Il nostro punto di partenza è un’analisi che McKinsey ha svolto su un numero significativo di CFO. L’obiettivo era comprendere se le aziende alla quali appartenessero fossero realmente riuscite a trasformare gli investimenti realizzati in IA in casi d’utilizzo che abbiano prodotto risultati concreti.
Il quadro che emerge è moderatamente ottimista, svelando che i primi ambiti a generare ritorni sono quelli relativi alle attività di pianificazione strategica e del controllo. Qui l’AI è un supporto nell’integrare dati finanziari, operativi ed esterni, generando analisi più rapide, alert più intelligenti, simulazioni e scenari alternativi. Ecco, dunque, che i team finanziari risparmiano tempo alla raccolta e alla rielaborazione manuale dei numeri – secondo McKinsey dal 20 al 30% – liberando così ampi margini per interpretare i dati e supportare la fase decisionale.
Il secondo terreno in cui l’AI sta mostrando un impatto molto concreto è la gestione del capitale circolante. L’evoluzione più interessante riguarda i flussi di account payable e receivable, dove sistemi agentici riescono a leggere contratti, confrontarli con le fatture e intercettare anomalie, errori o mancate applicazioni di condizioni economiche favorevoli. Per rendere l’idea in modo concreto, McKinsey cita il caso di un’azienda biotech che utilizzando un sistema AI per verificare la corretta applicazione di sconti, rebate e pricing tier, ha individuato perdite contrattuali pari a circa il 4% della spesa totale. l’AI, quindi, non solo come strumento di efficienza, ma anche come leva diretta di recupero margini.
Un terzo fronte, come era facile intuire, si colloca nel campo dell’ottimizzazione dei costi. Lavorando su fatture, ordini di acquisto, categorie di spesa e fornitori, l’AI riesce a costruire una classificazione molto più granulare dei costi e a far emergere sprechi, anomalie e opportunità di saving prima invisibili. Anche in questo caso McKinsey fa un esempio: il caso di una grande istituzione finanziaria europea che, grazie a Large Language Models (LLM) e Advanced Analytics, ha identificato inefficienze diffuse e ottenuto una riduzione dei costi pari a circa il 10% su una spesa indiretta di diversi miliardi di euro. Tutto ciò è avvenuto grazie alla capacità dell’AI di dare ordine e leggibilità a dati che prima erano troppo dispersi per generare insight utili.
Lo studio di McKinsey mette però anche in guardia dagli errori nei quali si può incorrere nel percorso verso l’adozione di strumenti AI. In particolare, ne individua cinque: aspettare dati perfetti prima di partire, tentare di trasformare tutto contemporaneamente, avviare progetti pilota senza una roadmap chiara, trascurare il change management e automatizzare processi già frammentati. Si tratta di indicazioni importanti per chi governa le funzioni finance: il vero cambio di passo non avviene aggiungendo nuovi tool per la gestione di vecchi modelli organizzativi, ma ripensando processi, competenze e priorità.
