Il Direttore Senior dei Sistemi CFO di LinkedIn afferma che l’IA sta trasformando la finanza da funzione di reportistica a sistema operativo

Il mio percorso non è iniziato con l'IA. È iniziato con la frustrazione. La frustrazione di sedere in stanze dove due sistemi mostravano due numeri diversi. La frustrazione di team finanziari che passavano più tempo a riconciliare il passato che a costruire il futuro. La frustrazione di vedere leader finanziari estremamente competenti limitati da sistemi frammentati e da insight tardivi.

L'IA è un elemento di rottura. Sta portando alla luce tutto ciò che era già rotto:

• Processi rigidi
• Insight tardivi
• Eccessiva dipendenza dal giudizio manuale
• Sistemi progettati per il controllo, non per l'intelligenza

Quello che mi entusiasma di questo momento non è l'automazione — è l'amplificazione. Per la prima volta, i leader della finanza possono passare dalla retrospettiva alla previsione, dalla reportistica all'influenza, dall'efficienza all'efficacia.

Oggi mi concentro sulla costruzione di ciò che chiamo un modello di Strategia e Piattaforme di Tecnologia Finanziaria — dove architettura, visione di prodotto e IA si combinano per creare un sistema che non solo tiene traccia del business, ma lo guida attivamente. Perché il futuro della finanza non è chiudere i conti più velocemente. È aiutare l'azienda a prendere decisioni migliori prima ancora che i numeri vengano scritti.

Pankaj condivide

L’IA è un elemento di rottura. Sta portando alla luce tutto ciò che era già rotto.

Guidare l'organizzazione CFO di LinkedIn

Guido la Tecnologia e le Piattaforme Finanziarie all'interno dell'organizzazione CFO di LinkedIn — un'azienda globale multimiliardaria che opera su vasta scala in diverse aree geografiche, prodotti e contesti normativi.

La complessità è quella che ci si aspetta a questo livello:

• Molteplici fonti di ricavo tra Talent Solutions, Marketing e Premium
• Presenza globale con modelli di compliance, fiscali e operativi specifici per regione
• Forte integrazione tra sistemi di finanza, vendite, HR e prodotto

Ma la vera sfida non è la scala. È l'interconnessione.

Oggi la finanza si trova al centro di ogni decisione critica:

• Pianificazione e previsione su cicli di business dinamici
• Gestione dell'allocazione di capitale con precisione crescente
• Sostenere la crescita mantenendo disciplina e controlli

Operiamo meno come un tradizionale team di tecnologia finanziaria e più come un'organizzazione di prodotto integrata nella finanza — responsabile non solo dei sistemi, ma anche dei risultati. Perché a questa scala, la finanza non è solo gestione dei numeri. Si tratta di determinare come l'azienda prende decisioni in modo rapido, chiaro e sicuro.

Da dove devono iniziare i CFO con l'IA

La maggior parte dei CFO inizia il proprio percorso con l'IA pensando ai casi d'uso, agli strumenti, ai fornitori e al ROI. Ma l'IA non agisce da sola. Si basa sui tuoi dati, i tuoi processi, il tuo modello operativo e la tua disciplina decisionale.

Se questi elementi sono frammentati, l'IA non li semplifica; amplifica la frammentazione. Non ottieni risposte migliori. Ottieni risposte sbagliate più velocemente.

Quindi, prima di chiedersi: “Dove possiamo applicare l'IA?” Chiedersi: “Il nostro sistema finanziario è progettato per produrre dati coerenti e pronti per le decisioni?” Perché l'IA non è una strategia. È un acceleratore del sistema che già possiedi.

Concentrati su:

• Una chiara fonte di verità (definizioni, metriche, governance)
• Processi standardizzati attraverso i domini della finanza
• Una solida infrastruttura dati e architetturale
• Una cultura che valorizza il mettere in discussione i risultati, non accettarli passivamente

Come l'integrazione dell’AI migliora i flussi di lavoro finanziari

Ecco i miglioramenti che ho osservato con l’AI nella finanza:

• Riduzione dei tempi di ciclo (30–60%): Analisi delle variazioni che prima richiedevano 2-3 giorni ora avvengono in poche ore, e le attività di supporto al closing mensile (analisi, riconciliazione dei dati) si sono ridotte in modo significativo. Qui l’AI offre un valore immediato — la velocità.
• Miglioramento della precisione delle previsioni (5–15% di miglioramento per gli orizzonti di breve periodo): Le previsioni a breve termine (4–8 settimane) sono migliorate sensibilmente; l’AI ha rilevato indicatori precoci ignorati dagli esseri umani (trend di utilizzo, segnali comportamentali). Ma una sfumatura importante: la precisione è migliorata soprattutto in ambienti stabili, meno in quelli volatili.
• Aumento della produttività (20–40% di capacità degli analisti liberata): Gli analisti passano meno tempo a raccogliere dati e più tempo a interpretarli. Un analista può ora coprire ciò che prima richiedeva 1,5–2 FTE. Questo non si traduce sempre in una riduzione dei costi — ma in una migliore allocazione dei talenti.
• Rilevamento anticipato dei rischi (da giorni → quasi in tempo reale): I rischi di flusso di cassa, le anomalie e i casi anomali vengono identificati più rapidamente; ridotto “fattore sorpresa” nelle revisioni aziendali. È un aspetto sottile ma potente — meno escalation dell’ultimo minuto.

Ecco cosa non è migliorato (o è peggiorato):

• Eccessiva fiducia nei risultati: le narrazioni generate dall’AI suonano credibili anche quando sono errate. All'inizio, i team hanno iniziato a fidarsi dei risultati senza metterli in discussione, ed è più pericoloso rispetto agli errori manuali.
• Falsa precisione: l’AI crea un’illusione di certezza: “la previsione indica una fiducia del 97,2%”. Ma le decisioni finanziarie non sono solo esercizi probabilistici — implicano strategia, tempistiche e contesto.
• La dipendenza dai dati ha messo in luce fondazioni deboli: l’AI non ha risolto i problemi dei dati. Li ha amplificati: gerarchie incoerenti, dati anagrafici scadenti, sistemi frammentati. Spazzatura in ingresso, spazzatura amplificata in uscita.
• Impatto limitato sulla pianificazione a lungo termine: l’AI ha avuto difficoltà nella pianificazione annuale, negli scenari strategici e nelle scelte di allocazione del capitale. Perché non sono problemi di schemi ripetitivi — sono problemi di giudizio.

La verità scomoda è che l’AI non ha ridotto i costi della finanza quanto si pensasse. Ha spostato il costo dalla manodopera al calcolo, dallo sforzo manuale alla governance dei modelli, e dagli analisti agli ingegneri e all'infrastruttura dati.

Le narrazioni generate dall’AI suonano credibili anche quando sono errate. All’inizio, i team hanno iniziato a fidarsi dei risultati senza metterli in discussione, ed è più pericoloso rispetto agli errori manuali.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Pankaj PrasoonOpens new window

Senior Director, CFO Systems & Technology, LinkedIn

Perché l’AI informa le decisioni finanziarie ma il giudizio rimane umano

Ecco la maniera più semplice per distinguere tra compiti dell’AI e compiti umani: l’AI deve informare sugli schemi; gli esseri umani devono prendersi gli impegni.

Mi affido all’AI nelle aree in cui contano di più scala, velocità e riconoscimento dei pattern rispetto al giudizio:

• Previsioni (a breve termine e rolling): l'AI è ottima nell’assimilare molteplici segnali — storici, stagionalità, dati sul pipeline, indicatori esterni — e aggiornare continuamente le previsioni. Elimina la distorsione della pianificazione statica basata sul calendario.
• Analisi delle variazioni: l’AI può suddividere le variazioni su migliaia di dimensioni all’istante: cosa è cambiato, dove e quale ne è la causa probabile. Prima servivano giorni. Ora siamo quasi in tempo reale.
• Pattern del flusso di cassa: non decisione, ma rilevamento dei segnali: tendenze nei pagamenti, rischi di incasso e pattern di liquidità. L’AI aiuta a individuare i rischi prima rispetto ai report tradizionali.
• Rilevamento dei rischi (operativi e finanziari): l’AI è molto efficace nel rilevare anomalie: transazioni insolite, deviazioni di controllo, comportamenti fuori norma. Non “comprende il rischio”, ma segnala dove guardare.

Ma lo mantengo esplicitamente umano nelle aree in cui contano contesto, compromessi e responsabilità:

• Allocazione del capitale: Nessun modello comprende strategia, tempistica o posizionamento competitivo come la leadership. L’IA può informare scenari — ma non può decidere dove puntare.
• Pianificazione e budgeting a lungo termine: I budget non sono previsioni — sono impegni. Riflettono intenzioni, priorità e compromessi all'interno dell'organizzazione.
• Decisioni finali sul rischio: L’IA può evidenziare anomalie, ma qual è il rischio accettabile? Quale compromesso vale la pena affrontare? Sono decisioni della leadership, non risultati di un modello.
• Business partnering e influenza: La finanza non riguarda solo i numeri — si tratta di influenzare le decisioni: mettere in discussione le ipotesi, leggere l’ambiente, e capire l’intenzione dietro le richieste. L’IA non ha alcun contesto per le dinamiche umane.

Se l’IA sta prendendo le tue decisioni, sei andato troppo oltre. Se l’IA non supporta le tue decisioni, non la stai usando abbastanza.

Perché l’IA non ha completamente automatizzato la finanza

La narrazione era: “L’IA automatizzerà la finanza.”

Non è successo. Ha automatizzato parti dei flussi di lavoro, ma ha introdotto nuovi livelli:

• Validazione dei modelli
• Gestione delle eccezioni
• Requisiti di governance e audit

La realtà è che non si eliminano le persone — le si spostano in ruoli di supervisione.

Perché l’adozione dell’IA è una questione comportamentale

Parlando di persone, l’adozione dell’IA non è un problema tecnologico — è un problema comportamentale.

All’inizio, pensavo che se avessimo costruito i modelli giusti, le persone li avrebbero utilizzati → le informazioni sarebbero arrivate più velocemente → le decisioni sarebbero migliorate → approfondimenti più rapidi → maggiore accuratezza → e la fiducia sarebbe arrivata.

Tutto logico. Tutto incompleto. Abbiamo costruito qualcosa di tecnicamente solido: migliore rilevazione delle variazioni, insight più rapidi, narrazioni più chiare. Eppure, l’adozione è stata irregolare.

Perché i team finanziari non avevano difficoltà a ottenere informazioni. Facevano fatica a lasciar andare il modo in cui avevano sempre lavorato.

Gli analisti ricostruivano comunque i modelli in Excel "solo per verificare". I leader si fidavano di ciò che capivano, non di ciò che suggeriva il modello. Le revisioni erano ancora ancorate ai vecchi formati, non ai nuovi insight.

Il sistema è cambiato. Il comportamento no — almeno non subito.

Avrei voluto fare così:

• Partire dal modello operativo, non dalla precisione del modello: Definire come cambieranno le decisioni, come saranno le riunioni, cosa verrà tolto, non solo aggiunto. Invece di chiedere: “Il modello è corretto?” Domandarsi: “Questo sostituirà ciò che le persone fanno oggi?”
• Progettare per la fiducia, non solo per l’intelligenza: La fiducia non nasce dai metri di accuratezza o dalla sofisticazione tecnica. Nasce da trasparenza, spiegabilità e coerenza nel tempo. Avrei investito prima nel rendere i risultati contestabili, non solo impressionanti.
• Puntare forte sul change management: Lo abbiamo trattato come l’introduzione di un sistema. Non lo era. Era un cambio di mentalità da sviluppare analisi a revisionare insight, dal controllo alla collaborazione con l’IA, dalla certezza al pensiero probabilistico.
• Correggere prima dati e definizioni (più di quanto abbiamo fatto): Sapevamo che i dati erano importanti. Ne abbiamo sottovalutato l’importanza. L’IA non tollera l’ambiguità.

Avrei potuto evitare:

• Cicli di rifacimento in cui i team ricostruivano ciò che l’IA aveva già prodotto
• Sovraingegnerizzazione di modelli che non cambiavano le decisioni
• Scetticismo iniziale che era in realtà mancanza di fiducia, non di accuratezza
• La falsa credenza che un output migliore = adozione automatica

La fiducia non nasce dai metri di accuratezza o dalla sofisticazione tecnica. Nasce da trasparenza, spiegabilità e coerenza nel tempo.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Pankaj PrasoonOpens new window

Senior Director, CFO Systems & Technology, LinkedIn

Perché l’IA trasforma le assunzioni sul controllo finanziario

In ambito finanziario, siamo stati formati a pensare: più controlli = più accuratezza; più approvazioni = meno rischio; più struttura = risultati migliori. Quindi abbiamo costruito sistemi: rigidi, sequenziali e progettati per prevenire errori.

Ottimizzavamo per la prevedibilità, non per la reattività; per l'auditabilità, non sempre per la qualità delle decisioni.

Ha funzionato — ma a un costo: velocità, adattabilità e, a volte, persino chiarezza.

L’IA non funziona bene in ambienti rigidi. Prospera su: flussi di dati continui, input dinamici e segnali in tempo reale. Mi ha mostrato che il controllo non deriva dalla restrizione, ma dalla visibilità.

Ho dovuto passare da:

• Prevenire gli errori in anticipo → Rilevarli e correggerli rapidamente
• Revisioni periodiche (mensili/trimestrali) → Monitoraggio continuo
• Punti di controllo umani ovunque → Interventi basati su eccezioni

Ecco dove si è manifestato tutto questo:

• Previsioni: siamo passati da previsioni statiche basate sul calendario → a previsioni aggiornate in modo continuo e guidate dai segnali
• Controlli finanziari: meno pre-approvazioni pesanti → maggiore rilevamento in tempo reale delle anomalie e validazione post-evento
• Allocazione del capitale: da certezza → a pensiero probabilistico e basato su scenari

Il cambiamento è semplice, ma difficile. Devi passare dal controllo tramite restrizione al controllo tramite intelligenza e visibilità. E una volta che lo capisci, non puoi più tornare indietro. Perché l'obiettivo della finanza non è prevenire ogni errore, ma abilitare decisioni migliori, più rapidamente — con il giusto livello di controllo, non il massimo controllo.

Perché i CFO dovrebbero ripensare la previsione

La maggior parte delle organizzazioni finanziarie ancora gestisce la previsione come nel 2005: cicli mensili, assunzioni statiche, consolidamento manuale pesante e revisioni retrospettive.

L’IA non si adatta a questo modello.

Siamo passati da previsioni guidate dal calendario, aggiornamenti mensili, analisi delle varianze a consuntivo, revisioni a posteriori e lavorazioni pesanti a previsioni guidate dai segnali:

• Livello di previsione continua: segnali in tempo reale e previsioni continuamente aggiornate
• Rilevamento varianze AI-first: il sistema segnala i cambiamenti e la finanza revisiona solo le eccezioni
• Revisioni orientate alla decisione: Passaggio da “Cosa è successo?” a “Cosa succederà?”

Ecco i risultati:

• Tempo necessario per ottenere insight ↓ ~50%
• Rilevanza delle previsioni ↑ in modo significativo
• Il ruolo della finanza è passato a partner decisionale.
• Produttività degli analisti ↑ 30–40%

Ripensa la previsione trasformandola in un sistema continuo e guidato dai segnali. Perché una volta che ciò cambia, la finanza diventa un operatore attivo del business.

Come l’IA migliora le previsioni e l’analisi delle varianze

Per me è ancora presto in LinkedIn, quindi ecco un esempio da una trasformazione precedente in cui abbiamo integrato l’IA direttamente nel processo di previsione e di analisi delle varianze.

I team finanziari spendevano una quantità sproporzionata di tempo per spiegare cosa era successo:

• Analisi delle varianze manuale su centinaia di centri di costo
• Previsioni statiche aggiornate mensilmente o trimestralmente.
• Forte dipendenza da modelli Excel e dal riconoscimento di schemi umano
• Quando si ottenevano gli insight, il business era già cambiato.

Avevamo dati — ma nessun modo scalabile per interpretarli. Così abbiamo introdotto uno strato guidato dall’IA sopra ai nostri dati di pianificazione e consuntivazione che potesse:

• Individuare automaticamente anomalie e driver di varianza su più dimensioni (regione, prodotto, categoria di costo)
• Generare narrazioni di primo livello che spiegano il “perché” — non solo il “cosa”.
• Aggiornare continuamente le previsioni sulla base di indicatori predittivi, non solo di tendenze storiche.

Ma il vero cambiamento non è stato il modello — bensì il modello operativo:

• La funzione finance è passata dal costruire analisi al revisionare e mettere in discussione gli insight.
• La previsione è diventata più continua, meno guidata dal calendario
• Le revisioni di business sono passate da “cosa è successo il mese scorso” a “cosa succederà dopo”.

I miglioramenti erano evidenti. Il tempo di ciclo per l'analisi delle varianze è passato da giorni a ore. L'accuratezza delle previsioni è aumentata perché abbiamo incorporato segnali in tempo reale invece che input ritardati. E, cosa più importante, la funzione finanza ha ottenuto un ruolo anticipato nelle decisioni, non dopo che queste fossero già prese.

La lezione più grande? L'IA non ha sostituito il giudizio finanziario — ci ha costretto a utilizzarlo dove conta davvero. Perché il valore della funzione finanza non risiede nel spiegare meglio il passato. Sta nell’aiutare l’azienda ad agire prima sul futuro.

Perché l’IA ha difficoltà con i resoconti nell’analisi delle varianze

Un'area dove abbiamo visto limiti chiari è stata quella dei resoconti generati dall’IA relativi all’analisi delle varianze nei report finanziari.

I numeri erano corretti. Ma il racconto non sempre lo era. Ad esempio, il modello attribuiva l’aumento delle spese operative a “maggiore assunzione in aree chiave” — plausibile, ma sbagliato. In realtà, la causa era una riclassificazione contabile una tantum e uno spostamento temporale negli accantonamenti. Il modello seguiva i pattern, non la realtà.

Era quindi impreciso, non tracciabile, e minava la fiducia nel team. Ecco come l’abbiamo risolto:

• L’IA genera segnali e ipotesi, non resoconti finali.
• Ogni output deve essere tracciabile.
• Introdotti livelli di “fiducia + evidenza”.

La validazione umana è diventata esplicita, non più data per scontata.

Come i CFO possono guidare la trasformazione finanziaria guidata dall’IA

Ecco il mio consiglio: Non inseguire l’IA. Migliora la funzione finanza — l’IA seguirà.

• Parti dal sistema, non dallo strumento.
• Ripensa il lavoro, non limitarti ad automatizzare.
• Separa il segnale dal giudizio.
• Investi nella fiducia prima che nella scala.
• Accetta che i costi si sposteranno, non spariranno.
• Guida tu stesso il cambiamento comportamentale.
• Costruisci un "Finance OS", non progetti isolati.

L’IA non ti renderà un CFO migliore. Ma metterà in luce se la tua funzione finanza era stata progettata per scalare l’intelligenza fin dall’inizio.

Pankaj Shares

Non inseguire l’IA. Migliora la funzione finanza — l’IA seguirà.

Resta aggiornato

Resta aggiornato mentre Pankaj Prasoon continua a plasmare il futuro della finanza su LinkedIn. E dai un’occhiata al suo sito personale.

Altre interviste con esperti in arrivo su The CFO Club!