Un foglio di calcolo rappresenta sempre una parte di un processo amministrativo: iscrizioni, presenze,
attestati, pagamenti, incarichi, scadenze, rendicontazioni o pratiche aperte. Per questo non va letto
come un semplice insieme di celle, ma come la fotografia parziale di un flusso di lavoro. Se il dato è
incompleto, sporco o ambiguo, l’AI può renderlo più leggibile, ma non può trasformarlo automaticamente
in un dato vero, certo o validato dall’amministrazione.

Excel, o più in generale il foglio di calcolo, è spesso il punto in cui convergono dati provenienti da fonti
diverse: piattaforme ministeriali, moduli online, registri firme, gestionali, esportazioni interne e file di
validazione. La tabella sembra offrire una verità ordinata, ma in realtà può contenere incoerenze,
duplicati, campi mancanti, versioni diverse dello stesso nominativo o criteri di compilazione non dichiarati.
La prima operazione utile è quindi diagnosticare la qualità del dato.

Prima di chiedere all’AI di analizzare o confrontare un file, occorre capire come quel file è stato generato:
da quale piattaforma proviene, quali colonne contiene, quali dati mancano, quali campi sono affidabili e
quali criteri possono essere usati per confrontarlo con altri elenchi. Senza questa lettura preliminare,
l’AI rischia di lavorare su una tabella apparentemente ordinata, ma amministrativamente fragile o non
sufficientemente spiegabile.

L’AI può aiutare a descrivere la struttura di un dataset, individuare colonne mancanti o ambigue,
normalizzare nominativi, date e codici, rilevare duplicati, confrontare elenchi diversi e segnalare record
presenti in un file ma assenti in un altro. Può anche produrre tabelle riepilogative e report per DSGA o
Dirigente. Tuttavia il suo compito resta istruttorio: evidenzia anomalie e corrispondenze probabili, ma
non decide l’esito amministrativo.

L’AI non deve inventare dati mancanti, sostituire codici non presenti, modificare definitivamente il file
senza conservare l’originale, decidere automaticamente attestati, pagamenti, validazioni, esclusioni o
liquidazioni. Non deve nemmeno considerare equivalenti due record solo perché simili. Il suo ruolo è
produrre una mappa dei casi coerenti, probabili, incoerenti e da verificare; la validazione finale resta
responsabilità dell’ufficio.

Un dato incerto resta incerto finché non viene verificato su fonti affidabili, documenti, registri, piattaforme
o atti dell’ufficio. L’AI può segnalare che due nominativi sono probabilmente la stessa persona, che una
presenza sembra associabile a un’iscrizione o che un attestato risulta anomalo. Tuttavia la probabilità
non equivale a certezza amministrativa. Ogni esito dubbio deve tornare all’ufficio per controllo umano
e tracciabile.

Un caso molto frequente riguarda il confronto tra iscritti, presenze e attestati al termine di un percorso
formativo. L’ufficio può avere un file esportato da una piattaforma, un registro presenze compilato tramite
modulo, un elenco di consultazione risorse e un file attestati. In teoria dovrebbero parlare la stessa lingua;
in pratica possono contenere email diverse, accenti mancanti, apostrofi, doppi nomi, duplicati e stati non
aggiornati.

Il diritto all’attestato dipende da regole amministrative, soglie di frequenza, iscrizione corretta, eventuali
attività asincrone, validazioni interne e procedure della piattaforma. L’AI può segnalare che un docente
risulta iscritto e presente, oppure che manca la consultazione delle risorse, ma non può trasformare questa
evidenza in emissione automatica dell’attestato. Può preparare il lavoro; non può assumere la decisione
dell’ufficio.

La matrice di riconciliazione aiuta a trasformare il confronto tra file in azioni verificabili. Permette di
distinguere situazioni coerenti, come iscritto-presente-attestato, da situazioni anomale, come attestato
senza presenza o presenza senza iscrizione. Il suo valore è organizzativo: non produce automaticamente
decisioni, ma orienta il controllo dell’ufficio, segnala priorità e rende più trasparente il percorso che porta
alla validazione finale.

Questa combinazione non deve portare automaticamente alla generazione dell’attestato. Può indicare un
attestato non ancora emesso, una procedura di validazione non conclusa, un dato mancante, un problema
di soglia minima o un disallineamento tra piattaforme. L’AI può segnalarlo come caso da verificare, ma
l’ufficio deve controllare frequenza, condizioni previste, eventuali moduli integrativi e stato effettivo del
percorso prima di agire.

È una criticità prioritaria, perché può indicare un errore di validazione, una presenza registrata altrove,
un nominativo non riconciliato oppure un attestato generato su dati incompleti. L’AI deve classificarlo
come anomalia da controllo manuale, non come errore certo. L’ufficio dovrà verificare registro presenze,
eventuali incontri successivi, moduli asincroni, soglie previste e fonte effettiva dell’attestato prima di
confermare o correggere.

Una presenza non associata a un’iscrizione può dipendere da iscrizione tardiva, errore di nominativo,
cambio email, compilazione del modulo da account diverso, omonimia o inserimento manuale non aggiornato.
Non va quindi trasformata in esclusione automatica. L’AI deve segnalarla come caso da chiarire, indicando
le possibili cause e suggerendo all’ufficio di verificare piattaforma, registro, comunicazioni e autorizzazioni.

Un duplicato può derivare da doppia compilazione, correzione successiva, accesso con account diverso o
errore di digitazione. Cancellarlo direttamente può far perdere informazione utile per ricostruire il processo.
La buona pratica è consolidare il record nella copia di lavoro, conservando però l’originale e annotando il
criterio usato. L’AI può proporre il consolidamento, ma l’ufficio deve mantenere tracciabilità della decisione.

Significa evitare un confronto binario “trovato/non trovato”. Una corrispondenza certa può basarsi su
identificativo univoco o combinazione forte di codice ed email. Una corrispondenza forte può avere email
coincidente e variazione minima del nome. Una probabile richiede controllo perché ha dati parziali o email
diversa. Una debole, fondata solo su somiglianza testuale, non dovrebbe mai produrre decisioni operative.

Nome e cognome possono variare per accenti, apostrofi, doppi cognomi, abbreviazioni, inversioni, maiuscole,
spazi, errori di battitura o omonimie. Due record simili possono riguardare la stessa persona, ma anche
persone diverse. Per questo è preferibile usare più chiavi: codice identificativo, email, scuola, data, ruolo o
altri campi affidabili. L’AI deve indicare il livello di confidenza, non imporre equivalenze automatiche.

Normalizzare significa rendere i dati più confrontabili: uniformare maiuscole e minuscole, eliminare spazi
doppi, trattare apostrofi e accenti, portare le email in minuscolo, separare nome e cognome, rendere coerenti
le date. La normalizzazione non deve però cancellare il dato originale. Deve avvenire in una copia di lavoro,
con colonne di servizio che permettano di ricostruire ogni trasformazione applicata.

La normalizzazione serve a confrontare meglio i dati, non a sostituire la fonte originale. Se l’ufficio modifica
direttamente nomi, email o date nell’unica copia disponibile, perde la possibilità di dimostrare come si è
arrivati al risultato. La buona pratica è conservare il file originale, lavorare su una copia e aggiungere colonne
come nominativo_normalizzato, chiave_confronto, esito_matching e note_verifica.

Il file originale è la traccia della fonte così come è stata acquisita dall’ufficio. Conservandolo, è possibile
ricostruire errori, duplicati, correzioni, normalizzazioni e decisioni successive. Lavorare direttamente
sull’originale espone al rischio di cancellare informazioni, alterare dati o rendere non spiegabile il confronto.
L’AI deve quindi operare su copie, descrivendo le trasformazioni e mantenendo separati dati originali e dati
trattati.

Sono utili colonne come NOMINATIVO_ORIGINALE, NOMINATIVO_NORMALIZZATO, EMAIL_NORMALIZZATA,
CHIAVE_CONFRONTO, ESITO_MATCHING e NOTE_VERIFICA. Queste colonne permettono di mantenere
visibile il dato di partenza, spiegare le regole di confronto, classificare il risultato e indicare perché un record
richiede controllo umano. In questo modo il file non è solo più ordinato, ma anche più verificabile e tracciabile.

Un buon prompt deve chiedere all’AI di descrivere la struttura dei file, individuare colonne chiave, segnalare
campi mancanti o ambigui, normalizzare dati se possibile, rilevare duplicati, confrontare gli elenchi, classificare
i record e produrre una tabella di riepilogo. Deve inoltre vietare decisioni automatiche, invenzione di dati
mancanti, correzioni non spiegate e uso di corrispondenze deboli per esiti amministrativi.

Senza criteri dichiarati, il confronto prodotto dall’AI non è verificabile. L’ufficio deve sapere se il matching
è stato basato su email, codice, nome, cognome, scuola, data o combinazione di più campi. Deve anche sapere
quali normalizzazioni sono state applicate e quali soglie di somiglianza sono state considerate. Un risultato
non spiegato può sembrare utile, ma non è adeguato a un processo amministrativo controllabile.

L’output utile non è semplicemente un file ripulito, ma un report che distingua sintesi esecutiva, qualità dei
dati, criteri di confronto, tabella delle corrispondenze, incongruenze, duplicati, casi da verificare manualmente,
raccomandazioni operative e limiti dell’analisi. Questo consente a DSGA e Dirigente di comprendere il quadro,
verificare le criticità e assumere decisioni fondate su evidenze controllabili.

Un file sistemato senza spiegazioni può nascondere passaggi rilevanti: quali dati sono stati normalizzati,
quali duplicati sono stati consolidati, quali match sono probabili, quali record restano incerti. Un report,
invece, rende leggibile il lavoro svolto, distingue evidenze e ipotesi, documenta i criteri usati e consente
di orientare il controllo umano. In amministrazione, la spiegabilità vale quanto la pulizia formale della tabella.

La sezione sulla qualità dei dati dovrebbe evidenziare colonne mancanti, formati incoerenti, campi vuoti,
duplicati, chiavi deboli, email non uniformi, nominativi scritti in modo diverso, date non coerenti e codici
assenti o incompleti. Serve a evitare che l’ufficio prenda decisioni su dati apparentemente ordinati ma
fragili. Prima di validare un esito, bisogna sapere quanto è solida la base informativa.

Un’evidenza è un dato solido; un’ipotesi è una corrispondenza plausibile; un limite è ciò che l’analisi non
può stabilire. Confondere questi livelli è rischioso: un record “probabile” può essere trattato come certo,
un dato mancante come esclusione, un duplicato come errore definitivo. L’AI deve rendere esplicito ciò che
sa, ciò che presume e ciò che richiede verifica umana, così il processo resta governabile.

Se un attestato non compare in un file, non significa automaticamente che non sia dovuto. Potrebbe non
essere ancora stato generato, trovarsi in un’altra piattaforma, dipendere da un file non aggiornato o da una
diversa fonte di validazione. Allo stesso modo una presenza mancante può essere registrata altrove. L’AI
deve segnalare il dato assente come elemento da verificare, non trasformarlo in conclusione amministrativa.

Prima di usare l’AI, l’ufficio dovrebbe conservare l’originale, creare una copia di lavoro, rimuovere dati
personali non necessari, individuare colonne chiave, verificare formati di date, email e codici, controllare
duplicati interni e dichiarare criteri di matching. Deve inoltre prevedere tracciabilità delle trasformazioni,
validazione dei casi probabili o incoerenti e un output finale che distingua evidenze, ipotesi, limiti e
raccomandazioni.

Non tutti i dati contenuti in un file sono necessari per il confronto. Se l’obiettivo è riconciliare iscrizioni,
presenze e attestati, potrebbero bastare identificativi, email istituzionali o chiavi pseudonimizzate. Dati
non pertinenti, informazioni personali, note interne o dettagli sensibili dovrebbero essere rimossi o
minimizzati prima di usare strumenti AI. La qualità dell’analisi non giustifica il conferimento di dati
eccedenti.

Nei percorsi di formazione, l’AI può confrontare iscrizioni, presenze sincrone, consultazione risorse,
eventuali registri Meet e attestati. Deve però classificare gli esiti: percorso coerente, attestato da validare,
adempimento incompleto, incoerenza grave, partecipazione non riconciliata. La regola di emissione non deve
restare nascosta in una formula: deve essere dichiarata, controllata e validata dall’ufficio prima di ogni
conclusione.

Una formula Excel può produrre un risultato corretto, ma se non è comprensibile rende opaco il processo.
In segreteria è importante sapere perché un docente risulta validabile, da contattare o da escludere.
Dichiarare la regola di esito permette di spiegare il criterio, correggerlo se necessario e condividerlo con
DSGA o Dirigente. L’AI può aiutare a esplicitare la logica, ma non deve nasconderla in automatismi invisibili.

Nei progetti finanziati, l’AI può aiutare a confrontare incarichi, calendari, registri presenze, timesheet,
attestazioni delle ore, compensi previsti e documentazione finale. Può evidenziare scostamenti tra ore
autorizzate, ore svolte e ore liquidabili, oppure segnalare incarichi privi di dati essenziali. Non deve però
calcolare automaticamente il compenso dovuto come esito finale: deve produrre una tabella di controllo
per DSGA o responsabile di progetto.

Può segnalare incarichi privi di data, CUP, importo o periodo, sessioni registrate nel calendario ma non
nel registro, ore dichiarate senza evidenza di partecipazione, timesheet con ore eccedenti rispetto
all’incarico o differenze tra ore validate e importo liquidato. Queste anomalie non equivalgono a irregolarità
definitive: sono segnali da sottoporre a verifica documentale e validazione amministrativa.

Le uscite didattiche generano elenchi diversi: partecipanti, autorizzazioni, versamenti, deleghe, eventuali
necessità particolari, accompagnatori, gruppi e trasporti. L’AI può individuare chi compare in un elenco ma
non in un altro, segnalare quote non riconciliate o autorizzazioni mancanti. Deve però evitare conclusioni
automatiche e soprattutto rispettare la minimizzazione dei dati, separando informazioni operative da dati
delicati o non necessari.

Alcune informazioni sono necessarie per pochi soggetti autorizzati, ma eccedenti se inserite in un elenco
operativo condiviso con tutti. Dati sanitari, esigenze personali, deleghe o indicazioni particolari non dovrebbero
circolare insieme a semplici elenchi di partecipanti, quote o gruppi. L’AI può aiutare a segnalare la necessità
di separare i file, minimizzare gli accessi e creare elenchi protetti per informazioni più delicate.

Il dato sulle assenze deve essere letto come indicatore organizzativo, non come strumento di giudizio sulle
persone. L’obiettivo del confronto tra assenze, sostituzioni, contratti brevi e ore eccedenti è verificare se il
processo di copertura è tracciato e se ci sono classi, giornate o plessi da presidiare. L’AI può segnalare
sovrapposizioni, assenze aperte o ore scoperte, ma non deve profilare il docente assente.

Può confrontare assenze, sostituzioni, contratti brevi e ore eccedenti per evidenziare classi scoperte,
sovrapposizioni, contratti non coerenti o duplicazioni di ore. Il prompt deve però chiarire che l’analisi riguarda
il processo di copertura, non la valutazione personale del lavoratore. Il report dovrebbe essere aggregato,
sobrio e orientato al presidio organizzativo, evitando etichette, giudizi o graduatorie improprie sulle persone.

Nell’area acquisti, l’AI può aiutare a confrontare determina, ordine, CIG o CUP, fornitore, documento di
consegna, collaudo, fattura e pagamento. Può segnalare importi non coerenti, ordini senza riferimento alla
determina, quantità diverse tra ordine e consegna, fatture senza collaudo o CIG mancanti. L’output ideale
non è un giudizio di regolarità, ma una scheda di fascicolo con pratiche complete e incomplete.

La regolarità di una pratica di acquisto dipende da atti, verifiche, competenze, procedure contabili e decisioni
dell’amministrazione. L’AI può evidenziare incoerenze tra ordine, consegna, collaudo e fattura, ma non può
certificare che la pratica sia regolare o liquidabile. Deve produrre una vista ordinata dei documenti presenti,
di quelli mancanti e dei punti da verificare, lasciando la decisione al DSGA e alle figure competenti.

Molti uffici mantengono scadenziari con pratiche aperte, richieste in attesa, contratti da chiudere,
pubblicazioni da rimuovere, documenti da acquisire o pagamenti da verificare. L’AI può aiutare a classificare
le pratiche per urgenza, stato, ufficio competente e prossima azione. Il valore non è solo ordinare le righe,
ma rendere visibile il flusso: aperta, in verifica, sospesa, chiusa, da sollecitare o da validare.

Uno scadenziario dovrebbe contenere almeno ID pratica, data apertura, scadenza, ufficio competente, stato
e prossima azione. L’ID evita ambiguità tra record simili, la data apertura permette di calcolare l’età della
pratica, la scadenza orienta le priorità, lo stato rende visibile il flusso e la prossima azione impedisce che
la pratica resti ferma senza responsabilità operativa chiara.

Deve descrivere il processo da analizzare, chiedere la struttura di ciascun file, individuare colonne chiave,
segnalare campi mancanti o incoerenti, rilevare duplicati, confrontare record tra fonti, classificare esiti in
coerenti, incoerenti, probabili e da verificare, indicare regole di matching e produrre tabelle riepilogative.
Deve inoltre esplicitare limiti, controlli umani necessari e raccomandazioni operative per l’ufficio.

Separare questi livelli consente di ricostruire il lavoro svolto. Il dato originale mostra ciò che è arrivato
dalla fonte; il dato normalizzato serve al confronto; le annotazioni spiegano criteri, dubbi e verifiche. Se
tutto viene sovrascritto in un unico valore finale, l’ufficio perde trasparenza. L’AI deve quindi aiutare a
costruire un file spiegabile, non soltanto più ordinato o esteticamente pulito.

Lo schema più utile comprende sintesi esecutiva, qualità dei dati, criteri di matching, esiti coerenti, casi
da verificare, anomalie prioritarie e azioni operative. Questa struttura permette a DSGA e Dirigente di
capire subito il quadro, evita decisioni basate su dati fragili, rende spiegabile il confronto e trasforma
l’analisi in processo. Il valore non è il file più bello, ma quello più ricostruibile.

Un file esteticamente ordinato può essere poco affidabile se non spiega correzioni, match probabili,
esclusioni, duplicati e criteri applicati. In amministrazione il file migliore è quello che consente di capire
che cosa è stato fatto, perché e con quali limiti. Ogni correzione, ogni corrispondenza probabile e ogni
esclusione devono poter essere ricostruiti. La bellezza della tabella non sostituisce la tracciabilità del processo.

Diventa fragile quando si usa solo nome e cognome come chiave, quando si correggono dati senza
documentare la modifica, quando si confonde dato mancante con dato negativo o quando si lascia che
l’AI produca decisioni finali. Il confronto è utile solo se dichiara criteri, livelli di certezza, fonti utilizzate
e casi da verificare. Altrimenti può generare una falsa sensazione di precisione amministrativa.

Se l’ufficio modifica direttamente un nominativo, una email, una data o un codice senza lasciare traccia,
diventa difficile capire se il risultato deriva dalla fonte originale, da una normalizzazione o da una decisione
successiva. Questo indebolisce la ricostruibilità del procedimento. Ogni correzione dovrebbe essere annotata,
motivata e possibilmente gestita in colonne di servizio, mantenendo il dato originale sempre disponibile.

Le decisioni finali incidono su attestati, pagamenti, incarichi, validazioni, esclusioni o chiusure di pratiche.
Richiedono competenza amministrativa, verifica delle fonti e responsabilità dell’ufficio. L’AI può segnalare
criticità, proporre controlli, suggerire priorità e produrre report, ma non può decidere autonomamente
l’emissione di un attestato, la liquidazione di un compenso o la validità di una presenza.

Si passa dal semplice file al processo quando l’ufficio collega ogni dato alla sua fonte, dichiara i criteri di
confronto, distingue record certi e dubbi, conserva l’originale, lavora su copie, documenta le normalizzazioni
e produce un report con limiti e azioni operative. L’AI aiuta a rendere visibili incoerenze e punti deboli,
ma il governo nasce dal metodo con cui la segreteria struttura il controllo.

Un elenco è quasi sempre collegato a un processo: iscrizione, presenza, validazione, attestato, pagamento,
rendicontazione, comunicazione o archiviazione. Se un dato è fragile, anche il processo che lo utilizza
diventa fragile. Per questo l’AI non va usata solo per “sistemare” la tabella, ma per capire dove il processo
si indebolisce: raccolta dati, moduli, identificativi, duplicati, criteri di matching o output finali.

Il metodo non è chiedere all’AI di “sistemare il file”, ma chiederle di spiegare che cosa non funziona,
quali regole usa per confrontare i dati e quali casi devono tornare all’ufficio per verifica. Questo sposta
l’attenzione dal risultato automatico al controllo del processo. Una segreteria aumentata non delega la
decisione al modello: usa il modello per rendere più leggibile ciò che deve decidere l’amministrazione.

Dopo il confronto, il report può contenere dati personali, anomalie, stati pratica, informazioni su presenze,
attestati, pagamenti o posizioni individuali. Non tutto ciò che è utile internamente è adatto a essere trasmesso
o pubblicato. Il report per DSGA o Dirigente può essere dettagliato; una comunicazione ai partecipanti deve
contenere solo dati necessari. Ogni output va calibrato su destinatario e finalità.

Un report interno per DSGA o Dirigente può includere criticità operative, note di verifica, anomalie e casi da
controllare. Una comunicazione a docenti, famiglie o fornitori deve invece essere molto più selettiva e
contenere solo le informazioni necessarie. Una tabella condivisa con formatori o referenti può richiedere
ulteriore minimizzazione. La stessa analisi può generare output diversi, ma sempre coerenti con finalità
e destinatari.

Significa che l’ufficio deve poter ricostruire da dove proviene il dato, come è stato normalizzato, con quali
criteri è stato confrontato, perché un record è stato classificato come coerente, probabile o da verificare
e quali limiti restano aperti. Un dato non spiegabile può sembrare utile nell’immediato, ma diventa debole
quando deve sostenere una decisione, una comunicazione o una verifica successiva.

Il vero valore dell’AI non sta nel fare al posto della segreteria, ma nel rendere più controllabile il suo lavoro.
Può evidenziare incoerenze, duplicati, assenze, scostamenti e anomalie che richiederebbero molto tempo.
Ma la forza del metodo sta nella capacità di distinguere dati certi, dati probabili, dati incoerenti e dati da
verificare. L’AI accelera la lettura; la responsabilità resta dell’amministrazione.

La validazione umana è indispensabile perché solo l’ufficio conosce il contesto, le procedure, le fonti
ufficiali, le regole di emissione, le soglie, le eccezioni e le responsabilità amministrative. L’AI può segnalare
che un record è anomalo o probabilmente corrispondente, ma non può assumere la responsabilità di attestare,
liquidare, escludere, pubblicare o chiudere una pratica. Il controllo umano trasforma l’analisi in decisione.

Occorre partire da una diagnosi della qualità del dataset, non da una richiesta di risultato finale. Bisogna
individuare fonti, colonne chiave, formati, duplicati, campi vuoti e limiti del confronto. Il prompt deve chiedere
di distinguere dati certi, probabili e da verificare. Se si chiede all’AI solo di “sistemare tutto”, il rischio è
che renda più elegante un errore già presente, invece di farlo emergere all’attenzione dell’ufficio.

Ogni confronto 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. La segreteria ha
bisogno di una mappa dei casi, non di un verdetto automatico. La distinzione tra certezza, probabilità e
dubbio è il presidio che impedisce al dato fragile di diventare decisione impropria.

Il messaggio conclusivo è che l’AI può essere un alleato potente nella gestione dei fogli di calcolo, ma solo
se viene usata per rendere il dato più leggibile, spiegabile e controllabile. Una segreteria aumentata non
cerca il file perfetto prodotto automaticamente: costruisce un processo in cui ogni confronto, correzione,
anomalia e decisione può essere ricostruita, verificata e validata dall’amministrazione.