L’IA Sta Trasformando le Competenze dei Team Finanziari
Scopri come i leader della finanza possono utilizzare l'IA per la previsione e l'analisi sviluppando al tempo stesso le competenze strategiche e comunicative che guidano le decisioni aziendali.
Christian Wattig
Fondatore di Inside FP&A
Uso dell'IA: L'IA può redigere analisi preliminari in ambito finanziario ma richiede una revisione umana approfondita per garantirne l'accuratezza.
Questione delle Variabili: La comprensione delle variazioni nelle previsioni dell'IA dipende dalla qualità degli input, non da difetti nel modello stesso.
Standardizzazione dei Processi: Per trarre beneficio dall'IA, i team finanziari devono standardizzare i processi prima dell'implementazione.
Metodo di Prompting: L'utilizzo dell'approccio di prompting di Greg Brockman migliora l'efficacia degli strumenti di IA in finanza.
Competenze Strategiche: I team finanziari dovrebbero concentrarsi su competenze strategiche e analisi approfondite per aggiungere valore nell'era dell'IA.
Christian Wattig è il fondatore di Inside FP&A, una piattaforma di corsi online che insegna ai team finanziari come prendere decisioni aziendali migliori. Ha formato leader presso aziende come Google, Merck, Lowe’s e Discover, e ha ricoperto ruoli finanziari presso Procter & Gamble, Unilever e Squarespace.
Abbiamo parlato con lui per capire le competenze richieste oggi ai leader della finanza, ora che l'IA può gestire gran parte del lavoro. Ecco cosa ci ha raccontato.
Guidare la funzione FP&A
Sono un esperto di FP&A, creatore di corsi online e formatore aziendale. I miei programmi in presenza hanno aiutato i team finanziari di Google, Merck, Lowe’s, Discover e molte altre aziende a prendere decisioni aziendali migliori. Dirigo anche il programma di certificazione FP&A presso la Wharton School of the University of Pennsylvania e condivido insight su LinkedIn e nella mia newsletter settimanale.
Vuoi di più da The CFO Club?
Crea un account gratuito per terminare questo articolo e unirti a una comunità di moderni CFO ed executive finanziari che accedono a framework comprovati, strumenti e approfondimenti utili a navigare la finanza guidata dall’IA.
Have an account? Log In
Prima di fondare la mia piattaforma di corsi online, Inside FP&A, ho trascorso oltre un decennio in Procter & Gamble e Unilever, guidando team di FP&A e di contabilità in mercati globali. Prima ancora, ho lavorato in aziende tecnologiche in rapida crescita, tra cui l'aiuto nel portare Squarespace in borsa e nella preparazione della prima presentazione finanziaria dell’azienda agli analisti di Wall Street.
Come dovrebbe essere utilizzata l’IA in FP&A
L’IA dovrebbe essere utilizzata per la prima bozza di analisi e di costruzione dei modelli.
"Prima bozza" è il termine chiave qui. Le persone mi dicono che pensavano che l'IA avrebbe preso il controllo del 95% delle attività di modellazione, ma costruire modelli finanziari solidi richiede molto più tempo per la revisione dei risultati ottenuti, il che annulla in gran parte i risparmi di tempo.
È anche ideale per le previsioni basate sull’analisi delle serie temporali. Non hai più bisogno di un team di data science o di software costosi per costruire una previsione algoritmica. ChatGPT, Claude e Gemini sono strumenti eccellenti per creare previsioni statistiche. Tutto quello che devi fare è fornire loro dati storici e chiedere di generare codice Python che esegua un modello ARIMA in Excel.
Ecco altri modi in cui utilizzo l’IA nella funzione FP&A ogni giorno:
- Analisi delle varianze: costruire driver tree per spiegare la varianza.
- Preparazione incontri con i business partner: arrivare alle riunioni ben preparati per raccogliere le informazioni giuste dai partner.
- Revisione del budget: identificare rischi e opportunità nel budget di un partner senza compromettere il rapporto.
- Refinitura dei report: raccontare la storia dietro i numeri
- Presentazioni al CdA: anticipare le domande difficili prima che vengano poste
Per esempi di prompt su ciascuno di questi casi d'uso, vai qui.
Alcuni compiti, tuttavia, devono restare umani:
- Analisi approfondita
- Collaborazione con il business
- Influenza
- Valutazione dei compromessi
Perché la varianza nelle previsioni AI è determinata dagli input
Alcuni anni fa, quando guidavo un team FP&A in una grande azienda di beni di consumo, gestivo la previsione sul capitale circolante. Era una previsione mastodontica, con decine di sotto-previsioni per voci di bilancio e divisioni che confluivano nel totale aziendale. Era così complessa e dispendiosa in termini di tempo che decidemmo di usarla come caso di test per un approccio di machine learning per la prima volta.
Abbiamo affidato lo sviluppo del modello di IA a un fornitore terzo. Quando abbiamo ricevuto i primi risultati dal nuovo modello e li abbiamo confrontati dopo un mese con i dati effettivi, eravamo entusiasti. L’accuratezza della previsione era significativamente migliore rispetto ai risultati precedenti. Ero convinto che il progetto sarebbe stato un successo clamoroso, finché il management non ha chiesto una spiegazione sulla varianza rimanente tra le previsioni del modello di machine learning e i risultati reali.
Non sapevo come rispondere a quella domanda perché non avevo partecipato alla costruzione del modello. Ho contattato lo scienziato dei dati responsabile del modello presso la terza parte. Ho affrontato la questione nello stesso modo in cui analizzerei una varianza di un modello di previsione tradizionale in Excel: gli ho chiesto di spiegarmi come funziona il modello, così da poter individuare cosa potrebbe causare la varianza. Mi ha detto: "Utilizziamo un insieme (ensemble) di diversi algoritmi di apprendimento automatico. Ogni mese competono tra loro, e il modello con le migliori prestazioni viene utilizzato per la previsione. Nello specifico, usiamo algoritmi di apprendimento automatico come DeepAR di Amazon, Temporal Fusion Transformer di Google e algoritmi tradizionali come Holt-Winters e i modelli Autoregressive Integrated Moving Average. In totale, l'ensemble include 12 algoritmi diversi che competono tra loro. Facciamo il backtesting di ciascuno e poi scegliamo quello con la maggiore accuratezza."
Non ho capito più della metà di quello che ha detto, quindi ho chiesto: “OK, secondo te perché esiste ancora una varianza così significativa tra i risultati effettivi e le previsioni del modello?" Mi ha risposto che non ne aveva idea perché non conosceva il nostro business.
La situazione era che io non capivo come funzionasse il modello di apprendimento automatico, e lo scienziato dei dati non capiva come funzionasse l’azienda. Come potevamo spiegare una varianza in questo caso? Ho riflettuto su varie soluzioni a questo problema. Dovevamo invitare lo scienziato dei dati nel nostro ufficio per spiegargli come funziona l’azienda? Dovevamo chiedere a qualcuno del nostro team di seguire un corso su apprendimento automatico e scienza dei dati? Era davvero possibile imparare tutto questo senza una laurea in matematica o informatica?
Ci ho messo un po’, ma alla fine mi sono reso conto che stavo guardando il problema nel modo sbagliato. In realtà, stavo cercando di risolvere il problema sbagliato. Con il machine learning, non si spiegano le varianze individuando difetti nel modello stesso. Gli algoritmi più avanzati sono chiamati “modelli a scatola nera” per un motivo — anche gli scienziati che li hanno costruiti talvolta non capiscono le conclusioni che producono. Ho capito che è tutta una questione di input. Spazzatura in ingresso, spazzatura in uscita.
Per spiegare le varianze con il machine learning, bisogna verificare se i dati che diamo in pasto al modello sono corretti e sufficienti. Il modo migliore per farlo è combinare la sperimentazione con un approccio chiamato “backtesting”. Con i modelli AI, puoi fingere che l’ultimo anno non sia ancora accaduto e chiedere al modello di creare una previsione. Ad esempio, se siamo a maggio 2026, posso chiedere al modello AI di prevedere il 2025 fornendogli dati storici dal 2020 al 2024. Poi, puoi confrontare immediatamente quanto ci si avvicina ai risultati reali, aggiustare i dati e testare di nuovo.
Alla fine, ci siamo resi conto che l’accuratezza delle previsioni migliorava notevolmente quando fornivamo al modello dati aggiuntivi dai nostri sistemi di inventario, punti dati che non avevamo mai considerato prima perché inserirli avrebbe complicato ulteriormente i nostri modelli tradizionali basati su fogli di calcolo.
Con il machine learning, non si spiegano le varianze individuando difetti nel modello stesso. Gli algoritmi più avanzati sono chiamati “modelli a scatola nera” per un motivo — anche gli scienziati che li hanno costruiti talvolta non capiscono le conclusioni che producono.
Perché i CFO devono standardizzare i processi prima di implementare l’AI
L’AI non risolve processi finanziari difettosi. Li amplifica.
Ho visto abbastanza team finance adottare nuove tecnologie per sapere come va a finire. Lo strumento amplifica tutto ciò che è già in essere, sia nel bene che nel male.
Se oggi la tua analisi delle varianze è un disastro – ad esempio, ogni analista la scrive in modo diverso, non ci sono soglie concordate, non esiste una struttura coerente — l’AI produrrà quello stesso disastro in ogni centro di costo, in modo fluido e veloce. Se il tuo modello non ha una documentazione o standard di denominazione, l’AI ti aiuterà a romperlo con ancora più sicurezza. Se la tua previsione oscilla del 20% da un mese all’altro senza una narrazione chiara del driver, l’AI la farà oscillare ancora, soltanto con una formattazione migliore.
I team finance che vedo ottenere valore reale da queste tecnologie non sono quelli con la configurazione più sofisticata. Sono quelli che già sapevano come doveva essere fatto bene. Avevano template. Avevano una definizione funzionante di "utile". Avevano svolto il lavoro poco glamour di standardizzare prima ancora di chiedere qualcosa all’AI.
Perché i team finance devono usare il metodo di prompt di Greg Brockman
Molti team finance faticano a ottenere output validi dai loro strumenti AI perché i loro prompt sono troppo brevi o non abbastanza specifici. Trattano l’AI come se fosse una ricerca su Google.
Consiglio sempre il metodo di Greg Brockman per guidare i modelli di ragionamento:
- Obiettivo
- Formato dell'output
- Avvertimenti
- Contesto
Con questo approccio, i team ottengono invariabilmente risultati migliori.
Come i CFO dovrebbero ripensare l’assunzione nell’era dell’IA
I CFO devono riprogettare i processi di selezione dei candidati. L’era dell’IA richiede competenze diverse.
Tradizionalmente, i leader si concentrano sulla rapidità nell’uso dei fogli di calcolo, sulla padronanza di Excel e sulla qualità nella redazione dei report. Ma l’IA sta automatizzando tutte queste attività. Invece, occorre valutare i seguenti aspetti:
- Capacità di giudizio in condizioni di incertezza
- Comunicazione aziendale
- Pensiero sistemico
- Velocità di apprendimento
- Competenza nei dati
Quando intervisti i candidati per qualsiasi ruolo, prova quanto segue:
- Fornisci ai candidati una breve spiegazione della varianza o una sintesi delle performance generata dall’IA. Chiedi cosa ritengono discutibile e cosa necessita di verifica. Poi, chiedi loro di riscriverla in pochi punti per un dirigente.
- Chiedi al candidato di elencare le prime cinque domande che porrebbero se dovessero spiegare perché la previsione dei ricavi è risultata errata — e perché.
- Informa il candidato che prevedi una pressione sui margini e incertezza sulla domanda per il prossimo trimestre. Chiedi di definire tre scenari, nominare i principali driver e raccomandare cosa fare ora.
Fai attenzione alla troppa sicurezza, al pensiero focalizzato sugli strumenti, a una comunicazione debole e all’assenza di compromessi. Questi tre esercizi ti aiuteranno a valutare le caratteristiche che ho menzionato sopra.
Perché ora contano le competenze strategiche e l’analisi approfondita
I team finance devono sapere per cosa stanno ottimizzando.
Quando libereranno tempo grazie all’IA, i leader si aspetteranno che aggiungano valore in modo diverso — diventando partner strategici e fornendo analisi approfondite. Dovranno essere in grado di collegare i punti tra le metriche operative e i risultati finanziari per fornire raccomandazioni concrete su come l’azienda dovrebbe cogliere le opportunità o mitigare i rischi.
In altre parole, devono acquisire competenze di finanza strategica di livello superiore che l’IA non può sostituire. Solo così potranno avere voce in capitolo in un futuro potenziato dall’IA.
Segui gli aggiornamenti
Segui il lavoro di Christian Wattig su LinkedIn. E impara da lui su YouTube o consulta la sua piattaforma di corsi online, Inside FP&A.
Arriveranno altre interviste con esperti su The CFO Club!
