Come automatizzare processi con agenti IA (non con chatbot)

Automatizzare processi con agenti IA è lo strato successivo dell'automazione classica: non si tratta più di muovere dati tra sistemi (lo fa Zapier dal 2011), ma di prendere decisioni intermedie che prima richiedevano criterio umano. È più utile — e più pericoloso — dell'automazione tradizionale.

Automazione classica vs. agenti (tabella comparativa)

Dimensione	Workflow classico	Agente IA
Decisione	Regole if/else fisse	Inferenza sul contesto
Input richiesto	Strutturato	Non strutturato (testo, immagine)
Comportamento	Deterministico	Probabilistico
Manutenzione	Cambi nelle regole	Iterazione di prompt + eval
Costo per esecuzione	Zero dopo il setup	Token + infra
Audit	Banale (log deterministici)	Complesso (decisioni probabilistiche)

Quando vale la pena passare ad agente

Non sempre un agente è meglio. La regola pratica: se il processo è deterministico (A → B → C sempre), usa workflow classico. Se richiede decisione contestuale (leggere una mail e decidere cosa fare), allora sì vale la pena un agente.

Sì agente: classificazione di ticket per contenuto, estrazione dati da documenti variabili, scrittura di risposte personalizzate, prioritizzazione basata sul contesto.
No agente (workflow classico meglio): notifiche programmate, sincronizzazione fra sistemi, validazioni per regole, trasferimenti di dati.

I 3 pattern d'uso: decisione, esecuzione, monitoraggio

Agente di decisione. Riceve un input, valuta il contesto, decide quale workflow viene eseguito. Esempio: agente che classifica le mail in entrata e le smista al team giusto.
Agente di esecuzione. Riceve una decisione presa da umano o da un altro sistema ed esegue una sequenza di azioni. Esempio: agente che, quando si chiude una vendita, crea il progetto nel project manager, manda mail di onboarding e mette in agenda il kickoff.
Agente di monitoraggio. Osserva un sistema, rileva anomalie e decide quando escalare a umano. Esempio: agente che rivede i log applicativi e avvisa solo quando c'è un pattern davvero preoccupante.

Stack e strumenti (Make AI, n8n, custom)

Strumento	Quando usarlo	Limite principale
Make AI	Team non tecnico, integrazioni rapide	La logica complessa richiede i "code module"
n8n + node IA	Team semi-tecnico, controllo + flessibilità	Curva di apprendimento maggiore
LangChain / LangGraph (custom)	Sistemi multi-agente complessi	Richiede sviluppo serio
OpenAI Assistants API	Prototipi rapidi	Vendor lock-in e costi che scalano in fretta

Governance, rollback e supervisione

Un agente senza governance è una bomba. I quattro pezzi obbligatori:

Human-in-the-loop nelle decisioni ad alto impatto. Qualsiasi azione con conseguenze significative richiede conferma umana prima di essere eseguita.
Log auditabili di ogni decisione con il suo contesto. Se qualcosa va storto in 6 mesi, devi poter ricostruire cos'è successo.
Rollback automatico quando il risultato devia dall'atteso. Se la metrica di qualità scende sotto soglia, il sistema torna automaticamente allo stato precedente.
Revisione umana periodica (settimanale minimo nel primo trimestre) dei casi limite. Senza questo, gli errori sistematici non si rilevano finché non si accumulano.

Domande frequenti

Se il processo è deterministico (sempre lo stesso flusso, A → B → C), usa workflow classico (Make, n8n, Zapier). Più economico, più rapido, più facile da auditare. Se il processo richiede decisione basata sul contesto (interpretare una mail per decidere cosa farne, leggere un documento e categorizzarlo), allora vale la pena un agente IA.

Lo assorbe il sistema, non l'IA. Per questo sono obbligatorie: (1) human-in-the-loop nelle decisioni ad alto impatto, (2) log di ogni decisione con contesto, (3) rollback automatico se il risultato devia dall'atteso, (4) review umana settimanale dei casi limite. Senza queste quattro non è un agente, è una bomba.

Costo tecnico (token LLM + infrastruttura): 50-500€/mese per agente attivo secondo volume. Costo reale (umano supervisore + iterazione): aggiungi altri 500-2.000€/mese in ore di manutenzione. Molti dimenticano il secondo blocco — e finiscono con agenti che funzionano in demo e muoiono in produzione.