La tesoreria bancaria sta evolvendo. Gli ultimi anni sono stati caratterizzati da una forte volatilità macroeconomica: tra il 2022 e il 2023 abbiamo assistito al più rapido rialzo dei tassi d’interesse in Europa e negli Stati Uniti, accompagnato da un’instabilità geopolitica che continua a generare incertezza e a spingere verso una crescente divergenza delle politiche monetarie.
Le recenti crisi bancarie hanno evidenziato anche un cambiamento di velocità: oggi la diffusione degli shock è molto più rapida. Basti pensare al caso di Silicon Valley Bank, che ha visto defluire l’85% dei depositi – circa 140 miliardi di dollari – in soli due giorni.
Tre fattori spiegano questa accelerazione: la circolazione istantanea delle informazioni tramite i social network, l’automazione crescente dei mercati finanziari (per esempio con l’uso di algoritmi e intelligenza artificiale nel trading) e la diffusione di strumenti di pagamento sempre più veloci, dai bonifici istantanei ai trasferimenti su blockchain in tempo reale, anche a livello internazionale.
In questo scenario, la volatilità ha accentuato le differenze tra le banche. Una nostra analisi ha mostrato che, nel periodo di maggiore oscillazione dei tassi (2021-2023), le performance delle principali banche europee e statunitensi sono state molto divergenti, sia nella gestione della spesa per interessi sia nella capacità di attrarre depositi.
Le banche più performanti hanno limitato la crescita della spesa per interessi fino al 70% in meno rispetto a quelle meno virtuose, registrando al contempo una crescita dei depositi 7-8 volte superiore.
E questo indipendentemente dal modello di business (Corporate vs. Retail) o dalla copertura geografica: il fattore chiave resta una gestione più accorta delle politiche di tesoreria (ALM, funding, coperture) e una strategia di pricing proattiva su impieghi e raccolta.
Tutto ciò ha imposto una profonda evoluzione delle funzioni di tesoreria e dei relativi modelli operativi. Oggi assumono un ruolo sempre più strategico nelle decisioni di Asset-Liability Management (ALM) e collaborano più strettamente con le strutture di business, ad esempio nella definizione del Tasso Interno di Trasferimento e delle strategie di pricing.
Inoltre, stanno rafforzando competenze e strumenti, sviluppando capacità su intelligenza artificiale e analisi dei dati, e adottando soluzioni tecnologiche avanzate per la simulazione di scenari e il monitoraggio in tempo reale dei flussi di liquidità.
L’effetto digital
Digitalizzazione e automazione hanno avuto un impatto ambivalente. Da un lato hanno aumentato la fragilità del sistema, perché la velocità con cui le informazioni circolano e gli shock si propagano è molto più elevata rispetto al passato. Dall’altro lato, però, hanno aperto la strada a una gestione della tesoreria molto più sofisticata ed efficace.
Oggi, grazie alla disponibilità di grandi moli di dati e alla capacità di analizzarle in tempo reale, le funzioni di tesoreria possono spingersi ben oltre le tradizionali proiezioni aggregate.
È possibile, ad esempio, studiare i dati a livello di singola transazione e simulare il comportamento di gruppi specifici di clienti in scenari diversi: dal mutare delle condizioni macroeconomiche (come i tassi d’interesse) alle scelte strategiche della banca (pricing, coperture). In questo modo, le decisioni di tesoreria diventano più informate e tempestive.
L’impatto dell’AI e le potenzialità predittive
L’intelligenza artificiale sta diventando un fattore sempre più centrale anche per la tesoreria bancaria. In un contesto caratterizzato da crisi improvvise e cambiamenti rapidi, le funzioni di tesoreria devono aggiornare strumenti e competenze per saper reagire con tempestività e, al tempo stesso, cogliere nuove opportunità.
Una recente survey condotta da McKinsey su oltre 40 tesorieri di banche in Europa, Medio Oriente e Africa evidenzia che più di un terzo degli intervistati considera prioritario evolvere i modelli e le tecniche di analisi dei rischi di tasso e di liquidità, oltre che rivedere i meccanismi di governance dell’Asset-Liability Management (ALM), rendendoli molto più dinamici rispetto al passato.
Dal punto di vista operativo, questo significa dotarsi di basi informative sempre più granulari, fino al livello della singola transazione o cliente, e aggiornate con maggiore frequenza. In questo modo è possibile monitorare l’andamento della liquidità e adattare la strategia di ALM in modo continuo.
Le tesorerie stanno già adottando strumenti di AI capaci di analizzare grandi volumi di dati, compresi quelli non strutturati (ad esempio le causali delle transazioni), per estrarre insight utili.
Grazie a questi modelli, è possibile simulare il comportamento dei clienti – per esempio in termini di afflusso e deflusso di liquidità – al variare di fattori esogeni, quali shock macroeconomici, o endogeni, come le strategie di pricing della banca.
Questa capacità predittiva è cruciale soprattutto per le banche commerciali, che possono così stimare la reale “vischiosità” dei depositi e adeguare in maniera mirata le politiche di prezzo, di trasferimento interno dei tassi (TIT), di copertura e di investimento. Il risultato è duplice: maggior resilienza in scenari di stress e impatti positivi sul conto economico.
Nuove competenze e ruoli al fianco del CFO
L’evoluzione delle competenze in tesoreria passa oggi dalla capacità di utilizzare le più recenti tecniche di analisi dei dati, come modelli di anomaly detection, random forest o intelligenza artificiale generativa.
Questi strumenti permettono sia di codificare dati non strutturati, come le informazioni transazionali, sia di costruire previsioni molto più accurate. A queste nuove capacità va però affiancata la tradizionale competenza di lettura dei fenomeni economici, per verificare che le dinamiche individuate dall’AI siano effettivamente replicabili e strutturali.
Sul piano organizzativo, vediamo diversi modelli. In alcune banche le competenze data-driven vengono integrate direttamente nei team di tesoreria; in altre sono fornite in modo accentrato, ad esempio sotto la responsabilità del Chief Data Officer.
Molto diffusi sono anche i modelli “Hub & Spoke”: i team centrali sviluppano infrastrutture e modelli riutilizzabili (come data lake o sistemi di categorizzazione delle transazioni), mentre i team di tesoreria costruiscono applicazioni mirate, ad esempio per stimare il churn risk dei depositi.
Questo articolo è stato pubblicato sul numero di settembre 2025 di AziendaBanca. Se vuoi ricevere AziendaBanca, puoi abbonarti nel nostro shop.
