Una previsione finanziaria può essere matematicamente sofisticata e tuttavia rivelarsi errata per un motivo banale: l'azienda è cambiata più rapidamente rispetto alle ipotesi su cui si basa.

Un cliente ritarda un ordine, un fornitore aumenta i prezzi, un’acquisizione modifica la base di costo oppure il management continua a utilizzare un modello di domanda che funzionava prima che i tassi di interesse subissero variazioni. I sistemi di previsione tradizionali spesso rilevano questi cambiamenti solo dopo che sono stati registrati nei conti mensili. L’intelligenza artificiale promette di individuarli prima, elaborando un maggior numero di informazioni, aggiornando le previsioni con maggiore frequenza e individuando relazioni che i modelli convenzionali potrebbero trascurare.

Questa promessa è credibile, ma va precisata. L’intelligenza artificiale non rende prevedibile un futuro incerto, né elimina il giudizio insito nella scelta dei dati, degli scenari e delle ipotesi aziendali. Il suo contributo più significativo è solitamente di natura più pratica: consente ai team finanziari di elaborare previsioni con maggiore rapidità, testare un maggior numero di variabili e individuare i punti in cui i risultati effettivi si discostano dal piano.

L’adozione nel settore dei servizi finanziari è già significativa. In un’indagine condotta nel 2024 dalla Banca d’Inghilterra e dalla Financial Conduct Authority, il 75% delle aziende intervistate ha dichiarato di utilizzare l’IA, in aumento rispetto al 58% del 2022, mentre un ulteriore 10% prevede di adottarla entro tre anni. Tuttavia, i vantaggi più comuni sono stati riscontrati nell’analisi dei dati, nella prevenzione dei reati finanziari, nella sicurezza informatica e nell’efficienza operativa, piuttosto che in previsioni di mercato o di utili costantemente superiori.

La distinzione è importante. L'intelligenza artificiale può migliorare in modo significativo il processo di previsione senza necessariamente rendere ogni singola previsione più accurata.

Quando le previsioni convenzionali falliscono

La maggior parte delle previsioni aziendali viene ancora elaborata combinando i risultati storici, le ipotesi del management e gli adeguamenti forniti dalle unità operative. I ricavi possono essere stimati sulla base delle pipeline di vendita, i costi estrapolati dai periodi precedenti e il flusso di cassa ricavato dai cicli di pagamento previsti.

Il metodo è comprensibile e verificabile, ma può risultare lento. Quando i dati sono stati raccolti, riconciliati, verificati e consolidati, il contesto aziendale potrebbe già essere cambiato. Le previsioni possono inoltre trasformarsi in documenti di natura politica. I team di vendita potrebbero difendere obiettivi ambiziosi, le unità operative potrebbero prevedere margini di sicurezza nel bilancio e l’alta dirigenza potrebbe opporsi a scenari che contrastano con la narrativa preferita.

L'intelligenza artificiale non elimina tali incentivi. Può tuttavia costituire un punto di riferimento analitico indipendente.

I modelli di apprendimento automatico sono in grado di analizzare contemporaneamente la cronologia delle transazioni, la domanda di prodotti, il comportamento dei clienti, i prezzi, i dati relativi alla catena di approvvigionamento e gli indicatori esterni. Sono in grado di individuare relazioni non lineari, come ad esempio un calo degli ordini ripetuti che diventa significativo solo se associato a tempi di consegna più lunghi e a un calo del coinvolgimento degli utenti sul sito web.

Possono inoltre aggiornare le proiezioni man mano che arrivano nuove informazioni. Anziché rielaborare una previsione trimestrale dopo la chiusura del periodo di riferimento, un’azienda può avvalersi di una previsione a rotazione che reagisce alle variazioni giornaliere o settimanali relative a vendite, scorte, incassi e dati di mercato.

Il vantaggio commerciale non consiste semplicemente nell’ottenere una stima annuale più precisa, bensì nel rendersi conto prima che il piano attuale sta diventando irrealistico.

Previsioni diverse richiedono modelli diversi

“Il concetto di ”previsione finanziaria” comprende diverse attività che non dovrebbero essere considerate come un unico problema tecnico.

Un team di tesoreria può prevedere la liquidità giornaliera e le tempistiche dei pagamenti dei clienti. Un rivenditore può prevedere la domanda a livello di prodotto e di punto vendita. Una banca può stimare le perdite su crediti in scenari economici alternativi, mentre un gestore patrimoniale può modellare la volatilità, la liquidità o lo stress di mercato.

I dati rilevanti, l'orizzonte temporale e il costo dell'errore variano a seconda dei casi.

La previsione della domanda si presta spesso bene all’apprendimento automatico, poiché le aziende possono disporre di grandi quantità di dati transazionali ricorrenti e di variabili osservabili quali promozioni, stagionalità, variazioni di prezzo e condizioni locali. La previsione del flusso di cassa può trarre vantaggio da modelli che stimano la data probabile di pagamento delle singole fatture, anziché applicare un’unica ipotesi media di incasso a tutti i clienti.

Le previsioni macroeconomiche e di mercato sono più complesse. Gli eventi finanziari di grave entità sono rari, le relazioni storiche possono cambiare e gli operatori di mercato reagiscono alle stesse informazioni che il modello sta cercando di sfruttare. Un modello addestrato su un periodo stabile potrebbe dare risultati insoddisfacenti quando l’inflazione, i tassi di interesse o la liquidità escono dai propri intervalli precedenti.

L'intelligenza artificiale risulta quindi particolarmente utile quando l'organizzazione dispone di osservazioni frequenti, di un risultato misurabile e di un processo che consenta di verificare rapidamente le previsioni. È invece meno affidabile quando l'evento target è raro, i dati sono limitati o la struttura economica stessa è in fase di cambiamento.

Una maggiore quantità di dati non garantisce automaticamente una comprensione più approfondita

L'intelligenza artificiale è in grado di elaborare una quantità di informazioni di gran lunga superiore rispetto a un modello di foglio di calcolo convenzionale, compresi dati non strutturati quali notizie, conferenze sugli utili, contratti, messaggi dei clienti e corrispondenza con i fornitori.

Ciò crea un vantaggio apparente, ma aumenta anche il rischio di errore.

I dati finanziari interni possono presentare campi mancanti, codici prodotto incoerenti, transazioni duplicate o modifiche nel trattamento contabile. Le diverse unità aziendali possono definire in modo diverso i ricavi, i clienti attivi o gli ordini confermati. I dati storici possono riflettere una struttura organizzativa che non esiste più a seguito di una ristrutturazione o di un’acquisizione.

I dati esterni comportano ulteriori problemi. Le notizie e i segnali provenienti dai social media possono essere ripetitivi, manipolati o solo vagamente correlati alla variabile finanziaria oggetto di previsione. Gli indicatori economici vengono spesso rivisti dopo la pubblicazione, con il rischio che un modello testato retrospettivamente tragga vantaggio da informazioni che all’epoca non erano disponibili.

Il primo investimento nell'intelligenza artificiale dovrebbe quindi spesso riguardare l'architettura dei dati piuttosto che un modello di previsione. Le aziende hanno bisogno di definizioni comuni, timestamp affidabili, una chiara attribuzione della titolarità e una traccia di come i dati sono stati trasformati.

Un algoritmo avanzato addestrato su dati operativi di scarsa qualità può generare una versione molto convincente della risposta errata.

L'accuratezza delle previsioni deve essere misurata rispetto a un parametro di riferimento

È difficile valutare le affermazioni secondo cui l'intelligenza artificiale migliorerebbe le previsioni del 30 o del 40 per cento senza conoscere il parametro di riferimento, il periodo di riferimento e la misura dell'errore.

Un sistema sofisticato dovrebbe essere innanzitutto confrontato con un modello semplice. Se le vendite del mese scorso o una media stagionale consentono di prevedere l'andamento dell'attività in modo quasi altrettanto accurato, la maggiore complessità potrebbe non giustificarne il costo.

Le aziende devono inoltre stabilire quali errori siano rilevanti. Una previsione può risultare complessivamente accurata, pur non tenendo conto degli esiti estremi che comportano il rischio finanziario maggiore. Può prevedere con precisione il fatturato annuale, ma non riuscire ad anticipare brevi periodi di tensione di liquidità. Un modello di domanda può ridurre al minimo l’errore complessivo, pur sottovalutando ripetutamente i prodotti con i margini più elevati.

Metriche come l’errore assoluto medio possono indicare l’entità tipica di uno scostamento. Le misure basate su percentuali possono aiutare a confrontare prodotti o unità aziendali di dimensioni diverse, sebbene diventino instabili quando i valori effettivi si avvicinano allo zero. La precisione direzionale può essere rilevante quando la decisione dipende più dal fatto che le condizioni stiano migliorando o peggiorando piuttosto che da un numero esatto.

La previsione dovrebbe, in ultima analisi, essere valutata alla luce della decisione che ha sostenuto. Ha permesso di migliorare l’allocazione delle scorte, ridurre il ricorso al credito di emergenza, individuare un deterioramento della qualità del credito o consentire al management di intervenire prima?

Un modello che migliora un punteggio statistico senza modificare una decisione commerciale ha un valore limitato.

Il sistema più efficace potrebbe combinare modelli e persone

La scelta viene spesso presentata come una contrapposizione tra il giudizio umano e l’intelligenza artificiale. In pratica, la soluzione progettuale più efficace assegna a ciascuno un ruolo diverso.

Un modello è in grado di applicare la stessa logica a grandi insiemi di dati, individuare schemi ricorrenti e fornire aggiornamenti frequenti. Un professionista del settore finanziario può riconoscere che un’azienda sta chiudendo uno stabilimento, entrando in un nuovo mercato o rinegoziando un contratto in un modo che ha pochi precedenti storici.

L'intervento umano diventa problematico quando non è documentato o viene automaticamente privilegiato. I responsabili possono scavalcare un modello non solo perché dispongono di informazioni rilevanti, ma anche perché la sua conclusione risulta scomoda.

Un processo ben strutturato registra ogni adeguamento dei dati, le prove a sostegno e il risultato che ne deriva. Nel corso del tempo, l’azienda può valutare se gli interventi manuali abbiano migliorato le previsioni o abbiano invece introdotto un ottimismo sistematico.

Ciò crea un importante circolo virtuoso. L'organizzazione non solo capisce se il modello è accurato, ma anche in quali ambiti il giudizio manageriale apporta valore aggiunto e in quali, invece, distorce ripetutamente il risultato.

La previsione diventa così un processo decisionale regolamentato, piuttosto che un dato generato da una macchina o da un dirigente di alto livello.

L'analisi degli scenari potrebbe essere più importante di una singola previsione

La richiesta di una previsione unica e precisa riflette spesso le abitudini di rendicontazione del management piuttosto che la natura dell'incertezza.

L'intelligenza artificiale può migliorare l'analisi degli scenari modellando numerose combinazioni di domanda, prezzi, costi di finanziamento, tassi di cambio e interruzioni operative. Può aiutare il management a identificare quali variabili siano più rilevanti e in quali casi una piccola variazione produca un effetto sproporzionato sul flusso di cassa o sulla redditività.

Ciò risulta particolarmente utile quando le condizioni esulano dall’esperienza recente dell’azienda. Anziché chiedere al modello di prevedere il tasso di cambio o il tasso di insolvenza esatti con sei mesi di anticipo, il management può esaminare cosa accadrebbe in diversi scenari coerenti.

Il valore sta nella preparazione. Una previsione dovrebbe indicare quando sarebbero necessari ulteriori finanziamenti, quali costi potrebbero essere ridotti, quale esposizione delle scorte rimarrebbe e quali indicatori precoci segnalerebbero lo sviluppo dello scenario sfavorevole.

L'IA generativa può essere d'aiuto convertendo i risultati dei modelli in spiegazioni comprensibili o ricercando nel materiale interno i fattori determinanti rilevanti. Non dovrebbe essere consentito che inventi narrazioni causali semplicemente perché il modello numerico sottostante ha rilevato una correlazione.

La spiegazione deve poter essere ricondotta a dati reali e a meccanismi aziendali noti.

La deriva del modello è un problema di governance

Una previsione basata sull'intelligenza artificiale non è definitiva una volta entrata in produzione. Le sue prestazioni possono peggiorare al variare del comportamento dei clienti, della struttura del mercato o dei processi interni.

Questo fenomeno è noto come “deriva del modello”. Un modello di credito può diventare meno affidabile a seguito di una variazione dei tassi di interesse. Un modello di domanda può perdere di efficacia quando l’azienda modifica la propria strategia di prezzo o i canali di distribuzione. Un modello di incasso può interpretare in modo errato il comportamento dei clienti dopo l’introduzione di nuove condizioni di pagamento.

Il monitoraggio dovrebbe quindi riguardare i dati di input, l'errore di previsione e la stabilità delle relazioni su cui si basa il modello. Le soglie dovrebbero definire quando il sistema deve essere rivisto, riaddestrato o dismesso.

L'autoapprendimento non elimina questo requisito. Un modello che si aggiorna automaticamente può adattarsi a un cambiamento reale, ma può anche amplificare il rumore temporaneo o apprendere da dati corrotti a causa di un errore operativo.

Le previsioni significative dovrebbero avere un responsabile identificabile, limiti documentati e una procedura approvata per le modifiche. L’indagine condotta dalla Banca d’Inghilterra e dalla FCA ha rilevato che l’84% delle aziende intervistate aveva designato un responsabile per il proprio quadro di riferimento in materia di IA, sebbene la responsabilità fosse spesso ripartita tra più persone o organismi.

Tale responsabilità assume maggiore importanza man mano che le previsioni si avvicinano a un processo decisionale autonomo. Nello stesso sondaggio, il 55% dei casi d’uso dell’IA presentava un certo grado di automazione nel processo decisionale, ma solo il 2% era completamente autonomo.

L'orientamento istituzionale attuale è quindi quello di rafforzare, e non di eliminare, la responsabilità umana.

La dipendenza da fornitori esterni richiede un'attenta valutazione

Molte organizzazioni non sviluppano modelli di previsione interamente in proprio. Si avvalgono invece di piattaforme cloud, modelli di base, software di pianificazione finanziaria e fornitori di dati specializzati.

Ciò può accelerare l'adozione della tecnologia e consentire l'accesso a competenze che sarebbe costoso mantenere internamente. Tuttavia, comporta anche rischi legati alla concentrazione e al controllo.

Un modello di terze parti potrebbe risultare difficile da spiegare o convalidare. Il suo fornitore potrebbe modificare la metodologia, le fonti dei dati o le condizioni commerciali. Le informazioni sensibili potrebbero transitare attraverso infrastrutture utilizzate da molte altre società finanziarie.

L'indagine condotta nel Regno Unito nel 2024 ha rilevato che un terzo dei casi di utilizzo dell'IA segnalati dipendeva da implementazioni di terze parti. Ha inoltre evidenziato una notevole concentrazione tra i fornitori di servizi cloud, modelli e dati, mentre quasi la metà degli intervistati ha dichiarato di avere solo una comprensione parziale delle tecnologie di IA utilizzate.

Le aziende dovrebbero quindi stabilire quali componenti siano forniti da terzi, quali informazioni vi confluiscano e se la previsione possa proseguire qualora un fornitore non fosse più disponibile. I contratti dovrebbero disciplinare la titolarità dei dati, le modifiche ai modelli, gli incidenti di sicurezza, i diritti di audit e la possibilità di recuperare i risultati storici.

Gli appalti non possono essere considerati separatamente dalla governance del modello.

Come i responsabili finanziari dovrebbero implementare le previsioni basate sull'intelligenza artificiale

Il punto di partenza migliore è una previsione circoscritta legata a un problema operativo che comporta costi elevati. Potrebbe trattarsi di liquidità a breve termine, ritardi nei pagamenti, domanda di prodotti o perdita di clienti.

L'azienda dovrebbe definire l'attuale margine di errore nelle previsioni e il proprio processo decisionale prima di introdurre l'intelligenza artificiale. Senza un punto di riferimento, sarà impossibile stabilire se il nuovo sistema abbia migliorato le prestazioni o abbia semplicemente modificato l'interfaccia.

Il progetto pilota dovrebbe essere condotto parallelamente al processo esistente per un periodo sufficientemente lungo da consentire di affrontare condizioni diverse. I risultati devono essere misurati su un campione esterno, tenendo conto dei costi rilevanti e senza escludere in modo selettivo i periodi più difficili.

I team finanziari, tecnologici, di gestione del rischio e aziendali dovrebbero concordare chi è il responsabile del modello, chi può modificarlo e in che modo vengono approvate le modifiche. Gli utenti hanno inoltre bisogno di una spiegazione dei principali fattori alla base della previsione, anche quando il modello sottostante è tecnicamente complesso.

Il test finale è di natura comportamentale. Un’azienda trae ben poco vantaggio dall’individuare un peggioramento con tre settimane di anticipo se i dirigenti non sanno quali misure adottare o si rifiutano di modificare il piano.

L'intelligenza artificiale può ridurre il tempo necessario per tradurre le nuove informazioni in una previsione aggiornata. Tuttavia, non può garantire che un'organizzazione reagisca in modo intelligente.

Questa tecnologia sta già migliorando l'elaborazione dei dati, il riconoscimento dei modelli e la velocità con cui i team finanziari possono verificare le ipotesi. Il suo contributo più duraturo potrebbe essere meno spettacolare rispetto all'affermazione secondo cui sarebbe in grado di prevedere il futuro con una precisione senza precedenti. È in grado di rendere più visibile l'incertezza, individuare prima le ipotesi errate e concedere al management più tempo per agire.

Si tratta di un miglioramento significativo. Ma non equivale alla certezza.