Il 4 giugno 2026, al convegno “Financial Controlling & AI Data Governance Avanzata”, il tema della trasformazione Finance guidata dall’AI è stato affrontato con un taglio molto operativo: non basta parlare di agenti intelligenti, automazione avanzata o assistenti digitali. La questione centrale è capire quali processi Finance possano essere trasformati, con quale impatto economico e con quali condizioni di governo.

È un punto importante perché l’espressione “AI agentica” sta rapidamente diventando una di quelle formule che il management ripete con convinzione prima ancora di averne chiarito le implicazioni. Si parla di agenti AI come se fossero il prossimo passaggio naturale della digitalizzazione aziendale, ma spesso la discussione resta sospesa in una zona comoda: abbastanza innovativa da sembrare strategica, non abbastanza concreta da essere misurata. Il rischio è noto. Dopo qualche demo convincente, qualche laboratorio interno e qualche entusiasmo iniziale, l’azienda si ritrova con più sperimentazioni che trasformazione.

Nel Finance questo rischio pesa più che altrove. La funzione Finance non è il luogo in cui introdurre tecnologia per fare scena. È il presidio dei numeri, della pianificazione, della liquidità, dei costi, dei rischi e dell’allocazione delle risorse. Se l’AI agentica non migliora almeno uno di questi ambiti in modo verificabile, resta una sofisticata distrazione.

Dalla demo al portafoglio di use case

La prima distinzione da fare è tra utilizzo dell’AI e trasformazione dei processi. Molte aziende stanno già usando strumenti generativi per scrivere testi, sintetizzare documenti, preparare bozze di report, interrogare file o produrre analisi preliminari. Sono applicazioni utili, e in alcuni casi liberano tempo prezioso. Ma non bastano a trasformare la funzione Finance.

Pianificazione e controllo: dal budget statico al forecast continuo

Uno degli use case più rilevanti riguarda la pianificazione economico-finanziaria. In molte aziende il budget è ancora un processo ad alta intensità manuale: raccolta di input dalle funzioni, consolidamento dei dati, revisioni successive, allineamenti, negoziazioni, file paralleli e tempi lunghi. Il risultato è spesso un documento formalmente importante, ma poco adatto a seguire la velocità con cui cambiano prezzi, domanda, marginalità, supply chain, tassi, liquidità e priorità commerciali.

L’AI agentica può intervenire su questo processo in modo significativo. Può supportare la raccolta e la normalizzazione degli input, generare scenari, individuare scostamenti, suggerire ipotesi alternative, evidenziare incoerenze tra dati operativi e dati economici, aggiornare forecast e collegare le previsioni finanziarie all’andamento reale del business. Nei contesti più maturi, la riduzione del tempo e dello sforzo dedicati al budgeting può arrivare nell’ordine del 50-60%.

Il punto, però, non è solo ridurre le ore impiegate. Una funzione Finance che produce un budget più velocemente ma continua a ragionare con la stessa logica statica ha ottenuto efficienza, non trasformazione. Il vero salto avviene quando il budget diventa una piattaforma di simulazione continua, capace di aiutare il management a rispondere prima a domande molto concrete: cosa succede se aumenta il costo di una materia prima, se un canale commerciale rallenta, se un cliente strategico ritarda i pagamenti, se un investimento slitta di sei mesi?

In questa prospettiva l’AI non rende il budget più moderno. Lo rende più utile.

Tesoreria e working capital: prevedere prima di rincorrere

La tesoreria è un altro ambito in cui l’AI può produrre risultati rilevanti. Molte imprese controllano la cassa in modo puntuale, ma non sempre riescono a prevederla con sufficiente anticipo. La differenza è sostanziale. Controllare significa osservare ciò che è già accaduto o ciò che sta per accadere. Prevedere significa costruire scenari e anticipare decisioni.

Un modello AI applicato alla cassa può integrare dati di incasso e pagamento, ordini, fatture, scadenze, condizioni contrattuali, serie storiche, comportamenti dei clienti e informazioni operative. Questo permette di individuare ritardi probabili, fabbisogni futuri, picchi di liquidità, rischi di tensione e opportunità di ottimizzazione del capitale circolante. Nei casi più strutturati, il miglioramento potenziale del working capital può collocarsi nell’ordine del 15-25%.

Naturalmente, il dato in sé non basta. Un forecast di cassa più accurato produce valore solo se genera azioni: rinegoziare termini, anticipare incassi, rivedere politiche di pagamento, ridurre immobilizzi, correggere comportamenti commerciali o modificare il ricorso a fonti finanziarie. Senza questa capacità di intervento, anche il miglior modello predittivo resta una macchina elegante per osservare problemi che nessuno gestisce.

La tesoreria AI-enabled, quindi, non è una dashboard più sofisticata. È una disciplina decisionale più tempestiva.

Cost management: vedere ciò che la contabilità registra troppo tardi

L’analisi dei costi è uno dei terreni più interessanti, e anche uno dei più trascurati. Molte aziende conoscono i propri costi a consuntivo, ma li comprendono poco in termini di comportamento, driver, coerenza contrattuale, benchmark interni e opportunità di intervento. In altri termini: li registrano correttamente, ma li governano solo parzialmente.

L’AI può cambiare questa dinamica perché consente di analizzare grandi masse di dati provenienti da fatture, contratti, ordini, fornitori, centri di costo, categorie di spesa, viaggi, servizi esterni, manutenzioni, licenze software e spese generali. Può individuare duplicazioni, anomalie, acquisti fuori policy, differenze di prezzo, fornitori comparabili, condizioni contrattuali incoerenti o aree di spesa cresciute senza una chiara giustificazione economica.

Nei programmi più maturi, l’analisi AI-driven dei costi non-personale può contribuire a riduzioni nell’ordine dell’8-12%, con ulteriori margini in specifiche categorie di spesa. Ma anche qui serve cautela. L’AI non taglia i costi. Li rende leggibili. Poi qualcuno deve avere la competenza e il mandato per intervenire.

Questo è un passaggio spesso sottovalutato. La tecnologia può mostrare che un contratto è fuori mercato, che una categoria di spesa è cresciuta senza coerenza con il volume di attività, che due fornitori offrono servizi sovrapposti o che una policy viene aggirata. Ma se l’organizzazione non ha processi decisionali, ownership e disciplina negoziale, l’analisi resta un esercizio di stile.

CapEx e allocazione del capitale: il vero banco di prova

Tra gli use case Finance, l’allocazione del capitale è probabilmente quello più strategico. Ogni impresa deve decidere dove investire risorse scarse: tecnologia, impianti, linee produttive, punti vendita, persone, acquisizioni, nuovi mercati, canali commerciali, progetti digitali. Sono decisioni che determinano la traiettoria futura dell’azienda, ma non sempre vengono assunte con un processo rigoroso e comparabile.

L’AI può aiutare a rendere più disciplinata la valutazione degli investimenti, integrando dati finanziari e operativi, simulando scenari, confrontando ritorni attesi, evidenziando rischi e collegando ogni iniziativa a obiettivi misurabili. Nei casi più evoluti, l’allocazione intelligente del CapEx può contribuire a miglioramenti del 10-20% del ritorno sul capitale investito.

Il punto non è delegare all’algoritmo la decisione su dove investire. Sarebbe una lettura ingenua e pericolosa. Il punto è costruire un processo meno dipendente da pressioni interne, intuizioni isolate, business case non confrontabili o priorità che cambiano senza una reale disciplina economica.

Detto senza troppi giri di parole: molte aziende non hanno un problema di idee di investimento. Hanno un problema di selezione. E l’AI può essere utile proprio perché costringe a rendere più espliciti i criteri con cui si confrontano le alternative.

Closing, reporting e controlli: velocità sì, ma non a scapito dell’affidabilità

L’AI agentica può incidere anche sui processi più amministrativi: chiusura contabile, riconciliazioni, classificazioni, controlli di coerenza, predisposizione dei report, individuazione di anomalie, supporto alla compliance e monitoraggio dei rischi. In questi ambiti, i benefici potenziali sono rilevanti: riduzione del tempo di closing nell’ordine del 30-50%, maggiore tempestività informativa, minore lavoro manuale, più attenzione alle eccezioni.

Ma il Finance non può permettersi una retorica ingenua dell’autonomia totale. Nei processi economico-finanziari i numeri non sono contenuti qualsiasi. Alimentano decisioni, bilanci, comunicazioni verso banche, soci, revisori, investitori, autorità e stakeholder. Un errore non è solo un malfunzionamento operativo; può diventare un problema reputazionale, contrattuale o regolatorio.

Per questo gli agenti AI devono essere introdotti con logiche di controllo, validazione e supervisione umana. Possono proporre una classificazione, ma qualcuno deve approvarla. Possono individuare un’anomalia, ma qualcuno deve valutarne la rilevanza. Possono preparare una bozza di report, ma qualcuno deve assumersi la responsabilità del contenuto. La velocità è utile solo se non consuma fiducia.

Data quality: l’enabler che nessuno vuole vedere troppo da vicino

Eppure è lì che si decide buona parte del successo. L’AI può contribuire a ridurre i costi legati alla scarsa qualità dei dati, con impatti potenziali nell’ordine del 20-30%, ma non può essere usata come alibi per evitare il lavoro di governance. Se i dati sono deboli, l’AI accelera la debolezza. Se i dati sono governati, l’AI può amplificarne il valore.

Questo non significa che un’impresa debba sistemare tutti i dati prima di iniziare. Sarebbe un buon modo per non partire mai. Significa però che ogni caso d’uso deve definire quali dati sono necessari, quale livello di qualità è accettabile, chi li valida, da dove provengono e come vengono aggiornati. La data quality non è un progetto preliminare infinito. È una disciplina da collegare ai casi d’uso prioritari.

La metrica distingue la trasformazione dal teatro

Il criterio decisivo resta la misurazione. Un use case AI in ambito Finance dovrebbe nascere con una metrica chiara: riduzione del tempo di budget, miglioramento dell’accuratezza del forecast, ottimizzazione del working capital, riduzione dei costi indiretti, accelerazione del closing, diminuzione degli errori, miglioramento della qualità del dato, incremento della produttività qualificata o riduzione dei rischi.

Senza una metrica, l’AI resta una conversazione interessante. Con una metrica, diventa una leva manageriale.

Questo vale soprattutto per le PMI. Non serve inseguire ogni novità tecnologica, né replicare modelli progettati per grandi gruppi multinazionali. Serve scegliere pochi processi ad alto impatto, lavorare sui dati disponibili, definire responsabilità e misurare i risultati. Un progetto piccolo ma ben misurato vale più di una strategia AI molto ambiziosa e sostanzialmente inverificabile.

Cosa fare lunedì mattina: una scheda per selezionare il primo use case

Prima di scegliere il primo caso d’uso AI in ambito Finance, CFO e imprenditori dovrebbero compilare una scheda molto semplice.

1. Processo da trasformare
Budget, forecast di cassa, controllo costi, CapEx, closing, reporting, rischio o data quality.

2. Problema specifico da risolvere
Tempi troppo lunghi, dati poco affidabili, scarsa visibilità, errori ricorrenti, costi fuori controllo, forecast poco accurati o decisioni di investimento non comparabili.

3. Metrica di successo
Ore risparmiate, riduzione dei giorni di closing, accuratezza del forecast, miglioramento del working capital, riduzione della spesa, minori errori, maggiore tempestività del reporting.

4. Dati necessari
Fonti disponibili, qualità minima richiesta, owner del dato, frequenza di aggiornamento, eventuali lacune da colmare.

5. Responsabilità e controllo
Sponsor manageriale, utenti coinvolti, livello di supervisione umana, rischi da presidiare e modalità di validazione degli output.