I tradizionali sistemi di automazione applicativa (Robotic Process Automation, RPA) sono messi in discussione dai sistemi di orchestrazione agentica basati sull’intelligenza artificiale, con opportunità e sfide che è utile comprendere per scegliere opportunamente se e come avviare una transizione. Questo cambiamento è presentato qui come un processo di evoluzione della cultura organizzativa, che è saggio sviluppare di pari passo con l’introduzione progressiva delle tecnologie abilitanti.

Di seguito, le piattaforme applicative e i framework concettuali, esempi concreti utili a orientare, senza pretesa di esaustività, nei numerosi dettagli sia teorici che implementativi.

Il contesto: la transizione verso i sistemi di orchestrazione agentica

L’automazione dei processi aziendali, inizialmente focalizzata sull’esecuzione di compiti ripetitivi e realizzata mediante Robotic Process Automation (RPA), si è progressivamente evoluta in Intelligent Automation, dotandosi di capacità decisionali basilari. Già da anni, infatti, piattaforme come UiPath hanno incorporato algoritmi di machine learning^[1] per esempio per il riconoscimento e la classificazione dei documenti o nei processi di onboarding della clientela, affiancati recentemente da sistemi di AI generativa in grado di aumentare le capacità operative dei processi di RPA, ma sempre all’interno di workflow programmati.

Lo sviluppo dei modelli di linguaggio, in particolare di grandi dimensioni (Large Language Models, LLM) ma non solo, sta producendo un cambiamento non più incrementale, ma che riguarda i criteri stessi di gestione e le sue relazioni con la struttura organizzativa dell’azienda, e può arrivare a ridefinire il modello operativo dell’automazione, che passa dall’esecuzione di procedure definite staticamente all’impiego di componenti o sistemi dotati di intelligenza dinamica e capaci di prendere decisioni e risolvere problemi in modo almeno parzialmente autonomo: gli agenti.

In questo nuovo scenario l’Agentic Process Automation (APA) è dunque un modello in cui i sistemi non si limitano più a seguire script, ma interpretano obiettivi, pianificano strategie e orchestrano autonomamente flussi di lavoro complessi per raggiungere risultati di business^[2].

I due tipi di orchestrazione: programmatica e agentica

Il divario tra l’automazione tradizionale e quella agentica non è incrementale, ma segna una cesura netta nel ruolo che il sistema di automazione assume all’interno dell’organizzazione. La riflessione sui limiti del paradigma RPA offre una possibilità per identificare un ruolo diverso dell’automazione stessa all’interno del contesto organizzativo, ponendola non solo come un driver di efficienza, ma anche come una delle componenti rilevanti del processo di innovazione dell’azienda.

L’RPA consente un controllo molto preciso dell’automazione, ma è limitata da fattori che ne limitano la scalabilità e la capacità di essere pervasiva, specialmente in processi nei quali le decisioni sono basate su informazioni non strutturate. I suoi principali fattori di criticità sono i seguenti.

– Fragilità e costi di manutenzione. Il comportamento di un sistema di RPA è tipicamente specificato operando in modo interattivo su un’interfaccia utente, cosa che rende il sistema facile da realizzare ma anche intrinsecamente fragile. Una minima modifica all’interfaccia di un’applicazione può infatti interrompere un intero processo automatizzato, generando un codice che potrebbe richiedere una manutenzione frequente e costosa. Questo porta sovente all’accumulo di “debito tecnico”, ovvero alla necessità di intervenire, per motivi di rapidità ed economia, con soluzioni temporanee e parziali che a loro volta aumentano la fragilità della soluzione software adottata.

– Ridotta flessibilità. La RPA tradizionale, essendo basata un sistema programmato, è progettata non per adattare il proprio comportamento, ma per eseguire in modo esatto le istruzioni cablate nel sistema stesso. Nei processi che si basano su dati non strutturati questo fattore limita fortemente la possibilità di delegare al sistema parti significative del processo^[3].

– Ridotta scalabilità. Studi effettuati da società rilevanti nel settore della trasformazione tecnologica delle aziende^[4] rivelano che solo una minoranza di progetti di automazione raggiunge la produzione su larga scala. Questo fallimento non è dovuto alla tecnologia in sé, ma, spesso, all’approccio usato per la sperimentazione: i piloti sono spesso costruiti in sandbox isolate, disconnesse dai sistemi enterprise e non integrate nei processi di ingegneria del software, rendendo difficile la transizione verso un ambiente di produzione.

– Dipendenza continua dalla conoscenza di esperti. La progettazione, l’implementazione e la manutenzione dei workflow RPA richiedono un impegno rilevante e competenze specialistiche, sia tecnologiche sia di business e sia nella fase di analisi sia durante il ciclo di vita del software, creando un collo di bottiglia che limita la capacità di adattarsi rapidamente ai cambiamenti di processo.

I rischi di business

Queste criticità tecniche si traducono in rischi di business tangibili. A fronte di alcuni vantaggi in termini di automazione, basare processi critici su workflow programmati può diventare, paradossalmente, una ragione di freno al cambiamento, vanificando così i benefici nel tempo dell’investimento stesso, mentre la costante manutenzione tende a far aumentare il ricorso a patch provvisorie, con conseguente riflesso sui rischi di compliance tecnologica.

Ma il rischio maggiore, in un’ipotesi in cui i competitor stiano adottando sistemi agentici, potrebbe essere in un crescente gap di capacità di innovazione difficilmente colmabile, con rilevanti ostacoli alla capacità di automatizzare processi end-to-end ad alto valore. È proprio per superare queste barriere che l’APA emerge come naturale strategia complementare o evolutiva della RPA.

L’orchestrazione agentica si fonda su un modello operativo radicalmente nuovo, che sposta il focus dall’automazione di singole attività e processi alla risoluzione autonoma di problemi complessi. Invece di eseguire una successione prefissata di comandi, i sistemi agentici interpretano un obiettivo aziendale e ricorrono all’uso dinamico di risorse, strumenti e altri agenti per raggiungerlo.

Orchestrazione agentica

L’orchestrazione agentica si fonda alcuni principi distintivi, che possono essere così riassunti.

– Autonomia e ragionamento. Il cuore di un sistema agentico è la sua capacità di agire in autonomia. Facendo leva sulle capacità cognitive dei modelli di linguaggio, gli agenti possono interpretare obiettivi espressi in linguaggio naturale, scomporli in passaggi logici, pianificare successioni di azioni e prendere decisioni autonome per completare un compito, senza la necessità che il flusso delle operazioni debba essere precedentemente descritto o programmato.

– Pianificazione e ottimizzazione dinamica. I workflow agentici non sono statici: vengono generati, adattati e ottimizzati anche in tempo reale in base al contesto, agli errori rilevati dal sistema e ai feedback ricevuti. Questo processo di affinamento progressivo consente al sistema di apprendere e migliorare le proprie prestazioni, scoprendo percorsi efficienti senza intervento umano e, a certe condizioni, migliorando autonomamente le proprie strategie^[5].

– Collaborazione multi-agente. I sistemi agentici sono tipicamente composti da più agenti specializzati che possono seguire diversi modelli di collaborazione, coordinati da un orchestratore centrale che assegna compiti specifici, permettendo una divisione del lavoro strutturata^[6] con ruoli e competenze diversi, eventualmente anche all’essere basati su LLM diversi, in modo da irrobustire il processo decisionale ed esecutivo.

– Governance centralizzata. L’orchestrazione agentica unificata consente di evitare che l’implementazione di agenti IA all’interno dell’organizzazione si trasformi di fatto nella proliferazione di “agenti ombra” non governati, introducendo significativi rischi operativi e di sicurezza, e agendo invece come un’interfaccia di intelligenza coerente, capace di collaborare con i diversi livelli aziendali per eseguire workflow complessi in modo coerente con gli obiettivi^[7].

Il modello è quindi quello di un’organizzazione i cui processi di business non sono semplicemente automatizzati, ma sono gestiti dal management insieme a un sistema di intelligenza artificiale unificata e pervasiva.

Un sistema basato su questi principi può, nel tempo, apprendere dalle proprie esperienze, individuare percorsi alternativi e adattarsi dinamicamente ai cambiamenti, accumulando conoscenza e utilizzandola per le decisioni successive.

Verso un sistema agentico

Punti chiave e tecnologie abilitanti

I sistemi agentici assumono tipicamente che i workflow siano rappresentati come strutture programmatiche – per esempio in codice Python o in forma di grafi –, che possono essere esplorabili e modificabili dagli stessi LLM. Per esempio, framework innovativi come AFlow trattano la scoperta del workflow ottimale come un problema di ricerca. Utilizzando algoritmi come il Monte Carlo Tree Search (MCTS), questi sistemi sono in grado di “navigare” autonomamente lo spazio delle possibili configurazioni di workflow per scoprire la struttura di grafo più efficace per un dato compito, minimizzando l’intervento umano^[8].

Derivata dalla natura stessa degli agenti AI è la possibilità che essi collaborino tra loro e lo facciano in modo efficiente, convergendo a una soluzione utile con costi accettabili. La recente introduzione di protocolli che consentono a modelli di linguaggio di

– utilizzare strumenti^[9],

– coordinare le proprie azioni^[10],

– dialogare in modo strutturato con l’utente del sistema^[11]

permette di ipotizzare implementazioni estremamente sofisticate e adattate alle necessità di ogni azienda mediante un’attività di modellazione iniziale che identifichi con precisione obiettivi gestionali, dati e strumenti a disposizione degli agenti.

La possibilità che autonomamente un agente AI riesca a scomporre l’attività da eseguire in una successione di fasi può poi consentire di costruire sistemi significativamente più robusti dal punto di vista della correzione automatica di errori o della gestione delle eccezioni^[12].

Da sottolineare è inoltre il fatto che l’automazione agentica si basa oggi tipicamente sulla capacità dei modelli di linguaggio di ragionare, pianificare e agire attraverso l’uso di strumenti esterni. Questa funzionalità è realizzata in modo più efficiente attraverso chiamate ad API, che permettono agli agenti di generare specifiche richieste a servizi come Outlook, Gmail, Salesforce, Dropbox, ecc.).

La dipendenza dai sistemi legacy

Tuttavia, la piena integrazione di tali sistemi agentici nelle organizzazioni incontra un ostacolo rilevante nella dipendenza da sistemi legacy. Molte piattaforme aziendali essenziali non espongono infatti interfacce gestibili, rendendo necessario ricorrere a interazioni a livello di interfaccia utente, una metodologia che è il cuore della RPA. Questo impone un vincolo significativo alla realizzazione di workflow agentici pienamente dinamici, e introduce oneri di manutenzione rilevanti e problemi di affidabilità.

Pertanto, l’interazione tramite interfaccia utente con sistemi legacy può rappresentare un limite alla scalabilità e all’adattabilità promesse dall’orchestrazione agentica, richiedendo l’integrazione di un layer di esecuzione robusto – come i robot RPA in UiPath – per gestire il nucleo delle operazioni deterministiche^[13].

L’implementazione di un sistema alcune parti del quale possono prendere decisioni in modo autonomo rende importante considerare le condizioni che garantiscano che i flussi di lavoro scaturiti da tali decisioni siano auditabili e trasparenti^[14]. L’implementazione dovrebbe essere basata su un mix tecnologico e metodologico che consenta ciò. Per esempio, il framework SAX4BPM (Situation-Aware eXplainability for Business Process Management^[15]) introduce una componente sistematica di feedback tra le chiamate al modello di linguaggio e i log dell’avanzamento del processo, che realizza una sorta di context engineering automatico^[16].

Pur con alcuni punti di attenzione, quindi, la convergenza di workflow rappresentati come codice, architetture multi-agente, iniezione di conoscenza causale e design modulare definisce una nuova classe di sistemi in grado di svolgere compiti o interi processi in modo radicalmente diverso dalla tradizionale RPA.

Questi sistemi non si limitano ad automatizzare compiti predefiniti: sono progettati per ragionare, apprendere, auto-correggersi e adattarsi in ambienti dinamici. Comprendere questa architettura tecnologica è il presupposto per affrontare la trasformazione più difficile: quella organizzativa.

La trasformazione organizzativa per l’automazione agentica

Senza voler in alcun modo minimizzare la difficoltà della sfida tecnologica, è però chiaro che la vera sfida nell’automazione basata sulla AI agentica non sta nello sviluppo del software, ma nella capacità dell’azienda di adattare le strutture, ridefinire le competenze e ripensare i processi di governance, facendo evolvere cultura e organizzazione. Senza questa trasformazione, anche la tecnologia più avanzata è destinata a rimanere confinata in esperimenti isolati e in proof of concept.

Il modello human-in-the-loop

L’orchestrazione agentica mette dunque in discussione, una volta ancora, il ruolo delle persone nelle organizzazioni, e fornisce le condizioni per il passaggio da un modello human-in-the-loop, in cui gli esseri umani hanno il compito di eseguire i passaggi critici all’interno dei processi automatizzati, a un modello human-above-the-loop.

In questo nuovo scenario, i lavoratori passano da eseguire task critici ma ripetitivi (per esempio, validare la proposta di esito di un sinistro), a ruoli di supervisione strategica e sistemica, decidendo gli obiettivi del sistema automatizzato, validando le sue decisioni più critiche (e, quando occorre, spiegando al sistema perché la sua decisione sull’esito del sinistro è sbagliata) e intervenendo per gestire le eccezioni complesse^[17].

Appare un cambiamento rilevante, forse addirittura paradigmatico, e quanto più fosse tale tanto più avrebbe conseguenze sulle molteplici dimensioni che caratterizzano le persone nelle organizzazioni: ruoli e responsabilità, percorsi di carriera e di formazione, e così via. Ma non è questo il tema di cui stiamo trattando qui.

Un esempio reale: Musixmatch

Presentiamo un caso d’uso reale di processo agentico per mostrare il senso e la concretezza di queste considerazioni. L’azienda in oggetto è Musixmatch^[18], che ha utilizzato la piattaforma N8N^[19] per costruire una “fabbrica di automazioni” che collega fonti dati eterogenee, servizi esterni (servizi interni esposti mediante API, Spotify, Salesforce, ecc.) e gli utenti non tecnici in un ciclo orchestrato di raccolta di dati in input, esecuzione di workflow e monitoraggio dei risultati^[20].

In questo ecosistema, i workflow N8N funzionano di fatto come agenti operativi specializzati, attivati da pulsanti o regole temporali, capaci di interpretare parametri di contesto (ID traccia, lingua, tipo di richiesta, ecc.), chiamare API, aggiornare tabelle e restituire esiti strutturati che alimentano ulteriori decisioni umane o automatizzate.​

Un’implementazione self‑hosted di N8N funge da “motore di esecuzione” dietro interfacce gestionali usate da tutta l’azienda. Gli utenti inseriscono i dati di business in tabelle del gestionale e attraverso un’interfaccia utente invocano workflow N8N tramite webhooks, che eseguono compiti come il recupero di metadati da Spotify, la trasformazione di testi, l’aggiornamento di record nel gestionale o in database esterni.

In questo senso, ogni workflow N8N incapsula un ruolo agentico: riceve un obiettivo locale (per esempio “aggiorna la popolarità di queste tracce” o “genera la nuova versione dei testi”), seleziona e orchestra le azioni necessarie e aggiorna con ciò lo stato del sistema.​

Un ulteriore elemento agentico è la gestione dei trigger e delle risorse: per ottimizzare la gestione dei workflow, un agente master gestisce le chiamate verso N8N. Ne risulta una rete di agenti software che interagiscono su loro iniziativa con i sistemi gestionali o che vengono da questi innescati secondo una più o meno complessa logica di trigger basata su eventi e/o scheduling. A livello di monitoraggio, poi, i log di esecuzione di N8N vengono aggregati in un database e riportati nel gestionale per popolare dashboard su volumi, errori, progetti e team, permettendo di osservare e regolare il comportamento collettivo di questi agenti.

Conclusioni: costruire processi ottimali

Le informazioni che abbiamo raccolto e le analisi che abbiamo sviluppato ci portano a supporre che le due forme di automazione – RPA e APA – siano complementari, e forniscano a chi progetta l’architettura organizzativa di un’azienda una cassetta degli attrezzi che permette il passaggio a forme evolute e flessibili di automazione.

Come spesso accade, i sistemi tecnologici sono comunque degli abilitatori, la cui concreta efficacia è condizionata da un investimento deliberato in tre pilastri strategici strettamente interdipendenti.

– La gestione della conoscenza, finalizzata a sviluppare una strategia di acquisizione e organizzazione della conoscenza e di context engineering a livello aziendale, per trasformare la conoscenza tacita, contenuta nell’esperienza delle persone e in documenti non strutturati, in asset strategici riutilizzabili da affiancare al patrimonio di dati strutturati presenti sotto diverse forme (tabulati, database/data lake, repository di documenti generati da applicativi di office automation, accesso a fonti esterne di riferimento).

– L’adattamento dei processi, finalizzato a ridisegnare i workflow per capitalizzare l’autonomia degli agenti ed elevare il ruolo umano alla supervisione strategica e alla governance. Se infatti nei progetti di automazione il rischio è di automatizzare un processo di per sé inefficiente senza ottimizzarlo in ottica di reingegnerizzazione, l’introduzione di una automazione agentica sollecita un ripensamento dei processi in ottica di semplificazione anche per rendere maggiormente intellegibile, controllabile e trasparente il comportamento degli agenti.

– L’evoluzione delle competenze, finalizzata a mettere le persone nella condizione di operare efficacemente con sistemi artificiali intelligenti, e mantenendo in questo nuovo scenario un senso per il proprio lavoro. Non si tratta dunque tanto di acquisire competenze specialistiche in AI, quanto di fare in modo che, in condizioni di sicurezza e compliance, l’intera organizzazione si sviluppi verso una condizione di “co-intelligenza” o “intelligenza aumentata”.

I vantaggi

Se governato in modo appropriato, questo passaggio potrebbe portare importanti vantaggi in termini di

– flessibilità e capacità di adattarsi rapidamente ai cambiamenti del mercato,

– robustezza organizzativa e capacità di gestire le eccezioni e auto-correggersi, e

– capacità innovativa, in quanto la collaborazione tra persone e agenti AI potrebbe aumentare significativamente la capacità dell’azienda di concentrarsi sulla creatività e sulla risoluzione di problemi complessi.

In questa visione, la collaborazione uomo-macchina potrebbe raggiungere un nuovo livello di sinergia, aprendo la strada a configurazioni organizzative non orientate solo alla ricerca della rapidità, ma anche al potenziamento sistematico delle competenze delle persone.

Note

Per la redazione del presente articolo sono stati usati NotebookLM per l’organizzazione dei documenti e delle operazioni di RAG, e Perplexity Pro per la ricerca su fonti specifiche.

1. N8N, Case study: Musixmatch (https://n8n.io/case-studies/musixmatch). Il caso è anche presentato su Youtube: How Musixmatch uses Coda to manage its business (https://www.youtube.com/watch?v=vyfaCQRFem8). ↑

2. Per una descrizione dettagliata si veda, per esempio, “UiPath – Use of Artificial Intelligence and Machine Learning”, 2021 (https://www.fdic.gov/system/files/2024-06/2021-rfi-financial-institutions-ai-3064-za24-c-005.pdf). ↑

3. S. Fan et al., WorkflowLLM: Enhancing Workflow Orchestration Capability of Large Language Models, 2024 (https://arxiv.org/abs/2411.05451). ↑

4. L. Mankova et al., From Words to Workflows: Automating Business Processes, 2024 (https://arxiv.org/abs/2412.03446). ↑

5. Si vedano per esempio il report di McKinsey&Co., The state of AI in 2025: Agents, innovation, and transformation, 2025 (https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai), e lo studio di EPAM, Unlock AI’s Business Value: From Hype to Real Enterprise Impact, 2025 (https://www.epam.com/ai-report-2025/introduction). ↑

6. Si veda per esempio K.A. Yuksel et al., A Multi-AI Agent System for Autonomous Optimization of Agentic AI Solutions via Iterative Refinement and LLM-Driven Feedback Loops, 2025 (https://aclanthology.org/2025.realm-1.4). ↑

7. Il tema dell’automazione avanzata basata su agenti di IA è attualmente centrale in alcune piattaforme che erogano servizi a livello globale. Si veda per esempio Salesforce, LLM Agents: A Complete Guide (https://www.salesforce.com/agentforce/llm-agents). ↑

8. C. Yu et al., A Survey on Agent Workflow: Status and Future, 2025 (https://arxiv.org/abs/2508.01186). ↑

9. J. Zhang et al., AFlow: Automating Agentic Workflow Generation, 2024 (https://arxiv.org/abs/2410.10762). ↑

10. MCP, Model Context Protocol (https://modelcontextprotocol.io/docs/getting-started/intro). ↑

11. A2A, Agent2Agent Protocol (https://a2a-protocol.org). ↑

12. AG-UI, Agent-User Interaction Protocol (https://docs.ag-ui.com/introduction). ↑

13. Si veda per esempio B. Niu et al., Flow: Modularized Agentic Workflow Automation, 2025 (https://arxiv.org/abs/2501.07834). ↑

14. Per una disamina delle problematiche relative all’evoluzione dei sistemi RPA in sistemi agentici si veda per esempio S. Afrin et al., AI-Enhanced Robotic Process Automation: A Review of Intelligent Automation Innovations, 2024 (https://ieeexplore.ieee.org/document/10781408). ↑

15. Questa problematica è direttamente connessa, ma non coincidente, con la compliance dei sistemi di IA a regole di comportamento in linea con la normativa e alla garanzia del rispetto delle regole etiche. Questo caso si riferisce all’implementazione, nei processi, di un livello di documentazione esplicita delle decisioni assunte e del contesto di riferimento, tale da rendere possibile l’attività di verifica (audit). ↑

16. D. Fahland et al., How well can a large language model explain business processes as perceived by users?, 2024 (https://arxiv.org/abs/2401.12846). ↑

17. Invece di chiedere semplicemente a un modello di linguaggio di spiegare un processo, SAX4BPM arricchisce il prompt con un “componente causale”. Questo componente, estratto dall’analisi dei log degli eventi di processo, descrive le dipendenze di causa-effetto tra le attività. Fornendo all’LLM questa conoscenza, il framework è in grado di migliorare la fedeltà, e dunque la correttezza fattuale, e l’interpretabilità delle spiegazioni generate. L’output dell’LLM non è più basato solo su associazioni, ma è radicato in una comprensione strutturale del processo, rendendolo più affidabile per l’analisi e l’ottimizzazione. ↑

18. Sul tema dell’automazione agentica come paradigma di un nuovo tipo di organizzazione si veda McKinsey&Co., The agentic organization: A new operating model for AI, 2025 (https://www.mckinsey.com/capabilities/people-and-organizational-performance/our-insights/the-agentic-organization-contours-of-the-next-paradigm-for-the-ai-era). ↑

19 La società Musixmatch (https://www.musixmatch.com) è attiva nel campo della produzione musicale con una focalizzazione specifica nel campo dei testi e dei metadati, e si rivolge sia al mercato degli artisti sia a quello della produzione e degli sviluppatori software. ↑

N8N (https://n8n.io) è una piattaforma per realizzare automazioni avanzate mediante agenti IA che interagiscono tramite chiamate API e/o webhooks con i principali fornitori di servizi cloud. Proponiamo un caso d’uso riferito a N8N perché questa è, a nostra conoscenza, l’unica piattaforma a offrire una versione del proprio codice liberamente disponibile su GitHub per sperimentazione, e per l’uso in produzione se il server è autogestito. ↑