C’è una certa inevitabilità nelle discussioni finanziarie di oggi: basta menzionare l'IA e la sala si illumina. Si parla di pulizia dei dati e gli sguardi si spengono. Eppure, la realtà è che la seconda conversazione è spesso la più importante delle due, soprattutto se si ha a cuore la prima.

Le organizzazioni sono sempre più ambiziose nell’uso dell’IA per l'FP&A. Dai rolling forecast al rilevamento delle anomalie, i CFO stanno investendo in tecnologie che promettono insight più rapidi e processi decisionali più mirati. C’è tuttavia una verità fondamentale che continua a essere trascurata: la qualità dell’IA dipende unicamente dalla qualità dei dati con cui viene alimentata. E per molte organizzazioni, questi dati risiedono ancora in fogli di calcolo caotici, sistemi incoerenti e database isolati.

Questo è il paradosso della qualità dei dati. Sebbene l'IA rappresenti un grande passo avanti, il suo successo dipende da qualcosa di molto più basilare: l'integrità delle informazioni sottostanti. Ignorando questo aspetto, non ci si limita a rallentare il progresso; si introducono rischi, si mina la fiducia e si compromettono le decisioni strategiche.

Con l'avvicinarsi dell’Executive Finance Summit a Zurigo, questa è una questione che un numero sempre maggiore di leader finanziari inizia ad affrontare a viso aperto.

L'illusione dell'intelligenza

La promessa dell'IA nella finanza è irresistibile. Modelli intelligenti che anticipano i movimenti di mercato, segnalano rischi, automatizzano il reporting e migliorano la precisione della pianificazione esercitano un fascino innegabile. Ma dietro questa promessa si cela un problema che non può essere eliminato con l'automazione: dati disordinati, frammentati o obsoleti.

Spesso si presume che la tecnologia avanzata compenserà in qualche modo le lacune nella qualità dei dati. Nella pratica, però, i sistemi di IA amplificano tali problemi. I modelli di machine learning, ad esempio, sono progettati per identificare pattern. Se questi pattern derivano da record incompleti o inesatti, gli output saranno altrettanto imperfetti, solo mascherati da un’apparenza di sofisticatezza.

Ciò crea una pericolosa illusione. La dashboard dell'IA appare straordinaria. I commenti sugli scostamenti sembrano plausibili. Ma sotto la superficie, decisioni aziendali critiche vengono prese sulla base di input compromessi.

Bruciare le tappe prima di aver gettato le fondamenta 

La tentazione di implementare rapidamente l'IA è comprensibile. La pressione competitiva, l'entusiasmo interno e l'influenza dei fornitori spingono tutti verso l'implementazione. Ma troppo spesso, nella fretta di iniziare, le organizzazioni saltano i passaggi fondamentali. 

L'integrazione dei dati è la prima a risentirne. Molti team finanziari operano ancora in ambienti frammentati: i dati di pianificazione in un sistema, i consuntivi in un altro, le ipotesi archiviate in file Excel su unità condivise. Possono esistere molteplici versioni della verità, gerarchie sconnesse o convenzioni di denominazione obsolete che rendono le analisi interfunzionali quasi impossibili.

In questi casi, introdurre l'IA è come installare una nuova parabola satellitare su un tetto pericolante. Lo strumento può essere potente, ma la struttura non lo reggerà.

Il risultato è prevedibile. I modelli di IA non riescono a produrre output affidabili. Gli stakeholder perdono fiducia. L'adozione si blocca. Ciò che era iniziato come un'iniziativa all'avanguardia finisce per minare la credibilità dell'intera funzione Finance. 

I costi nascosti di una scarsa data governance 

Quando le implementazioni dell'IA falliscono, la causa principale è raramente l'algoritmo. Più spesso, si tratta di una mancanza di governance sui dati che lo alimentano.

Questi problemi non sono sempre visibili all'inizio. In alcuni casi, le discrepanze nei dati sono minime: un tasso di cambio non aggiornato, un centro di costo duplicato, una spesa classificata in modo errato. Ma i modelli di IA addestrati su mesi o anni di queste informazioni apprendono i pattern sbagliati. Con il tempo, questi errori si accumulano esponenzialmente.

Ci sono anche altri costi:

• Tempo perso nella riconciliazione manuale dei dati, che distoglie gli analisti dalle attività a valore aggiunto

• Erosione della fiducia degli stakeholder negli output finanziari, in particolare quando i risultati generati dall'IA differiscono dalle note realtà aziendali

• Maggiore complessità nel ricostruire la logica del modello quando è richiesta l'auditabilità

• Investimenti sprecati in strumenti che non possono funzionare senza un'infrastruttura di dati stabile

Una governance carente non è solo un inconveniente tecnico. Mina la credibilità dell'intera funzione di pianificazione.

Costruire fondamenta di dati pronte per l'IA

Prima che qualsiasi iniziativa seria di IA nel settore Finance possa attecchire, le organizzazioni devono investire nelle proprie fondamenta di dati. Ciò non significa perfezionare ogni singolo set di dati, ma creare le condizioni affinché l'automazione possa prosperare.

Le priorità chiave dovrebbero includere:

1. Repository di dati centralizzati e strutturati. Andare oltre i fogli di calcolo isolati e i database frammentati. Una piattaforma di pianificazione unificata – come quella che offriamo qui su Apliqo – consente di avere strutture dati integrate, una denominazione coerente e aggiornamenti in tempo reale tra le diverse funzioni aziendali.

2. Titolarità e gestione responsabile dei dati (stewardship). Assegnare chiare responsabilità per l'accuratezza, la completezza e la tempestività dei dati. Questa non è solo una funzione IT. L'area Finance deve essere in prima linea nel definire cosa si intende per standard di qualità per i dati di pianificazione e performance.

3. Standard di mappatura e metadati. Creare gerarchie coerenti, convenzioni di denominazione e mappature dimensionali. I modelli di IA si basano sulla struttura. La chiarezza nel modello dei dati consente insight più precisi e un'integrazione più fluida.

4. Protocolli di controllo qualità. Introdurre processi di convalida periodici per intercettare tempestivamente le anomalie. Gli strumenti di IA possono essere d'aiuto in questo, ma necessitano di una base di informazioni affidabili su cui lavorare.

5. Cambiamento culturale. Promuovere una mentalità in cui l'accuratezza dei dati sia responsabilità di tutti. Ciò può comportare corsi di formazione, KPI o nuovi flussi di lavoro. Ma tutto inizia con la leadership che dimostra per prima il valore della qualità dei dati.

Imparare dai primi passi falsi

Alcune delle lezioni più utili derivano dai casi in cui l'IA non è stata all'altezza delle aspettative. In diversi casi di alto profilo, le aziende hanno implementato strumenti di previsione automatizzati che hanno costantemente sottoperformato rispetto ai modelli manuali: non perché gli algoritmi fossero difettosi, ma perché i dati storici su cui avevano appreso erano pieni di aggiustamenti una tantum, presupposti non documentati o periodi disallineati.

In un caso, un'organizzazione ha utilizzato il machine learning per generare previsioni di fatturato a livello di prodotto tra le diverse aree geografiche. I risultati iniziali sembravano promettenti, ma dopo due cicli di pianificazione, il modello ha iniziato a produrre anomalie estreme. La causa? Un unico foglio di calcolo obsoleto con conversioni valutarie non aggiornate da oltre un anno, che ha distorto i dati sui quali il modello era stato addestrato.

In un altro caso, un'azienda ha cercato di utilizzare l'IA per automatizzare il budgeting basato sui driver, ma non ha tenuto conto delle allocazioni dei costi incoerenti tra le diverse business unit. Il risultato è stato un budget matematicamente valido, ma completamente privo di riscontro rispetto alla realtà operativa.

In entrambi i casi, il problema non era l'ambizione del progetto, ma il fatto di dare per scontato che l'ambiente dati fosse pronto a sostenerlo.

Bilanciare l'ambizione con la prontezza

La lezione che ne traiamo non è quella di abbandonare l'IA, ma di implementarla con consapevolezza. I team FP&A ad alte prestazioni non rifuggono dall'automazione, ma basano i propri sforzi su una lucida valutazione della propria prontezza.

Riconoscono che la strada per l'IA passa attraverso la qualità dei dati, non intorno ad essa. Investono in piattaforme che danno struttura ai processi di pianificazione. E sono consapevoli del fatto che la credibilità degli output guidati dall'IA si fonda sul lavoro, spesso poco appariscente, di rendere i dati corretti.

In Apliqo, assistiamo a questa evoluzione in team finanziari di ogni tipologia e dimensione. Quelli di maggior successo considerano la data governance non come un ostacolo all'IA, ma come il suo fattore abilitante. Si concentrano sulla creazione di sistemi e culture in cui l'integrità dei dati è tutelata e in cui la tecnologia può essere implementata con fiducia.

Nei prossimi anni l'IA ridefinirà quasi certamente il modo di operare del settore Finance. Ma nessun modello, per quanto avanzato, potrà mai sostituire dati puliti e affidabili. Mentre i leader finanziari si preparano alla prossima ondata di trasformazione, la domanda non è solo quale tecnologia adottare, ma se l'organizzazione sia davvero pronta a supportarla.

Questo è uno dei temi centrali che esploreremo all’Executive Finance Summit a Zurigo il 25 giugno, dove professionisti del settore condivideranno sia i loro successi sia i loro passi falsi. Sarà l'occasione per andare oltre l'hype del momento e approfondire una questione fondamentale: cosa serve davvero per costruire una funzione Finance pronta per l'IA?

Per partecipare, iscriviti qui.