Dall’automazione all’autonomia: l’evoluzione verso l’Agentic AI

L’intelligenza artificiale sta ridefinendo la funzione AFC e il ruolo del CFO. 

È quanto emerge dalla survey di ANDAF (Associazione Nazionale Direttori Amministrativi e Finanziari) presentata durante l’evento “Treasury, Planning & Performance Management 2025″ organizzato da Piteco, che ha offerto una panoramica completa sullo stato dell’arte e sulle prospettive dell’AI in ambito Finance. 

Il contesto: una rivoluzione è in atto! 

Come sottolineato dal Comitato ICT di ANDAF, l’interesse per l’Intelligenza Artificiale nell’ambito dei processi CFO e degli altri stakeholder, non è inaspettato. La crescita rapidissima di ChatGPT che ha raggiunto 100 milioni di utenti in meno di 3 mesi, evidenzia una velocità di diffusione senza precedenti nel mondo dei tool informatici e social. Ad oggi si stima che entro il 2040 saranno previsti investimenti per 40 trilioni di dollari in questo settore, confermando come l’AI rappresenti una delle principali direttrici di sviluppo tecnologico ed economico del prossimo futuro. 

Il CFO si trova in una posizione privilegiata per guidare questa trasformazione. Grazie alla profonda conoscenza dei processi aziendali, alle capacità di valutazione degli investimenti e alla gestione di un’ampia mole di attività operative che possono beneficiare dell’automazione intelligente, il CFO diventa il protagonista di questa trasformazione. 

L’adozione dell’AI in Italia: i risultati della Survey ANDAF 

Per comprendere la reale diffusione dell’AI nelle funzioni Finance italiane, ANDAF ha condotto, in collaborazione con l’Università di Bologna, una survey che ha coinvolto 187 professionisti, prevalentemente CFO e Direttori/Responsabili dell’area AFC1. 

Il primo elemento che emerge in maniera chiara è che l’adozione di queste tecnologie è ancora limitata ma in crescita. 

Il 40% delle aziende ha iniziato a valutare i primi prototipi di strumenti di AI, mentre il restante 60% non lo ha ancora fatto.  

Analizzando nel dettaglio, emerge che: 

  • Il 22% ha messo a disposizione dei suoi impiegati strumenti di AI Generativa come gli assistenti virtuali più comuni: Copilot, ChatGPT, Gemini; 
  • L’11% ha effettuato prototipi che non sono ancora andati in produzione in maniera completa, ma sono ancora ad uno stadio di test; 
  • Solo il 7% ha implementato diversi use case in ambiente di produzione; 
  • Il 27% sta attualmente valutando l’implementazione di prototipi. 

Approcci all’implementazione dell’AI: tattico vs strategico  

Un aspetto interessante emerso dalla ricerca riguarda le modalità di implementazione: 

  • Il 42% adotta un approccio tattico, introducendo l’AI come supporto ai processi e agli strumenti già esistenti; 
  • Il 41% segue un approccio misto, combinando integrazioni tattiche con ridefinizioni di processi specifici dove necessario; 
  • Solo il 5% dichiara che l’IA fa parte di una strategia per riprogettare completamente i processi aziendali. 

Questo dato evidenzia come la maggior parte delle aziende stia ancora esplorando le potenzialità dell’AI attraverso interventi incrementali, piuttosto che attraverso una trasformazione radicale dei processi. 

Il gap di conoscenza: un ostacolo da superare 

Un elemento critico emerso dalla survey riguarda il livello di conoscenza dell’Intelligenza Artificiale.

Il 47% dei rispondenti dichiara di non avere o di avere poca conoscenza dell’AI. Tuttavia, il 63% di chi ne ha avuto esperienza in azienda dichiara di avere una conoscenza media o buona, suggerendo che l’esperienza diretta sia un fattore chiave per sviluppare competenze adeguate. 

I benefici attesi e raggiunti

Cosa si aspettano le aziende dall’implementazione dell’AI? I risultati della survey Andaf sono chiari: per chi ha implementato soluzioni, “Maggior tempo da dedicare ad attività ad alto valore aggiunto” è la risposta con maggior frequenza (20% in totale) insieme a “Miglioramento dell’efficienza delle unità operative“, confermando come l’AI sia vista principalmente come uno strumento per liberare risorse cognitive e operative. 

Gli ostacoli all’implementazione 

Nonostante l’entusiasmo, esistono barriere significative all’adozione dell’AI: 

  • Il primo ostacolo dichiarato è la cultura aziendale, sia per chi ha implementato (31%) ,sia per chi non lo ha ancora fatto (36%); 
  • Il basso livello di standardizzazione dei processi pari al 25% per entrambi i gruppi; 
  • La bassa qualità dei dati pari al 20% per entrambi. 

Queste informazioni confermano che la tecnologia da sola non basta: serve un cambiamento culturale, organizzativo e di governance dei dati. 

Dall’automazione all’autonomia: cos’è l’Agentic AI?

Qual è il vero salto di paradigma che l’Intelligenza Artificiale può portare nelle funzioni Finance?  

Attualmente i knowledge worker destinano una quota significativa del proprio tempo lavorativo ad attività a basso valore aggiunto, quali la preparazione delle informazioni, la riconciliazione contabile e la validazione dei dati. 

L’impiego di attuali transformer come Copilot, ChatGPT o Gemini, pur incrementando la produttività individuale in task circoscritti, non risolve in modo sostanziale tale inefficienza. 

L’evoluzione introdotta dall’Agentic AI – l’Intelligenza Artificiale capace di agire autonomamente per raggiungere obiettivi specifici, prendendo decisioni, pianificando azioni e utilizzando strumenti – non consiste in un mero incremento dell’intelligenza computazionale, bensì nel conferimento di una maggiore autonomia esecutiva dei task. 

Per comprendere la differenza, si può pensare all’organizzazione di un viaggio: un modello generativo alla ChatGPT, è in grado di elaborare un itinerario ottimale, fornendo indicazioni su destinazioni, voli e alloggi. Tuttavia, la fase di esecuzione e verifica operativa dei voli, degli hotel, dei musei rimane a carico dell’utente. 

Al contrario, l’Agentic AI, una volta definiti i limiti entro cui deve operare, è in grado di agire in autonomia, ricercando e finalizzando l’acquisto delle combinazioni ottimali sulla base della disponibilità in tempo reale dei servizi più sopra indicati 

I limiti della Generative AI 

Pascal Bornet, nel suo testo sull’Agentic Artificial Intelligence, edito nel 2025, ha identificato i tre gap funzionali principali della Generative AI tradizionale superati dall’Agentic AI: 

  • Execution Gap, l’incapacità di tradurre la generazione di piani nella verifica e nell’esecuzione operativa in tempo reale; 
  • Learning Gap, l’assenza di una capacità di apprendimento dinamico dall’esperienza operativa; 
  • Coordination Gap, la tendenza a sviluppare sistemi isolati, privi di meccanismi nativi per la coordinazione con altri sistemi esterni. 

I livelli di autonomia dell’AI  

Sempre Pascal Bornet identifica per le aziende una scala di maturità nell’adozione da parte di queste di strumenti AI che è articolata in cinque livelli: 

  • Level 1: RPA e Machine Learning Rule Based Automation; 
  • Level 2: Gen AI Intelligent Automation; 
  • Level 3: Agentic AI Agentic Workflows; 
  • Level 4: Semi Autonomous Agentic Systems; 
  • Level 5: Full Autonomous Agentic Systems.

Un caso pratico: l’AI nella Tesoreria 

Un esempio concreto dell’applicazione dell’Agentic AI riguarda la gestione della Tesoreria, ambito in cui l’Agent AI può: 

  • Analizzare impieghi e i fabbisogni basati su serie storiche e dati prospettici; analizzare le partite in scadenza, le abitudini di pagamento dei clienti; analizzare la stagionalità e le variabili esogene come tassi di interesse e tassi di cambio, e altre variabili che possono avere un impatto sul business dell’azienda;
  • Scegliere l’algoritmo migliore per la previsione di cassa necessaria per fare fronte ai bisogni del business; 
  • Scegliere il canale di finanziamento meno oneroso o più adatto in quello specifico momento (factoring, lombard, linee di credito, sconto finanziario per anticipo di pagamento, cash pooling, ecc.) 
  • Proporre autonomamente azioni concrete da adottarsi. 

Modelli e tecnologie per la Tesoreria 

Tra i principali casi d’uso e modelli AI applicabili nell’area Treasury possiamo identificare:

  • Cash Flow Forecasting: con l’utilizzo di Machine Learning (XGBoost, Prophet, LSTM) per previsioni giornaliere o settimanali; 
  • Funding Need Prediction: con modelli di regressione/classificazione per stimare probabilità di deficit e importo ottimale da finanziare; 
  • Funding Mix Optimization: con la programmazione lineare/quadratica o Reinforcement Learning per ottimizzare il mix tra debito bancario, factoring e bond; 
  • Scenario Simulation: Monte Carlo + ML per analizzare l’impatto di scenari macro e stress test; 
  • AI Funding Advisor: LLM + RAG per suggerimenti e alert automatici. 

 Quale potrebbe essere un Maturity Model per la Tesoreria? 

Si passa da un livello iniziale caratterizzato dalla semplice automazione di parte dei processi di Tesoreria verso una vera e propria “Cognitive Treasury”! 

  • L1 – Automation: automazione dei flussi bancari e riconciliazioni (RPA, OCR, API bancarie) 
  • L2 – Prediction: previsione dei flussi di cassa e fabbisogni (ML regression, time series) 
  • L3 – Optimization: ottimizzazione del funding mix (Reinforcement learning, linear programming) 
  • L4 – Cognitive Treasury: simulazione di scenari e decisioni autonome (LLM + simulazioni Monte Carlo + RAG) 

La sfida del Change Management 

Come ben riassume Thomas Davenport: “La velocità della trasformazione organizzativa è decisamente inferiore a quella dell’innovazione tecnologica“. Nel processo di trasformazione mosso dall’AI, le persone rimangono al centro! Per governare questo processo sarà però necessario: 

  • Aggiornare le competenze delle persone, dal Management ai singoli collaboratori; 
  • Riprogettare i processi operativi e migliorarli costantemente nel tempo; 
  • Integrare i vari sistemi aziendali affinché la conoscenza sia condivisa e le informazioni messe a fattor comune; 
  • Impostare progetti di trasformazione a livello aziendale; 
  • Monitorare costantemente la corretta esecuzione dei task affidati all’AI (human-in-the-loop). 

“Alla fine, è sempre l’uomo che deve decidere in ultima istanza cosa deve essere fatto. I sistemi di AI sono acceleratori di processi operativi, non sistemi autonomi di decisione strategica”. 

Conclusioni

L’Intelligenza Artificiale non è più un tema futuribile, ma una realtà concreta che sta già trasformando le funzioni AFC italiane.  

I dati raccolti da ANDAF mostrano un panorama in evoluzione, con un 40% di aziende che hanno già iniziato il percorso di adozione, anche se spesso con approcci ancora tattici e incrementali. 

Il vero salto di qualità arriverà con l’Agentic AI, che promette di superare i limiti degli attuali strumenti generativi, conferendo vera autonomia esecutiva ai sistemi intelligenti. Tuttavia, come evidenziato dalla ricerca, il successo dell’implementazione dipenderà più dalla capacità di gestire il cambiamento culturale e organizzativo che dalla tecnologia stessa. 

Il CFO del futuro sarà sempre più un orchestratore di sistemi intelligenti, capace di liberare tempo ed energie dalle attività operative per concentrarsi su analisi strategiche e creazione di valore. La strada è tracciata, ma richiede investimenti in competenze, governance dei dati e riprogettazione dei processi.  

 A cura del Comitato ICT di Andaf: Donato Pastore e Fabrizio Alberton. 

Fabrizio Alberton, Vice Presidente Comitato ICT ANDAF

I am text block. Click edit button to change this text.

Intelligenza Artificiale