Molte aziende non hanno un problema di idee sull’AI. Hanno un problema molto più serio: non riescono a portarle oltre la fase di sperimentazione.

Negli ultimi mesi si sono moltiplicati workshop, demo, proof of concept, assistenti interni e piccoli automatismi applicati a report, documenti, dati e processi amministrativi. Tutto utile, almeno in apparenza. Ma la domanda che un CFO dovrebbe porsi è meno rassicurante: quanti di questi esperimenti hanno davvero cambiato un processo aziendale? Quanti sono entrati in produzione? Quanti hanno generato un impatto misurabile?

È qui che si gioca la differenza tra innovazione e attività dimostrativa. Un pilota AI può essere brillante, rapido e persino convincente; ma se non modifica il modo in cui l’impresa pianifica, controlla, prevede, decide o misura, resta un episodio. E le aziende non si trasformano per episodi.

La roadmap discussa nell’ambito del convegno “Financial Controlling & AI Data Governance Avanzata” del 4 giugno 2026, con particolare riferimento al contributo McKinsey sul CFO of the future, offre una chiave molto concreta: strategia in 4-6 settimane, pilota in 6-8 settimane, execution in 10-12 settimane, scala in 3-4 mesi, con una logica iterativa di 3-4 processi ogni 6 mesi. Non un grande programma astratto, né una collezione di esperimenti, ma una sequenza disciplinata per trasformare casi d’uso in capacità operative.

Il problema non è partire. È non restare fermi al pilota

È qui che molte organizzazioni confondono l’innovazione con l’attività dimostrativa. Un pilota serve solo se è progettato come primo passo verso la scala. Se nasce per dimostrare che “la tecnologia funziona”, produce curiosità. Se nasce per cambiare un processo misurabile, produce valore. La differenza è enorme.

Nel Finance questa distinzione è ancora più importante. Automatizzare una piccola attività può liberare tempo. Ridisegnare budgeting, cash forecasting, closing, reporting o controllo dei costi può modificare la qualità delle decisioni aziendali. Ma per arrivarci serve una roadmap. Senza roadmap, l’AI diventa una sequenza di iniziative isolate che competono per attenzione, budget e sponsorship, senza costruire una capacità organizzativa.

Prima la strategia, poi il laboratorio

Una roadmap seria non parte dalla scelta dello strumento. Parte da una domanda più scomoda: come deve cambiare la funzione Finance nei prossimi anni? Il CFO deve decidere quali processi dovranno diventare più rapidi, quali decisioni dovranno essere supportate da dati migliori, quali attività manuali dovranno essere ridotte, quali competenze saranno necessarie e quali metriche dimostreranno che la trasformazione sta producendo risultati.

La fase iniziale dovrebbe servire a definire questa direzione, non a produrre un catalogo di tecnologie disponibili. In un percorso ben costruito, le prime settimane sono dedicate a chiarire ambizione, business case, priorità, fattori abilitanti e rischi. È un lavoro che può apparire meno brillante di una demo AI, ma è molto più utile. Perché se non si decide prima dove si vuole arrivare, ogni strumento sembrerà interessante e nessuno sarà davvero prioritario.

Il rischio opposto è l’eccesso di pianificazione. Alcune imprese trasformano la strategia AI in un documento molto sofisticato, con visione, principi, architetture, governance, target model e roadmap pluriennale, ma senza un primo caso d’uso operativo. È la versione elegante dell’immobilismo. Una strategia che non porta rapidamente a un pilota reale resta consulenza da scaffale.

Scegliere pochi processi, ma con criteri duri

La seconda fase è la selezione dei processi da trasformare. Qui serve disciplina, perché non tutti i processi Finance meritano la stessa priorità. La tentazione di “fare qualcosa su tutto” è forte, soprattutto quando l’organizzazione vuole dimostrare dinamismo. Ma applicare l’AI ovunque contemporaneamente è spesso il modo più rapido per disperdere risorse e perdere credibilità.

I criteri dovrebbero essere espliciti: valore economico potenziale, quantità di lavoro manuale, qualità dei dati disponibili, impatto sulle decisioni, livello di rischio, sponsor manageriale, possibilità di misurare risultati in tempi ragionevoli. In ambito Finance i candidati naturali sono budgeting, forecast di cassa, controllo dei costi, chiusura contabile, reporting direzionale, data quality, risk management e allocazione del capitale.

La scelta deve essere abbastanza ambiziosa da contare e abbastanza circoscritta da essere realizzabile. Un pilota troppo piccolo non convince nessuno. Un pilota troppo grande diventa un programma mascherato e rischia di bloccarsi. La maturità sta nel selezionare casi d’uso che possano generare evidenze rapide senza banalizzare il problema.

Execution: il momento in cui la demo incontra la realtà

La terza fase è quella più selettiva: portare l’AI dentro un processo reale. Qui sparisce molta retorica. I dati non sono perfetti, gli utenti non hanno tutti lo stesso livello di competenza, le eccezioni sono più numerose del previsto, le responsabilità non sempre sono chiare, i sistemi non dialogano come promesso e il processo effettivo è spesso diverso da quello disegnato sulla carta.

È proprio in questo momento che si capisce se il progetto ha sostanza. Un MVP serio deve essere testato con dati reali, utenti reali, scadenze reali e controlli reali. Deve dimostrare non solo che l’AI produce un output, ma che quell’output può essere usato nel processo decisionale senza generare rischi superiori ai benefici. Nel Finance, velocità e affidabilità devono restare insieme. Un modello che produce rapidamente numeri non verificabili non è innovazione: è un nuovo problema con una grafica migliore.

La fase di execution deve quindi misurare valore, raccogliere feedback, correggere il modello, chiarire ruoli, rafforzare controlli e preparare l’adozione. È meno spettacolare di un lancio ufficiale, ma è dove si decide il successo.

Scalare non significa moltiplicare strumenti

La scala non consiste nel comprare più licenze o replicare lo stesso esperimento in dieci funzioni. Scalare significa trasformare un caso d’uso validato in una capacità organizzativa. Significa integrare l’AI nei processi, formare le persone, aggiornare ruoli e responsabilità, rafforzare la qualità dei dati, definire controlli, stabilire metriche e rendere il nuovo modo di lavorare sostenibile.

La logica più efficace è procedere per onde successive: pochi processi, risultati misurabili, consolidamento, poi nuova onda. Tre o quattro processi ogni sei mesi rappresentano un ritmo sufficientemente ambizioso da produrre cambiamento e sufficientemente controllato da evitare il caos. È una prospettiva molto diversa sia dal grande programma pluriennale che produce risultati troppo tardi, sia dal laboratorio permanente che non esce mai dalla sperimentazione.

La scala richiede anche una forma di sobrietà manageriale. Non tutto ciò che funziona in un pilota merita di essere scalato. Alcuni casi d’uso vanno abbandonati, altri ridimensionati, altri riprogettati. La governance serve anche a questo: evitare di innamorarsi dei propri esperimenti.

Cosa fare lunedì mattina

Prima di avviare una roadmap AI in ambito Finance, CFO e imprenditori dovrebbero mettere sul tavolo cinque domande semplici, ma difficili da eludere. Quale processo vogliamo trasformare nei prossimi tre mesi? Quale metrica useremo per capire se il progetto ha funzionato? Quali dati minimi servono e quanto sono affidabili? Chi è lo sponsor manageriale, oltre all’IT? Cosa deve accadere perché il pilota diventi un processo stabile e non l’ennesima demo ben riuscita?

Il vero segnale di maturità non è avere molti progetti AI. È avere pochi progetti scelti bene, misurati con durezza e portati fino alla scala. Tutto il resto è attività. Spesso costosa, talvolta elegante, raramente trasformativa.