Quasi 4 CFO su 10 si aspettano che l'IA generativa dia risultati entro due anni

PYMNTS è finita su Google News con un risultato sorprendente: quasi quattro CFO intervistati su dieci si aspettano rendimenti molto positivi dall'IA generativa entro due anni. Questa fiducia sembra una vittoria per l'IA aziendale. I dati sottostanti raccontano una storia più complessa.

I responsabili finanziari stanno osservando risultati più solidi dalle applicazioni mirate. Allo stesso tempo, stanno allungando i tempi necessari per integrare l'IA generativa nell'intera organizzazione. L'apparente contraddizione separa il valore operativo iniziale dal pieno ritorno finanziario.

Il sondaggio tra i CFO aziendali ha coinvolto 60 responsabili finanziari di aziende statunitensi con almeno 1 miliardo di dollari di ricavi annuali. PYMNTS Intelligence ha condotto il sondaggio dal 15 al 19 dicembre 2025. I risultati descrivono un gruppo ristretto e concentrato di grandi imprese, non tutte le aziende americane.

Questi CFO hanno segnalato risultati migliori in attività che vanno dai flussi di lavoro automatizzati alle risposte ai clienti. Hanno inoltre individuato meno svantaggi rispetto a sei mesi prima. Tuttavia, le loro tempistiche previste per la piena integrazione sono quasi raddoppiate.

Questa tensione conta più della percentuale in titolo. I CFO non si chiedono semplicemente se un modello possa redigere testi, analizzare dati o produrre una previsione. Stanno decidendo se l'IA possa operare all'interno di flussi di lavoro governati e creare valore economico duraturo.

La sfida principale, quindi, non è tra ottimisti e scettici dell'IA. È tra la promessa di vittorie rapide e mirate e la realtà di un lento cambiamento organizzativo. I vincitori collegheranno queste due tempistiche senza trattare le stime di produttività come rendimenti certificati.

Cosa rivela davvero il titolo di Google News

Il sondaggio mostra una crescente fiducia in applicazioni specifiche dell'IA, non la prova che la trasformazione a livello aziendale sia quasi completa.

PYMNTS ha rilevato che le aspettative dei CFO sul ROI dell'IA generativa erano diventate più disperse entro dicembre 2025. Un gruppo più ampio prevedeva rendimenti molto positivi entro uno o due anni. Un altro gruppo si aspettava un percorso molto più lungo verso un pieno ritorno economico.

Questa distribuzione è più informativa di una singola media. Suggerisce che i responsabili finanziari hanno smesso di trattare ogni progetto di IA generativa come lo stesso investimento. Un assistente per documenti e un sistema di previsione esteso all'intera azienda comportano costi, rischi e requisiti di implementazione diversi.

La distinzione spiega anche perché le aspettative favorevoli sul ROI possano crescere mentre le previsioni di integrazione si allungano. Un team può risparmiare tempo nella ricerca o nella reportistica prima che l'azienda riprogetti un intero processo finanziario. Il valore iniziale non richiede una trasformazione istituzionale immediata.

PYMNTS ha riferito che la soddisfazione ha raggiunto tra l'80% e il 100% in tutti i casi d'uso già implementati dalle aziende intervistate. Le valutazioni sono migliorate soprattutto per la generazione di codice, i flussi di lavoro automatizzati, l'innovazione di prodotto e le risposte ai clienti in tempo reale. Questi dati descrivono le valutazioni dei rispondenti, non rendimenti finanziari verificati in modo indipendente.

I CFO intervistati hanno inoltre segnalato meno svantaggi percepiti. La media è scesa da 6,92 svantaggi nel luglio 2025 a 4,23 a dicembre. Tra le aziende più grandi, la media è diminuita da 7,52 a 3,44.

Con essa sono diminuite diverse preoccupazioni operative. La quota di chi citava errori e problemi negli output è scesa dall'80% al 35%. Le preoccupazioni legate a integrazione e implementazione sono calate dal 70% al 45%, mentre quelle relative a costi e manutenzione sono scese dal 78,3% al 23,3%.

Questi cambiamenti supportano un'interpretazione credibile. L'esperienza sta aiutando le grandi aziende a risolvere alcuni problemi che apparivano scoraggianti durante i primi progetti pilota. I team stanno definendo controlli, scegliendo casi d'uso più circoscritti e imparando dove resta necessario il controllo umano.

Tuttavia, una riduzione delle preoccupazioni segnalate non significa che tali preoccupazioni scompaiano. Una preoccupazione per gli errori al 35% resta rilevante nella rendicontazione finanziaria, nella conformità o nella tesoreria. Una preoccupazione per l'integrazione al 45% indica ancora un lavoro sostanziale su sistemi e dati.

Lo studio si basa inoltre su percezioni autodichiarate da 60 dirigenti. Questo approccio può individuare cambiamenti nel sentiment e nelle pratiche, ma non può stabilire un rapporto causale. Non dimostra che l'IA generativa abbia prodotto un particolare miglioramento dei margini.

Il titolo va quindi letto come prova di aspettative più mature. Quasi quattro CFO su dieci prevedono forti rendimenti nel breve termine perché sanno distinguere tra implementazioni utili e trasformazione su larga scala. Il loro ottimismo è diventato più selettivo, non meno serio.

Questo è il primo importante cambiamento nel sondaggio PYMNTS sui CFO. I responsabili finanziari credono sempre più che l'IA generativa funzioni in contesti definiti. Ora stanno affrontando la domanda più difficile: se tali contesti possano diventare sistemi operativi ripetibili e controllati.

Le rapide vittorie dell'IA si scontrano con la lenta integrazione

Il ROI dell'IA generativa sembra arrivare più rapidamente quando le aziende circoscrivono il compito, definiscono la base di riferimento e mantengono la responsabilità in capo a dipendenti responsabili.

Un caso d'uso mirato ha confini visibili. Un team finanziario può misurare quanto tempo richiedesse un report ricorrente prima dell'implementazione e confrontare quel valore di riferimento con i risultati successivi. Può anche registrare correzioni, tempo di revisione e costo di gestione del modello.

L'integrazione aziendale non offre una simile semplicità. Coinvolge permessi di accesso, definizioni dei dati, catene di approvazione, contratti software, ruoli dei dipendenti e obblighi normativi. Un modello può funzionare bene mentre il processo circostante resta inadatto all'automazione.

Questa differenza aiuta a spiegare le tempistiche più lunghe emerse nella ricerca di PYMNTS. A dicembre 2025, gli intervistati si aspettavano che la piena integrazione richiedesse quasi il doppio del tempo previsto tra luglio e settembre. Una maggiore esperienza ha prodotto più fiducia nei casi d'uso e maggiore prudenza nella scalabilità.

Deloitte ha rilevato una divisione simile nelle sue conclusioni sul ROI dell'IA. La ricerca ha incluso 1.854 dirigenti in Europa e Medio Oriente, supportata da 24 interviste approfondite.

Tra gli utilizzatori di IA generativa inclusi nella ricerca, il 15% ha riferito di aver già raggiunto un ROI significativo e misurabile. Un altro 38% si aspettava tali rendimenti entro un anno dall'investimento. Tuttavia, il 62% ha affermato che un tipico caso d'uso dell'IA raggiungeva un ROI soddisfacente entro due-quattro anni.

La distribuzione evidenzia un problema cruciale di misurazione. Rendimenti “significativi” e “soddisfacenti” possono rappresentare soglie diverse. Un'azienda può riconoscere utili guadagni di produttività prima di recuperare i costi completi di implementazione e cambiamento organizzativo.

L'IA agentica rende più acuto il problema delle tempistiche. Un agente IA è un software in grado di pianificare ed eseguire azioni in più fasi con autorizzazioni definite. Deloitte ha rilevato che il 57% degli intervistati utilizzava IA agentica, ma solo il 10% ha segnalato un ROI attuale significativo.

La metà di questi utilizzatori di IA agentica si aspettava rendimenti entro tre anni. Un altro terzo prevedeva una tempistica di tre-cinque anni. Una maggiore autonomia aumenta il valore potenziale, ma incrementa anche i requisiti di integrazione e controllo.

Le funzioni finanziarie illustrano il perché. Un modello può riassumere le spiegazioni delle varianze con accesso limitato e revisione obbligatoria. Un agente che modifica una previsione o avvia una rettifica richiede autorizzazioni, regole di convalida, registri e un responsabile identificabile.

Le aziende devono anche decidere cosa conta come valore. PYMNTS ha rilevato che il miglioramento dell'esperienza del cliente e dei margini erano le principali misure del ROI a dicembre. Anche la riduzione dei costi, l'espansione dei ricavi e minori spese in conto capitale stavano guadagnando attenzione.

La riduzione dell'organico è diventata un parametro meno comune. Questo cambiamento indebolisce la più semplice narrazione dell'automazione. I CFO vedono sempre più valore in cicli più rapidi, decisioni migliori e servizi migliori, anziché nella sola eliminazione diretta del lavoro.

Questi benefici restano difficili da confrontare. Le ore risparmiate non si trasformano automaticamente in profitto. Un'analisi più rapida conta solo quando i dipendenti reindirizzano quel tempo verso decisioni utili o lavoro aggiuntivo.

Un modello credibile di ROI dell'IA generativa deve quindi tenere conto degli output accettati, dello sforzo di revisione, dei tassi di errore e degli effetti aziendali a valle. Dovrebbe includere infrastruttura, integrazione, governance, formazione e gestione dei fornitori. Ignorare questi costi produce un risultato attraente ma incompleto.

Ecco perché l'accesso alla conoscenza conta nelle implementazioni quotidiane. I dipendenti hanno bisogno di contesto affidabile prima che l'IA possa produrre lavoro utile. Una base di conoscenza IA ricercabile può ridurre l'attrito nel reperimento delle informazioni, ma la verifica umana protegge ancora le decisioni rilevanti.

Le prime vittorie sono reali quando i team le misurano con attenzione. Lo scontro inizia quando i leader presumono che tali vittorie possano scalare senza riprogettare i flussi di lavoro. Ogni sistema, autorizzazione e stakeholder aggiuntivo introduce un'altra condizione per il successo.

I CFO devono ora difendere sia la velocità sia il controllo

I responsabili finanziari sono sotto pressione per finanziare rapidamente l'IA, preservando al contempo i controlli che rendono affidabili i sistemi finanziari.

Tradizionalmente, i CFO mettono in discussione gli investimenti privi di rendimenti misurabili. L'IA generativa li colloca in una posizione insolita. Devono agire come custodi del capitale, mentre concorrenti, consigli di amministrazione e team operativi chiedono un'adozione più rapida.

Questa pressione è già visibile. Un sondaggio del luglio 2026 ha riportato che il 92% dei CFO e dei dirigenti finanziari senior sentiva la pressione di dimostrare rendimenti accettabili dell'IA. La ricerca sulla pressione sui responsabili finanziari ha coinvolto 1.505 dirigenti in quattro Paesi.

La metà degli intervistati ha dichiarato che i propri agenti IA avevano prodotto solo un ROI misurabile limitato. Solo il 7% ha affermato che le proprie organizzazioni davano priorità alla governance dell'IA rispetto alla velocità di adozione. Questi risultati evidenziano il rischio di lasciare che i programmi di implementazione superino la responsabilità.

Solo il 44% si sentiva pienamente sicuro di poter spiegare le azioni di un agente IA a un revisore o a un'autorità di regolamentazione. Un altro 30% ha dichiarato che i controlli interni non erano stati aggiornati nell'anno precedente. Queste lacune contano quando il software inizia a influenzare transazioni o giudizi finanziari.

L'auditabilità significa che un'azienda può ricostruire cosa ha fatto un sistema, quali informazioni ha utilizzato e chi ha approvato il risultato. Il software convenzionale segue una logica predefinita. I sistemi generativi possono produrre output variabili, quindi le organizzazioni necessitano di registrazioni più solide relative a prompt, fonti, revisioni e approvazioni.

Lo stesso sondaggio ha rilevato che solo il 28% richiedeva registri di audit documentati che mostrassero come un agente IA fosse giunto alle decisioni. Un altro 23% ha affermato che la responsabilità per un errore dell'IA sarebbe stata poco chiara o non assegnata a nessuno. Si tratta di carenze di governance, non di dettagli tecnici minori.

Un errore del modello in una bozza interna ha conseguenze gestibili. Un errore inspiegabile in ambito fiscale, di rendicontazione o conformità può creare esposizione finanziaria e legale. L'ambiente di controllo deve corrispondere all'impatto dell'azione.

Questo non significa che ogni caso d'uso richieda le stesse restrizioni. La sintesi a basso rischio può avvalersi di una revisione più leggera rispetto all'allocazione del capitale o alla rendicontazione esterna. I controlli basati sul rischio consentono alle aziende di muoversi rapidamente dove le conseguenze restano contenute.

I CFO devono anche risolvere la questione della titolarità. I team tecnologici possono gestire i modelli, ma non possono definire ogni risultato finanziario accettabile. I team finanziari comprendono la materialità e i requisiti di approvazione, mentre i team di sicurezza comprendono l'accesso e l'esposizione dei dati.

Una governance efficace riunisce queste responsabilità prima della distribuzione. Il responsabile aziendale definisce il risultato e la tolleranza all’errore. I team tecnologici gestiscono il sistema e le funzioni di rischio verificano che i controlli operino come previsto.

I risultati di PYMNTS suggeriscono che le grandi aziende stanno migliorando in questo ambito. Le preoccupazioni dichiarate riguardo a errori, costi e implementazione sono diminuite in modo sostanziale in sei mesi. L’aumento delle valutazioni di efficacia indica che un’esposizione controllata può rafforzare la fiducia istituzionale.

Tuttavia, la fiducia può diventare pericolosa quando sostituisce i test. La soddisfazione dichiarata non rivela con quale frequenza i dipendenti correggano silenziosamente gli output. Potrebbe inoltre escludere i progetti pilota abbandonati, facendo apparire più solide le implementazioni attive.

Le organizzazioni dovrebbero monitorare l’intero funnel. Ciò include attività tentate, output completati, output accettati, revisioni, escalation e fallimenti. Un modello che produce bozze rapidamente ma richiede controlli estesi può spostare il lavoro anziché eliminarlo.

La pressione sui CFO aumenterà con la crescita dei budget. Bain ha intervistato oltre 100 CFO globali e ha rilevato che l’83% prevedeva di aumentare la spesa aziendale per l’AI di oltre il 15% in due anni. I suoi piani di spesa per l’AI hanno inoltre mostrato che il 42% si attendeva aumenti superiori al 30%.

Secondo Bain, solo dal 15% al 25% aveva esteso l’AI alle funzioni finanziarie. Complessivamente, il 31% era soddisfatto dei risultati. La soddisfazione superava il 60% tra le aziende nel quartile più alto di maturità dell’AI.

Questo divario rende la maturità operativa il fattore decisivo. Acquistare più accesso non crea dati, flussi di lavoro o controlli maturi. I CFO devono finanziare il lavoro organizzativo che trasforma un modello in una capacità affidabile.

Cosa i numeri non dimostrano ancora

Le evidenze sostengono un ottimismo prudente, ma non stabiliscono una scadenza universale di due anni per il ROI dell’AI generativa.

Il campione di PYMNTS è ristretto per definizione. Ogni intervistato guidava la funzione finanziaria di un’azienda statunitense con almeno 1 miliardo di dollari di ricavi annui. Le grandi imprese dispongono di risorse, dati e team tecnici che le organizzazioni più piccole potrebbero non avere.

Il campione comprende inoltre solo 60 CFO. Ogni rispondente rappresenta circa 1,7 punti percentuali. Una piccola variazione nelle risposte può quindi produrre un movimento visibile nelle quote riportate.

Questa limitazione non invalida lo studio. Significa che i lettori dovrebbero evitare di tradurne i risultati in una previsione per ogni azienda. Il sondaggio va considerato soprattutto come uno sguardo sulla leadership finanziaria delle grandi imprese.

Anche il linguaggio temporale richiede cautela. Agli intervistati è stato chiesto quando i rendimenti sarebbero diventati “molto positivi”, non quando ogni costo di implementazione sarebbe stato recuperato. Dirigenti diversi possono applicare soglie diverse a questa espressione.

PYMNTS ha riportato un portafoglio più ampio di misure del ROI, inclusi margini, esperienza del cliente, riduzione dei costi e ricavi. Questo approccio riflette il modo in cui le aziende creano effettivamente valore. Rende però più difficili i confronti, a meno che ciascuna azienda non definisca il proprio calcolo in modo coerente.

Un miglioramento dell’esperienza del cliente può avere rilevanza finanziaria, ma il collegamento richiede prove. I leader devono dimostrare se un servizio migliore abbia modificato la fidelizzazione, la conversione, i costi di assistenza o un altro risultato misurabile. In caso contrario, il beneficio resta un indicatore intermedio.

La tempistica del sondaggio aggiunge un ulteriore elemento di cautela. PYMNTS ha raccolto le risposte nell’arco di cinque giorni, nel dicembre 2025. Il titolo è entrato successivamente nell’attuale ciclo di Google News, ma le risposte sottostanti rappresentano un’istantanea.

Modelli, contratti e strategie aziendali sono cambiati da allora. Alcuni progetti sono avanzati, mentre altri hanno incontrato problemi di costo o sicurezza. Un titolo attuale non dovrebbe rendere invisibile la data del sondaggio.

Studi indipendenti descrivono inoltre livelli di successo molto diversi. Uno studio sull’adozione nelle imprese di Wharton e GBK Collective ha intervistato 801 decisori aziendali nel 2025. Ha rilevato che il 72% misurava formalmente il ROI dell’AI generativa.

Tre intervistati su quattro in quello studio hanno riportato rendimenti positivi. Quattro su cinque prevedevano che gli investimenti si sarebbero ripagati in circa due o tre anni. Questi risultati rafforzano l’ottimismo, estendendo però l’orizzonte previsto oltre la finestra di due anni del titolo.

La ricerca di Wharton ha inoltre rilevato che l’82% utilizzava l’AI generativa almeno settimanalmente, mentre il 46% la utilizzava quotidianamente. L’uso regolare era chiaramente diventato comune tra i decisori aziendali. L’adozione, tuttavia, non è la stessa misura dell’impatto economico.

Lo studio ha individuato anche un vincolo umano. L’ottantanove percento concordava sul fatto che l’AI generativa migliorasse le competenze dei dipendenti, eppure il 43% vedeva un rischio di riduzione della padronanza delle competenze. L’AI può migliorare l’output indebolendo al tempo stesso l’esperienza, se i dipendenti smettono di esercitare attività essenziali.

I leader finanziari devono tenere conto di questa possibilità. Un analista più veloce che conserva la capacità di giudizio rappresenta valore duraturo. Un processo più rapido che erode la capacità di rilevare gli errori crea una passività nascosta.

Altre ricerche rilevano notevoli lacune operative anche dove i rendimenti sembrano favorevoli. Un sondaggio finanziario del 2026 ha riportato un’adozione dell’AI del 97% tra gli intervistati e rendimenti positivi per oltre il 75% degli investimenti. Eppure il 45% trascorreva ancora più del 60% del proprio tempo in attività manuali.

Questo divario nell’adozione in ambito finanziario mostra perché le affermazioni generali necessitano di contesto. Un dipartimento finanziario può riportare rendimenti positivi dall’AI continuando a dipendere da fogli di calcolo, riconciliazioni manuali e reportistica ad alta intensità di lavoro.

L’interpretazione più scettica è che i sondaggi ottimistici misurino più facilmente aspettative e successi selezionati rispetto alla trasformazione complessiva. L’interpretazione più favorevole è che il valore mirato arrivi prima del cambiamento organizzativo visibile.

Entrambe possono essere vere. L’AI generativa può produrre rendimenti validi senza trasformare un intero dipartimento finanziario. L’errore è trattare il successo iniziale come prova che ogni processo debba ora essere automatizzato.

I CFO dovrebbero richiedere evidenze a livello di caso d’uso e aggregazione a livello di portafoglio. Gli esperimenti falliti devono rientrare nel calcolo insieme alle implementazioni riuscite. Escluderli gonfia la performance apparente del programma complessivo.

Dovrebbero inoltre distinguere i miglioramenti ricorrenti dai guadagni una tantum. Un modello potrebbe aiutare a smaltire un arretrato, ma quel beneficio non si ripeterà indefinitamente. Un ROI duraturo richiede lavoro continuativo, costi ricorrenti inferiori, decisioni migliori o effetti sostenuti sui ricavi.

Il titolo è utile perché coglie un reale cambiamento nel sentiment dei dirigenti. Diventa fuorviante solo quando viene privato dei limiti del campione, delle scelte di misurazione e delle tempistiche di integrazione più lunghe. Questi dettagli determinano se l’aspettativa dei due anni sia credibile.

Tre segnali metteranno alla prova il rendimento in due anni

La prossima fase sarà giudicata in base a risultati operativi verificati, adozione su scala produttiva e prove che i controlli tengano il passo.

Il primo segnale è un cambiamento nel modo in cui le aziende riportano il valore dell’AI. Le stime di produttività e i sondaggi tra i dipendenti sono stati utili durante la sperimentazione. I consigli di amministrazione si aspetteranno sempre più misure collegate a margini, ricavi, capitale circolante, riduzione degli errori o cicli di transazione completati.

Una disclosure più solida includerebbe i costi operativi e la revisione umana. Separerebbe il risparmio lordo di tempo dal valore finanziario effettivamente realizzato. Identificherebbe inoltre se il risultato deriva dall’AI generativa, dall’automazione convenzionale o da una più ampia riprogettazione dei processi.

Se le aziende inizieranno a riportare risultati finanziari ripetibili, la previsione a breve termine di PYMNTS acquisterà supporto. Se le disclosure resteranno limitate all’utilizzo e alle ore risparmiate stimate, il divario di verifica persisterà.

Il secondo segnale è il passaggio dai progetti pilota alla produzione controllata. Bain ha rilevato che solo dal 15% al 25% dei CFO intervistati aveva esteso l’AI all’intera funzione finanziaria. Rimane quindi una grande distanza tra sperimentazione e operazioni normalizzate.

La distribuzione in produzione dovrebbe significare più del semplice accesso aziendale a un chatbot. Richiede integrazione con dati approvati, attività definite, monitoraggio, regole di escalation e responsabili nominati. I dipendenti necessitano inoltre di istruzioni chiare per contestare output inaffidabili.

I tassi di scalabilità riveleranno se i casi d’uso più solidi possano sopravvivere alla reale complessità operativa. Un aumento delle implementazioni governate e ripetibili rafforzerebbe la tesi dei due anni. Un inventario crescente di progetti pilota bloccati la indebolirebbe.

Il terzo segnale è se le metriche di governance migliorino insieme all’adozione. Il sondaggio finanziario di luglio ha rilevato uno scarso uso di log documentati degli agenti e una diffusa incertezza sulla responsabilità. Queste lacune diventano più rilevanti man mano che i sistemi ricevono maggiore autonomia.

Osservate l’aggiornamento dei controlli interni, piste di audit obbligatorie, piani di risposta agli incidenti testati e una titolarità esplicita per gli errori dell’AI. Queste misure non garantiscono un ROI positivo. Riducono la probabilità che un singolo fallimento cancelli i guadagni derivanti da molte attività riuscite.

I miglioramenti della governance renderebbero anche più affidabile la misurazione finanziaria. Un’azienda non può calcolare accuratamente il valore se non registra il comportamento del sistema, le correzioni e le eccezioni. I controlli creano le evidenze necessarie a sostenere una dichiarazione di ROI.

Il titolo di Google News segna quindi un punto di controllo, non un traguardo. Quasi quattro CFO su dieci si aspettano rendimenti molto positivi entro due anni, mentre la stessa ricerca mostra che l’integrazione completa richiede più tempo.

Questa divisione è razionale. Le aziende non devono trasformare ogni flusso di lavoro prima di ricevere valore da applicazioni selezionate. Devono però adottare una misurazione disciplinata prima di considerare quel valore come un rendimento aziendale duraturo.

Per gli sviluppatori, la lezione è progettare per tracciabilità, revisione e azioni delimitate. Per gli acquirenti aziendali, è valutare i risultati dei flussi di lavoro anziché le dimostrazioni dei modelli. I knowledge worker dovrebbero esaminare se l’AI migliori il loro giudizio o acceleri soltanto le prime bozze.

La domanda decisiva non è più se l’AI generativa possa aiutare i team finanziari. Lo fa già in molte attività definite. La domanda è se le organizzazioni possano trasformare questi guadagni in una performance finanziaria ripetibile e governata.

Nei prossimi due anni, osservate cosa riporteranno i CFO dopo che i costi di implementazione, le correzioni e il lavoro di controllo saranno entrati in bilancio. Queste evidenze determineranno se l’ottimismo odierno diventerà un vantaggio operativo o un’altra previsione che si è mossa più rapidamente della realtà.