Modellazione di scenari e what-if alla velocità di una domanda del board

Un membro del board si sporge in avanti e fa la domanda che ogni CFO ha provato e temuto: “Se il nostro cliente più grande ci abbandona e i tassi restano dove sono, dove finisce la cassa nel terzo trimestre?” La sala si zittisce. Hai due opzioni. Aspettare due giorni perché l’FP&A ricostruisca il modello, oppure rispondere subito. La spinta verso il “rispondi subito” è esattamente dove l’IA inizia a sembrare attraente, ed esattamente dove può demolire la tua credibilità in una frase.

Perché ecco la modalità di guasto che nessuno mostra nelle demo. Fai all’assistente IA la domanda sull’abbandono del cliente, e questo produce una cifra di cassa sicura fino al dollaro, e quella cifra è una supposizione. Non un calcolo. Un numero statisticamente plausibile a forma di risposta. Se un membro del board lo verifica contro qualcosa che già sa, hai appena insegnato alle persone più importanti nella stanza che i tuoi numeri sono teatro.

Gli scenari sono il lavoro, e gran parte del lavoro è idraulica

Lo scenario planning non è un’attività secondaria per la finanza. È l’attività. I sondaggi indicano che i team FP&A passano una quota consistente del loro tempo, spesso qualcosa tra un terzo e quasi la metà della settimana, a raccogliere e pulire dati invece di analizzarli, ed è la tassa che paghi ogni volta che qualcuno vuole un caso nuovo. E l’appetito cresce soltanto: la maggior parte dei team finance ora prevede mensilmente, una quota significativa settimanalmente, e le organizzazioni che trattano lo scenario planning come una disciplina strutturata sovraperformano in modo misurabile quelle che improvvisano.

Quindi la domanda è reale ed è costante. I board vogliono scenari più ricchi, più numerosi, più veloci. L’istinto di gettare l’IA sul collo di bottiglia è corretto. L’errore è lasciare che l’IA faccia la parte in cui è peggiore.

Dove l’IA fallisce silenziosamente: stima il downside

Un LLM è un motore di previsione. Chiedigli un caso pessimistico e ne scriverà uno che si legge magnificamente e arriva istantaneamente. Il problema sta in come ci è arrivato. Non ha preso la tua base di ricavi riconciliata, tolto l’account perso, tenuto fisso il driver dei tassi e propagato il cambiamento attraverso la logica di costi e cassa. Ha riconosciuto uno schema di come appare di solito un caso pessimistico e ha prodotto un numero in quel vicinato.

A volte il vicinato è vicino. A volte è fuori di un margine che conta. Non puoi capire quale dal risultato, perché la versione sicura e quella corretta sembrano identiche. Questa è la trappola. Il punto stesso di un caso pessimistico è che deve essere difendibile sotto pressione, e un numero che non puoi tracciare è l’opposto della difendibilità.

Questo è lo stesso divario di ragionamento che si presenta in tutto il lavoro finanziario con l’IA. Il modello è genuinamente bravo con il linguaggio, la struttura e l’orchestrazione. È inaffidabile nell’aritmetica nel momento in cui i numeri smettono di essere banali. Trattare queste due cose come la stessa competenza è l’errore alla radice.

La separazione che rende gli scenari affidabili

La soluzione non è un prompt migliore o un modello più intelligente. È un’architettura che toglie del tutto la matematica all’LLM.

Pensa a due compiti distinti. Il primo è capire la domanda e decidere cosa cambiare: quale driver muovere, di quanto, su quali periodi. Questo è ragionamento, e l’IA ci è brava. Il secondo è calcolare il risultato: applicare il cambiamento a un modello finanziario riconciliato e ricalcolare ogni riga dipendente. Questa è esecuzione, e deve essere deterministica.

Quindi quando il board fa la domanda sull’abbandono, l’IA non inventa una cifra di cassa. Traduce la domanda in una definizione di scenario. Rimuovi questo flusso di ricavi del cliente. Tieni fisso il prezzo. Ricalcola fino al terzo trimestre. Poi consegna quella definizione a un motore di calcolo che gira su un unico modello riconciliato ancorato al libro mastro, e il motore restituisce la cifra. L’IA narra il risultato. Non produce mai il numero da sola.

La differenza nella pratica: ogni scenario diventa un ricalcolo deterministico invece di una supposizione. Stessi input, stessa risposta, ogni volta. E poiché il calcolo è girato su cifre che riconciliano con la fonte, puoi mostrare il tuo lavoro riga per riga se qualcuno lo chiede. Questo è ciò che trasforma “l’IA ha detto che la cassa scende a X” in “ecco esattamente come la cassa scende a X”.

Cosa cambia quando la base regge

Una volta che la matematica vive nel motore e non nel modello, la velocità che volevi smette di essere pericolosa.

Puoi fare domande di follow-up in tempo reale, nella stanza. Togli il cliente ma supponi un aumento dei prezzi del 6% sulla base rimanente. Aggiungi un blocco delle assunzioni da marzo. Aggiungi un taglio dei tassi. Ogni variazione è una nuova esecuzione della stessa logica deterministica, non un’allucinazione fresca, quindi restano internamente coerenti tra loro e con il piano base. Un membro del board può impilare tre ipotesi e i numeri quadrano ancora, perché sono tutti calcolati allo stesso modo sulla stessa base.

Questo è anche il motivo per cui la base riconciliata sotto la previsione continua conta così tanto qui. Gli scenari valgono quanto la base da cui partono. Se i tuoi actual vanno alla deriva o le tue relazioni tra driver vengono riderivate in modo incoerente a ogni esecuzione, ogni scenario eredita quel rumore. Ancora la base, rendi i driver deterministici, e l’analisi what-if diventa un esperimento controllato invece di un esercizio di scrittura creativa.

I limiti onesti

Questo non è magia, e vale la pena dire chiaramente alcune cose.

Il motore è corretto solo quanto la logica di modello che vi costruisci dentro. Deterministico non significa giusto; significa riproducibile e ispezionabile. Una relazione di driver sbagliata produrrà in modo affidabile la stessa risposta sbagliata. Il vantaggio è che puoi trovarla e correggerla, cosa che non puoi fare con un numero che l’IA ha tirato fuori dal nulla.

C’è anche un giudizio genuino nello scegliere quali scenari eseguire. L’IA può suggerire un set sensato e segnalare combinazioni che potresti perdere, ma decidere quale downside sia abbastanza plausibile da pianificare resta una scelta umana. L’architettura elimina il rischio aritmetico. Non elimina il bisogno di un CFO che conosca il business.

E no, questo non ti permette di rispondere a ogni domanda del board istantaneamente dal primo giorno. Richiede un modello che riconcili davvero con il tuo libro mastro e una logica di driver che qualcuno abbia pensato a fondo. Quello è lavoro vero. Ma è lavoro che fai una volta e riutilizzi a ogni domanda, invece di lavoro che rifai da zero ogni volta che qualcuno dice “cosa succederebbe se”.

La conclusione

Il board non vuole un numero veloce. Vuole un numero su cui potersi appoggiare mentre prende una decisione che vale milioni. La velocità senza tracciabilità è peggiore della lentezza, perché trasforma un ritardo in una passività. I team che vinceranno la conversazione sugli scenari nel 2026 saranno quelli che lasciano che l’IA gestisca il linguaggio e l’orchestrazione mentre un motore deterministico gestisce ogni cifra, contro un modello che riconcilia con la fonte.

Se vuoi vedere una domanda what-if risolta dal vivo e poi tracciata riga per riga fino al libro mastro, prenota una demo. Quella traccia è tutta la differenza tra una supposizione e una risposta.

Fonti: Cube: FP&A 2026 Guide, Resourceful Finance Pro: Structured Scenario Planning, FutureCFO: How finance teams use scenario planning