Il 4 giugno 2026, durante il convegno “Financial Controlling & AI Data Governance Avanzata”, il tema del CFO of the future è stato affrontato con una prospettiva molto concreta: l’Intelligenza Artificiale nella funzione Finance non va valutata dal numero di strumenti introdotti, ma dalla sua capacità di incidere sul valore d’impresa. Il riferimento di scenario è ambizioso: una trasformazione Finance guidata da agenti AI può contribuire a un potenziale 10-20% di incremento del valore aziendale, a condizione che venga governata come programma manageriale e non come esperimento tecnologico.

È una distinzione decisiva. Oggi molte aziende dichiarano di “fare AI” perché hanno attivato qualche licenza, avviato un assistente generativo, automatizzato la sintesi dei documenti o costruito qualche report più veloce. Tutto utile, ma insufficiente. In una funzione Finance evoluta, l’AI non serve a rendere più elegante il lavoro amministrativo di ieri; serve a migliorare la qualità delle decisioni su budget, cassa, costi, investimenti, rischio e allocazione del capitale. Il resto è rumore tecnologico, spesso ben confezionato, ma non sempre rilevante.

Dal progetto IT all’agenda del CFO

Il primo equivoco da superare è considerare l’AI come un progetto IT. È comprensibile che la tecnologia abbia un ruolo centrale, ma quando l’AI entra nei processi di pianificazione, forecast, capitale circolante, reporting, controllo dei rischi e allocazione del capitale, non siamo più davanti a una scelta puramente tecnica. Siamo davanti a una scelta di governo aziendale.

Scalare l’AI nella funzione Finance richiede molto più di una piattaforma. Richiede una visione condivisa della funzione Finance al 2030, un’ambizione quantitativa, l’allineamento tra CEO, CFO e business, una roadmap di processi prioritari, un piano di adozione, nuove competenze, dati affidabili e un modello operativo capace di reggere il cambiamento.

Il CFO non deve diventare un tecnico dell’intelligenza artificiale. Deve però diventare il responsabile della domanda più importante: dove l’AI può generare valore misurabile e con quali presidi?

La differenza tra un’iniziativa seria e una vetrina digitale sta qui. Una vetrina mostra cosa lo strumento sa fare. Un programma serio definisce quale processo trasforma, quale metrica migliora, quale rischio introduce, quali dati utilizza e chi risponde del risultato.

Pianificazione: il budget non può restare un rito annuale

Il primo ambito in cui l’AI può incidere è la pianificazione economico-finanziaria. In molte aziende il budget è ancora un processo lungo, politico e pesante: raccolta di input, consolidamenti successivi, revisioni, file che circolano, versioni che si sovrappongono e numeri che rischiano di diventare vecchi prima ancora di essere approvati. È una pratica necessaria, ma spesso più vicina al rito organizzativo che a un reale strumento decisionale.

L’evoluzione possibile è quella di un budgeting più dinamico, supportato da agenti AI, scenari previsionali e analisi continue degli scostamenti. In questo ambito, i benchmark più evoluti indicano potenziali riduzioni del 50-60% del tempo e dello sforzo dedicati al processo di budget. Il punto, però, non è solo comprimere i tempi. Il vero salto è passare da un budget statico a un processo più adattivo, capace di integrare aggiornamenti frequenti, simulazioni sulle variabili critiche e collegamenti più solidi tra piano economico, operazioni e liquidità.

Per un CFO questo significa uscire dalla logica del documento previsionale prodotto una volta l’anno e avvicinarsi a un modello di pianificazione continua. Non un esercizio infinito di revisione dei numeri, ma una capacità più rapida di capire cosa cambia, dove cambia e quali decisioni richiede.

Cassa e capitale circolante: “cash is king” solo se lo si governa davvero

L’AI può cambiare questa impostazione perché consente di leggere insieme dati storici, ordini, fatture, comportamenti di pagamento, condizioni contrattuali e informazioni operative. In contesti adeguatamente governati, il miglioramento potenziale del working capital può collocarsi nell’ordine del 15-25%. È un numero da trattare con prudenza, perché dipende dal settore, dalla qualità dei dati, dalla disciplina dei processi e dalla capacità dell’azienda di trasformare le evidenze in azioni. Ma è sufficiente a chiarire che qui non si parla di efficienza marginale.

Un forecast di cassa più accurato non serve a produrre un grafico migliore. Serve a negoziare prima, intervenire prima, finanziare meglio, ridurre sorprese e proteggere la capacità operativa dell’impresa. Se l’AI non arriva a influenzare queste decisioni, resta un accessorio analitico.

Costi e fornitori: l’AI non taglia nulla da sola

Un altro blocco rilevante riguarda la gestione dei costi non-personale e dei servizi esterni. Nei programmi più maturi, l’analisi AI-driven della spesa può contribuire a riduzioni nell’ordine dell’8-12% dei costi non-personale, con ulteriori margini in specifiche aree di cost management. Sono percentuali importanti, ma vanno interpretate correttamente. L’AI non riduce i costi per magia e non sostituisce la capacità negoziale del management. Piuttosto, rende visibile ciò che spesso resta disperso: duplicazioni, anomalie, incoerenze nei contratti, fornitori comparabili, categorie di spesa fuori controllo, differenze di prezzo, consumi non spiegati.

È qui che il Finance può tornare a essere una funzione scomoda, nel senso migliore del termine. Non quella che registra il costo quando ormai è stato sostenuto, ma quella che aiuta l’azienda a capire perché quel costo esiste, se è coerente, se è negoziabile, se produce valore o se sopravvive solo perché nessuno lo ha mai guardato abbastanza bene.

Naturalmente questo richiede dati leggibili: contratti, fatture, ordini, centri di costo, classificazioni di spesa, responsabilità interne. Se questi elementi sono disordinati, l’AI può aiutare, ma non compie miracoli. Anzi, può accelerare la produzione di analisi apparentemente sofisticate su basi informative fragili. E in Finance un’analisi elegante ma sbagliata è peggio di un’analisi lenta: dà fiducia dove servirebbe cautela.

Capitale e investimenti: meno intuizione, più disciplina

L’allocazione del capitale è forse l’area in cui il potenziale dell’AI viene sottovalutato di più. Le decisioni di investimento sono spesso presentate come il risultato di business plan razionali, ma nella pratica risentono di inerzie storiche, pressioni commerciali, priorità interne, valutazioni non omogenee e dati incompleti. L’AI può aiutare a rendere questo processo più disciplinato, confrontando iniziative diverse, simulando ritorni, evidenziando trade-off e collegando l’investimento a obiettivi economici verificabili.

Nei casi più strutturati, l’allocazione intelligente del CapEx può contribuire a un miglioramento del 10-20% del ritorno sul capitale investito. Anche in questo caso, il valore non sta nell’automatizzare la decisione. Nessun algoritmo dovrebbe decidere da solo dove un’impresa investe risorse strategiche. Il valore sta nel mettere il management davanti a una base informativa più completa, meno impressionistica e più comparabile.

Detto in modo diretto: molte aziende non sbagliano gli investimenti perché mancano di idee. Li sbagliano perché non hanno un processo abbastanza rigoroso per confrontarle.

Closing, reporting e data quality: il conto lo paga sempre il dato

La chiusura contabile, il reporting e la qualità dei dati rappresentano un altro terreno di impatto concreto. I programmi AI applicati a closing e data quality possono puntare a riduzioni del 30-50% del tempo di closing e del 20-30% dei costi legati alla scarsa qualità dei dati. Sono due numeri che parlano direttamente alla realtà quotidiana di molte funzioni AFC: chiusure affannate, riconciliazioni manuali, report corretti all’ultimo minuto, dati non allineati tra sistemi, Excel paralleli che diventano verità alternative.

L’AI può supportare controlli di coerenza, riconciliazioni, individuazione di anomalie, classificazioni e preparazione di report. Ma il tema vero è più profondo: se i dati aziendali sono frammentati, incoerenti o dipendono dalla memoria di singole persone, l’AI non risolve il problema strutturale. Lo rende solo più evidente. O, peggio, lo rende più veloce.

Questo punto è decisivo per le PMI. Prima di parlare di agenti AI, occorre chiedersi se i dati minimi per alimentare quei processi siano disponibili, affidabili e governati. Non serve sistemare tutta l’azienda prima di partire, ma serve evitare l’illusione opposta: pensare che uno strumento intelligente possa compensare anni di disordine informativo.

Modello operativo e competenze: il Finance deve cambiare mestiere

La parte più delicata della nuova agenda del CFO riguarda le persone. Se l’AI entra nei processi di pianificazione, tesoreria, controllo costi, reporting e capital allocation, allora cambia anche il lavoro della funzione Finance. Meno tempo speso a produrre manualmente informazioni. Più tempo dedicato a validare output, interpretare scenari, controllare ipotesi, discutere decisioni con il business e presidiare rischi.

Questo richiede competenze diverse. Non basta saper usare un gestionale, costruire un budget o leggere un bilancio. Servono capacità di interrogare i dati, comprendere i limiti degli output generati dall’AI, riconoscere errori, bias o incoerenze, tradurre analisi complesse in decisioni operative. La supervisione umana non è un residuo del passato: è ciò che rende utilizzabile l’AI nei processi critici.

Qui c’è un punto un po’ pungente, ma necessario. Le aziende che pensano di introdurre l’AI senza mettere mano a competenze, ruoli e responsabilità stanno semplicemente acquistando complessità. Magari più moderna, magari più presentabile, ma sempre complessità.

Cosa fare lunedì mattina: una checklist per CFO e imprenditori

Prima di avviare un nuovo progetto AI in ambito Finance, il management dovrebbe rispondere ad alcune domande molto operative.

1. Quale processo vogliamo trasformare per primo?
Budget, forecast di cassa, controllo costi, closing, reporting direzionale, CapEx o data quality: scegliere tutto insieme è spesso il modo più rapido per non trasformare nulla.

2. Quale metrica dimostrerà che il progetto ha funzionato?
Tempo di budget ridotto, maggiore accuratezza del forecast, miglioramento del working capital, riduzione dei costi indiretti, accelerazione del closing, minori errori o migliore qualità del dato.

3. I dati necessari sono disponibili e affidabili almeno per il primo caso d’uso?
Non servono dati perfetti, ma servono dati sufficientemente solidi per non costruire automazione su fondamenta deboli.

4. Chi è il responsabile manageriale del risultato?
Se il progetto è “dell’IT”, ma l’impatto è sul Finance, la governance è già fragile in partenza.

5. Come verrà gestita l’adozione?
Formazione, supervisione, controlli, ruoli e nuove routine operative devono essere progettati insieme allo strumento, non dopo.