L’Intelligenza Artificiale in Finance sta aprendo nuove prospettive, in particolare per la funzione FP&A (Financial Planning & Analysis), che svolge un duplice ruolo: da un lato garantisce il controllo e la solidità dei dati finanziari, dall’altro agisce come Finance Business Partner, supportando il business e i diversi livelli decisionali. In questo modo, l’FP&A aiuta tutti gli stakeholder a raggiungere i propri obiettivi, assicurandosi al tempo stesso che siano pienamente allineati con la strategia e le priorità aziendali.

Negli ultimi anni, si è parlato molto di modelli predittivi basati sul machine learning come strumento rivoluzionario per migliorare la previsione finanziaria e supportare il decision making data-driven. Ma qual è lo stato dell’arte? Come sono cambiate le previsioni finanziarie grazie all’AI, quali limiti hanno ancora per le PMI e quali opportunità si apriranno nel prossimo futuro? In questo articolo faremo un overview chiaro e concreto, analizzando il presente e immaginando il futuro delle previsioni finanziarie con un focus specifico sull’FP&A Strategico.

1. Financial Forecasting e modelli predittivi: cosa sono

Per definizione, la previsione finanziaria è la capacità di stimare in anticipo come evolveranno ricavi, costi, cash flow e margini. È il cuore del lavoro dell’FP&A: senza previsioni attendibili, è impossibile guidare le decisioni aziendali in modo consapevole.

Tradizionalmente, i forecast nascono da dati storici, aggiustamenti manuali e ipotesi qualitative. I modelli predittivi di machine learning (ML) fanno un passo oltre:

• analizzano pattern nascosti nei dati,
• integrano variabili interne ed esterne (trend di settore, meteo, inflazione, supply chain),
• aggiornano i risultati man mano che arrivano nuovi input.

2. Prima dell’AI: come si facevano i forecast

Per decenni i team Finance hanno lavorato con strumenti consolidati:

• Excel e Financial Modelling,
• proiezioni lineari basate sulle serie storiche,
• driver-based budgeting, che stimava il futuro a partire da poche variabili chiave (volumi, prezzi, margini).

Questi metodi restano utili, ma presentano limiti evidenti:

• poca capacità di gestire dati complessi,
• difficoltà ad adattarsi a contesti turbolenti,
• forte dipendenza dall’esperienza soggettiva del management.

Il risultato? Forecast spesso affidabili in condizioni stabili, ma fragili quando lo scenario cambia rapidamente.

Lo stesso vale per i operational financial models: se da un lato rappresentano un ottimo strumento di integrazione tra P&L, cash flow e balance sheet, dall’altro possono diventare ingombranti quando l’ambiente è complesso o quando il management richiede analisi molto dettagliate. In questi casi:

• il modello rischia di diventare difficile da controllare,
• la manutenzione richiede competenze di programmazione e modellizzazione avanzata, spesso non presenti nei team FP&A,
• l’uso di Excel, con i suoi limiti strutturali, riduce la produttività e rende complicato gestire scenari dinamici.

In pratica, senza strumenti evoluti a supporto, i modelli rischiano di trasformarsi in un ostacolo invece che in un acceleratore del processo decisionale.

3. Il presente: come si muovono i grandi gruppi e le società di consulenza

Oggi le multinazionali e i grandi player della consulenza stanno già usando il machine learning per la previsione finanziaria.

• Nel retail, i modelli predittivi stimano le vendite giornaliere per punto vendita, considerando meteo, stagionalità ed eventi promozionali.
• Nelle utilities, algoritmi avanzati prevedono domanda e prezzi dell’energia integrando variabili macroeconomiche e dati storici.
• Nei gruppi industriali, i sistemi di cash forecasting combinano movimenti bancari, cicli di incasso/pagamento e scenari di mercato.

Le ricerche (McKinsey Stronger forecasting in operations management—even with weak data | McKinsey, Gartner) indicano benefici concreti in alcuni settori:

• errori di previsione ridotti del 20–50% nel supply chain management,
• riduzione dei costi amministrativi del 25–40%,
• aggiornamenti più rapidi (da settimane a giorni),
• maggiore capacità di simulare scenari multipli.

I processi di forecasting stanno diventando sempre più integrati nel lavoro cross-funzionale. Questo porta a un duplice effetto positivo:

1. quando il forecast è realistico e accurato, i reparti operativi sono più motivati a collaborare e ad aggiornare i dati con tempestività e qualità;
2. poiché le previsioni sono visibili e monitorate, i team sentono una maggiore responsabilità nel rispettare gli obiettivi che essi stessi hanno dichiarato.

Naturalmente, esiste sempre il rischio che alcuni reparti cerchino di “aggiustare” le previsioni in modo più favorevole. Per questo l’FP&A e i modelli predittivi devono svolgere un ruolo critico e di challenge, ponendo domande mirate e confrontando i dati interni con quelli esterni.

Esempio: se i dati di mercato mostrano una crescita della domanda del 10% nel settore di riferimento (per effetto di un trend macroeconomico positivo o dell’aumento dei consumi in una certa area geografica), perché il reparto vendite non riflette questa crescita nei propri forecast? Ancora meglio, se i modelli integrano automaticamente i dati esterni (assunzioni macro, settore, benchmark), i reparti operativi possono concentrarsi esclusivamente sui driver interni sotto il loro controllo, come pipeline commerciale, capacità produttiva o campagne marketing.

In questo modo, il forecast diventa uno strumento collaborativo ma rigoroso, capace di unire la prospettiva del business con l’analisi critica dell’FP&A.

In sintesi, nelle grandi aziende i modelli proprietari di AI sono già utilizzati e costantemente perfezionati, generando benefici significativi in termini di accuratezza, efficienza e supporto alle decisioni.

4. Le piattaforme oggi disponibili: punti di forza e limiti

Le previsioni basate su AI vengono oggi implementate soprattutto attraverso piattaforme cloud, sviluppate dai principali provider tecnologici:

Google Vertex AI / AutoML

• Una delle piattaforme più avanzate per il machine learning applicato al forecasting.
• Permette di costruire modelli predittivi personalizzati o di usare modelli pre-addestrati, integrando dati interni ed esterni (macroeconomia, mercato, meteo, supply chain).
• Grazie all’approccio AutoML, anche chi non è data scientist può creare modelli, ma restano necessarie competenze tecniche per configurazione e gestione.
• Limiti: costi elevati e curva di apprendimento significativa, che lo rendono più adatto a grandi gruppi con risorse dedicate.

Microsoft Azure & Copilot

• Una delle soluzioni più interessanti per i team Finance, perché si integra direttamente con strumenti già familiari come Excel e Power BI. Questo rende più semplice applicare modelli predittivi senza dover rivoluzionare i processi esistenti.
• Con Copilot for Finance, Microsoft ha introdotto funzionalità specifiche per il mondo finanziario: dalla riconciliazione dei dati all’analisi delle varianze, fino al supporto nella creazione di forecast dinamici e scenari di budget aggiornabili in tempo reale (Microsoft; Finance Alliance; NetCom Learning).

Limiti pratici di Copilot: molto utile per attività mirate (formule, analisi varianze, grafici), ma può incontrare problemi con modelli finanziari estesi e pesanti. File di grandi dimensioni o con logiche articolate rallentano l’elaborazione; formule matriciali, dipendenze circolari, macro VBA o add-in personalizzati sono difficili da interpretare; la qualità dei risultati dipende fortemente da dati puliti e ben strutturati. In pratica, rende meglio su modelli chiari, modulari e non eccessivamente complessi.

ChatGPT (OpenAI) e Gemini (Google)

• Utilizzati soprattutto come copiloti intelligenti per l’analista: supportano nella scrittura di formule, nella costruzione di modelli Excel, nella creazione di scenari e nella preparazione di report.
• Molto utili anche per documentare processi e velocizzare l’analisi.
• Limiti: non sono veri strumenti predittivi, ma un supporto che potenzia il lavoro dell’FP&A.

Queste piattaforme garantiscono oggi risultati eccellenti, ma restano pensate soprattutto per grandi organizzazioni che hanno budget, dati e competenze per sfruttarle pienamente.

5. I limiti per le PMI

Per una piccola o media impresa, adottare soluzioni di AI predittiva non è un percorso lineare. Le grandi multinazionali hanno team dedicati, budget significativi e specialisti che conoscono a fondo il funzionamento delle piattaforme cloud più avanzate. Una PMI, invece, deve affrontare ostacoli ben diversi.

Il primo riguarda i costi: piattaforme come Azure o Vertex funzionano con logiche “a consumo” (pay as you go). Questo significa che, se non si conosce bene come vengono generati i costi o si usano i servizi senza una configurazione attenta, ci si può ritrovare facilmente con spese elevate e difficili da controllare.

Poi c’è la questione dei dati. Gli algoritmi di machine learning danno il meglio con database ampi e costantemente aggiornati, mentre le PMI spesso hanno dati sparsi in più sistemi, con qualità disomogenea e una storicità limitata.

C’è anche un tema di competenze: non basta conoscere la logica finanziaria, serve anche la capacità di impostare e gestire strumenti sofisticati come Azure, Vertex o altre piattaforme di AI. In assenza di queste competenze interne, si è costretti a dipendere da consulenti esterni, aumentando ulteriormente i costi.

Infine, le soluzioni nate per le multinazionali non sempre scalano bene in contesti più piccoli: richiedono infrastrutture IT robuste e processi già maturi. Semplificarle per renderle utilizzabili significa spesso ridurre anche il valore che potrebbero portare.

6. Il futuro: l’AI per tutti

La buona notizia è che il processo di democratizzazione dell’AI è già iniziato. Se fino a ieri le soluzioni predittive erano un privilegio delle multinazionali con budget milionari e team dedicati, oggi i segnali vanno in un’altra direzione.

I costi del cloud stanno progressivamente scendendo e i modelli “pay as you go” diventano più sostenibili, a patto di gestirli con consapevolezza. Le piattaforme AutoML (automated machine learning) stanno riducendo la necessità di programmatori specializzati, permettendo anche a chi non è un esperto tecnico di costruire e allenare modelli predittivi. Inoltre, l’integrazione con strumenti già familiari ai team Finance – come Excel, Power BI o i moduli ERP – rende l’adozione dell’AI meno traumatica e più naturale.

Questo significa che, in prospettiva, anche le PMI potranno accedere a modelli predittivi avanzati con la stessa semplicità con cui oggi aggiornano un foglio Excel. Immaginiamo quindi un futuro in cui un’azienda di distribuzione o manifatturiera, senza un reparto IT dedicato, potrà generare forecast accurati combinando dati interni ed esterni in pochi clic.

Le conseguenze saranno importanti: previsioni più precise, processi più rapidi e una capacità decisionale molto più strategica, anche in contesti più piccoli e agili. L’AI, insomma, non resterà un lusso per i big player, ma diventerà uno strumento quotidiano a disposizione anche dei Finance Professionals nelle realtà imprenditoriali di dimensioni ridotte.

Per questo, nella maggior parte dei casi, le PMI restano fedeli a metodi tradizionali come Excel, ma iniziano a integrarli con strumenti digitali più accessibili – Copilot, ChatGPT o soluzioni cloud leggere – che permettono di ottenere miglioramenti concreti senza affrontare la complessità e i costi delle piattaforme enterprise.

Ecco perché, nella pratica, molte PMI continuano a basarsi su modelli tradizionali – spesso Excel ben strutturati – e li potenziano con strumenti digitali più leggeri, come Copilot o ChatGPT. Non è ancora “AI predittiva pura”, ma è un modo concreto e accessibile per fare un passo avanti, migliorando efficienza e qualità delle analisi senza doversi sobbarcare costi e complessità fuori portata.

7. Cosa può fare oggi una PMI: l’approccio ibrido e l’Operational Financial Model

Nell’attesa che l’AI predittiva diventi davvero alla portata di tutti, le PMI non devono restare immobili. Esiste già oggi una strada praticabile: adottare un approccio ibrido.

In concreto, significa continuare a utilizzare i modelli di previsione tradizionali – driver-based o statistici – e affiancarli con strumenti di AI generativa come ChatGPT o Copilot. Questi strumenti, se ben guidati, possono dare un supporto molto concreto: aiutano a scrivere formule complesse in Excel, riducono i tempi di preparazione dei forecast, generano scenari alternativi e persino presentazioni pronte per il management.

La buona notizia è che i costi sono accessibili:

• Copilot per Microsoft 365 costa circa 30€/utente/mese,
• ChatGPT Plus circa 20$/mese.

Un investimento contenuto, soprattutto se confrontato con il tempo risparmiato e con la maggiore precisione ottenuta nei processi di previsione.

I vantaggi concreti sono già visibili:

• riduzione del tempo di preparazione dei forecast fino al 40%,
• miglioramento della qualità e della profondità delle analisi,
• possibilità di presentare al management scenari multipli e aggiornati quasi in tempo reale.

Per massimizzare il beneficio, una PMI dovrebbe strutturarsi con un Operational Financial Model:

• un modello integrato di conto economico, cash flow e stato patrimoniale,
• costruito in Excel o in un tool di Business Intelligence,
• aggiornato costantemente con i dati operativi reali,
• potenziato dall’AI per generare simulazioni e insight.

In questo modo, il modello diventa una vera e propria torre di controllo finanziaria: uno strumento che consente alla leadership di prendere decisioni rapide e data-driven, senza dover investire in piattaforme complesse e costose.

Conclusione

La previsione finanziaria sta vivendo una trasformazione epocale: l’AI non è più un tema futuristico, ma una leva concreta che sta già cambiando il modo in cui le aziende pianificano e prendono decisioni. Per le PMI, la sfida è trovare il giusto equilibrio tra metodi tradizionali e strumenti digitali innovativi, costruendo processi agili ma al tempo stesso affidabili.

In questo percorso, FinDep Consult affianca le imprese nello sviluppo di Operational Financial Models (Modelli finanziari operativi) personalizzati e AI-driven, aiutandole a migliorare la qualità delle previsioni, a ridurre i tempi di analisi e a preparare i team Finance ad adottare con successo queste nuove tecnologie.

Il futuro del forecasting è già qui: sta a noi coglierlo con visione e competenza.

Anastasia Aleksenko – Managing Partner di FinDep Consult, con oltre 25 anni di esperienza in ambito Finance e Strategic Management. Autrice del libro FPA: FP&A Strategico - Come Finance guida il Business e previene la crisi, supporta le aziende nella costruzione di modelli finanziari personalizzati, nell’integrazione AI nei processi di FP&A e nello sviluppo della leadership finanziaria orientata al decision making data-driven.

🔗 Profilo LinkedIn | 🌐 Sito FinDep Consult | 📖 Scopri il libro