Da Business Controller ho costruito centinaia di modelli di forecasting in 15+ anni: modelli di demand planning, previsioni finanziarie trimestrali, simulazioni di scenario, modelli di churn. Quando i grandi modelli linguistici hanno iniziato a diventare strumenti pratici, la domanda era inevitabile: questi strumenti possono fare quello che faccio io?
Ho passato diversi mesi a testarlo sistematicamente. La risposta è più sfumata e interessante di quanto le narrative estreme — "l'AI sostituirà tutto" vs "l'AI non capisce niente di business" — suggerirebbero.
Il test: stessa casistica, strumenti diversi
Ho usato una serie di casi reali (anonimizzati) provenienti dalla mia esperienza: previsione di ricavi trimestrali con stagionalità nota, modello di demand planning per un prodotto con alta variabilità, analisi degli scostamenti su un budget annuale, forecasting finanziario in uno scenario di crisi di liquidità.
Per ciascuno ho applicato sia il mio approccio tradizionale (Excel strutturato + regressioni + giudizio esperto) sia tre LLM mainstream (ChatGPT-4o, Claude, Gemini), con prompt progressivamente più strutturati.
Dove l'AI si comporta sorprendentemente bene
Analisi degli scostamenti narrativa
Ho dato agli LLM un file con dati di budget vs consuntivo e chiesto di produrre un'analisi narrativa degli scostamenti. Il risultato è stato genuinamente utile: strutturazione logica, identificazione dei driver principali, linguaggio chiaro per il management. In alcuni casi meglio di quello che avrei scritto io in un quarto del tempo.
Identificazione di anomalie nei dati
Su dataset di medie dimensioni, gli LLM riescono a identificare pattern anomali e outlier con una velocità interessante. Non è statistica rigorosa, ma come primo screening è utile.
Scenario planning qualitativo
La costruzione di scenari qualitativi — cosa succederebbe se il prezzo della materia prima salisse del 20%? — beneficia della capacità degli LLM di ragionare su effetti a catena. Come stimolo al pensiero, non come analisi definitiva.
Dove l'AI fatica o fallisce
Modelli quantitativi rigorosi
I LLM non sono strumenti statistici. Le regressioni che "calcolano" non sono vere regressioni — sono pattern matching approssimato. Per qualunque previsione che richieda rigore quantitativo, serv e Python/R/Excel con le formule giuste, non un LLM.
Dati specifici e aggiornati
Il problema fondamentale: gli LLM non conoscono i dati della tua azienda. Possono ragionare su dati che tu fornisci, ma non sanno nulla del tuo mercato specifico, della tua base clienti, delle tue peculiarità. Il contesto specifico è tutto nel forecasting — e è quello che ho accumulato in 15 anni.
Accountability delle previsioni
Un LLM non può stare in riunione a difendere le sue previsioni davanti al CFO. Non può spiegare perché ha assunto un determinato tasso di crescita. L'accountability rimane umana — e questo è irriducibile.
"L'AI è brava a ragionare su ciò che sai già. Il forecasting richiede di ragionare su ciò che non sai ancora — e lì il giudizio esperto rimane insostituibile."
Come li uso davvero
Oggi uso gli LLM in modo complementare ai miei strumenti tradizionali:
- Strutturare la narrativa: do i numeri all'AI, chiedo la narrazione — poi la rivedo e la personalizzo
- Prima revisione delle assunzioni: "Quali fattori mi sto dimenticando in questa previsione?"
- Costruzione degli scenari: generare ipotesi alternative da valutare poi con i modelli quantitativi
- Documentazione rapida: metodologie, note tecniche, commenti ai report
Non li uso per: calcoli quantitativi, previsioni che richiedono dati proprietari aggiornati, analisi statistiche formali.
Conclusione
Chi vince? Nessuno dei due da solo. Il professionista che capisce cosa l'AI sa fare bene e cosa no — e costruisce un flusso di lavoro ibrido — è più efficace di entrambi separatamente.
La competenza del Business Controller non è costruire fogli Excel: è interpretare i numeri, capire il contesto, prendere decisioni in condizioni di incertezza. Quella competenza non è replicabile — è amplificabile.