Analisi di scenario e forecast rolling con l'IA: simulazioni what-if di cui il tuo CFO si fiderà davvero

Fai passare la stessa domanda due volte attraverso un modello linguistico e puoi ottenere due risposte diverse. Va bene quando gli chiedi di riassumere un’email. È un difetto squalificante quando gli chiedi come sarà la tua posizione di cassa a marzo se un cliente chiave paga con 45 giorni di ritardo e i prezzi dell’acciaio salgono del 12%.

Questa è la tensione silenziosa che sta sotto ogni proposta di forecasting basata sull’IA. La demo è genuinamente impressionante: digiti una domanda in linguaggio semplice, guardi mille scenari what-if calcolarsi in pochi secondi, ottieni un grafico. Il problema emerge la seconda volta che la esegui, o nel momento in cui il tuo CFO chiede: “mostrami come sei arrivato a quel numero”. Un forecast che non può riprodurre se stesso non è un forecast. È un’allucinazione una tantum con una buona regia.

La buona notizia è che la velocità è reale e vale la pena averla. La soluzione non è rinunciare alla modellazione di scenari con l’IA. È essere precisi su quale parte del sistema pensa e quale parte fa i conti.

In cosa l’IA è davvero brava qui

L’analisi di scenario un tempo era limitata dal lavoro manuale. Costruire un singolo nuovo caso what-if in un foglio di calcolo, cambiare tre ipotesi, ricollegare le formule, verificare che nulla si fosse rotto, poteva richiedere un intero pomeriggio. Così i team modellavano tre scenari: base, rialzista, ribassista. La realtà ne ha più di tre.

L’IA abbatte questo costo. Descrivi il driver che vuoi flettere (DSO, churn, un input di materia prima, il timing degli assunzioni) e il sistema può generare decine di permutazioni e un forecast rolling che si aggiorna man mano che arrivano i consuntivi. Per la pianificazione della liquidità in particolare, dove la differenza tra “tutto bene” e “violazione del covenant” può essere questione di poche settimane di tempistica, avere molti scenari invece di tre è un vero salto di qualità. Questa parte della promessa regge.

Il problema non è mai la velocità del calcolo. È se puoi difendere il risultato.

Due requisiti che un CFO non rinuncerà

Un forecast che un leader finanziario metterà davvero davanti a un consiglio o a una banca deve superare due prove. La maggior parte degli strumenti di IA non ne supera nessuna, di default.

Deve essere riproducibile. Stessi input, stessa risposta, ogni volta. È esattamente qui che un LLM grezzo fallisce, perché genera testo plausibile anziché calcolare un risultato fisso. Due esecuzioni, due numeri, e ora stai spiegando una discrepanza che non puoi giustificare. La riproducibilità non è una funzionalità di lusso in finanza, è il prezzo d’ingresso, e in Germania è intrecciata con la Nachvollziehbarkeit della GoBD, il requisito che qualsiasi cifra sia tracciabile da una terza parte esperta.

Deve essere legato a una base che sia effettivamente vera. Uno scenario è solo una trasformazione di un punto di partenza. Se il punto di partenza, il tuo fatturato attuale, la tua posizione di cassa reale, i tuoi costi impegnati, non concorda con il libro mastro, ogni scenario costruito su di esso è sbagliato nella stessa direzione. Veloce, sicuro di sé e sbagliato. Sviluppiamo l’argomento completo in La qualità dei dati batte il modello, ma la versione in una riga è: base spazzatura, scenari spazzatura, per quanto intelligente sia il modello.

La soluzione: scenari deterministici su un modello riconciliato

Ecco l’architettura che rende il forecasting con IA difendibile. Si basa su una netta divisione del lavoro.

L’IA interpreta la richiesta e orchestra. Chiedi, in linguaggio semplice, “cosa succede al runway se ritardiamo le assunzioni del Q3 di due mesi e il nostro cliente più grande slitta a net-60?” Il modello capisce quali driver intendi e quale scenario assemblare. Questo è lavoro linguistico, e i modelli linguistici ci sono bravi.

Il calcolo gira attraverso un motore deterministico, non attraverso il modello. L’aritmetica vera e propria, applicare il ritardo temporale, ricalcolare il forecast, ricomputare la curva di cassa, avviene in un motore di calcolo che produce lo stesso output per lo stesso input, ogni singola volta. L’LLM non fa mai i conti. Passa i parametri al motore e riporta ciò che il motore ha restituito. Questa singola scelta architetturale è ciò che trasforma “risposta diversa a ogni esecuzione” in “risultato riproducibile, su richiesta”.

E tutto poggia su una base riconciliata: un unico modello finanziario costruito dai tuoi dati contabili e finanziari connessi, che quadra con il libro mastro. Il caso base non è un numero che l’IA ha memorizzato. È la tua posizione reale, riconciliata alla fonte.

Il risultato è che ogni cifra di scenario è tracciabile fino a due elementi: la base verificata da cui è partita, e il percorso di calcolo documentato che l’ha prodotta. Eseguilo di nuovo la settimana prossima con le stesse ipotesi e ottieni la stessa risposta. Consegnalo a un revisore e potrà seguire la catena. Questa è la differenza tra un numero che difendi e un numero che speri nessuno metta in discussione. È lo stesso principio dietro il mantenere il lavoro contabile IA tracciabile secondo la GoBD, trattato in IA in contabilità: mantenere la tracciabilità GoBD nonostante l’IA black-box.

Dove stanno i limiti onesti

Questo approccio non rende i forecast corretti. Li rende riproducibili e tracciabili, il che è un’affermazione diversa e più raggiungibile. Le tue ipotesi possono comunque essere sbagliate. Se assumi un churn del 5% e in realtà è del 9%, un motore deterministico calcolerà fedelmente la risposta sbagliata. Ciò che ottieni è la capacità di vedere esattamente quale ipotesi ha guidato il risultato, cambiarla e rieseguire, invece di discutere se lo strumento abbia fatto bene i conti.

C’è anche un costo di disciplina. Una base riconciliata significa che la connessione a monte con i tuoi dati contabili deve essere mantenuta, non impostata una volta e dimenticata. È lavoro vero. Ma è lavoro che stavi già facendo, male, nei fogli di calcolo; qui viene fatto una volta e riutilizzato in ogni scenario.

Il punto chiave

L’analisi di scenario con l’IA vale la pena adottarla: la capacità di modellare decine di casi what-if e far avanzare automaticamente il forecast è un guadagno genuino rispetto al rituale base/rialzista/ribassista. Ma la velocità senza riproducibilità è una trappola, e la riproducibilità viene dall’architettura, non da un prompt migliore. Metti la matematica in un motore deterministico, ancora tutto a una base riconciliata, e l’IA sopra diventa qualcosa che un CFO firmerà.

Questo articolo fa parte del nostro pillar sull’IA in finanza per i team tedeschi: modelli pronti per GoBD e AI Act. Se vuoi vedere scenari deterministici eseguiti sui tuoi numeri riconciliati, prenota una demo.