in un altro, senza esporre dati personali non necessari e senza trarre conclusioni automatiche.

Situazione rilevata Possibile significato Controllo da fare
Alunno in elenco partecipanti ma senza autorizzazione Autorizzazione mancante o non registrata Verificare fascicolo/modulo famiglia
Autorizzazione presente ma quota non registrata Pagamento non riconciliato o esonero da verificare Controllo con contabilità o referente uscita
Quota versata ma alunno non in elenco finale Errore di elenco o rinuncia non aggiornata Controllo prima di conferma fornitore
Indicazioni sanitarie o personali nel file operativo Dato delicato non necessario per tutti gli operatori Minimizzare accessi e creare elenco separato protetto
Accompagnatore assegnato a troppi gruppi Errore organizzativo Verifica manuale del piano accompagnatori

 

Questo esempio permette di chiarire un punto rilevante: non tutti i dati utili all’organizzazione dell’uscita devono stare nello stesso file. Alcune informazioni possono essere necessarie per pochi soggetti autorizzati, ma eccedenti se inserite in un elenco operativo diffuso a tutti.

Esempio 4 – Assenze e supplenze: dal dato individuale al presidio organizzativo

Un altro caso riguarda il confronto tra assenze del personale, sostituzioni, ore eccedenti, contratti brevi, comunicazioni al personale e copertura delle classi. L’obiettivo non deve essere profilare il docente assente, ma verificare se il processo di sostituzione è tracciato e se esistono classi, giornate o plessi con coperture da controllare.

File Campo chiave Controllo utile
Assenze Docente/codice, data inizio, data fine, tipologia Verificare durata, sovrapposizioni, assenze aperte
Sostituzioni Classe, ora, docente sostituto, data Verificare copertura delle ore scoperte
Contratti brevi Supplente, periodo, classe di concorso Verificare coerenza con assenza sostituita
Ore eccedenti Docente, data, numero ore Verificare duplicazioni e compatibilità con orario
Formula di lettura

Il dato sulle assenze va letto come indicatore organizzativo: serve a capire dove il processo di copertura richiede attenzione, non a costruire giudizi sulle persone.

 Formula di lettura

Il dato sulle assenze va letto come indicatore organizzativo: serve a capire dove il processo di copertura richiede attenzione, non a costruire giudizi sulle persone.

 Formula di lettura

Il dato sulle assenze va letto come indicatore organizzativo: serve a capire dove il processo di copertura richiede attenzione, non a costruire giudizi sulle persone.

 

Esempio 5 – Acquisti e fatture: ordine, consegna, collaudo e pagamento

Anche l’area acquisti può beneficiare di un confronto assistito. Determina, ordine, CIG, fornitore, DDT, collaudo, fattura e pagamento spesso vivono in file o sistemi diversi. L’AI può aiutare a costruire una vista unica delle pratiche, segnalando documenti mancanti o dati incoerenti.

Elemento Dato da confrontare Anomalia da segnalare
Determina/decisione a contrarre Oggetto, importo, fornitore, CIG/CUP se presente Importo o oggetto non coerente con ordine
Ordine Quantità, prezzo, fornitore, data Ordine senza riferimento alla determina
Documento di consegna Materiale consegnato, data, quantità Quantità diversa da ordine
Collaudo/verifica conformità Esito, data, responsabile Fattura presente ma collaudo mancante
Fattura Importo, CIG, fornitore, scadenza Importo diverso o CIG assente

 

L’output ideale non è un giudizio di regolarità, ma una scheda di fascicolo: pratiche complete, pratiche incomplete, dati incoerenti, documenti da acquisire, controlli del DSGA prima della liquidazione.

Esempio 6 – Scadenziari e pratiche aperte: trasformare il foglio in cruscotto

Molti uffici mantengono scadenziari paralleli: pratiche da evadere, richieste in attesa, contratti da chiudere, pubblicazioni da rimuovere, documenti da acquisire, pagamenti da verificare. L’AI può aiutare a leggere il foglio come cruscotto, classificando le pratiche per urgenza, stato e ufficio competente.

Campo consigliato Perché serve Esempio di uso
ID pratica Evita ambiguità tra record simili PRAT-2026-0145
Data apertura Calcola età della pratica Richieste oltre 15/30 giorni
Scadenza Permette priorità operative Scadenza entro 7 giorni
Ufficio competente Attribuisce responsabilità di lavorazione Didattica, personale, contabilità
Stato Rende visibile il flusso Aperta, in verifica, sospesa, chiusa
Prossima azione Evita che la pratica resti ferma Richiedere integrazione, validare, protocollare

 

Prompt modulare per confronti tra più file

Il prompt seguente può essere adattato ai casi precedenti. La parte più importante è la richiesta di esplicitare criteri, limiti e livelli di certezza del confronto.

Agisci come analista senior di dati amministrativi scolastici.

 

Analizza i file allegati relativi al processo: [descrivere processo: formazione, uscite, incarichi, acquisti, assenze, scadenziario].

 

Obiettivo:

confrontare le fonti disponibili, individuare dati coerenti, incoerenze, duplicati, record mancanti e casi da sottoporre a verifica manuale.

 

Vincoli:

– non assumere decisioni amministrative automatiche;

– non correggere dati senza indicare il criterio usato;

– non inventare informazioni mancanti;

– distinguere tra corrispondenze certe, corrispondenze probabili e casi da verificare;

– mantenere separati dati originali, dati normalizzati e annotazioni di controllo;

– segnalare eventuali dati personali non necessari per l’analisi;

– produrre un output utilizzabile dall’ufficio, non una valutazione sulle persone.

 

Analisi richiesta:

1. descrivi la struttura di ciascun file;

2. individua le colonne chiave per il confronto;

3. segnala colonne mancanti, ambigue o incoerenti;

4. rileva duplicati interni a ciascun file;

5. confronta i record tra le fonti;

6. classifica gli esiti in coerenti, incoerenti, probabili e da verificare;

7. indica le regole di matching utilizzate;

8. produci tabelle riepilogative;

9. segnala criticità del dato e limiti dell’analisi;

10. proponi azioni operative per l’ufficio.

 

Output richiesto:

– sintesi esecutiva;

– qualità dei dati;

– criteri di confronto;

– tabella degli esiti;

– elenco dei casi da verificare;

– raccomandazioni operative;

– limiti e controlli umani necessari.

 

Lo schema di output più utile

Perché il lavoro sia davvero spendibile in segreteria, l’output non dovrebbe limitarsi a restituire un file corretto. Dovrebbe produrre una traccia di controllo che consenta di spiegare che cosa è stato confrontato, con quali criteri e con quali risultati.

Sezione del report Contenuto Perché è utile
Sintesi esecutiva Numero record, fonti analizzate, criticità principali Permette a DSGA/DS di capire subito il quadro
Qualità dei dati Duplicati, colonne mancanti, formati incoerenti Evita decisioni basate su dati fragili
Criteri di matching Chiavi usate, normalizzazioni, soglie di somiglianza Rende spiegabile il confronto
Esiti coerenti Record allineati tra fonti Riduce lavoro manuale sui casi ordinari
Casi da verificare Corrispondenze probabili o dati discordanti Indirizza il controllo umano
Anomalie prioritarie Attestati senza presenza, fatture senza collaudo, autorizzazioni mancanti Aiuta a gestire il rischio
Azioni operative Contattare, integrare, correggere, validare, archiviare Trasforma l’analisi in processo
Regola finale del laboratorio

Il risultato migliore non è il file più “bello”, ma il file più spiegabile: ogni correzione, ogni match probabile e ogni esclusione devono poter essere ricostruiti.

 Regola finale del laboratorio

Il risultato migliore non è il file più “bello”, ma il file più spiegabile: ogni correzione, ogni match probabile e ogni esclusione devono poter essere ricostruiti.

 Regola finale del laboratorio

Il risultato migliore non è il file più “bello”, ma il file più spiegabile: ogni correzione, ogni match probabile e ogni esclusione devono poter essere ricostruiti.

 

Quando il confronto dei dati diventa fragile

Il primo errore è usare solo nome e cognome come chiave di confronto. In presenza di omonimie, doppi cognomi, accenti, apostrofi o abbreviazioni, il rischio di falso positivo o falso negativo è elevato.

Il secondo errore è correggere i dati senza documentare la correzione. Se l’ufficio modifica direttamente un nominativo, una email o una data senza lasciare traccia, rende più difficile ricostruire il procedimento.

Il terzo errore è confondere dato mancante e dato negativo. Se un attestato non compare in un file, non significa automaticamente che non sia dovuto; può significare che non è ancora stato generato, che il file non è aggiornato o che il dato è presente in un’altra fonte.

Il quarto errore è lasciare che l’AI produca decisioni finali. Un report può segnalare criticità e suggerire controlli, ma l’emissione di un attestato, la validazione di una presenza o la chiusura di una pratica restano attività dell’amministrazione.

Un dato mancante non è sempre una mancanza amministrativa. A volte è solo un dato che vive in un altro file.

Dal foglio disordinato al processo governato

Il vero valore dell’AI non sta nel rendere più bella una tabella. Sta nel trasformare un insieme di file disomogenei in una base di lavoro più leggibile, controllabile e documentata. Questo significa passare dal foglio di calcolo come archivio provvisorio al foglio di calcolo come strumento di processo.

In una segreteria scolastica questa differenza è fondamentale. Un elenco non è mai isolato: è collegato a un’iscrizione, a una presenza, a una validazione, a un attestato, a una rendicontazione, a una comunicazione. Se il dato è fragile, anche il processo che lo usa diventa fragile.

L’AI può aiutare a individuare dove il processo si indebolisce: nella raccolta dei dati, nella compilazione dei moduli, nella mancanza di identificativi, nei criteri di matching, nella gestione dei duplicati o nella produzione degli output finali.

Metodo della segreteria aumentata

Non chiedere all’AI di “sistemare il file”. Chiedile di spiegare che cosa non funziona nel file, quali regole sta usando per confrontarlo e quali casi devono tornare all’ufficio per una verifica.

Pubblicare o trasmettere un output: attenzione ai dati

Un ultimo passaggio merita attenzione. Dopo il confronto, l’output prodotto dall’AI o dall’ufficio può contenere dati personali, anomalie, stati pratica, indicazioni su presenze e attestati. Non tutto ciò che è utile internamente è adatto a essere trasmesso o pubblicato.

Il report per il DSGA o per il Dirigente può contenere informazioni operative più dettagliate. Una comunicazione ai partecipanti deve invece contenere solo le informazioni necessarie. Una tabella da condividere con formatori o referenti deve essere ulteriormente minimizzata. La logica già affrontata per la pubblicazione online vale anche per i file di lavoro: ogni output deve essere coerente con il destinatario e con la finalità.

Il dato deve poter essere spiegato

L’AI può essere un aiuto prezioso quando la segreteria deve confrontare file, elenchi e fogli di calcolo. Può rendere visibili incoerenze, duplicati, assenze, scostamenti e anomalie che altrimenti richiederebbero molto tempo.

Ma il suo valore non sta nel decidere al posto dell’ufficio. Sta nel rendere più controllabile il lavoro dell’ufficio. Una segreteria aumentata non usa l’AI per trasformare un file Excel in una verità automatica. La usa per trasformare un insieme di dati disordinati in una base più leggibile, documentata e verificabile.

Il dato amministrativo non deve solo essere elaborato: deve poter essere spiegato.

Questo è il punto centrale: un confronto tra elenchi è utile solo se l’ufficio può dire quali fonti ha usato, quali criteri ha applicato, quali casi ha validato e quali limiti restano aperti. Senza questa spiegabilità, anche il report più elegante diventa amministrativamente debole.

 

© 2026 Gianfranco Bordoni. Tutti i diritti riservati. Il presente documento è destinato alla consultazione, alla formazione e alla diffusione culturale sui temi dell’intelligenza artificiale applicata ai processi amministrativi scolastici. È consentita la citazione di brevi estratti, con indicazione dell’autore e della fonte. Ogni riproduzione integrale, modifica, adattamento o utilizzo per finalità commerciali richiede autorizzazione esplicita dell’autore.

Nono_articolo_Segreteria_aumentata_fogli_calcolo_AI

Video (sviluppato con NotebookLM)

Post Views: 76