RPA o agenti AI? Differenze e quando usare l'una o gli altri

Risposta breve

RPA e agenti AI automatizzano lavori diversi: la RPA esegue regole scritte in anticipo su dati strutturati, con risultati identici a ogni esecuzione; un agente AI usa un modello linguistico per interpretare email, documenti e richieste libere e sceglie i passi entro limiti definiti. La RPA conviene con regole stabili e input ordinati, l’agente con input non strutturati ed eccezioni frequenti. Spesso conviene combinarli.

Due tecnologie, due idee di automazione

La RPA (Robotic Process Automation) è un software che riproduce le azioni di una persona davanti a uno schermo: apre un’applicazione, copia un valore da un campo, lo incolla in un altro, preme un pulsante. Segue uno script, cioè una sequenza di passi definita in anticipo. Se il passo 4 dice “leggi il numero d’ordine nella colonna B”, il robot legge la colonna B, sempre.

Le piattaforme RPA sono diffuse da anni nei back office di banche, assicurazioni, aziende di servizi pubblici e pubblica amministrazione. Funzionano bene dove il lavoro è ripetitivo, i dati sono ordinati e le regole sono stabili. Spesso offrono anche strumenti di orchestrazione, gestione delle code e, nelle versioni più recenti, componenti di intelligenza artificiale.

Un agente AI è un sistema che riceve un obiettivo e sceglie come raggiungerlo entro i limiti stabiliti, invece di seguire una sequenza fissa. Per esempio, con l’obiettivo “registra questa fattura e segnala le anomalie”, usa un LLM (Large Language Model, modello linguistico di grandi dimensioni) per interpretare documenti, email o richieste scritte in linguaggio naturale. Sceglie quali strumenti usare tra quelli che gli sono stati concessi, e decide la sequenza dei passi in base a ciò che trova. Non segue uno script riga per riga: ragiona entro confini stabiliti da chi lo configura. Per una definizione più completa vedi Agenti AI in azienda: cosa sono davvero.

La differenza di fondo, quindi, è questa: la RPA automatizza l’esecuzione di regole note; un agente AI automatizza anche una parte dell’interpretazione e della scelta.

RPA e agenti AI: il confronto in una tabella

La tabella mette a confronto le due tecnologie sui criteri che contano in un progetto. Le valutazioni sono generali: i singoli prodotti possono differire.

Due note su questa tabella.

La fragilità alle interfacce dipende dal modo in cui la RPA è collegata. Molte piattaforme RPA oggi possono usare anche API, cioè interfacce che permettono a due software di scambiarsi dati senza passare dallo schermo. In quel caso la fragilità si riduce molto. Lo stesso vale per gli agenti AI: un agente che opera tramite API è più stabile di uno che “guarda” uno schermo.

I costi non si confrontano bene in astratto. Un robot RPA può costare poco da eseguire ma molto da mantenere se le applicazioni cambiano spesso. Un agente AI può costare poco da adattare ma avere un costo variabile per ogni operazione. Il calcolo va fatto sul processo specifico; un modello per farlo è in Quanto rende un agente AI? Un modello di calcolo in cinque voci.

Quando conviene la RPA

La RPA resta una buona scelta in molte situazioni. In particolare quando:

• i dati sono già strutturati, per esempio un’estrazione da un gestionale da riportare in un altro;
• le regole sono stabili e complete, senza margini di interpretazione;
• le applicazioni coinvolte cambiano raramente, oppure offrono API affidabili;
• serve un risultato identico ogni volta, per ragioni di controllo o di conformità;
• il volume è alto e le varianti sono poche.

Esempi tipici: riconciliazioni tra sistemi con codici univoci, caricamento di dati da file con formato fisso, generazione periodica di report da fonti note.

In questi casi aggiungere un modello linguistico non porta vantaggi, e aggiunge costo e variabilità. Se un processo si può descrivere completamente con regole “se… allora…”, la regola scritta è quasi sempre la soluzione più economica e prevedibile.

Quando conviene un agente AI

Un agente AI dà valore dove la RPA fatica. In particolare quando:

• l’input arriva in forma libera: email di clienti, documenti con layout diversi, richieste scritte in modi sempre nuovi;
• serve capire prima di eseguire: classificare una richiesta, estrarre i dati rilevanti da un contratto, riconoscere un’urgenza;
• le eccezioni sono la norma, e scriverle tutte come regole sarebbe impossibile o troppo costoso;
• il processo attraversa più sistemi e la sequenza dei passi dipende da ciò che si trova lungo la strada;
• il risultato è un testo da proporre a una persona: una risposta, una sintesi, una bozza.

Esempi tipici: smistamento della posta in ingresso, lettura di documenti di trasporto o fatture con formati eterogenei, prima risposta a richieste di help desk, preparazione di pratiche da documenti ricevuti.

Il prezzo della flessibilità è la necessità di controllo: un agente può sbagliare un’interpretazione. Per questo servono soglie di autonomia, approvazioni sulle azioni con effetti e un registro delle decisioni. Il tema è trattato in Human in the loop: quanta autonomia dare a un agente AI.

Come combinare RPA e agenti AI

Nella pratica la domanda “RPA o agenti AI?” ha spesso una risposta mista. Le due tecnologie si completano: l’agente interpreta, la RPA o le API eseguono.

Tre schemi ricorrenti:

1. L’agente a monte, il robot a valle. L’agente legge un’email con un ordine scritto in forma libera, estrae cliente, articoli e quantità, e produce un dato strutturato. Un robot RPA già esistente inserisce quel dato nel gestionale, come faceva prima con i moduli compilati a mano. Si riusa ciò che funziona e si aggiunge solo la parte che mancava.

2. Il robot come strumento dell’agente. L’agente coordina il processo e, quando deve operare su un’applicazione senza API, richiama un robot RPA come uno dei suoi strumenti. È utile con applicazioni datate che non si possono sostituire nel breve periodo.

3. L’agente per le eccezioni. Il robot RPA gestisce i casi standard. Quando incontra un caso che non sa trattare, invece di fermarsi passa il caso a un agente, che lo analizza e prepara una proposta per una persona. Le eccezioni non bloccano più la coda e arrivano all’operatore già istruite.

In tutti e tre gli schemi conviene definire con chiarezza il confine: cosa decide l’agente, cosa esegue il robot, cosa approva una persona. Conviene anche usare un unico registro delle operazioni, così da ricostruire l’intero percorso di una pratica, non due metà separate. Per i collegamenti con i sistemi esistenti, come il gestionale ERP (Enterprise Resource Planning) e il CRM (Customer Relationship Management), vedi la pagina Connettori e l’articolo Integrare gli agenti AI con ERP, CRM e help desk.

Domande per decidere: un modello in sei passi

Prima di scegliere una tecnologia, conviene rispondere a sei domande sul processo. Il modello si può usare per qualsiasi attività candidata all’automazione.

1. Com’è l’input? Se è sempre strutturato, la RPA o un’integrazione via API sono il punto di partenza. Se è spesso libero, serve una componente di interpretazione.
2. Le regole si possono scrivere tutte? Se sì, conviene scriverle. Se le eccezioni superano i casi standard, va valutato un agente.
3. Quanto cambiano le applicazioni coinvolte? Interfacce instabili penalizzano la RPA basata sullo schermo. Meglio le API, qualunque tecnologia si scelga.
4. Quanto costa un errore? Più è alto, più servono approvazioni umane e prevedibilità. Un agente può comunque essere utile per preparare il lavoro, lasciando la decisione a una persona.
5. Ci sono già robot che funzionano? Se sì, conviene affiancare loro un agente invece di sostituirli.
6. Quali dati personali sono coinvolti? Con un agente che usa modelli esterni, va valutato cosa viene inviato al fornitore e con quali garanzie. Le opzioni includono modelli installati in locale, cioè on-premise, e tecniche di pseudonimizzazione previste dal GDPR (General Data Protection Regulation) (art. 4(5)): vedi Pseudonimizzazione e modelli linguistici e, per la scelta del modello, LLM on-premise o in cloud?.

Le risposte raramente indicano una sola tecnologia per tutto il processo; più spesso indicano quale parte affidare a chi. Le funzioni da considerare in una piattaforma di agenti sono riassunte nella pagina Piattaforma.

Da ricordare

• La RPA esegue regole note su dati strutturati; un agente AI interpreta informazioni libere e sceglie i passi entro limiti definiti.
• Se un processo si descrive tutto con regole stabili, una regola scritta resta la soluzione più prevedibile ed economica.
• Gli agenti AI rendono di più dove l’input è non strutturato e le eccezioni sono frequenti, ma richiedono soglie di autonomia e controllo umano.
• La fragilità dipende soprattutto dal collegamento: le API sono più stabili dell’interfaccia grafica, per entrambe le tecnologie.
• Spesso la scelta migliore è combinarle: l’agente interpreta, il robot o le API eseguono, una persona approva, un unico registro traccia tutto.

Domande frequenti

Qual è la differenza tra RPA e agenti AI?

La RPA (Robotic Process Automation) riproduce le azioni di una persona seguendo uno script scritto in anticipo: stesso input, stesso risultato. Un agente AI riceve un obiettivo, usa un modello linguistico per interpretare email, documenti o richieste libere e sceglie quali strumenti usare e in quale ordine, entro limiti definiti. In sintesi, la RPA automatizza l’esecuzione di regole note, mentre un agente AI automatizza anche una parte dell’interpretazione e della scelta.

Gli agenti AI sostituiranno la RPA?

Non necessariamente. Dove i dati sono strutturati, le regole stabili e serve un risultato identico ogni volta, la RPA o un’integrazione via API restano la soluzione più prevedibile ed economica, perché un modello linguistico aggiungerebbe costo e variabilità. Gli agenti AI rendono di più con input non strutturati ed eccezioni frequenti. Se in azienda ci sono già robot RPA che funzionano, di solito conviene affiancare loro un agente invece di sostituirli.

Si possono usare RPA e agenti AI insieme?

Sì, e spesso è la scelta migliore. Gli schemi più comuni sono tre: l’agente legge input liberi, come un ordine via email, e passa dati strutturati a un robot RPA che li inserisce nel gestionale; l’agente coordina il processo e richiama un robot quando deve operare su un’applicazione senza API; il robot gestisce i casi standard e passa le eccezioni a un agente, che prepara una proposta per una persona.

Quando conviene ancora usare la RPA?

La RPA conviene quando i dati sono già strutturati, le regole sono stabili e complete, le applicazioni coinvolte cambiano raramente, serve un risultato identico a ogni esecuzione e il volume è alto con poche varianti. Esempi tipici sono le riconciliazioni tra sistemi con codici univoci, il caricamento di dati da file con formato fisso e la generazione periodica di report da fonti note. Se un processo si descrive tutto con regole “se… allora…”, la regola scritta resta preferibile.

Un agente AI costa più di un robot RPA?

Dipende dal processo, e il confronto in astratto è poco utile. Un robot RPA può costare poco da eseguire ma molto da mantenere se le applicazioni su cui lavora cambiano spesso. Un agente AI può costare poco da adattare a casi nuovi, ma ha un costo variabile per ogni operazione, legato all’uso del modello, oltre al tempo di revisione delle risposte. Il calcolo va fatto sul singolo processo, con volumi, eccezioni e costi di manutenzione reali.

Che cos’è l’agent washing?

Agent washing è il termine con cui Gartner indica la pratica di presentare come “agentici” prodotti esistenti, come assistenti AI, strumenti di RPA e chatbot, che non hanno reali capacità da agente. In un comunicato del 25 giugno 2025 Gartner ha stimato che solo circa 130 delle migliaia di fornitori che dichiarano soluzioni di agentic AI lo siano davvero. Per questo conviene verificare cosa fa concretamente un prodotto, al di là dell’etichetta.

Bibliografia e fonti

1. Parlamento europeo e Consiglio dell’Unione europea, Regolamento (UE) 2016/679 (GDPR), art. 4(5), definizione di pseudonimizzazione, EUR-Lex, 27/04/2016, https://eur-lex.europa.eu/eli/reg/2016/679/oj, consultato il 10/10/2026.
2. Gartner, Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027, Gartner Newsroom, 25/06/2025, https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027, consultato il 10/10/2026.

Approfondisci

• Agenti AI in azienda: cosa sono davvero e cosa li distingue da un chatbot: la definizione operativa di agente AI e una checklist per riconoscerne uno vero.
• Quanto rende un agente AI? Un modello di calcolo in cinque voci: come stimare costi e ritorno sul singolo processo prima di scegliere la tecnologia.
• Human in the loop: quanta autonomia dare a un agente AI, e quando: soglie di autonomia e approvazioni per tenere sotto controllo un agente.
• Le funzioni di una piattaforma di agenti AI: cosa serve per orchestrare agenti, approvazioni e registro delle operazioni.
• Connettori verso gestionali, CRM e automatismi esistenti: come gli agenti si integrano con i sistemi e i robot già in uso.