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."