Inserisci la password ricevuta via email per accedere al corso.
Per assistenza: info@ai-adopt.it
Automatizzare il processo sbagliato è peggio che non automatizzare nulla. Prima di toccare qualsiasi strumento, devi capire quale processo vale la pena affidare a un agente, come funziona esattamente e dove si nascondono i rischi. Questo modulo ti dà il metodo per farlo in modo sistematico.
Uno degli errori più comuni nell'adozione degli agenti AI è scegliere il processo da automatizzare in base all'entusiasmo o alla visibilità, non alla struttura. Un processo complesso, ricco di eccezioni e con output difficile da valutare non diventa più semplice se ci metti un agente sopra: diventa più opaco e più costoso quando qualcosa va storto.
Il punto di partenza è sempre la domanda: questo processo ha le caratteristiche giuste per essere gestito da un agente AI no-code? Quattro criteri ti aiutano a rispondere con precisione.
| Criterio | Cosa significa | Segnale positivo | Segnale di attenzione |
|---|---|---|---|
| Volume | Quante volte si ripete il processo in un dato periodo | Almeno 5-10 volte a settimana, con picchi prevedibili | Occasionale o stagionale senza schema fisso |
| Ripetitività | Quanto è costante la struttura del processo da un'esecuzione all'altra | Lo stesso schema si ripete con variazioni minori e prevedibili | Ogni esecuzione richiede giudizio situazionale diverso |
| Input/Output | Quanto sono definiti i dati in ingresso e il risultato atteso | Input chiari e strutturati, output verificabile oggettivamente | Input ambigui, output soggettivo o dipendente dal contesto |
| Costo errore | Quali conseguenze ha un errore dell'agente su questo processo | Errore visibile e correggibile prima che raggiunga il cliente o produca danni | Errore invisibile o con conseguenze legali, finanziarie o reputazionali dirette |
Un processo che supera tutti e quattro i criteri è un candidato forte. Tre criteri su quattro è ancora un buon punto di partenza. Meno di tre significa che l'agente probabilmente genererà più problemi di quanti ne risolva — almeno nella versione iniziale.
Quando hai più processi candidati — situazione comune nelle PMI che iniziano a esplorare l'automazione — hai bisogno di un modo per confrontarli e decidere da dove iniziare. La matrice impatto-fattibilità è lo strumento più diretto: due assi, quattro quadranti, una priorità chiara.
Impatto misura quanto tempo, denaro o errori si risparmia automatizzando il processo. Fattibilità misura quanto è semplice costruire l'agente con strumenti no-code, tenendo conto della struttura del processo, della qualità dei dati disponibili e della complessità tecnica delle integrazioni necessarie.
Il quadrante ideale per il primo agente è quello in alto a destra: alta fattibilità, alto impatto. Se non hai processi in quel quadrante, il secondo migliore è alto impatto e media fattibilità — ma in quel caso dedica più tempo alla fase di progettazione prima di costruire.
Per rendere concreto il metodo, prendiamo uno studio di consulenza fiscale con cinque processi ricorrenti. Ognuno viene valutato rispetto ai quattro criteri e posizionato nella matrice. L'obiettivo non è la risposta giusta in assoluto — dipende dal contesto specifico — ma capire come ragionare sulla selezione.
Volume alto (stagionale ma concentrato), struttura costante, input definibili (lista documenti per tipo di contribuente), output verificabile (cartella completa o incompleta). Fattibilità alta, impatto alto.
Volume medio, ma ogni quesito richiede ragionamento giuridico situazionale. Output difficile da verificare oggettivamente. Costo dell'errore potenzialmente alto. Fattibilità bassa — non adatto a un agente autonomo.
Volume alto, struttura fissa (calendario scadenze + anagrafica clienti + template email), output verificabile (email inviata o non inviata). Fattibilità molto alta, impatto medio-alto. Ottimo primo agente.
Volume alto, struttura relativamente costante per i clienti standard, ma richiede accesso ai sistemi gestionali e verifica umana obbligatoria per ogni registrazione. Fattibilità media, impatto alto — adatto come chain con supervisione.
Volume basso ma con schema fisso (raccolta dati, verifica antiriciclaggio, apertura fascicolo, configurazione nel gestionale, invio lettera incarico). Fattibilità media-alta come chain a più nodi. Impatto medio — buona scelta per la seconda ondata di automazione.
Ora che hai il metodo, applicalo al tuo contesto. Il modo più efficace è fare una lista di tutti i processi ripetitivi che svolgi o che il tuo team svolge — anche quelli che sembrano troppo semplici per meritare attenzione. Spesso sono proprio quelli che producono il maggior ritorno quando automatizzati, perché il loro volume cumulativo è enorme.
Nella lista, assegna a ciascun processo un punteggio approssimativo su impatto e fattibilità (alto / medio / basso). Non serve precisione: l'obiettivo è distinguere i candidati forti da quelli deboli, non costruire un modello quantitativo perfetto.
Il processo che emerge come prioritario diventerà il filo conduttore del corso: lo userai come caso reale nel Modulo 2 per scrivere le istruzioni, nel Modulo 3 per costruire il workflow, nel Modulo 4 per testarlo e nel Modulo 6 per il pilot.
Identificare i bisogni e rispondere con soluzioni digitali appropriate: la selezione del processo da automatizzare è una decisione strategica che richiede valutazione critica, non solo entusiasmo per la tecnologia.
Una volta scelto il processo candidato, il passo successivo è descriverlo con la precisione necessaria per istruire un agente. Non basta sapere "cosa si fa": serve capire cosa scatena il processo, cosa entra nel sistema, e cosa deve uscire — e in che forma, per chi, entro quando.
Questa descrizione a tre livelli è la base di tutto quello che costruirai nei moduli successivi. Se è imprecisa, le istruzioni dell'agente saranno imprecise. Se è completa, la costruzione del workflow sarà molto più rapida e meno soggetta a correzioni.
Non tutti i trigger sono uguali, e la differenza ha implicazioni dirette sulla configurazione del tuo agente. Un trigger umano richiede che qualcuno compia un'azione deliberata per avviare il processo. Un trigger automatico si attiva da solo, senza intervento di nessuno.
La maggior parte degli agenti no-code per PMI si basa su trigger automatici — ed è proprio lì che risiede il valore: il processo parte senza che nessuno debba ricordarsi di avviarlo. Ma questo significa anche che l'agente deve gestire correttamente tutti i casi che arrivano, compresi quelli anomali, perché nessuno sta guardando in tempo reale.
| Tipo di trigger | Esempi | Implicazione per l'agente |
|---|---|---|
| Automatico — evento | Email ricevuta, form compilato, documento caricato su Drive, ordine confermato | L'agente deve gestire tutti i casi possibili; serve un guardrail per gli input anomali |
| Automatico — tempo | Ogni lunedì alle 8:00, il primo giorno del mese, 3 giorni prima della scadenza | Semplice da configurare, ma l'agente non sa se le condizioni sono cambiate dall'ultima esecuzione |
| Umano — esplicito | Click su un bottone, invio di un comando, approvazione di un record | Più controllato, ma richiede che qualcuno sia presente e ricordi di agire |
| Umano — implicito | Cambio di stato di un record che dipende da un'azione umana (es. stato ordine → "confermato") | Ibrido: automatico nella catena, ma dipende da un'azione umana a monte |
La scheda di mappatura è il documento che userai come riferimento per costruire l'agente. Non è un documento tecnico — è una descrizione strutturata del processo in linguaggio naturale, organizzata nei campi che un agente AI ha bisogno di conoscere per funzionare correttamente.
Compilarla richiede tra i 20 e i 40 minuti per un processo di media complessità. Il tempo è ben speso: ogni campo che lasci vuoto o ambiguo si tradurrà in almeno un ciclo aggiuntivo di test e correzione durante la costruzione.
Vedere la scheda compilata su casi reali è il modo più rapido per capire il livello di dettaglio richiesto. Il primo esempio è semplice — un agente singolo con trigger automatico. Il secondo è più articolato, con un trigger ibrido e un punto di controllo esplicito.
Trigger: automatico — ricezione email dal form del sito con oggetto standardizzato. Input: testo email con destinazione, date, numero persone, budget indicativo. Output: scheda cliente pre-compilata su Notion + classificazione (richiesta standard / richiesta complessa / fuori target budget). Chi riceve: consulente assegnato via notifica Slack. Eccezioni: email senza date o budget → classificazione automatica come "incompleta" + risposta al cliente con richiesta di integrazione. Supervisione: nessuna sull'invio della notifica; il consulente decide l'azione successiva.
Trigger: umano esplicito — avvocato segna il cliente come "accettato" nel CRM. Input: dati anagrafici cliente, tipo di mandato, avvocato referente, data di accettazione. Output: fascicolo su Notion con template standard + bozza lettera di incarico in Google Docs + reminder calendario per primo appuntamento. Chi riceve: avvocato referente (email con link ai documenti) + segreteria (notifica). Eccezioni: mandati con più parti → creazione fascicoli multipli collegati. Supervisione: l'avvocato referente deve approvare la lettera di incarico prima dell'invio al cliente.
Interagire con tecnologie digitali: la mappatura strutturata di un processo è la competenza che separa chi usa l'AI in modo consapevole da chi la usa in modo impulsivo. La trasparenza sul funzionamento del sistema è un requisito dell'AI Act per i sistemi ad alto rischio.
Leggi la descrizione del processo qui sotto, poi compila i campi della scheda. Non ci sono risposte univoche: l'obiettivo è verificare che tu abbia identificato tutti gli elementi rilevanti.
Quando si parla di fattibilità di un agente AI, il pensiero va subito alle integrazioni: "il tool si connette con il mio CRM?", "posso accedere ai dati in tempo reale?". Queste sono domande legittime, ma non sono le più critiche. I progetti di automazione falliscono più spesso per ragioni organizzative che tecniche.
I dati sono disponibili ma non strutturati. Il processo esiste sulla carta ma viene eseguito in modo diverso da persona a persona. Le eccezioni sono più frequenti di quanto sembri. Il responsabile del processo cambia ogni sei mesi. Questi fattori rendono un agente difficile da costruire e da mantenere, indipendentemente dalla qualità degli strumenti no-code disponibili.
La checklist di fattibilità che userai in questa lezione copre entrambe le dimensioni: tecnica e organizzativa.
Ogni automazione introduce nuovi rischi insieme ai vantaggi. Ignorarli in fase di progettazione non li elimina — li sposta al momento peggiore, quello in cui l'agente è già in produzione e sta gestendo processi reali con clienti reali.
| Categoria di rischio | Descrizione | Esempio concreto | Contromisura standard |
|---|---|---|---|
| Dati sensibili | L'agente accede o trasmette dati personali, fiscali o riservati senza le garanzie necessarie | Agente che invia email con dati fiscali del cliente usando un template con variabile errata | Test su dati anonimi, verifica GDPR delle integrazioni, log di ogni trasmissione |
| Errori a cascata | Un errore in un nodo del workflow si propaga agli output successivi senza che nessuno se ne accorga | Agente che classifica male una richiesta → risposta sbagliata inviata → ticket aperto sul cliente sbagliato | Checkpoint di verifica tra i nodi, log degli output intermedi, alert su anomalie |
| Dipendenza dal tool | Il workflow smette di funzionare se un servizio connesso cambia API, prezzi o funzionalità | Make aggiorna le sue integrazioni → il nodo Gmail smette di funzionare → nessuno se ne accorge per tre giorni | Monitoring attivo, notifica di errore via email o Slack, procedura manuale di backup |
| Input fuori schema | L'agente riceve un input che non rientra nei casi previsti nelle istruzioni | Email di reclamo in lingua straniera → agente non riesce a classificarla → la ignora | Istruzione esplicita di fallback: "se non riesci a classificare, manda al referente del processo" |
Non esiste un agente AI che debba gestire tutto da solo, senza mai coinvolgere una persona. Anche i processi più standardizzati hanno momenti in cui il giudizio umano è non solo utile ma necessario — per ragioni etiche, legali o semplicemente di qualità.
Identificare questi momenti in anticipo è parte integrante della progettazione dell'agente, non un ripensamento successivo. L'AI Act europeo li chiama "punti di supervisione umana significativa" e li richiede esplicitamente per i sistemi ad alto rischio. Ma anche per sistemi a rischio basso, definire dove l'umano entra in gioco è una buona pratica che protegge l'organizzazione e i suoi clienti.
Progetta l'agente partendo da dove vuoi che l'umano rimanga, non da dove puoi toglierlo. Questo approccio produce sistemi più sicuri e più facili da far accettare al team.
Prima di dichiarare un processo "pronto per l'automazione" e passare al Modulo 2, verifica i dodici punti qui sotto. Non è necessario che tutti siano soddisfatti al 100%, ma ogni punto non soddisfatto è un rischio da gestire consapevolmente nella progettazione.
Punti verificati: 0 / 12
Proteggere i dati personali e la privacy: la valutazione dei rischi prima del deploy è un obbligo implicito per chiunque utilizzi sistemi AI che trattano dati di terzi, e un requisito esplicito dell'AI Act per i sistemi classificati ad alto rischio.
Leggi la descrizione del progetto. Per ogni domanda, scegli la risposta che ti sembra più corretta.
© 2025 AI ADOPT™ — Tutti i diritti riservati.