Nel 2026 la tesoreria non può più limitarsi al controllo ex-post. La combinazione di volatilità macroeconomica, costo del capitale strutturalmente più elevato e concentrazione dei rifinanziamenti ridefinisce in modo sostanziale il ruolo della funzione Finance.
In questo contesto, il capitale circolante assume una valenza diversa. Non è più soltanto una leva di efficienza operativa ma un vero e proprio sistema di allerta anticipata, capace di segnalare tensioni finanziarie con settimane di anticipo rispetto ai dati consuntivi.
La questione non è quindi se adottare l’intelligenza artificiale ma come integrarla in un’architettura di governance coerente e realmente utilizzabile nei processi decisionali quotidiani.
I limiti del modello tradizionale
Molte aziende continuano a basare le previsioni di cassa su medie storiche e indicatori aggregati come il DSO. In uno scenario caratterizzato da shock simultanei su clienti, fornitori e sistema creditizio, questo approccio risulta sempre più fragile.
Le criticità emergono in modo ricorrente: forecast costruiti su dati statici, limitata granularità per cluster di rischio, processi di riconciliazione ancora manuali e una significativa frammentazione informativa tra funzioni. Anche gli stress test, quando presenti, restano spesso esercizi formali e poco integrati nei processi
decisionali.
Il limite, tuttavia, non è soltanto tecnologico. È soprattutto culturale. La lentezza nel rivedere modelli e assunzioni si traduce in un costo invisibile che diventa evidente proprio nei momenti di maggiore tensione sulla liquidità.
Predictive Cash Flow Intelligence
L’integrazione di modelli di intelligenza artificiale consente di superare la logica descrittiva per entrare in una gestione realmente predittiva della tesoreria.
Non si tratta semplicemente di affinare il forecast ma di costruire una capacità di lettura anticipata dei flussi finanziari.
La Predictive Cash Flow Intelligence combina l’analisi dei pattern comportamentali di pagamento con variabili macroeconomiche e settoriali aggiornate, integrando indicatori dinamici di concentrazione del rischio e simulazioni multi-scenario con intervalli di confidenza espliciti. In questo modo, il dato non rappresenta più una fotografia del passato ma una base operativa per decisioni tempestive.
Le organizzazioni che adottano modelli predittivi avanzati registrano una riduzione significativa dell’errore di previsione e, soprattutto, una maggiore capacità di intercettare tensioni di cassa con anticipo operativo.
Il beneficio non è meramente tecnico: è la possibilità di negoziare in posizione di forza anziché in emergenza.
Nella pratica, tuttavia, l’implementazione di questi modelli richiede un percorso graduale. Le principali difficoltà riguardano la qualità e l’integrazione dei dati tra sistemi, la presenza di processi ancora manuali e le resistenze organizzative legate al cambiamento dei modelli decisionali.
Le esperienze più efficaci partono da ambiti circoscritti (come il forecast di una singola business unit o l’analisi dei pattern di incasso) per poi estendere progressivamente il modello all’intera organizzazione.
KPI 2026: misurare la resilienza
Nel nuovo contesto, i KPI non misurano soltanto efficienza. Misurano resilienza, ossia la capacità dell’organizzazione di assorbire uno shock senza perdere il controllo della traiettoria finanziaria.
Tra gli indicatori più rilevanti rientrano la percentuale di cash visibility in tempo reale, l’accuratezza del forecast per business unit, i giorni di autonomia finanziaria (Days Cash on Hand), il DSO segmentato per cluster di rischio e il tasso di successo dei pagamenti al primo tentativo.
Il punto critico non è la disponibilità delle metriche, ma il loro utilizzo. Il DSO medio aggregato, se considerato isolatamente, non è più sufficiente a guidare le decisioni. È la granularità dell’analisi che consente di distinguere tra semplice monitoraggio e reale governo del capitale circolante.
Il ruolo del Treasury Manager nell’era predittiva
L’evoluzione tecnologica ridisegna anche il profilo professionale di chi guida la tesoreria. Il Treasury Manager del 2026 non è un supervisore di processi automatizzati: è il garante della coerenza tra modelli previsionali, decisioni operative e strategia aziendale.
Nella pratica, questo si traduce in alcune sfide concrete.
La prima riguarda la selezione e la qualità dei dati: nessun modello predittivo produce risultati affidabili senza un’architettura informativa pulita e aggiornata.
La seconda è organizzativa. Introdurre la logica predittiva in un team abituato a lavorare per consuntivi richiede investimento nella formazione e, soprattutto, nella costruzione di un linguaggio comune tra Finance, Operations e IT.
La terza è di metodo: sapere dove iniziare. Le transizioni più efficaci che ho osservato partono sempre da un perimetro limitato e ad alto impatto (un singolo cluster di clienti, un’unica linea di prodotto) dove il miglioramento della forecast accuracy è misurabile in tempi brevi e genera credibilità interna per estendere il modello.
In questo senso, la tecnologia non è il vincolo principale. Il vincolo è quasi sempre la governance del cambiamento: chi decide, chi valida, chi risponde dei risultati. Definire questo prima dell’implementazione non è burocrazia. È la condizione perché l’investimento produca valore reale.
AI agentica: infrastruttura, non sperimentazione
L’evoluzione tecnologica non si limita alla previsione. Le principali soluzioni di tesoreria stanno integrando agenti di intelligenza artificiale embedded, capaci di operare direttamente sui processi.
Questi sistemi consentono di riconciliare automaticamente pagamenti complessi, segmentare dinamicamente i debitori, fornire insight in linguaggio naturale e supportare decisioni su termini e scontistica. Il passaggio è rilevante: l’AI non si limita più a suggerire, ma contribuisce all’esecuzione.
Questo non implica una sostituzione del giudizio manageriale. Al contrario, lo rafforza. Il ruolo del team finance evolve da esecutore di attività ripetitive a interprete degli insight generati dai sistemi, con maggiore focalizzazione sulle decisioni ad alto impatto.
Governance e sicurezza
Parallelamente, cresce la sofisticazione delle frodi B2B, che sfruttano sempre più tecniche di manipolazione comportamentale e strumenti di intelligenza artificiale. In questo contesto, i sistemi basati su regole statiche risultano strutturalmente insufficienti.
L’adozione di modelli adattivi consente di intercettare anomalie in tempo reale, ma solo se inserita in un framework di governance rigoroso. Questo richiede ambienti enterprise segregati per la gestione dei dati finanziari, un’integrazione effettiva tra CFO, CIO e CISO e un approccio human-in-the-loop che garantisca auditabilità e tracciabilità delle decisioni.
La tecnologia, da sola, non riduce il rischio. È la qualità dell’integrazione tra tecnologia, processi e responsabilità organizzative a determinare il livello di resilienza effettivo.
La tesoreria del 2026 non misura solo la liquidità disponibile, ma anche la capacità dell’organizzazione di assorbire l’imprevisto senza perdere direzione.
Concludendo
Nel 2026 la tesoreria evolve in un’infrastruttura di stabilità e flessibilità strategica. Non è più soltanto gestione della liquidità, ma capacità di investire quando altri rallentano, assorbire shock senza compromettere la traiettoria e negoziare mantenendo margine decisionale.
In questo contesto, l’intelligenza artificiale rappresenta un fattore abilitante ma non risolutivo di per sé. Il vero elemento distintivo rimane la capacità di integrarla in un modello coerente di governance, processi e responsabilità. E questa capacità si costruisce con metodo, non con urgenza.
La domanda non sarà più se l’AI è stata adottata. La domanda sarà se l’architettura finanziaria (e il team che la governa) è in grado di reggere uno shock senza entrare in modalità emergenziale.
Da questa capacità dipenderà, in misura crescente, il vantaggio competitivo delle imprese.
