<\/p>\n
Una previsione finanziaria pu\u00f2 essere matematicamente sofisticata e tuttavia rivelarsi errata per un motivo banale: l'azienda \u00e8 cambiata pi\u00f9 rapidamente rispetto alle ipotesi su cui si basa.<\/span><\/p>\n Un cliente ritarda un ordine, un fornitore aumenta i prezzi, un\u2019acquisizione 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\u2019intelligenza 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.<\/span><\/p>\n Questa promessa \u00e8 credibile, ma va precisata. L\u2019intelligenza artificiale non rende prevedibile un futuro incerto, n\u00e9 elimina il giudizio insito nella scelta dei dati, degli scenari e delle ipotesi aziendali. Il suo contributo pi\u00f9 significativo \u00e8 solitamente di natura pi\u00f9 pratica: consente ai team finanziari di elaborare previsioni con maggiore rapidit\u00e0, testare un maggior numero di variabili e individuare i punti in cui i risultati effettivi si discostano dal piano.<\/span><\/p>\n L\u2019adozione nel settore dei servizi finanziari \u00e8 gi\u00e0 significativa. In un\u2019indagine condotta nel 2024 dalla Banca d\u2019Inghilterra e dalla Financial Conduct Authority, il 75% delle aziende intervistate ha dichiarato di utilizzare l\u2019IA, in aumento rispetto al 58% del 2022, mentre un ulteriore 10% prevede di adottarla entro tre anni. Tuttavia, i vantaggi pi\u00f9 comuni sono stati riscontrati nell\u2019analisi dei dati, nella prevenzione dei reati finanziari, nella sicurezza informatica e nell\u2019efficienza operativa, piuttosto che in previsioni di mercato o di utili costantemente superiori.<\/span><\/p>\n La distinzione \u00e8 importante. L'intelligenza artificiale pu\u00f2 migliorare in modo significativo il processo di previsione senza necessariamente rendere ogni singola previsione pi\u00f9 accurata.<\/span><\/p>\n La maggior parte delle previsioni aziendali viene ancora elaborata combinando i risultati storici, le ipotesi del management e gli adeguamenti forniti dalle unit\u00e0 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.<\/span><\/p>\n Il metodo \u00e8 comprensibile e verificabile, ma pu\u00f2 risultare lento. Quando i dati sono stati raccolti, riconciliati, verificati e consolidati, il contesto aziendale potrebbe gi\u00e0 essere cambiato. Le previsioni possono inoltre trasformarsi in documenti di natura politica. I team di vendita potrebbero difendere obiettivi ambiziosi, le unit\u00e0 operative potrebbero prevedere margini di sicurezza nel bilancio e l\u2019alta dirigenza potrebbe opporsi a scenari che contrastano con la narrativa preferita.<\/span><\/p>\n L'intelligenza artificiale non elimina tali incentivi. Pu\u00f2 tuttavia costituire un punto di riferimento analitico indipendente.<\/span><\/p>\n 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 pi\u00f9 lunghi e a un calo del coinvolgimento degli utenti sul sito web.<\/span><\/p>\n Possono inoltre aggiornare le proiezioni man mano che arrivano nuove informazioni. Anzich\u00e9 rielaborare una previsione trimestrale dopo la chiusura del periodo di riferimento, un\u2019azienda pu\u00f2 avvalersi di una previsione a rotazione che reagisce alle variazioni giornaliere o settimanali relative a vendite, scorte, incassi e dati di mercato.<\/span><\/p>\n Il vantaggio commerciale non consiste semplicemente nell\u2019ottenere una stima annuale pi\u00f9 precisa, bens\u00ec nel rendersi conto prima che il piano attuale sta diventando irrealistico.<\/span><\/p>\n \u201cIl concetto di \u201dprevisione finanziaria\u201d comprende diverse attivit\u00e0 che non dovrebbero essere considerate come un unico problema tecnico.<\/span><\/p>\n Un team di tesoreria pu\u00f2 prevedere la liquidit\u00e0 giornaliera e le tempistiche dei pagamenti dei clienti. Un rivenditore pu\u00f2 prevedere la domanda a livello di prodotto e di punto vendita. Una banca pu\u00f2 stimare le perdite su crediti in scenari economici alternativi, mentre un gestore patrimoniale pu\u00f2 modellare la volatilit\u00e0, la liquidit\u00e0 o lo stress di mercato.<\/span><\/p>\n I dati rilevanti, l'orizzonte temporale e il costo dell'errore variano a seconda dei casi.<\/span><\/p>\n La previsione della domanda si presta spesso bene all\u2019apprendimento automatico, poich\u00e9 le aziende possono disporre di grandi quantit\u00e0 di dati transazionali ricorrenti e di variabili osservabili quali promozioni, stagionalit\u00e0, variazioni di prezzo e condizioni locali. La previsione del flusso di cassa pu\u00f2 trarre vantaggio da modelli che stimano la data probabile di pagamento delle singole fatture, anzich\u00e9 applicare un\u2019unica ipotesi media di incasso a tutti i clienti.<\/span><\/p>\n Le previsioni macroeconomiche e di mercato sono pi\u00f9 complesse. Gli eventi finanziari di grave entit\u00e0 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\u2019inflazione, i tassi di interesse o la liquidit\u00e0 escono dai propri intervalli precedenti.<\/span><\/p>\n 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. \u00c8 invece meno affidabile quando l'evento target \u00e8 raro, i dati sono limitati o la struttura economica stessa \u00e8 in fase di cambiamento.<\/span><\/p>\n L'intelligenza artificiale \u00e8 in grado di elaborare una quantit\u00e0 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.<\/span><\/p>\n Ci\u00f2 crea un vantaggio apparente, ma aumenta anche il rischio di errore.<\/span><\/p>\n I dati finanziari interni possono presentare campi mancanti, codici prodotto incoerenti, transazioni duplicate o modifiche nel trattamento contabile. Le diverse unit\u00e0 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 pi\u00f9 a seguito di una ristrutturazione o di un\u2019acquisizione.<\/span><\/p>\n 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\u2019epoca non erano disponibili.<\/span><\/p>\n 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 titolarit\u00e0 e una traccia di come i dati sono stati trasformati.<\/span><\/p>\n Un algoritmo avanzato addestrato su dati operativi di scarsa qualit\u00e0 pu\u00f2 generare una versione molto convincente della risposta errata.<\/span><\/p>\n \u00c8 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.<\/span><\/p>\n 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'attivit\u00e0 in modo quasi altrettanto accurato, la maggiore complessit\u00e0 potrebbe non giustificarne il costo.<\/span><\/p>\n Le aziende devono inoltre stabilire quali errori siano rilevanti. Una previsione pu\u00f2 risultare complessivamente accurata, pur non tenendo conto degli esiti estremi che comportano il rischio finanziario maggiore. Pu\u00f2 prevedere con precisione il fatturato annuale, ma non riuscire ad anticipare brevi periodi di tensione di liquidit\u00e0. Un modello di domanda pu\u00f2 ridurre al minimo l\u2019errore complessivo, pur sottovalutando ripetutamente i prodotti con i margini pi\u00f9 elevati.<\/span><\/p>\n Metriche come l\u2019errore assoluto medio possono indicare l\u2019entit\u00e0 tipica di uno scostamento. Le misure basate su percentuali possono aiutare a confrontare prodotti o unit\u00e0 aziendali di dimensioni diverse, sebbene diventino instabili quando i valori effettivi si avvicinano allo zero. La precisione direzionale pu\u00f2 essere rilevante quando la decisione dipende pi\u00f9 dal fatto che le condizioni stiano migliorando o peggiorando piuttosto che da un numero esatto.<\/span><\/p>\n La previsione dovrebbe, in ultima analisi, essere valutata alla luce della decisione che ha sostenuto. Ha permesso di migliorare l\u2019allocazione delle scorte, ridurre il ricorso al credito di emergenza, individuare un deterioramento della qualit\u00e0 del credito o consentire al management di intervenire prima?<\/span><\/p>\n Un modello che migliora un punteggio statistico senza modificare una decisione commerciale ha un valore limitato.<\/span><\/p>\n La scelta viene spesso presentata come una contrapposizione tra il giudizio umano e l\u2019intelligenza artificiale. In pratica, la soluzione progettuale pi\u00f9 efficace assegna a ciascuno un ruolo diverso.<\/span><\/p>\n Un modello \u00e8 in grado di applicare la stessa logica a grandi insiemi di dati, individuare schemi ricorrenti e fornire aggiornamenti frequenti. Un professionista del settore finanziario pu\u00f2 riconoscere che un\u2019azienda sta chiudendo uno stabilimento, entrando in un nuovo mercato o rinegoziando un contratto in un modo che ha pochi precedenti storici.<\/span><\/p>\n L'intervento umano diventa problematico quando non \u00e8 documentato o viene automaticamente privilegiato. I responsabili possono scavalcare un modello non solo perch\u00e9 dispongono di informazioni rilevanti, ma anche perch\u00e9 la sua conclusione risulta scomoda.<\/span><\/p>\n Un processo ben strutturato registra ogni adeguamento dei dati, le prove a sostegno e il risultato che ne deriva. Nel corso del tempo, l\u2019azienda pu\u00f2 valutare se gli interventi manuali abbiano migliorato le previsioni o abbiano invece introdotto un ottimismo sistematico.<\/span><\/p>\n Ci\u00f2 crea un importante circolo virtuoso. L'organizzazione non solo capisce se il modello \u00e8 accurato, ma anche in quali ambiti il giudizio manageriale apporta valore aggiunto e in quali, invece, distorce ripetutamente il risultato.<\/span><\/p>\n La previsione diventa cos\u00ec un processo decisionale regolamentato, piuttosto che un dato generato da una macchina o da un dirigente di alto livello.<\/span><\/p>\n La richiesta di una previsione unica e precisa riflette spesso le abitudini di rendicontazione del management piuttosto che la natura dell'incertezza.<\/span><\/p>\n L'intelligenza artificiale pu\u00f2 migliorare l'analisi degli scenari modellando numerose combinazioni di domanda, prezzi, costi di finanziamento, tassi di cambio e interruzioni operative. Pu\u00f2 aiutare il management a identificare quali variabili siano pi\u00f9 rilevanti e in quali casi una piccola variazione produca un effetto sproporzionato sul flusso di cassa o sulla redditivit\u00e0.<\/span><\/p>\n Ci\u00f2 risulta particolarmente utile quando le condizioni esulano dall\u2019esperienza recente dell\u2019azienda. Anzich\u00e9 chiedere al modello di prevedere il tasso di cambio o il tasso di insolvenza esatti con sei mesi di anticipo, il management pu\u00f2 esaminare cosa accadrebbe in diversi scenari coerenti.<\/span><\/p>\n 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.<\/span><\/p>\n L'IA generativa pu\u00f2 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 perch\u00e9 il modello numerico sottostante ha rilevato una correlazione.<\/span><\/p>\n La spiegazione deve poter essere ricondotta a dati reali e a meccanismi aziendali noti.<\/span><\/p>\n Una previsione basata sull'intelligenza artificiale non \u00e8 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.<\/span><\/p>\n Questo fenomeno \u00e8 noto come \u201cderiva del modello\u201d. Un modello di credito pu\u00f2 diventare meno affidabile a seguito di una variazione dei tassi di interesse. Un modello di domanda pu\u00f2 perdere di efficacia quando l\u2019azienda modifica la propria strategia di prezzo o i canali di distribuzione. Un modello di incasso pu\u00f2 interpretare in modo errato il comportamento dei clienti dopo l\u2019introduzione di nuove condizioni di pagamento.<\/span><\/p>\n Il monitoraggio dovrebbe quindi riguardare i dati di input, l'errore di previsione e la stabilit\u00e0 delle relazioni su cui si basa il modello. Le soglie dovrebbero definire quando il sistema deve essere rivisto, riaddestrato o dismesso.<\/span><\/p>\n L'autoapprendimento non elimina questo requisito. Un modello che si aggiorna automaticamente pu\u00f2 adattarsi a un cambiamento reale, ma pu\u00f2 anche amplificare il rumore temporaneo o apprendere da dati corrotti a causa di un errore operativo.<\/span><\/p>\n Le previsioni significative dovrebbero avere un responsabile identificabile, limiti documentati e una procedura approvata per le modifiche. L\u2019indagine condotta dalla Banca d\u2019Inghilterra e dalla FCA ha rilevato che l\u201984% delle aziende intervistate aveva designato un responsabile per il proprio quadro di riferimento in materia di IA, sebbene la responsabilit\u00e0 fosse spesso ripartita tra pi\u00f9 persone o organismi.<\/span><\/p>\n Tale responsabilit\u00e0 assume maggiore importanza man mano che le previsioni si avvicinano a un processo decisionale autonomo. Nello stesso sondaggio, il 55% dei casi d\u2019uso dell\u2019IA presentava un certo grado di automazione nel processo decisionale, ma solo il 2% era completamente autonomo.<\/span><\/p>\n L'orientamento istituzionale attuale \u00e8 quindi quello di rafforzare, e non di eliminare, la responsabilit\u00e0 umana.<\/span><\/p>\n 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.<\/span><\/p>\n Ci\u00f2 pu\u00f2 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.<\/span><\/p>\n 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 societ\u00e0 finanziarie.<\/span><\/p>\n 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 met\u00e0 degli intervistati ha dichiarato di avere solo una comprensione parziale delle tecnologie di IA utilizzate.<\/span><\/p>\n 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 pi\u00f9 disponibile. I contratti dovrebbero disciplinare la titolarit\u00e0 dei dati, le modifiche ai modelli, gli incidenti di sicurezza, i diritti di audit e la possibilit\u00e0 di recuperare i risultati storici.<\/span><\/p>\n Gli appalti non possono essere considerati separatamente dalla governance del modello.<\/span><\/p>\n Il punto di partenza migliore \u00e8 una previsione circoscritta legata a un problema operativo che comporta costi elevati. Potrebbe trattarsi di liquidit\u00e0 a breve termine, ritardi nei pagamenti, domanda di prodotti o perdita di clienti.<\/span><\/p>\n 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, sar\u00e0 impossibile stabilire se il nuovo sistema abbia migliorato le prestazioni o abbia semplicemente modificato l'interfaccia.<\/span><\/p>\n 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 pi\u00f9 difficili.<\/span><\/p>\n I team finanziari, tecnologici, di gestione del rischio e aziendali dovrebbero concordare chi \u00e8 il responsabile del modello, chi pu\u00f2 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 \u00e8 tecnicamente complesso.<\/span><\/p>\n Il test finale \u00e8 di natura comportamentale. Un\u2019azienda trae ben poco vantaggio dall\u2019individuare un peggioramento con tre settimane di anticipo se i dirigenti non sanno quali misure adottare o si rifiutano di modificare il piano.<\/span><\/p>\n L'intelligenza artificiale pu\u00f2 ridurre il tempo necessario per tradurre le nuove informazioni in una previsione aggiornata. Tuttavia, non pu\u00f2 garantire che un'organizzazione reagisca in modo intelligente.<\/span><\/p>\n Questa tecnologia sta gi\u00e0 migliorando l'elaborazione dei dati, il riconoscimento dei modelli e la velocit\u00e0 con cui i team finanziari possono verificare le ipotesi. Il suo contributo pi\u00f9 duraturo potrebbe essere meno spettacolare rispetto all'affermazione secondo cui sarebbe in grado di prevedere il futuro con una precisione senza precedenti. \u00c8 in grado di rendere pi\u00f9 visibile l'incertezza, individuare prima le ipotesi errate e concedere al management pi\u00f9 tempo per agire.<\/span><\/p>\n Si tratta di un miglioramento significativo. Ma non equivale alla certezza.<\/span><\/p>\n Quando le previsioni convenzionali falliscono<\/span><\/h2>\n
Previsioni diverse richiedono modelli diversi<\/span><\/h2>\n
Una maggiore quantit\u00e0 di dati non garantisce automaticamente una comprensione pi\u00f9 approfondita<\/span><\/h2>\n
L'accuratezza delle previsioni deve essere misurata rispetto a un parametro di riferimento<\/span><\/h2>\n
Il sistema pi\u00f9 efficace potrebbe combinare modelli e persone<\/span><\/h2>\n
L'analisi degli scenari potrebbe essere pi\u00f9 importante di una singola previsione<\/span><\/h2>\n
La deriva del modello \u00e8 un problema di governance<\/span><\/h2>\n
La dipendenza da fornitori esterni richiede un'attenta valutazione<\/span><\/h2>\n
Come i responsabili finanziari dovrebbero implementare le previsioni basate sull'intelligenza artificiale<\/span><\/h2>\n
\n