L’uso dell’AI nel finance sta modificando in profondità le attività di chi lavora nel controllo di gestione e nella funzione del CFO. Dalla previsione delle vendite alla chiusura dei bilanci, fino all’interpretazione delle anomalie nei dati, l’intervento di Andrea Cravero, solution consulting director di Oracle Italy, tenuto durante l’Artificial Intelligence Talk organizzato dall’Osservatorio Artificial Intelligence del Politecnico di Milano, ha mostrato come l’intelligenza artificiale stia entrando in modo concreto nei processi finanziari.
Indice degli argomenti:
L’evoluzione tecnologica e la sfida del CFO
Cravero ha ricordato come trent’anni fa le reti neurali artificiali con cui aveva iniziato a lavorare al CERN avessero solo «tre layer, qualche decina di nodi e 150 parametri», mentre oggi si parla di «decine di layer, migliaia di nodi per ciascun layer e trilioni di parametri». Il salto dimensionale, ha sottolineato, rende evidente la sfida: riuscire a mettere questa potenza nelle mani degli utenti, in modo semplice, senza che debbano preoccuparsi della complessità tecnologica che sta dietro.
La funzione finance, basata quasi interamente sui numeri, è un terreno privilegiato per queste applicazioni. Qui l’analitica predittiva rimane centrale, ma si affacciano soluzioni generative in grado di commentare dati, interpretare trend e persino produrre automaticamente relazioni o presentazioni complesse.
Dalle serie storiche alle previsioni multivariate
Il primo passo per introdurre l’AI nel finance riguarda l’estrapolazione dalle serie storiche. Chi dispone di dati di vendita può ottenere proiezioni nel futuro considerando stagionalità, eventi straordinari o shock di mercato come chiusure forzate. Tuttavia, secondo Cravero, queste applicazioni sono ancora «pochissimo utilizzate».
Un’evoluzione successiva è data dagli “insights”, strumenti che permettono di confrontare previsioni passate con consuntivi, rilevando eventuali bias sistematici. L’AI può inoltre mettere a confronto previsioni umane e previsioni generate dalla macchina, segnalando scostamenti significativi che diventano veri e propri campanelli d’allarme.
Negli ultimi anni si è affermata anche la rilevazione delle anomalie: identificare un calo o un incremento inaspettato delle vendite in una determinata area geografica o in un singolo punto vendita. In mercati con migliaia di articoli e centinaia di punti vendita, la capacità dell’AI di isolare i casi da attenzionare consente di risparmiare tempo e risorse.
Cravero ha evidenziato poi un ulteriore passaggio: le previsioni multivariate. Non più solo serie storiche, ma modelli che tengono conto di variabili macroeconomiche come inflazione, PIL, fiducia dei consumatori, insieme a fattori interni quali sconti e promozioni. Questo livello di complessità matematica, ha sottolineato, «deve comunque risultare semplice per l’utente», che ragiona in termini descrittivi ma beneficia di calcoli avanzati.
Generative AI e reporting finanziario
Oltre alla predittiva, l’intelligenza generativa entra sempre più nel reporting. Cravero ha mostrato come un modello possa descrivere automaticamente lo scostamento tra dati previsionali e consuntivi, evidenziando divergenze e ipotizzandone cause. La tecnologia, in questo senso, seleziona solo i casi meritevoli di attenzione tra migliaia di situazioni considerate “normali”.
Un esempio significativo arriva da General Dynamics, gruppo aerospaziale statunitense, che ha introdotto nella pratica quotidiana il concetto di «cono di confidenza»: un modo semplice per comunicare agli utenti di business la verosimiglianza di una previsione e il margine di variabilità entro cui può verificarsi.
Cash flow e applicazioni concrete
Tra gli ambiti applicativi citati, il cash flow predittivo occupa una posizione centrale. L’AI, integrando trend storici e modalità di pagamento dei clienti con variabili economiche esterne, consente di stimare con maggiore affidabilità entrate e uscite future.
Altri casi riguardano le compagnie ferroviarie, che utilizzano algoritmi predittivi per monitorare il consumo di parti di ricambio, e le grandi multinazionali che puntano sulla rapidità della comunicazione dei risultati finanziari. Cravero ha ricordato che Oracle ha pubblicato i risultati trimestrali il 9 settembre, appena sette giorni lavorativi dopo la chiusura del trimestre, sottolineando come traguardi di questo tipo siano possibili solo grazie a un uso intensivo dell’AI in tutte le fasi del processo contabile, dal reporting alla nota integrativa.
Gli agenti intelligenti e il linguaggio naturale
Un aspetto emergente dell’AI nel finance riguarda l’impiego di agenti capaci di interagire in linguaggio naturale. Cravero ha fatto l’esempio della possibilità di chiedere al sistema: «Per favore, creami una regola di allocazione dei costi di struttura in cinque fasi». L’agente è in grado di costruire il processo richiesto senza che l’utente debba intervenire nel dettaglio tecnico.
SaaS come prerequisito tecnologico
Secondo Cravero, per sfruttare appieno queste funzionalità è necessario adottare un modello Software as a Service (SaaS). Solo così le applicazioni enterprise possono aggiornarsi costantemente con le novità introdotte dall’intelligenza artificiale. «Non ci sono scorciatoie», ha detto, sottolineando che non è possibile copiare i dati aziendali su tool esterni come ChatGPT e poi reimportarli: i processi devono avvenire all’interno delle applicazioni cloud, garantendo sicurezza e continuità.
L’AI come alleato del controller
Rispondendo a una domanda dal pubblico, Cravero ha chiarito che l’AI non sostituirà il ruolo del controller, ma ne diventerà un alleato. «Il lavoro del controller è uno dei lavori in cui si dorme di meno», ha osservato, ricordando i carichi manuali durante le chiusure mensili. L’obiettivo dell’AI è ridurre queste attività ripetitive e migliorare la qualità delle previsioni. La precisione e la puntualità, soprattutto per le aziende quotate, rimangono vitali, e avere un supporto che affianca l’intuito umano può fare la differenza.
Cravero ha però segnalato che in Italia l’adozione resta limitata. Alcuni grandi gruppi, soprattutto nel settore alimentare e retail, stanno sperimentando, ma prevale ancora cautela, dovuta alla sensibilità delle informazioni finanziarie e alla diffidenza verso strumenti percepiti come «artificiali».
