L’esperto di finanza nativo dell’IA condivide i suoi flussi di lavoro e come renderli verificabili

Sergei Mochtchenkov ha trascorso più di 20 anni nel settore finanziario, ricoprendo anche ruoli di CFO. Oggi è un CFO frazionario e ha fornito consulenza a oltre 300 clienti in un'ampia gamma di settori.

Abbiamo parlato con Sergei per conoscere i flussi di lavoro e gli strumenti che utilizza nelle organizzazioni finanziarie. Ecco cosa ci ha raccontato.

Un CFO nativo dell'IA

Sono Sergei Mochtchenkov, CFA. Sono un CFO frazionario con sede a Kyiv e lavoro con aziende in Nord America, Europa e oltre. Ho trascorso più di 20 anni nel settore finanziario: modellazione finanziaria, valutazione, analisi degli investimenti e visualizzazione dei dati (Excel, Power BI, SQL). Nel corso degli anni, ho fornito consulenza a oltre 300 clienti, supportato transazioni di debito e capitale per oltre $1 miliardo e diverse IPO nel settore tecnologico, e ricoperto il ruolo di CFO o responsabile dell'analisi per aziende che spaziano da una piattaforma di influencer marketing basata sull'IA a un fondo immobiliare californiano.

La struttura è snella per scelta progettuale. Io sono al vertice in qualità di CFO e responsabile dell'analisi; un piccolo team gestisce la contabilità, le riconciliazioni e la reportistica; gli agenti di IA operano nel mezzo, analizzando gli estratti conto bancari, categorizzando le transazioni, verificando i modelli e preparando le prime bozze dei report. La complessità deriva meno dal numero di dipendenti che dalla varietà: strutture con più entità, conti intersocietari, distribuzioni a cascata agli investitori, SAFE e tabelle di capitalizzazione, oltre a una combinazione di sistemi contabili (QuickBooks, Xero, Odoo, Shopify e Amazon Seller Central).

Il mio approccio all'IA è stato pratico, non teorico. Il lavoro frazionario significa servire molti clienti contemporaneamente e il collo di bottiglia era sempre lo stesso: ore trascorse a ripulire i dati, ricostruire modelli e verificare fogli di calcolo prima ancora di poter iniziare qualsiasi attività di analisi. Quando l'IA è diventata abbastanza affidabile da leggere un libro mastro, analizzare estratti conto bancari o ricostruire la catena di formule non funzionante, ho riorganizzato la mia attività attorno a essa.

Oggi mi presento come un CFO frazionario nativo dell'IA: l'IA svolge il lavoro più impegnativo sui dati e prepara le prime bozze, mentre io dedico il mio tempo alla valutazione: capire cosa significano i numeri e cosa dovrebbe fare il titolare in seguito.

Come l'IA semplifica la preparazione dei dati nelle attività finanziarie

Ecco il cambiamento più significativo che ho apportato con l'IA: ho smesso di considerare la preparazione dei dati grezzi come un'attività da svolgere manualmente.

Ogni nuovo incarico iniziava con giorni di lavoro ripetitivo: scaricare gli estratti conto PDF da diverse banche, convertirli in modo semimanuale e poi categorizzare migliaia di transazioni riga per riga prima di poter iniziare qualsiasi analisi. Gli errori si accumulavano e la persona più costosa dell'incarico dedicava il proprio tempo all'attività meno preziosa.

Così ho creato una pipeline assistita dall'IA. Claude scrive ed esegue codice Python (con pdfplumber) che analizza gli estratti conto di diverse banche e li converte in file Excel ordinati; ogni risultato viene convalidato con una verifica completa dei saldi: il saldo iniziale più le transazioni devono corrispondere al saldo finale, periodo per periodo, in modo che nulla venga accettato sulla fiducia. Le transazioni vengono poi trasferite in un database Supabase, dove l'IA le categorizza secondo le regole di mappatura che definisco e approvo; tutto ciò che è ambiguo viene sottoposto a me. In un incarico recente, questo processo ha riguardato quattro entità presso quattro banche molto diverse: statunitensi e saudite, banche digitali e tradizionali.

Di conseguenza, i tempi della fase di elaborazione dei dati si sono ridotti drasticamente, la precisione è aumentata perché la convalida è sistematica anziché effettuata a campione e il mio tempo è passato dall'inserimento dei dati alla valutazione: analizzo le eccezioni, i flussi intersocietari e le voci relative a parti correlate, che è dove emergono i risultati più significativi.

Come l'IA potenzia le verifiche dei modelli

Spesso eseguo verifiche e ricostruzioni di modelli finanziari. Ecco come procedo:

• Passaggio 1 — Stabilire le regole: creo un progetto Claude con istruzioni scritte: convenzioni di denominazione, documenti finali esclusivamente in inglese, formule come testo normale e file inclusi ed esclusi dall'ambito.
• Passaggio 2 — Inventario e mappa delle dipendenze: Claude, usando Python (openpyxl), cataloga ogni foglio, intervallo denominato, collegamento esterno, numero codificato e schema di formule, quindi crea una mappa di ciò che alimenta ogni elemento. Non tocchiamo alcuna cella finché non comprendiamo la struttura del modello.
• Passaggio 3 — Ricerca degli errori: l'IA traccia le catene di calcolo confrontandole con la logica prevista del modello — cascate, IRR, piani di ammortamento del debito, flussi di cassa — e produce un elenco degli errori, specificando la posizione delle celle, la gravità e l'impatto in dollari. Prima di classificare qualcosa come un errore degno di correzione, verifichiamo se qualche elemento a valle legge quella cella.
• Passaggio 4 — Esecuzione in due chat: utilizzo una chat principale per definire l'ambito e fare la revisione, e una chat separata per l'esecuzione. La chat di esecuzione riceve una sola consegna scritta alla volta, la porta a termine e verifica in modo indipendente il ragionamento della chat principale. Quando i due passaggi dell'IA non concordano, mi segnala di indagare ulteriormente.
• Passaggio 5 — Verifica: eseguo ricalcoli completi, scansioni per individuare errori residui, riconciliazioni con i documenti di origine e prove di stress sugli scenari chiave. Poi rivedo personalmente le modifiche e la logica.

Perché l'IA gestisce i dati e gli esseri umani esercitano il giudizio

Per quanto riguarda dove utilizzare l'IA e dove utilizzare le persone, la mia regola è semplice: l'IA prepara, verifica e redige una prima bozza; una persona decide e firma.

Mi affido all'IA per:

• Acquisizione e riconciliazione dei dati: analisi degli estratti conto, categorizzazione delle transazioni, analisi dei crediti e dei debiti commerciali.
• Verifica dei modelli: tracciamento delle catene di formule, individuazione di collegamenti interrotti, sovrascritture codificate e errori latenti nei modelli dei clienti. L'IA legge migliaia di formule senza stancarsi.
• Previsioni: per i clienti del commercio elettronico, ho creato sistemi di previsione della domanda che ripuliscono i dati, li normalizzano tenendo conto della stagionalità e della spesa pubblicitaria e producono intervalli di vendita con bande di confidenza del 95% che alimentano un piano degli acquisti.
• Analisi degli scostamenti
• Commenti in prima bozza
• Esecuzione di scenari
• Ricerche come confronti con la concorrenza e dati di mercato

Cosa rimane esplicitamente di competenza umana:

• Ipotesi: un modello è valido tanto quanto il tasso di crescita, il tasso di capitalizzazione o l'ipotesi sul tasso di abbandono su cui si basa, e questi elementi richiedono la comprensione dell'azienda e delle persone che la gestiscono.
• Allocazione del capitale, conclusioni sulla valutazione e qualsiasi elemento destinato a un investitore, finanziatore o consiglio di amministrazione a mio nome: in quanto titolare della qualifica CFA, sono responsabile della conclusione, e la responsabilità non può essere delegata a un modello.
• Decisioni riguardanti le persone e le relazioni: riduzioni dei costi che incidono sui ruoli, negoziazioni e la conversazione con un fondatore il cui piano non funziona.

I due principali vantaggi dell'IA nella finanza

La portata della verifica è stata un grande vantaggio dell'IA. Controlla in modo esaustivo attività che in precedenza venivano verificate solo a campione. Tra gli esempi recenti figurano: un file di lavoro per la verifica di 134 indicatori destinato alla presentazione agli investitori di una produzione cinematografica, in cui abbiamo ricondotto ogni dato della presentazione ai documenti di origine; uno strumento di preventivazione per un cliente con 126 attività e circa 1.200 formule, che ha prodotto zero errori nelle formule; e la conversione degli estratti conto di quattro entità, in cui ogni periodo ha superato una verifica completa dei saldi.

Il costo è un altro vantaggio. L'IA consente alle organizzazioni di automatizzare attività e processi ripetitivi. Inoltre, semplifica l'eliminazione delle licenze software inutilizzate e della spesa di marketing nei canali con risultati insufficienti.

Lezioni apprese dagli ambiti in cui l'IA è in difficoltà

Gli errori dell'IA sono pericolosi proprio perché sembrano professionali. Ho visto risultati curati contenenti un riferimento errato a un intervallo o una voce interpretata male, che avrebbero superato una revisione superficiale. Un esempio piccolo ma significativo: le formule riportate all'interno di un rapporto includevano un segno di uguale iniziale, così il foglio di calcolo ha cercato di valutarle, generando riferimenti errati e avvisi infondati di riferimento circolare. Ora una regola permanente stabilisce che le formule nei documenti finali devono essere scritte come testo normale.

L'IA sarà inoltre ben lieta di "correggere" cose che non contano. Prima di decidere se recuperare o correggere un valore, verifico innanzitutto se qualche elemento a valle lo legge effettivamente. Questa semplice disciplina evita molti sforzi sprecati.

Ecco inoltre un paio di ambiti specifici in cui l'IA non dà risultati:

• Modelli Excel legacy di grandi dimensioni: mi aspettavo che l'IA "capisse e risolvesse" semplicemente un modello con 30 schede. Non è così. Le cartelle di lavoro di grandi dimensioni con collegamenti esterni, fogli nascosti, vecchie macro VBA o controlli ActiveX e anni di modifiche temporanee la sovraccaricano: perde il filo tra le schede e propone correzioni che rompono qualcos'altro altrove. Gli approcci più lenti e disciplinati funzionano meglio: prima, creare un inventario e una mappa delle dipendenze del modello; poi, lasciare che l'IA svolga un'attività delimitata alla volta, con un controllo separato del risultato. L'IA è un'ottima analista, ma non ancora un'architetta.
• Previsioni in condizioni di cambiamento del regime: le previsioni statistiche e di apprendimento automatico sono eccellenti quando il futuro assomiglia al passato, ad esempio nel caso della domanda stagionale dell'e-commerce. Vivendo e lavorando in Ucraina, vedo spesso quanto i modelli basati sulla storia gestiscano male la guerra, le sanzioni, gli shock valutari e l'improvvisa inflazione dei costi. In questi contesti, l'IA produce numeri sicuri di sé ma privi di una base reale; il ragionamento per scenari e il giudizio umano contano molto di più.

E un'osservazione minore: la categorizzazione delle transazioni raggiunge un punto di stallo. L'IA gestisce bene la maggior parte dei casi, ma ciò che rimane ambiguo — trasferimenti con parti correlate, spese dei proprietari, flussi infragruppo — è esattamente il punto in cui si concentra il rischio contabile, e richiede ancora un manuale di regole elaborato da una persona.

Come l'IA introduce rischi di costi nascosti nella finanza

I CFO devono tenere sotto controllo il costo dell'elaborazione come costo variabile nascosto dei beni venduti.

Molti leader considerano ancora l'IA come un software — un abbonamento fisso. Per i prodotti nativi dell'IA, non è così. Ogni azione dell'utente può attivare chiamate al modello, e il costo dell'inferenza aumenta in base all'utilizzo, alla lunghezza del prompt e alla scelta del modello. Questo trasforma ciò che sembra un'attività SaaS ad alto margine in qualcosa con costi variabili reali e volatili. Vedo regolarmente startup di IA i cui margini lordi si erodono silenziosamente con la crescita, perché la progettazione del loro modello presupponeva margini tipici del software e nessuno monitorava il costo per cliente, funzionalità o transazione.

La soluzione consiste nell'applicare una disciplina finanziaria di base a una nuova voce di costo: misurare l'economia unitaria a livello della chiamata all'IA, includere l'elaborazione nel costo dei beni venduti, dove deve stare, impostare budget e avvisi, adeguare le dimensioni del modello all'attività e definire il prezzo del prodotto tenendo conto dei costi di elaborazione. Il controllo dei costi di elaborazione è ormai una responsabilità fondamentale del CFO in qualsiasi azienda ad alto utilizzo di IA — non un dettaglio di ingegneria.

Come gestire l'IA

L'IA deve essere gestita, non solo sollecitata con prompt. All'inizio la trattavo come uno strumento molto veloce, ma si comporta molto più come una nuova risorsa brillante, priva di memoria di ieri e con una forte propensione a essere d'aiuto. Ecco tre cose che direi oggi a me stesso di allora, se potessi:

• Metti per iscritto le regole una volta per tutte. Ogni azienda ha convenzioni non scritte: come vengono visualizzate le percentuali, quali conti compaiono in quale report, come vengono documentate le formule, in quale lingua devono essere i documenti finali. Se vivono solo nella tua testa, l'IA farà "ragionevolmente" qualcosa di diverso ogni volta.
• Separa le domande dalle modifiche. Chiedi all'IA perché un numero sembra strano e spesso lo "correggerà". La mia regola fissa ora è questa: quando faccio una domanda, l'IA risponde prima e aspetta l'approvazione prima di modificare qualsiasi cosa. All'inizio, questo avrebbe evitato diverse modifiche silenziose che ho dovuto annullare.
• Mantieni le attività circoscritte e non toccare l'originale. I miei primi tentativi davano all'IA troppo materiale tutto insieme: "esamina questo intero modello e correggilo". I risultati sembravano impressionanti ed erano difficili da verificare. Descrizioni delle attività delimitate, una modifica alla volta, una copia pulita dell'originale e un registro delle modifiche rendono ogni passaggio verificabile.

Queste tre cose mi avrebbero risparmiato ore di rilavorazione, alcuni imbarazzanti quasi-errori individuati durante la revisione e, per un certo periodo, la falsa convinzione che il valore principale dell'IA fosse la velocità. Il valore principale è che puoi permetterti di verificare tutto, ma solo se progetti il processo in tal senso.

Come utilizzare l'IA nel capitale circolante

La maggior parte dei team finanziari gestisce ancora crediti, debiti e scorte con report mensili e intuito, anche se è proprio qui che la liquidità si genera o rimane bloccata. L'IA è però particolarmente efficace in questo ambito, perché gli input sono numerosi, ripetitivi e contengono schemi che le persone non hanno il tempo di individuare.

Due aree che ho riprogettato:

• Pianificazione delle scorte e degli acquisti per l'e-commerce: per i brand di abbigliamento sportivo, costumi da bagno, giocattoli e barrette proteiche, abbiamo sostituito il criterio "riordinare ciò che ha venduto la scorsa stagione" con un sistema di previsione che ho già illustrato brevemente. Puliamo lo storico delle vendite, lo normalizziamo in base alla stagionalità e alla spesa pubblicitaria, prevediamo la domanda con intervalli al 95%, quindi elaboriamo un piano di acquisto che bilancia esplicitamente costi di stoccaggio, margine lordo, rendimento del capitale proprio, sconti sui volumi e tempi di consegna dei fornitori. Il risultato è una decisione d'acquisto basata su una serie di possibili esiti, con il costo di un errore in entrambe le direzioni visibile fin dall'inizio, anziché una singola stima.
• Crediti, debiti e comunicazioni: realizzo analisi basate su Claude sui crediti commerciali, sui debiti commerciali e sulle comunicazioni dell'azienda, così il reparto finanziario non vede soltanto che una fattura è in ritardo, ma anche il motivo: una contestazione, un problema di consegna, un cliente in difficoltà; in questo modo può intervenire prima. Lo stesso approccio individua debiti duplicati o insoliti e condizioni dei fornitori che si sono gradualmente discostate senza attirare l'attenzione.

Perché Claude Code e Cowork rappresentano una svolta nella finanza

Claude rappresenta una svolta, in particolare nella sua forma agentica (Claude Code e Cowork), perché non si limita a conversare, ma lavora con i file, scrive ed esegue codice Python, legge e crea modelli Excel e si collega a database e applicazioni aziendali.

Con Claude posso analizzare estratti conto bancari, verificare un modello con 30 schede, creare un sistema di previsione, redigere un memorandum per gli investitori e costruire un set di dati pronto per Power BI; cosa ancora più importante, scrive codice che posso conservare, eseguire nuovamente e sottoporre ad audit, invece di limitarsi a fornirmi risposte. Le istruzioni a livello di progetto mi permettono di codificare una volta sola le regole di ciascun cliente, così il lavoro rimane coerente tra una sessione e l'altra.

Tuttavia, Excel rimane prezioso. È ancora il linguaggio che investitori, finanziatori e consigli di amministrazione leggono, e i migliori flussi di lavoro basati sull'IA che utilizzo si concludono con un foglio di calcolo ordinato e trasparente, che una persona può verificare riga per riga.

Come l'IA sta cambiando le squadre e i percorsi formativi

La piramide è diventata un diamante. Tradizionalmente, una funzione finanziaria ha bisogno di molte persone junior che si occupino dell'inserimento dei dati, delle riconciliazioni e delle prime bozze dei modelli, di alcuni senior che le esaminino e di un partner al vertice. Oggi l'IA svolge gran parte del lavoro di base.

Di conseguenza, è cambiata anche la combinazione di competenze che cerco. Meno valore nella velocità di elaborazione dei dati; molto più valore in tre aspetti: comprendere come un'azienda genera ricavi, saper redigere un documento di sintesi preciso e verificare il risultato, e avere la sicurezza necessaria per dire a un fondatore che un numero o un piano è sbagliato.

La questione aperta per la professione riguarda il percorso formativo. Un tempo i junior imparavano svolgendo il lavoro più operativo. Se lo fa l'IA, dobbiamo insegnare deliberatamente il senso critico, chiedendo alle persone di esaminare, mettere in discussione e spiegare i risultati dell'IA, anziché produrli da zero.

Cinque consigli per i CFO

Ecco i miei consigli per i CFO:

• Usa personalmente l'IA, questa settimana, su un lavoro reale. Non delegare l'IA a un comitato per l'innovazione e non aspettare il lancio aziendale perfetto. Scegli un processo doloroso e ripetitivo — una riconciliazione, una revisione di un modello, una prima bozza del dossier per il consiglio — e svolgilo personalmente con l'IA. Non puoi guidare una trasformazione che non hai sperimentato.
• Progetta i controlli prima di espandere l'uso. Ogni flusso di lavoro con l'IA deve avere un controllo integrato che non dipenda dalla fiducia nell'IA: una verifica dei saldi, una quadratura con il libro mastro, una seconda verifica indipendente. L'IA commette errori più rapidamente e in modo più convincente di un analista junior, quindi la progettazione dei controlli deve essere migliore di prima.
• Mantieni umani il giudizio e la responsabilità. Lascia che l'IA prepari, verifichi e rediga le bozze; mantieni in capo alle persone le ipotesi, l'allocazione del capitale e tutto ciò che viene firmato a tuo nome. Metti per iscritto questo confine, così il tuo team saprà dove si trova.
• Ricostruisci il team, non solo gli strumenti. Il futuro team finanziario sarà più piccolo, più senior e più analitico. Investi nelle persone capaci di formulare domande, mettere in discussione i numeri e dialogare con l'azienda: queste competenze si rafforzano con l'IA; la pura elaborazione dei dati no.
• Misura il valore, non l'attività. Una reportistica più rapida è positiva, ma la vera domanda è se stai individuando più valore: margini che non avevi visto, liquidità vincolata nel posto sbagliato, un accordo con un prezzo errato. Se l'IA libera tempo del team finanziario e quel tempo non viene impiegato per prendere decisioni, hai soltanto automatizzato il vecchio lavoro.

Segui gli aggiornamenti

Puoi seguire il lavoro di Sergei Mochtchenkov su LinkedIn. Oppure visita aistartupcfo.com e financialmodeling.net.

Seguiranno altre interviste a esperti su Il Club dei CFO!