Gli agenti IA trasformano il BPM perché introducono uno strato che decide, legge documenti e ragiona all'interno del flusso. Risolvono ciò che l'RPA non poteva: processi con criterio, dati non strutturati, conversazione con l'utente ed eccezioni difficili.
Gartner colloca l'agentic orchestration tra le tendenze dominanti del suo Hype Cycle for Process Automation 2026, con una previsione di adozione ampia nelle medie e grandi imprese nei prossimi 18-24 mesi.
La domanda non è più «useremo gli agenti IA?», bensì «come li governiamo senza perdere tracciabilità né controllo umano?». È qui che il BPM classico, con BPMN 2.0 e supervisione umana, torna a essere il tassello strategico.
Questa guida spiega cos'è un agente IA all'interno di un processo, come si differenzia dall'RPA, cinque casi d'uso reali, lo stack tecnico che lo sostiene e come iniziare con un pilota misurabile in poche settimane.
Un agente IA è un'unità software che riceve un input (un documento, un messaggio, un evento, un insieme di dati), ragiona usando un modello linguistico (LLM) e produce un output strutturato che il processo può consumare: una classificazione, un campo estratto, una decisione giustificata o una risposta conversazionale. A differenza di un microservizio tradizionale, l'agente non segue un algoritmo chiuso; applica uno skill addestrato e si adatta al contesto che gli viene fornito.
All'interno di un BPM, quell'agente vive come un passo in più del processo. Una fattura in entrata entra nel flusso, un'attività automatica del BPMN richiama l'agente «classificatore-fatture», l'agente restituisce {tipo: "energia", fornitore: "Iberdrola", confidenza: 0,94}, e l'attività successiva decide se approvarla automaticamente o inoltrarla a un essere umano. Tutto resta registrato nel log del processo.
La differenza rispetto a un «bot» o a un RPA è di natura: un bot esegue una sequenza fissa di passi, un RPA imita l'interazione di un essere umano con un'interfaccia, e un agente IA decide con criterio su dati non strutturati. Quest'ultimo aspetto apre i processi finora intrattabili senza intervento manuale: leggere un contratto, classificare un'e-mail, interpretare una busta paga o decidere se un'eccezione è legittima.
Non sono tecnologie rivali; coprono intenti diversi. La regola rapida: l'RPA per attività deterministiche con interfaccia stabile; l'agente IA per attività con criterio o dati non strutturati.
| Caratteristica | RPA | Agente IA |
|---|---|---|
| Natura | Deterministica. Esegue clic e sequenze fisse. | Ragionante. Decide in funzione del contesto. |
| Dati | Strutturati (moduli, fogli, campi). | Misti: strutturati + non strutturati (PDF, e-mail, voce). |
| Adattamento | Nessuno. Se l'interfaccia cambia, si rompe. | Sì, al contesto. Tollera la variabilità degli input. |
| Tracciabilità | Log di esecuzione (quale clic, quando). | Log + reasoning trace (cosa ha deciso e perché). |
| Manutenzione | Elevata se cambia l'interfaccia o il sistema sorgente. | Bassa se l'LLM migliora; si regolano solo prompt e regole. |
| Quando usarlo | Processi ripetitivi rigidi con interfaccia stabile. | Processi con decisione, lettura o contesto. |
La realtà pratica è che convivono: un processo reale combina spesso agenti IA per la lettura e la decisione, RPA o connettori API per spostare i dati tra i sistemi, e un BPM che orchestra il tutto.
Non tutti gli agenti fanno la stessa cosa. In un BPM produttivo convivono quattro categorie tipiche, ciascuna con il proprio skill specializzato, le proprie metriche di successo e il proprio schema di integrazione nel processo.
Classifica gli input secondo le tassonomie di business: fatture (energia, telecomunicazioni, forniture), contratti (NDA, lavoro, commerciale), e-mail in entrata (incidente, commerciale, HR), ticket di supporto. Il suo output instrada al flusso corretto, eliminando il triage manuale.
Legge PDF, immagini o e-mail ed estrae i campi chiave: importi, IBAN, partita IVA, scadenze, clausole. È un IDP (Intelligent Document Processing) senza modelli: impara a leggere qualsiasi formato del fornitore senza configurazione manuale.
Riceve i dati del processo e propone una raccomandazione con giustificazione: approvare una fattura, rifiutare un permesso, inoltrare un incidente, accettare un'iscrizione. Sempre con un ragionamento spiegabile; mai come una scatola nera. L'essere umano valida o annulla con un clic.
Conversa con cliente o dipendente all'interno del flusso: richiede i dati mancanti, scioglie i dubbi con la base di conoscenza, valida un'identità o raccoglie una firma. È il front del processo per i casi in cui un modulo rigido genera abbandono.
Questi cinque scenari concentrano la maggior parte del valore degli agenti IA nel BPM. Condividono uno schema: volume elevato, decisione ripetitiva con criterio, dati non strutturati e necessità di tracciabilità.
Agenti in serie: classificatore (quale tipo di fattura) → estrattore (importo, IVA, IBAN, partita IVA dell'emittente, scadenza) → decisione (approvare se importo < 1.000 € e fornitore ricorrente; inoltrare al manager altrimenti).
Risultato tipico: il 65-80% delle fatture viene approvato senza intervento; il resto va all'essere umano con tutto il contesto già estratto. Collo di bottiglia eliminato.
Agenti in parallelo: estrattore su documento d'identità/passaporto + agente KYC (matching contro liste di sanzioni, PEP, compliance) + agente conversazionale per richiedere i dati mancanti + decisione «iscrizione automatica» o «revisione analista».
L'iscrizione passa da 3-7 giorni ad alcune ore. La compliance resta registrata passo per passo per il regolatore.
Agenti in cascata: classificatore (incidente, commerciale, HR, altro) → instradamento al team corretto → agente conversazionale con la base di conoscenza (FAQ + ticket passati) → risposta automatica per i casi risolti → inoltro a un essere umano per i casi sensibili o i clienti premium.
Il tempo di prima risposta scende a pochi minuti; il carico del livello 1 cala drasticamente; gli agenti umani si concentrano sui casi in cui apportano realmente valore.
Agenti: triage del tipo di permesso → verifica documentale (estrattore su certificati medici, certificati familiari) → validazione contro il contratto collettivo applicabile → decisione «approvazione automatica» o «inoltro al manager diretto».
Il team HR si libera dal workflow amministrativo e si concentra su relazione, talento e casi sensibili.
Agenti: estrattore sul contratto → rilevatore di clausole critiche (limitazione di responsabilità, giurisdizione, non concorrenza, dati personali) → confronto con il modello approvato → report degli scostamenti per il team legale.
L'avvocato riceve un report pre-elaborato anziché un PDF bianco. La revisione passa da ore per contratto a pochi minuti, senza perdere rigore.
Lo standard BPMN 2.0 disponeva già della primitiva adeguata: la Service Task. Un agente IA si modella come una Service Task con una configurazione specifica: skill (classificare, estrarre, decidere, conversare), prompt o istruzione di business, dati di contesto che riceve dal processo, output atteso con il suo schema (JSON tipizzato) e politica di fallback se l'agente non risponde con confidenza sufficiente.
Il BPM mantiene tre responsabilità che l'agente da solo non può coprire. Primo, l'orchestrazione: quale agente viene invocato, in quale ordine, con quali dati e cosa accade al suo output. Secondo, la tracciabilità: ogni invocazione resta registrata con timestamp, input, output, modello usato, costo e livello di confidenza. Terzo, la supervisione umana: il flusso decide quando inoltrare a una persona in base a regole (importo, rischio, confidenza, tipo di cliente).
Questa architettura consente di versionare i processi come codice: quando si migliora un prompt o si cambia il modello, ciò resta registrato nella nuova versione del BPMN. Le istanze in corso continuano a girare con la versione precedente fino al termine; le nuove adottano la versione aggiornata. Senza questo, un agente IA «in produzione» è ingovernabile su scala.
In qualsiasi processo produttivo con decisioni di business, la supervisione umana non è un optional: è un obbligo di governance e, in molti settori (banche, sanità, assicurazioni, settore pubblico), anche legale. Il Regolamento UE sull'IA (AI Act, 2024/1689) rafforza esplicitamente la necessità di una supervisione umana significativa per i sistemi ad alto rischio.
Il modello human-in-the-loop in un BPM con agenti funziona così. Ogni agente restituisce, oltre al suo output, un livello di confidenza (0-1). Se la confidenza supera la soglia configurata (ad esempio, 0,85), il processo prosegue automaticamente. Se è al di sotto, il flusso instrada l'attività verso una casella umana con tutto il contesto: input originale, proposta dell'agente, giustificazione e dati comparabili.
L'audit trail completo include: il timestamp di ogni invocazione, il modello LLM usato, la versione del prompt, l'input esatto inviato (sanificato se contiene dati personali), l'output strutturato, la confidenza, la decisione finale (automatica o umana) e chi l'ha presa se umana. Questo registro è ciò che consente di rispondere, mesi dopo, a un audit interno o a una richiesta normativa.
Senza tracciabilità esplicita del ragionamento dell'agente e senza inoltro umano per soglia, non c'è progetto di IA produttivo. C'è solo una demo.
Senza entrare nel codice, ecco come si compone un agente IA produttivo all'interno di un BPM. Cinque strati che si scelgono e si combinano in base al caso d'uso.
Il motore di ragionamento: GPT (OpenAI/Azure), Claude (Anthropic), Gemini (Google) o modelli open source distribuibili on-premise (Llama, Mistral). Il multi-modello consente di scegliere in base a costo, latenza e sovranità del dato.
Una base vettoriale memorizza la conoscenza dell'azienda (manuali, contratti, FAQ, casi passati) in una forma interrogabile dall'LLM. Il RAG (Retrieval-Augmented Generation) recupera il rilevante prima di ragionare, evitando le allucinazioni.
L'agente può invocare azioni del sistema: interrogare l'ERP, leggere un cliente dal CRM, chiamare un'API REST, verificare un IBAN, generare un documento. Ogni tool ha un contratto chiaro di input/output.
Decision Tables, DMN o regole codificate che validano o limitano l'output dell'agente. Esempio: «approvare solo se importo < 1.000 € e fornitore in lista bianca». È la rete di sicurezza deterministica che protegge l'LLM.
Lo strato di orchestrazione, governance e tracciabilità. Il BPMN definisce l'ordine, l'inoltro umano, gli SLA, le versioni e i log. È ciò che trasforma lo stack tecnico in un processo di business verificabile.
Il ROI di un progetto di BPM con agenti IA non è una cifra unica; dipende dal processo, dal volume e da quanto lavoro umano c'era prima. Le forbici che osserviamo nei progetti reali si muovono in questi ordini di grandezza (indicativi, senza garanzia):
Per misurarlo, occorre avere una linea di base prima del progetto. Se non si misura il processo pre-agente (tempo, errori, costo, soddisfazione), non si può dimostrare il ROI dopo. Per questo un pilota ben governato include sempre 4-8 settimane di baseline prima di attivare l'agente in produzione.
Non iniziare dal processo più complesso né da quello che promette più impatto. Inizia dal più misurabile e con il minor rischio di eccezione. Cinque passi:
Volume elevato, decisione ripetitiva con criterio, dati non strutturati e metriche chiare prima/dopo. Le fatture e il triage dei ticket sono i preferiti.
Classifica, estrae, decide o conversa? Quale input riceve? Quale output strutturato restituisce? Quale confidenza minima richiede prima di agire?
Modella il flusso in BPMN 2.0, aggiungi la Service Task dell'agente, collega input/output alle attività vicine, definisci le regole di inoltro umano e gli SLA.
Per 4-8 settimane, l'agente propone ma l'essere umano valida ogni decisione. Questo consente di regolare prompt, regole e soglie su dati reali senza rischio.
Quando la precisione è stabile, alza progressivamente la soglia di automazione. Misura tempo di ciclo, errori e costo prima/dopo. Ripeti lo schema con il processo successivo.
Gli agenti IA in produzione presentano rischi reali. La buona notizia è che sono ben identificati e dispongono di mitigazioni standard.
Il modello «inventa» un dato che non è presente nell'input.
RAG su fonti verificabili, validazione con regole di business prima di agire, inoltro umano se la confidenza è bassa, e prompt che richiedono di citare la fonte.
Informazione personale o riservata inviata a un LLM esterno.
Distribuzione con dati nell'UE, contratto DPA con il fornitore dell'LLM, cifratura in transito e a riposo, anonimizzazione pre-prompt quando applicabile, e opzione di modello on-premise per i casi critici.
Variazione di prezzo, policy o disponibilità del fornitore.
Architettura multi-modello (GPT, Claude, Gemini, open source) con astrazione del fornitore, prompt portabili e possibilità di fallback automatico verso un modello alternativo.
L'agente discrimina per bias ereditati dal modello o dai dati.
Audit regolare delle decisioni, metriche di fairness per segmento, supervisione umana obbligatoria nelle decisioni con impatto legale (AI Act art. 14), e revisione periodica del prompt e dei dati usati nel RAG.
Un RPA esegue clic deterministici sulle interfacce; si rompe se l'interfaccia cambia e non decide. Un agente IA ragiona su dati strutturati e non strutturati, decide con giustificazione e si adatta al contesto. L'RPA serve per attività rigide e ripetitive; l'agente IA è per processi con criterio, lettura di documenti o conversazione.
Sì. In Dokuflex un agente IA si configura come un passo del processo BPMN: si sceglie lo skill (classificare, estrarre, decidere, conversare), si definisce il prompt e i dati di contesto, e si collega l'output al passo successivo. Non richiede codice; richiede invece la progettazione del processo e la validazione umana del pilota.
Sono conformi al GDPR se vengono distribuiti con dati nell'UE, con cifratura in transito e a riposo, con tracciabilità del trattamento e base giuridica documentata. Per le decisioni automatizzate con effetti giuridici rilevanti (art. 22 GDPR) occorre mantenere una supervisione umana significativa. L'AI Act (Regolamento UE 2024/1689) aggiunge requisiti ulteriori per i sistemi ad alto rischio.
Con tre livelli: il RAG (Retrieval-Augmented Generation) affinché l'agente risponda solo su dati verificabili; regole di business che validano l'output prima di eseguirlo; e l'human-in-the-loop con soglia di confidenza per inoltrare qualsiasi caso dubbio a un revisore umano. La tracciabilità del ragionamento dell'agente resta registrata nel log del processo BPM.
No, negli scenari reali che osserviamo. Gli agenti si fanno carico della parte ripetitiva e a basso valore (classificare, estrarre, redigere la bozza) e lasciano all'essere umano la decisione finale, l'eccezione e la relazione con il cliente. Ciò che cambia è la capacità: uno stesso team gestisce un volume diverse volte maggiore senza perdere qualità.
Dokuflex è multi-modello: integra GPT (OpenAI/Azure), Claude (Anthropic) e modelli open source distribuibili su infrastruttura privata. Il cliente può scegliere in base a costo, latenza, sovranità del dato o necessità di distribuzione on-premise. Questo evita la dipendenza da un unico fornitore.
A consumo misurato (token o esecuzioni dell'agente) più la licenza BPM. In Dokuflex si fattura per processo o per volume di esecuzioni dell'agente, con previsione di costo per unità di lavoro. Per gli ambienti enterprise si offre una tariffa fissa annuale con budget di token chiuso.
Tecnicamente puoi invocare un agente IA isolato da uno script. Ma senza BPMS non avrai orchestrazione, tracciabilità, supervisione umana né governance delle versioni. Il BPMS è ciò che trasforma un agente IA isolato in un processo produttivo, verificabile e manutenibile. È la differenza tra una demo e la produzione.
Informazione a titolo orientativo. Le cifre di adozione e le forbici di ROI sono stime di mercato e risultati tipici osservati; non costituiscono una garanzia di risultati. Per i casi specifici consulta il tuo team IT e di compliance.
Modella il flusso, aggiungi gli agenti IA dove apportano valore, mantieni la supervisione umana e misura l'impatto fin dal primo pilota.