# cornell-ai-hub-100k-unidentified-payments-2026-06-15

## Veille

Caso di studio pubblicato dal **Cornell AI Innovation Hub** (15 giugno 2026): come una collaborazione durata due semestri tra l'AI Hub, studenti laureandi e il team Treasury di Cornell ha trasformato un'indagine manuale dispendiosa in tempo in uno strumento AI che ha **recuperato $100.000** in pagamenti non identificati su un primo lotto. Un caso d'uso **AI4Business** riuscito (processo finanziario) che illustra quasi punto per punto il framework **Leader-Lab-Crowd** di **Ethan Mollick**: l'**AI Hub** interpreta il ruolo del **Lab** (un team centrale e ambidestro di tecnologi più studenti); il **Treasury** (Cheryl Barnes, Marie Graves…) è il **Crowd** che porta la conoscenza di business e il punto di dolore reale; e i **$100.000** costituiscono la **ricompensa visibile** (vivid win) che ancora l'adozione — esattamente la leva di incentivo che Mollick considera decisiva. Metodo chiave: **"prima il contesto, poi il piano, poi la costruzione"** tramite **Claude Code Plan Mode**, una catena di **fuzzy matching → Gemini Enterprise Web Search → sintesi Claude**, tutto all'interno del **Cornell AI Gateway** governato. *"I $100.000 sono un inizio."*

## Titre Article

How Cornell Recovered $100,000 in Unidentified Payments With AI

## Date

2026-06-15

## URL

https://innovationhub.ai.cornell.edu/articles/how-cornell-recovered-100000-in-unidentified-payments-with-ai/

## Keywords

Cornell AI Innovation Hub, pagamenti non identificati, riconciliazione pagamenti, treasury, finanza, AI4Business, Leader-Lab-Crowd, Ethan Mollick, ricompensa, incentivo, vivid win, Lab, Crowd, conoscenza di business, Claude Code, Plan Mode, prima il contesto, fuzzy matching, Gemini Enterprise Web Search, sintesi Claude, Cornell AI Gateway, governance dei dati, know your data, backtest, escheatment, Oracle GL, Kyriba, n8n, /treasury skill, pilota Claude, change management, automazione, ROI misurabile

## Authors

**Pete Stergion** — Desktop Engineer au Cornell AI Innovation Hub, co-tech lead du projet (avec Phil Williammee). Article institutionnel signé de l'AI Hub.

## Ton

**Profilo**: un caso di studio istituzionale / *progress report* scritto in prima persona plurale (*"we"*), pubblicato sul blog del Cornell AI Innovation Hub. Pubblico target: team operativi di università e aziende, leader IT, professionisti del change management sull'IA. Registro: **sobrio, pedagogico e onesto**, livello tecnico medio (presuppone familiarità con fuzzy matching, pipeline, GL, backtesting) ma leggibile da un non ingegnere.

**Stile**: narrazione passo dopo passo (*The Problem / The Team / How We Built It / The Pipeline / The Results / What's Next / The Takeaway*), alternando narrazione e dati numerici, con un'**onestà controllata** che rafforza la credibilità: il **limite** dello strumento è documentato (fornitori che fatturano a più dipartimenti), si nota che *"la risoluzione dipende ancora dal follow-up del personale del treasury"*, e la governance viene sottolineata (*"know your data"*, Cornell AI Gateway, PII rimossi). Nessuna sopravvalutazione: la tesi finale non è "l'IA fa miracoli" ma *"il progetto ha funzionato perché il team ha svolto il lavoro di base"*. Slogan condivisibile: *"I $100.000 sono un inizio."*

## Pense-betes

- **La cifra chiave**: **$100.000** recuperati su un **primo lotto** — 23 dipartimenti contattati, **7 risposte**, **5 pagamenti** confermati. Arretrato attivo ~**$1M** (picco storico **$4M**) su alcune centinaia di transazioni. Posta in gioco regolamentare: la legge dello Stato di New York impone l'**escheatment** (devoluzione dei fondi non reclamati allo stato) se non risolti in tempo.
- **L'insight che struttura tutto**: i **nomi dei fornitori compaiono sul 99%** dei pagamenti non identificati, mentre i **numeri di fattura/ordine compaiono su meno del 4%**. → la scommessa è sul nome del fornitore, non sull'identificatore mancante.
- **Lettura Mollick (cuore della richiesta)**: il caso illustra il framework **Leader-Lab-Crowd** ([[mollick-making-ai-work-leadership-lab-crowd-2025-05-22]]).
- **Lab** = l'**AI Hub** (Pete Stergion, Phil Williammee, coorte di studenti): il team centrale che *impacchetta* la soluzione.
- **Crowd** = il **Treasury** (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation): conoscenza di business + dati (Kevin fornisce **3 anni di Oracle GL, oltre 10.000 record**). È la sofferenza sul campo (fino a **mezza giornata di lavoro** su questo problema) che diventa l'opportunità.
- **Ricompensa / vivid win**: Mollick raccomanda di **ricompensare i dipendenti che scoprono usi trasformativi** e di fornire un'**immagine vivida** del futuro dell'IA. I **$100.000** sono esattamente quella prova concreta e legittimante — rende il valore tangibile e desiderabile.
- **Rassicurazione anti-licenziamenti**: l'IA **elimina la fatica** (ricerche via email, googlare abbreviazioni, incrociare dati) anziché sostituire il personale; l'obiettivo dichiarato è *"un flusso di lavoro sostenibile che il team possiede e gestisce direttamente"* (onboarding nel pilota Claude + la skill **`/treasury`**). Questa è la risposta al *"rassicura i tuoi lavoratori"* di Mollick.
- **Metodo "prima il contesto, poi il piano, poi la costruzione"**: tramite **Claude Code Plan Mode**, *tutto* il contesto viene caricato (background, processo manuale, note del semestre, prototipi degli studenti, dati anonimizzati); Claude Code **propone un'architettura completa da validare prima di scrivere una sola riga**. Risultato: da un **semestre di note a uno strumento funzionante in un'unica sessione**.
- **Pipeline (3 fasi), esposta come *skill* in Claude Code**: (1) **matching storico** (fuzzy matching rispetto al GL; filtra parole di rumore come *Inc/LLC/Corp*; un *gate* di sovrapposizione di token per evitare falsi positivi); (2) **ricerca del fornitore** tramite **Gemini Enterprise Web Search** (all'interno del Cornell AI Gateway); (3) **sintesi Claude** (pesa le prove → dipartimento probabile, **livello di confidenza**, contatto suggerito). Output: **Excel ordinato per confidenza**, in pochi minuti. Input: export di **Kyriba** (TMS).
- **Backtest rigoroso**: 3 scenari su **9.131** pagamenti già risolti, risposte nascoste. Fornitori ricorrenti: **97%** (solo fuzzy matching, 500 pagamenti di test) → **100%** con la catena AI completa. Fornitori sconosciuti: **76% → 100%** una volta attivati Gemini e Claude. **Limite documentato**: fornitori che fatturano a più dipartimenti (fornitore corretto ma non sempre il conto dipartimentale corretto).
- **Governance**: dati finanziari a *rischio moderato*, **Cornell AI Gateway**, **non utilizzati per addestrare modelli esterni**, accesso ristretto, **PII rimossi**, un approccio *"know your data"*. Modelli testati lungo il percorso: **Gemini, GPT, Claude**; prototipazione iniziale in **n8n**.
- **Contro-narrativa utile**: da invocare contro la narrativa secondo cui "l'IA non crea valore nei processi di business". Qui invece lo fa — **perché** Lab + Crowd + lavoro di base. *"Quando è arrivato il momento di costruire, l'IA aveva tutto il necessario per progettare una soluzione reale anziché generica."*

## RésuméDe400mots

Il Cornell AI Innovation Hub racconta (15 giugno 2026) come una collaborazione durata due semestri abbia permesso di **recuperare $100.000** in pagamenti non identificati usando l'IA. Il problema: ogni anno Cornell riceve centinaia di bonifici e pagamenti ACH senza informazioni sufficienti per instradarli (nessun numero di fattura, nome del fornitore vago). I fondi si accumulano in un conto sospeso — arretrato attivo ~**$1M**, picco storico **$4M** — e la **legge dello Stato di New York impone l'escheatment** se non vengono risolti in tempo. Due membri del personale del treasury dedicavano fino a **mezza giornata** al giorno a questo problema.

La struttura del progetto illustra il framework **Leader-Lab-Crowd** di Ethan Mollick. Il **Lab** è l'**AI Hub** (Pete Stergion e Phil Williammee, co-tech lead, più una coorte di studenti). Il **Crowd** è il **Treasury** (Cheryl Barnes, Marie Graves, Kevin Mooney, Debra Federation), detentore della conoscenza di business e dei dati — Kevin fornisce **3 anni di storico Oracle GL (oltre 10.000 record)**. L'analisi degli studenti fa emergere l'insight chiave: il **99%** dei pagamenti riporta un nome di fornitore, contro **meno del 4%** un numero di fattura.

La costruzione segue una disciplina **"prima il contesto, poi il piano, poi la costruzione"**: tramite **Claude Code Plan Mode**, il team carica tutto il contesto (note, processo manuale, prototipi, dati anonimizzati); Claude Code **propone un'architettura da validare prima di scrivere qualsiasi codice**. Un semestre di note diventa uno **strumento funzionante in un'unica sessione**. La **pipeline Python** (esposta come *skill* `/treasury`) concatena tre fasi: **fuzzy matching** rispetto al GL (filtrando parole di rumore come Inc/LLC/Corp), **ricerca del fornitore** tramite **Gemini Enterprise Web Search**, poi **sintesi Claude** che produce, per ogni pagamento, un dipartimento probabile, un **livello di confidenza** e un contatto. Output: un file Excel ordinato per confidenza, in pochi minuti — tutto all'interno del **Cornell AI Gateway** governato (PII rimossi, nessun addestramento di modelli esterni).

Il **backtest** (9.131 pagamenti risolti) mostra un'accuratezza **97% → 100%** per i fornitori ricorrenti con la catena AI completa, e **76% → 100%** per i fornitori sconosciuti. Limite documentato: fornitori che fatturano a più dipartimenti. Risultato operativo: 23 dipartimenti contattati, 7 risposte, **5 pagamenti = $100.000** confermati.

Oltre alla cifra, il caso è un **contro-esempio** alla narrativa secondo cui "l'IA non crea valore di business": qui lo fa, perché un **Lab**, un **Crowd** esperto e un **lavoro di base reale** si sono uniti. E i $100.000 svolgono il ruolo della **ricompensa visibile** che Mollick apprezza — la prova tangibile che legittima e diffonde l'adozione, eliminando la fatica anziché i posti di lavoro. *"I $100.000 sono un inizio."*

## GrapheDeConnaissance

- Pete Stergion —travaille_chez→ Cornell AI Innovation Hub (ORGANISATION, 0.96)
- Cornell AI Innovation Hub —collabore_avec→ Cornell Treasury Operations (ORGANISATION, 0.97)
- Cornell AI Innovation Hub —a_créé→ pipeline de rapprochement des paiements non identifiés (TECHNOLOGIE, 0.95)
- pipeline de rapprochement des paiements non identifiés —utilise→ Claude Code (TECHNOLOGIE, 0.96)
- pipeline de rapprochement des paiements non identifiés —utilise→ Gemini Enterprise Web Search (TECHNOLOGIE, 0.94)
- pipeline de rapprochement des paiements non identifiés —utilise→ Cornell AI Gateway (TECHNOLOGIE, 0.93)
- Claude Code Plan Mode —permet→ passer d'un semestre de notes à un outil fonctionnel en une seule session (AFFIRMATION, 0.9)
- pipeline de rapprochement des paiements non identifiés —mesure→ 100 % de précision au backtest avec la chaîne IA complète (vs 97 % en fuzzy-matching seul) (MESURE, 0.93)
- Cornell AI Innovation Hub —mesure→ 100 000 $ récupérés sur un premier lot (5 paiements, 23 départements contactés, 7 réponses) (MESURE, 0.95)
- Cornell AI Innovation Hub —affirme_que→ les noms de fournisseurs figurent sur 99 % des paiements non identifiés, contre moins de 4 % pour les numéros de facture (AFFIRMATION, 0.92)
- Cornell AI Innovation Hub —est_instance_de→ framework Leader-Lab-Crowd (CONCEPT, 0.85)
- Cornell Treasury Operations —est_instance_de→ framework Leader-Lab-Crowd (CONCEPT, 0.85)
- Ethan Mollick —recommande→ récompenser les employés qui découvrent des usages transformationnels de l'IA (AFFIRMATION, 0.9)
- récupération de 100 000 $ —est_instance_de→ récompense visible de l'adoption IA (CONCEPT, 0.82)
- Cornell AI Innovation Hub —recommande→ une approche « contexte d'abord » (groundwork avant build) (AFFIRMATION, 0.88)

---
Canonical: https://www.thekb.eu/it/fiches/cornell-ai-hub-100k-unidentified-payments-2026-06-15/