Prima che l'IA agentiva agisca nella tesoreria, i CFO devono sapere se possono fidarsi dei suoi consigli

L’annuncio di Mastercard su Agent Pay è un segnale che gli agenti IA si stanno avvicinando al livello dei pagamenti. Per i consumatori, questo può significare agenti IA in grado di acquistare, sottoscrivere abbonamenti o effettuare transazioni entro autorizzazioni definite. Per i responsabili di tesoreria, solleva una domanda più interessante: che cosa accade quando un agente IA non si limita a consigliare, ma esegue effettivamente decisioni finanziarie?

Questo livello successivo è importante. Un insight errato generato dall’IA può essere contestato. Una raccomandazione errata può essere riesaminata. Ma un pagamento confermato, un investimento o una copertura FX sono più difficili da annullare.

Ecco perché i responsabili di tesoreria non dovrebbero aspettare l’arrivo dell’esecuzione autonoma per definire come si fideranno dell’IA e dove gli esseri umani restano nel processo. La prima fase è più basilare e più immediata: i team di tesoreria possono fidarsi degli insight e delle raccomandazioni generati dall’IA?

Molte conversazioni sulla preparazione all’IA nella finanza iniziano dalla qualità dei dati. E capisco perché. La tesoreria non può fidarsi di dati incompleti, che si tratti di reporting bancario mancante, posizioni di cassa non riconciliate o dati incerti su debiti e crediti. L’IA può aiutare a identificare e arricchire i dati mancanti, ma senza un adeguato sistema di controllo, cioè workflow, controlli, best practice e competenze di tesoreria costruiti intorno al LLM, può altrettanto facilmente creare più problemi di quanti ne risolva.

Senza un sistema di controllo, la stessa domanda posta sugli stessi dati può produrre risposte diverse in giorni diversi. Un comportamento simile può verificarsi quando all’IA viene chiesto di trovare transazioni bancarie mancanti, categorizzare flussi di cassa o interpretare tendenze di liquidità. In tesoreria, questa mancanza di ripetibilità precisa non è un fastidio tecnico. È un problema di fiducia.

La fiducia richiede confidenza nei dati, ma dipende anche dalla comprensione di come è stato costruito l’agente. I CFO devono sapere quali parti dell’analisi sono guidate dal LLM, quali parti sono governate da controlli specifici di tesoreria e dove workflow ripetibili impongono coerenza.

Come avrebbero potuto dire gli antichi Greci: “conosci il tuo agente”.

Il primo problema di fiducia: l’IA come consulente

Per molti team di tesoreria, il primo utilizzo pratico dell’IA non sarà passare direttamente al processo decisionale automatizzato e all’esecuzione delle transazioni. Sarà offrire insight e raccomandazioni.

Questo può includere domande come:

• Perché la cassa si è mossa diversamente dal previsto?

• Quali entità mostrano pattern di liquidità insoliti?

• Quali esposizioni sono più sensibili a uno shock sui tassi o sui cambi?

• Quali pagamenti sono sospetti?

• Che cosa accade alla nostra cassa se lo stretto si apre o si chiude di nuovo?

• Che cosa dovremmo fare ora?

Sono casi d’uso ad alto valore. Possono aiutare i team finance a fornire input significativi e interpretazioni più rapide quando qualcosa di rilevante cambia. Eppure, anche in questo ruolo consultivo supportato dall’IA, la fiducia conta.

Un esempio non troppo tempo fa ha riguardato un’azienda che aveva dati duplicati nel proprio data lake. Una delle sue banche aveva inviato reporting intraday sia in formato MT sia in formato CAMT per un certo periodo. Il problema non era il reporting del giorno precedente, ma la duplicazione intraday. Senza un sistema di controllo che aiutasse il LLM a capire che le stesse transazioni venivano inviate sistematicamente due volte, il modello IA ha creato previsioni costruite su pattern fantasma.

Sebbene questo non sia chiaramente lo stesso caso di un agente IA che avvia, approva e rilascia un pagamento, ha comunque creato timore nell’affidarsi all’IA per gestire le sfumature della vita quotidiana della tesoreria.

Se uno strumento di IA raccomanda un movimento di cassa, identifica una potenziale carenza o segnala un’eccezione di pagamento, i team di tesoreria devono sentirsi sicuri che i calcoli siano corretti. Devono sapere che l’IA ha completato il lavoro come lo avrebbero fatto loro stessi.

Questo dimostra la necessità di integrare competenze di tesoreria negli agenti di tesoreria, con quegli stessi agenti specializzati che mostrano il proprio ragionamento per “mostrare il lavoro svolto”, per così dire. Altrimenti, l’IA diventa un’altra scatola nera sovrapposta a dati di tesoreria già frammentati.

La qualità dei dati conta

Molti responsabili di tesoreria parlano di dati puliti come prerequisito per il successo dell’IA. Di solito sono anch’io in quel gruppo; spesso dico che non esiste una strategia IA senza una strategia dei dati. Ma questo significa che i dati devono essere perfetti? Direi di no. Perché, se quello fosse il prezzo d’ingresso, nessuno inizierebbe mai con l’IA.

Nel Kyriba CFO Survey 2026, solo il 40,7% dei CFO ha dichiarato di avere una visibilità di cassa completamente completa e in tempo reale. È un dato significativo perché quasi sei responsabili finance su dieci segnalano imperfezioni nel proprio reporting di cassa. Significa anche che le loro analisi IA possono operare con dati di cassa ritardati, parziali o frammentati. Il sondaggio non ha chiesto quanti abbiano una visibilità del 90% o del 95%, ma sappiamo tutti che il numero di team finance che hanno accettato il 90% o più, ma non il 100%, è significativamente più alto.

Che cosa significa questo per l’IA? Significa che si possono avere informazioni incomplete e prendere comunque decisioni complesse sulla liquidità, compresa la copertura delle esposizioni di cassa. I team di tesoreria operano in modo piuttosto efficace senza tutti i dati. Ma ciò che non possono sacrificare è la correttezza dei dati.

L’IA può aiutare a colmare le lacune nella visibilità di cassa, o persino formulare ipotesi su ciò che non vediamo. Ma l’IA ha bisogno che i dati disponibili siano corretti. L’affidabilità è importante; altrimenti l’IA viene costruita su fondamenta fragili e, quando le viene chiesto di modellare scenari di liquidità o segnalare anomalie nei pagamenti, il rischio non è solo che l’output sia sbagliato. Il vero problema è che l’output può sembrare convincente pur essendo sbagliato.

Ora, nello stesso sondaggio CFO, il 31,2% dei CFO ha indicato l’affidabilità dei dati come priorità operativa critica per il 2026. È un dato significativo, ma significa anche che quasi sette CFO su dieci non trattano l’affidabilità dei dati come una priorità. È preoccupante, soprattutto mentre l’IA diventa sempre più coinvolta nelle analisi e nelle raccomandazioni di tesoreria. Mostra anche da dove deve cominciare la preparazione all’IA: dati affidabili e controlli chiari su come gli agenti li utilizzano.

Cinque domande prima che la tesoreria si fidi dei consigli dell’IA

Prima di implementare l’IA nei workflow di tesoreria, CFO e responsabili di tesoreria dovrebbero essere in grado di rispondere a cinque domande fondamentali.

1. Possiamo riprodurre la risposta dell’IA?

I team di tesoreria non possono fare affidamento su insight che a volte cambiano ogni volta che la stessa domanda viene posta sugli stessi dati. Se l’IA segnala un rischio di liquidità, raccomanda un movimento di cassa o identifica un potenziale evento fraudolento, gli utenti dovrebbero poter capire se le stesse condizioni produrrebbero di nuovo la stessa raccomandazione.

La ripetibilità conta. In un agente non controllato, lo stesso prompt sugli stessi dati può ancora produrre risposte diverse. Può essere accettabile quando l’IA riassume un documento. Non è accettabile quando l’output può influenzare decisioni su liquidità, pagamenti, coperture o investimenti.

“Lo ha detto l’IA” non è un controllo di tesoreria. Ma nemmeno “questa volta l’IA ha detto qualcosa di diverso” lo è.

2. Sappiamo quali dati, strumenti e competenze ha utilizzato l’IA?

L’IA è affidabile solo quanto i dati e le capacità che è autorizzata a utilizzare. Se un feed bancario è in ritardo, un file ERP è incompleto, la riconciliazione non è avvenuta o un agente utilizza lo strumento sbagliato per l’attività, l’output può ancora sembrare convincente.

I team di tesoreria hanno bisogno di visibilità sui dati di origine, freschezza dei dati, esclusioni, lacune note e competenze o strumenti utilizzati per generare la raccomandazione. Una raccomandazione basata su dati obsoleti o parziali non dovrebbe avere lo stesso peso di una basata su informazioni complete e riconciliate. Una raccomandazione prodotta al di fuori di un sistema di controllo approvato non dovrebbe avere lo stesso peso di una generata tramite accesso controllato ai dati, competenze definite e workflow ripetibili.

3. Gli utenti possono contestare la raccomandazione?

Fiducia non significa accettare ogni output. Significa sapere come interrogarlo.

In pratica, ho visto team di tesoreria chiedere se una raccomandazione generata dall’IA fosse accurata. Ne ho visti meno chiedere quali alternative il sistema avesse considerato, quale ipotesi cambierebbe la risposta, o se la raccomandazione resterebbe valida qualora una fonte fosse obsoleta.

Gli utenti di tesoreria dovrebbero poter chiedere perché è stata formulata una raccomandazione, quali alternative sono state considerate e quali condizioni cambierebbero la risposta. Se viene segnalata una carenza di liquidità, gli utenti dovrebbero poter testare se la conclusione cambia con ipotesi diverse o correzioni dei dati.

4. Dove avviene la revisione umana?

Anche quando l’IA si limita a consigliare, la supervisione umana deve essere esplicita. Una raccomandazione di previsione di cassa può richiedere una revisione da parte delle operations di tesoreria. Una raccomandazione di copertura può richiedere input dal risk management. Un’eccezione di pagamento può richiedere un’escalation prima che venga intrapresa qualsiasi azione.

È qui che molte conversazioni sulla governance diventano troppo astratte. “Human-in-the-loop” suona rassicurante, ma conta solo se l’organizzazione può nominare la persona, prendere la decisione giusta e mostrare dove quella revisione avviene prima che la raccomandazione diventi azione.

La governance human-in-the-loop non deve necessariamente rallentare tutto, ma deve definire dove giudizio e responsabilità entrano nel processo.

5. Possiamo testare l’IA contro scenari reali di tesoreria?

La preparazione non è teorica. I team di tesoreria dovrebbero testare l’IA contro le condizioni che affrontano davvero: un file bancario in ritardo, una carenza di liquidità, uno shock FX, una controparte sanzionata, un’anomalia di pagamento o un’approvazione fallita.

Lo scopo non è semplicemente vedere se l’IA produce una risposta plausibile. È vedere se l’organizzazione può spiegare, contestare, effettuare escalation o respingere quella risposta prima che influenzi una decisione di tesoreria.

In ogni implementazione di IA in tesoreria che abbiamo guidato in Kyriba, i team che si sono mossi più velocemente non erano quelli che sperimentavano in modo più aggressivo. Erano quelli che avevano definito percorsi di escalation, confini di approvazione e requisiti di trasparenza dei dati prima che l’agente entrasse nel workflow.

Prima camminare carponi, poi correre

Man mano che gli agenti IA si avvicinano all’esecuzione finanziaria, la questione della fiducia diventa più urgente, ma la tesoreria non dovrebbe iniziare dal momento in cui un agente muove denaro. Dovrebbe iniziare un passo prima, con la raccomandazione che porta qualcuno ad approvare un pagamento, un investimento, una copertura o un cash sweep.

Questa è la fase “crawl” della tesoreria guidata dall’IA: dimostrare che insight e raccomandazioni generati dall’IA sono ripetibili, spiegabili e governati prima che arrivi l’azione avviata dall’IA. Le fasi successive saranno più difficili, perché auditare i consigli dell’IA non è lo stesso che auditare un’azione dell’IA dopo l’esecuzione.

Il 73,5% dei CFO nel nostro sondaggio ha dichiarato che la padronanza dell’IA e delle tecnologie emergenti è la competenza più importante per i futuri leader finance. Il primo test di questa padronanza non è se un CFO sappia riconoscere la promessa dell’IA. È se l’organizzazione sappia governare il consiglio che l’IA dà prima che quel consiglio diventi azione.

Prima che l’IA agisca, i team di tesoreria devono rispondere a una domanda: possiamo dimostrare perché l’agente ha dato quel consiglio prima che qualcuno agisca in base a esso?