In sintesi
- Un LLM genera testo plausibile, non previsioni calibrate: per i numeri servono modelli statistici o di machine learning.
- L'IA generativa è preziosa attorno al forecast: preparazione dei dati, spiegazione degli scostamenti, scenari descrittivi.
- Qualsiasi previsione che guida decisioni deve avere un errore misurato e un responsabile umano.
Per oltre quindici anni ho costruito budget e previsioni come Business Controller e Planning Supervisor. Negli ultimi anni la domanda che ricevo più spesso è: «Non basta chiedere il forecast all'intelligenza artificiale?». La risposta onesta è che dipende da quale intelligenza artificiale, e per fare cosa.
Cosa fa davvero un modello linguistico
Un LLM come quelli alla base degli assistenti conversazionali è addestrato a produrre la sequenza di parole più plausibile dato un contesto. Può leggere una serie storica e proporre una stima, ma non la calcola con un metodo statistico esplicito, non fornisce un intervallo di confidenza affidabile e può dare risposte diverse alla stessa domanda. Per un numero che finisce nel budget di un'azienda, sono tre difetti gravi.
Un LLM può scrivere un ottimo commento al forecast. Non dovrebbe essere lui a fare il forecast.
Dove i modelli predittivi restano superiori
Per prevedere vendite, incassi, consumi o volumi esistono strumenti collaudati:
- Modelli statistici per serie storiche (smoothing esponenziale, ARIMA e varianti stagionali): trasparenti, veloci, spesso sorprendentemente accurati.
- Modelli di machine learning (ad esempio gradient boosting) quando esistono molte variabili esplicative: prezzi, promozioni, calendario, meteo, dati macroeconomici.
- Modelli per driver, cioè il budget costruito sulle variabili operative, che restano insostituibili per simulare decisioni: cosa succede se alzo i prezzi del 3%?
Il loro vantaggio decisivo è la misurabilità: si può calcolare l'errore storico (MAPE, WAPE, bias) e confrontare i metodi su dati che il modello non ha visto.
Dove l'IA generativa è davvero utile
- Preparazione dei dati: pulizia, riconciliazione di anagrafiche, classificazione di voci di spesa.
- Spiegazione degli scostamenti: bozza di commento al report direzionale a partire dai numeri già calcolati.
- Scenari qualitativi: individuare fattori di rischio e ipotesi alternative da tradurre poi in parametri del modello.
- Accesso ai dati: domande in linguaggio naturale su un modello dati governato, con risposte verificabili.
Un'architettura che funziona
- Un modello dati unico e governato, con definizioni condivise dei KPI.
- Motori di previsione statistici o di machine learning, scelti in base all'errore misurato.
- Un livello di revisione umana in cui i responsabili integrano informazioni che i dati non contengono.
- Un livello generativo che spiega, sintetizza e interroga, sempre ancorato ai numeri calcolati.
- Un monitoraggio continuo dell'accuratezza, mese dopo mese.
È la stessa logica di separazione dei ruoli e verifica contraria su cui ho costruito Team Evoluto AI 6.0: nessun output entra in una decisione senza essere controllato da un meccanismo indipendente.
Quattro domande prima di adottare l'IA nel forecasting
- Qual è oggi l'errore delle nostre previsioni, misurato e non percepito?
- I dati storici sono affidabili, completi e definiti in modo univoco?
- Chi è responsabile del numero finale che entra nel budget?
- I dati che forniamo allo strumento possono uscire dall'azienda? Qui entrano in gioco la governance dell'IA e la sicurezza delle informazioni.
Se vuoi migliorare l'affidabilità delle previsioni della tua azienda, trovi il metodo nelle pagine pianificazione e controllo e data analytics e BI.
Domande frequenti
Si può usare ChatGPT per fare il forecast delle vendite?
Non è consigliabile come motore di previsione: un modello linguistico non calcola le stime con un metodo statistico verificabile e non fornisce intervalli di confidenza affidabili. È invece utile per preparare dati, commentare gli scostamenti e descrivere scenari.