Nelle PMI italiane la tesoreria continua, nella maggior parte dei casi, a funzionare su Excel.
Non si tratta di un limite di competenze o di visione. Al contrario, i fogli di lavoro sono spesso costruiti con logiche solide, frutto di anni di affinamenti progressivi, e rappresentano uno strumento flessibile che il team conosce e governa con sicurezza.
Proprio per questo motivo, il tema dell’introduzione dell’intelligenza artificiale in tesoreria non si presenta come una rottura ma come una domanda aperta che emerge sempre più spesso nei contesti operativi: da dove partire e, soprattutto, quale problema si sta davvero cercando di risolvere.
Nel 2026 la funzione di tesoreria si trova inserita in un contesto che è diventato strutturalmente più instabile.
La volatilità dei tassi, la concentrazione dei rifinanziamenti, il progressivo allungamento dei tempi di incasso e l’aumento delle frodi digitali stanno modificando in profondità il profilo di rischio della gestione della liquidità.
A fronte di questa evoluzione, gli strumenti operativi sono rimasti in larga parte invariati.
Excel continua a essere il centro della visibilità finanziaria. Il punto non è la sua adeguatezza tecnica, ma il fatto che operi su una logica inevitabilmente retrospettiva.
Il limite strutturale della visibilità manuale
Un budget di tesoreria costruito su input manuali consolida informazioni provenienti da clienti, fornitori e banche con una frequenza che, per quanto disciplinata, introduce sempre uno scarto temporale.
Quando il forecast viene aggiornato, incorpora già dati parzialmente superati.
Quando viene analizzato, la realtà operativa si è ulteriormente evoluta.
Quando viene presentato al management, lo scostamento tra previsione e contesto reale può essere diventato significativo.
In un sistema in cui oltre la metà delle fatture B2B viene pagata in ritardo e in cui i cicli di incasso possono deteriorarsi rapidamente, questo ritardo strutturale nella visibilità si traduce in un rischio concreto sulla liquidità, spesso percepito solo quando emerge come problema.
Da Excel all’AI agentica: un’evoluzione, non una rottura
È in questo spazio che si inserisce l’AI agentica.
L’errore più diffuso è interpretarla come una sostituzione degli strumenti esistenti.
In realtà, nelle implementazioni più efficaci, l’intelligenza artificiale non prende il posto di Excel ma si innesta sugli stessi dati che il team già utilizza.
L’aggregazione automatica dei conti bancari e l’analisi delle transazioni storiche consentono di costruire modelli predittivi che aggiornano in continuo le previsioni di cassa, individuano pattern nei comportamenti di pagamento e segnalano anomalie prima che si trasformino in criticità operative.
Le esperienze osservate mostrano come questo approccio possa ridurre in modo significativo l’errore previsionale e migliorare l’affidabilità del forecast, con livelli di accuratezza che, in presenza di dati strutturati, si avvicinano a quelli tipici dei modelli più maturi.
Tuttavia, il beneficio più rilevante non risiede nella precisione in sé, quanto nel tempo che viene restituito al team.
La riduzione delle attività manuali libera risorse che possono essere dedicate all’analisi e al supporto decisionale, spostando progressivamente il ruolo della tesoreria da funzione operativa a funzione di governo.
Il nodo della governance: chi decide, chi valida, chi risponde
Questo passaggio, tuttavia, non è tecnologico. È organizzativo. E qui si concentra il principale punto di fallimento dei progetti di introduzione dell’AI.
In assenza di una chiara definizione delle responsabilità, i sistemi producono output che non si traducono in decisioni.
I modelli suggeriscono azioni ma nessuno è formalmente incaricato di assumerne la responsabilità.
In queste condizioni, il sistema viene progressivamente marginalizzato e il team ritorna alle logiche precedenti.
La governance del cambiamento diventa quindi il vero fattore abilitante.
Prima di qualsiasi implementazione è necessario chiarire alcuni elementi fondamentali: i limiti di autonomia del sistema rispetto alle decisioni operative, la responsabilità sulla qualità dei dati che alimentano i modelli, i processi di escalation in presenza di anomalie e la capacità delle diverse funzioni aziendali di condividere un linguaggio comune.
Senza questo allineamento, anche le architetture più avanzate rischiano di generare complessità aggiuntiva invece che valore.
Un percorso in fasi: come le PMI italiane possono iniziare
Le transizioni più efficaci seguono un percorso graduale, caratterizzato da un perimetro iniziale limitato e da obiettivi misurabili nel breve periodo.
In una prima fase, l’AI opera come supporto alla previsione, lavorando sui dati esistenti per migliorare l’accuratezza del forecast e la tempestività degli alert.
Successivamente, il sistema può essere utilizzato per preparare le riconciliazioni e i flussi di pagamento, mantenendo la validazione finale in capo al team.
Solo in una fase più avanzata, e su processi a basso rischio, è possibile introdurre forme di esecuzione automatica entro soglie predefinite.
Questo approccio consente di costruire credibilità interna e di ridurre le resistenze organizzative, creando le condizioni per un’adozione sostenibile.
La sicurezza non è un tema separato
Un aspetto spesso sottovalutato riguarda la sicurezza.
L’evoluzione delle frodi B2B, alimentata anche dall’uso crescente di tecnologie avanzate, rende sempre meno efficaci i controlli basati su regole statiche e verifiche manuali.
I sistemi di AI possono intercettare anomalie comportamentali in tempo reale ma la loro efficacia dipende dalla presenza di un framework di governance che definisca chiaramente responsabilità, processi decisionali e meccanismi di intervento.
Anche in questo ambito, la tecnologia non sostituisce la funzione di controllo ma ne amplifica la capacità di intervento.
Conclusione
Nel 2026, il vero elemento differenziante non è rappresentato dal livello di sofisticazione della tecnologia adottata ma dalla capacità dell’organizzazione di integrarla in un modello decisionale coerente.
La tesoreria non si misura più sulla qualità degli strumenti utilizzati ma sulla rapidità e affidabilità con cui riesce a trasformare i dati in decisioni operative.
Per le PMI italiane, questo percorso è oggi accessibile.
Non richiede trasformazioni radicali ma un approccio metodico e una chiara definizione delle responsabilità.
In ultima analisi, la domanda che ogni CFO dovrebbe essere in grado di affrontare non riguarda quale soluzione adottare ma chi, all’interno dell’organizzazione, è chiamato a decidere, validare e rispondere delle scelte che i nuovi strumenti rendono possibili.
Quando queste risposte esistono, l’intelligenza artificiale smette di essere un progetto sperimentale e diventa parte integrante dell’infrastruttura aziendale.
In quel momento, la tesoreria non si limita più a rappresentare la posizione finanziaria.
Diventa la funzione che consente all’impresa di anticipare gli squilibri prima che diventino emergenze.
