Se hai già dei bot RPA in produzione — o stai valutando l’automazione per la prima volta — probabilmente hai già sbattuto contro lo stesso muro. I vendor che vendono agenti AI li presentano come un salto quantico oltre l’RPA. Quelli che vendono RPA descrivono l’AI come pura hype. Nessuno dei due ti dà una risposta diretta su quale strumento si adatta davvero al lavoro che grava sul tuo team operations.
Questo articolo fa chiarezza. Confronta agenti AI vs RPA sulle dimensioni che contano per chi prende decisioni: struttura del processo, costo di manutenzione, gestione delle eccezioni e costo totale di possesso su un orizzonte di due anni. Affronta anche i casi in cui le due tecnologie sono genuinamente complementari — perché per molte organizzazioni la risposta giusta è: entrambe.
RPA: cosa fa bene (e dove si inceppa)
La Robotic Process Automation esegue attività deterministiche e basate su regole, imitando le interazioni di un utente con il software. Clicca pulsanti, copia valori tra sistemi, legge fogli di calcolo strutturati e avvia azioni a valle — tutto senza intervento umano, con un’alta ripetibilità finché l’ambiente rimane stabile.
Proprio quell’ultima condizione è dove la maggior parte delle storie RPA si complica.
L’RPA funziona bene quando:
- Gli input sono strutturati e prevedibili (fatture a formato fisso, export da database, form web standard)
- Il processo non ha diramazioni decisionali significative — o le diramazioni sono finite ed esprimibili come regole
- L’interfaccia UI o le API con cui interagisce cambiano raramente
- Il volume è abbastanza alto da giustificare lo sforzo iniziale di mappatura e scripting
Un workflow di approvazione ordini d’acquisto in cui ogni PO arriva con lo stesso template, segue una catena di approvazione fissa e aggiorna un unico sistema ERP è un candidato quasi perfetto per l’RPA. Lo configuri una volta, lo manutenzi ogni tanto, risparmi centinaia di ore l’anno.
Dove l’RPA si rompe riguarda meno l’intelligenza e più la fragilità. Un aggiornamento dell’interfaccia del portale fornitore — un campo rinominato, una nuova finestra modale, un cambio nell’ordine delle tab — può silenziare un bot esattamente nel momento peggiore. Il costo di manutenzione cresce al crescere del numero di bot.
Agenti AI: dove il ragionamento sostituisce le regole
Un agente AI è un sistema che percepisce il proprio ambiente, ragiona su un obiettivo e compie azioni — spesso chiamando strumenti, API o altri sistemi — per avanzare verso quell’obiettivo senza che ogni decisione debba essere pre-specificata. A differenza di un bot RPA, un agente sa gestire input che non ha mai visto prima, interpretare istruzioni ambigue e adattare il proprio percorso quando accade qualcosa di imprevisto.
Il segnale più chiaro che hai bisogno di un agente e non di un bot: il processo richiede di leggere contenuto non strutturato, esercitare un giudizio o gestire eccezioni che non sono enumerabili.
Considera l’elaborazione delle fatture. Un bot RPA la gestisce bene quando ogni fattura arriva nello stesso formato strutturato. Nel momento in cui un fornitore invia un PDF con una contestazione narrativa, o un documento in tedesco quando il bot si aspetta l’italiano, l’RPA fallisce. Un agente AI può leggere il documento, capire il contesto, segnalare l’anomalia per la revisione umana e smistare di conseguenza — senza che un programmatore abbia pre-codificato quel caso limite esatto.
Gli agenti AI sono la scelta più solida quando:
- Gli input arrivano in formati vari, non strutturati o semi-strutturati (email, PDF, voce, chat)
- Il processo comporta interpretazione: classificare l’intento, sintetizzare, priorizzare o redigere una risposta
- Il tasso di eccezioni è alto o i tipi di eccezione sono imprevedibili
- L’obiettivo è conversazionale — rispondere ai clienti, qualificare lead, gestire richieste di supporto
- Il workflow richiede decisioni basate su un contesto che non si può esprimere come albero decisionale finito
Il compromesso è il costo e la complessità di configurazione. Gli agenti richiedono un’infrastruttura più sofisticata, criteri di valutazione chiari per testarne il comportamento e una governance attiva per intercettare gli errori. Comportano anche costi di inferenza ricorrenti — tipicamente modesti per interazione, ma reali su larga scala. Per un processo semplice, stabile e strutturato, deploiare un agente AI è over-engineering.
La matrice decisionale: RPA, agente o entrambi?
| Criterio | Vince l’RPA | Vince l’agente AI |
|---|---|---|
| Formato degli input | Strutturato, schema fisso | Non strutturato, variabile |
| Complessità decisionale | Basata su regole, enumerabile | Richiede giudizio, ambiguità |
| Tasso di eccezioni | Basso (indicativamente < 10–20% dei run; varia per processo) | Alto o imprevedibile |
| Stabilità UI/API | Stabile nel tempo | Cambia frequentemente |
| Velocità di deploy | Settimane per bot semplici | Settimane o mesi a seconda della complessità |
| Manutenzione su 2 anni | Bassa se l’ambiente è stabile; alta se non lo è | Minore sensibilità ai cambiamenti UI; maggiore gestione del modello |
| Profilo di costo | Costo di inferenza basso; manutenzione alta se fragile | Costo di inferenza per run; manutenzione più bassa su input stabili |
Una dimensione non presente nella tabella: la reversibilità. I bot RPA sono deterministici — puoi verificare esattamente cosa hanno fatto. Gli agenti AI introducono un comportamento probabilistico. Per i settori regolamentati (finanza, sanità, servizi legali) questo gap di auditability conta e richiede una governance aggiuntiva. Le aziende svizzere che forniscono mercati UE sono soggette all’applicazione extraterritoriale dell’EU AI Act; a livello interno, la revisione della Legge federale sulla protezione dei dati (nLPD, in vigore da settembre 2023) disciplina i sistemi AI che trattano dati personali. Consulta AI Agent Governance: una guida pratica per le PMI per capire come si traduce nella pratica.
Perché eliminare bot RPA funzionanti è quasi sempre sbagliato
Quando gli agenti AI hanno fatto il loro ingresso nel dibattito, alcuni vendor hanno inquadrato la scelta come una migrazione totale: “dismetti i bot, sostituiscili con agenti.” Quella narrazione serve i ricavi del vendor, non le tue operations.
Se un bot RPA gira in modo affidabile da due anni, elaborando file paghe o sincronizzando dati degli ordini, rappresenta un costo sommerso già recuperato — e un valore attivo, testato e a bassa manutenzione. Sostituirlo con un agente AI non migliora il risultato; introduce nuova complessità infrastrutturale, nuovi scenari di failure e un costo di ricostruzione senza alcun vantaggio operativo.
La soluzione architetturale migliore nella maggior parte delle organizzazioni è a strati:
- Mantieni l’RPA dove eccelle — lavoro ad alto volume, strutturato, basato su regole, dove è stabile ed economico
- Aggiungi agenti AI ai confini dove la struttura si rompe — l’email in entrata che avvia il workflow RPA, l’eccezione che il bot scala, il documento non strutturato che va letto prima che il bot possa agire
- Lascia che gli agenti orchestrino i bot dove opportuno — un agente può decidere quale processo RPA a valle avviare in base al contesto che ha interpretato
La domanda pratica è: dove nel tuo processo finisce la struttura e inizia il giudizio? Quel confine è dove deploi un agente, e di solito non richiede di toccare affatto il layer RPA.
Workflow agentici: oltre la semplice automazione approfondisce i design pattern a strati.
Scenario illustrativo: un operatore logistico di medie dimensioni
Immagina un’ipotetica azienda di distribuzione che gestisce 300 preventivi di trasporto in entrata al giorno. La configurazione attuale: un team legge manualmente le email dei vettori, estrae le tariffe e le inserisce nel TMS.
Approccio solo RPA: costruisci un bot per acquisire le tabelle tariffarie strutturate dai portali dei vettori. Funziona per il 60% dei vettori che pubblicano dati leggibili dalla macchina. Non funziona per il 40% che invia PDF, thread email con risposta a tutti, o formati che cambiano ogni trimestre.
Approccio con agente AI: un agente legge ogni email in entrata e ogni allegato, estrae tariffa, vettore, percorso e data di validità indipendentemente dal formato, segnala i dati mancanti o anomali per la revisione umana e invia le tariffe confermate al TMS. Nessuna manutenzione bot. Gestisce automaticamente la lunga coda.
Approccio ibrido: mantieni il bot di scraping dei portali per i vettori strutturati (già funzionante, già ammortizzato). Aggiungi un agente AI per gli inbound non strutturati — email, PDF, fax. L’agente normalizza quegli input e alimenta lo stesso workflow TMS a valle che guida il bot.
L’approccio ibrido garantisce la copertura completa a un costo incrementale inferiore. Si tratta di uno scenario costruito, non di un caso studio reale — ma la logica regge ogni volta che si audita onestamente un parco automazioni esistente.
Segnali che il tuo processo ha bisogno di un agente, non di più RPA
Poniti queste domande prima di espandere il parco bot:
- Il principale modo di fallire è “input inatteso”? Se i bot si rompono quando cambia il formato, aggiungere regole non risolve il problema.
- La gestione delle eccezioni sta consumando più tempo umano di quanto il bot ne risparmi? Il tasso di eccezioni ha silenziosamente superato la soglia di convenienza economica degli agenti.
- Il processo inizia con un essere umano che comunica qualcosa? Email, chat, voce o input da form che variano nella forma sono quasi sempre meglio serviti da un agente.
- L’obiettivo è un output, non una sequenza di passaggi? I bot eseguono sequenze. Gli agenti perseguono obiettivi. Se riesci a specificare l’output desiderato più facilmente di ogni singolo step, è un problema a forma di agente.
La Roadmap per l’implementazione degli agenti AI offre un approccio strutturato ai team pronti a pianificare un rollout agenti accanto alle automazioni esistenti.
A chi questo articolo dice: puoi procedere
L’RPA è probabilmente sufficiente se: il tuo processo è strutturato, stabile e ad alto volume, il tasso di eccezioni è basso (come guida approssimativa, ben sotto il 10–20%) e hai capacità IT per manutenere i bot quando i sistemi a monte cambiano.
Gli agenti AI hanno senso se: il tuo processo coinvolge input non strutturati, giudizio o alti tassi di eccezione — o se hai bisogno di qualcosa che possa operare su più canali (email, chat, voce) senza essere fragile alle variazioni di formato.
Entrambi, a strati, è la soluzione giusta se: hai RPA funzionante in produzione e il dolore è ai margini di quei processi — parsing in entrata, smistamento eccezioni o coordinamento cross-sistema che i bot non erano stati progettati per gestire.
Per una visione più ampia di dove gli agenti generano valore operativo misurabile, Agenti AI per il business: dove si trova davvero il ROI è un utile articolo di accompagnamento.
Parla con chi ha costruito entrambi
Il confronto agenti AI vs RPA sembra ordinato in una tabella. La parte difficile è auditare i tuoi processi reali — capire dove finisce davvero la struttura, qual è il costo attuale di manutenzione dei bot e come si presenterebbe il costo di build e operativo di un agente per il tuo volume specifico.
Quell’audit richiede circa 30 minuti quando sai cosa cercare. Il nostro lavoro di Process Optimization in Orange ITS inizia esattamente da lì: mappare il parco automazioni esistente, identificare il confine RPA-agente e stimare cosa costerebbe e porterebbe un’architettura ibrida.
Se stai valutando se espandere i bot, aggiungere agenti o partire da zero, prenota una chiamata di 30 minuti con il nostro team. Ti diremo onestamente quale direzione ha senso — e dove no.