Leader di pensiero
L’IA è intelligente solo quanto i dati finanziari su cui si basa

Punti chiaveL'IA fallisce quando i sistemi non concordano su cosa significhi un singolo campo come…
Vedi di più
- L'IA fallisce quando i sistemi non concordano su cosa significhi un singolo campo come la data di pagamento.
- Dati finanziari connessi consentono all'IA di distinguere cambiamenti significativi da fluttuazioni di routine.
- I contratti sui dati e i flussi guidati dagli eventi contano più dell'applicazione di IA stessa.
L’IA è ormai parte integrante di quasi ogni conversazione sul futuro della finanza. Le organizzazioni investono nell’IA per automatizzare le attività di routine, migliorare le previsioni e aiutare i dipendenti a prendere decisioni più rapidamente. La maggior parte di queste conversazioni parte dai modelli e dalle applicazioni. A mio avviso, dovrebbe invece partire dalla qualità, dalla connettività e dalla governance dei dati su cui questi sistemi fanno affidamento.
Ho trascorso la mia carriera a realizzare e sviluppare infrastrutture per i pagamenti, e i problemi più difficili raramente riguardavano gli algoritmi. Riguardavano l’infrastruttura di base necessaria affinché piattaforme contabili, banche, fornitori di servizi di gestione delle retribuzioni e circuiti di pagamento descrivessero nello stesso modo lo stesso evento aziendale.
La sfida è particolarmente evidente in ambito finanziario. Contabilità, attività bancarie, gestione delle retribuzioni, fatturazione e pagamenti generano informazioni che influenzano le decisioni aziendali. Quando questi sistemi operano separatamente, creano ambienti di dati frammentati, rendendo molto più difficile per l’IA ricostruire il contesto dell’intera organizzazione. L’IA può individuare schemi all’interno dei singoli sistemi, ma non può spiegare in modo affidabile cosa sta succedendo nell’azienda senza una visione integrata delle finanze dell’organizzazione. Agli inizi di Melio ci siamo imbattuti in una questione che sembra banale, ma non lo è: che cosa significa «pagato»? Un cliente autorizza un pagamento lunedì. Martedì i fondi lasciano il suo conto. La banca del fornitore li rende disponibili giovedì. La transazione viene abbinata a una fattura la settimana successiva. Quattro date, quattro risposte plausibili alla domanda «quando è stato effettuato il pagamento?», e nessuna è sbagliata. Un contabile riesce a gestire questa ambiguità senza nemmeno pensarci. Un modello di previsione che considera la «data di pagamento» un singolo campo produce previsioni che, con sicurezza e sistematicità, sbagliano sulle tempistiche: proprio l’aspetto che una previsione dei flussi di cassa deve azzeccare. Integrare questi sistemi era il primo passo necessario. Farli concordare sul significato dei campi è ciò che ha dato valore all’integrazione. In ambito finanziario, essere «pronti per l’IA» comincia dalla connessione; ma la connessione conta solo se i sistemi descrivono nello stesso modo lo stesso evento.
Una visione più chiara porta a decisioni migliori
La necessità di disporre di dati finanziari integrati è sempre più urgente. Il rapporto Small Business Insights di Xero ha rilevato che le piccole imprese statunitensi attendono oggi in media 29,3 giorni per ricevere il pagamento, mentre la crescita annua delle vendite, pari al 4,0%, resta al di sotto della media di lungo periodo. Quando le tempistiche dei pagamenti, le spese e la domanda evolvono ciascuna per conto proprio, le organizzazioni hanno bisogno di sistemi in grado di collegare questi segnali, anziché analizzarli isolatamente: ciò vale tanto per la gestione della tesoreria di una grande azienda quanto per un’attività con 10 persone.
Si pensi a un’azienda che deve decidere se può assumere un altro dipendente prima della fine del trimestre. La decisione dipende da più del saldo bancario di oggi: contano anche i pagamenti attesi dai clienti, gli impegni per le retribuzioni, le spese ricorrenti, le prossime scadenze fiscali e i ricavi previsti. Nessun singolo indicatore fornisce una risposta affidabile. Riunire questi dati offre ai dirigenti un quadro più chiaro della situazione finanziaria e dà all’IA elementi significativi su cui ragionare. L’automazione richiede l’accesso alle transazioni. Per ragionare serve il contesto.
I team finanziari possono trascorrere la prima parte di ogni mese a riconciliare i dati tra i vari sistemi prima ancora di poter avviare un’analisi significativa. Quando riescono a ricostruire un quadro completo, il cambiamento dei flussi di cassa che stanno cercando di comprendere potrebbe già risalire a diverse settimane prima. È proprio questo ritardo che i dati integrati possono ridurre.
L’IA crea valore quando comprende l’azienda
La prima generazione di IA in ambito finanziario si è concentrata sull’efficienza: classificare le transazioni, elaborare le fatture e aiutare i team a svolgere più rapidamente le attività di routine. Queste funzionalità continuano a offrire valore, ma le aspettative si stanno spostando dall’automazione delle attività al supporto decisionale consapevole del contesto: individuare prima i rischi per i flussi di cassa, migliorare l’accuratezza delle previsioni e comprendere come i cambiamenti nelle abitudini di pagamento, nelle spese o nell’andamento dei ricavi potrebbero influire sui risultati futuri.
Per riuscirci, l’IA deve analizzare i dati finanziari nel loro contesto. Il significato di ogni transazione dipende dalle circostanze che la circondano: un aumento delle spese potrebbe indicare spese eccessive oppure riflettere acquisti di scorte in previsione della domanda stagionale; una diminuzione delle riserve di liquidità potrebbe segnalare pressioni sulla liquidità oppure dipendere semplicemente dalle tempistiche dei versamenti trimestrali delle imposte. L’IA diventa preziosa quando è in grado di fare altrettanto, collegando gli schemi ricorrenti nelle transazioni storiche, nelle disponibilità liquide, nei crediti verso clienti e nei segnali operativi, così da distinguere un cambiamento significativo da una normale fluttuazione.
Costruire le fondamenta giuste
Per i responsabili della tecnologia che valutano l’uso dell’IA in ambito finanziario, la domanda decisiva non è quale applicazione implementare per prima, ma se l’ambiente di dati sottostante sia in grado di fornire il contesto completo e aggiornato di cui tali applicazioni hanno bisogno. Nella realizzazione di questi sistemi, alcuni investimenti sono più importanti di altri:
Considerate le integrazioni come contratti, non come semplici connessioni. Una sincronizzazione una tantum tra una piattaforma contabile e un sistema di pagamento non resterà allineata nel tempo. Definite contratti sui dati espliciti — schemi, definizioni dei campi e garanzie di aggiornamento — affinché, quando cambia un sistema a monte, le prestazioni dell’IA a valle non peggiorino senza che nessuno se ne accorga.
Passare dalla riconciliazione in batch a flussi di dati basati sugli eventi. Se i dati finanziari vengono riconciliati ogni settimana o ogni mese, l’IA formula previsioni basandosi su informazioni obsolete. Le pipeline basate sugli eventi, che propagano le transazioni man mano che avvengono, forniscono ai modelli dati aggiornati, necessari per rilevare tempestivamente i cambiamenti.
Definire un livello semantico per le metriche finanziarie. «Posizione di cassa», «crediti in sospeso» e «ricavi» devono avere lo stesso significato in ogni sistema. Senza definizioni coerenti, l’IA produrrà con sicurezza risposte che i diversi team interpreteranno in modi diversi.
Valutare i risultati dell’IA confrontandoli con i dati effettivi. Il libro mastro offre alla finanza un vantaggio rispetto alla maggior parte degli ambiti dell’IA: esiste una registrazione verificabile. Le analisi finanziarie generate dall’IA dovrebbero essere sottoposte agli stessi criteri del lavoro di un analista junior: verificate confrontandole con i dati consuntivi e misurandone l’accuratezza nel tempo. La fiducia nelle raccomandazioni dell’IA si conquista con le misurazioni, non la si può semplicemente affermare.
Questi investimenti ricevono meno attenzione delle applicazioni di IA che vi si basano, ma determinano se tali applicazioni funzionano.
Il vero fattore distintivo
Con l’integrazione sempre più profonda dell’IA nella gestione finanziaria, la sfida tecnica si sta spostando dalle capacità dei singoli modelli all’efficacia con cui operano all’interno di un’architettura più ampia dei dati finanziari.
Le organizzazioni che investono in dati interconnessi individueranno prima i cambiamenti nei flussi di cassa e avranno maggiore fiducia nelle previsioni generate dall’IA. La differenza non sta nel modello, ma nei dati che lo alimentano.












