Dopo 3 anni che insegno “Inbound e Marketing Automation” in Academy, quest’anno mi sono interrogato quali delle tantissime novità nel campo dell’automation spiegare ai miei studenti avendo lo stesso numero di ore. Quali sostituire e quali introdurre.
Oggi quando si parla di “automazione”, si finisce quasi sempre per parlare di A.I., confondendo e mettendo nello stesso calderone cose molto diverse tra loro. C’è chi usa il termine per descrivere un flusso if-questo-allora-quello attivo da anni, e chi lo usa per un sistema che decide da solo cosa fare. La differenza non è terminologica, è sostanziale, e capirla prima di valutare un progetto evita di scambiare un’automazione tradizionale per qualcosa che non è.
Il termine “automazione” oggi è un contenitore generico che mescola cose radicalmente diverse. Alcune eseguono regole fisse scritte da un umano, ad esempio, il classico stra-usato su Instagram :”Commenta in DM, con la parola XYZ che ti invio il prompt”. Altre, più sofisticate, decidono e si adattano da sole.
La distinzione utile passa per due assi indipendenti: la logica del flusso, fissa o adattiva, e la natura dell’output, deterministico o generato. Da qui nascono tre categorie reali, più utili di qualunque etichetta di marketing.
Distingui, la logica del flusso, fissa o adattiva, e la natura dell’output, deterministico o generato.
Automazioni statiche: la logica IFTTT (if-this-then-that)
Le automazioni statiche sono quelle classiche, nate ben prima dell’era dei large language model (LLM). Il flusso è disegnato in anticipo: se accade A allora fai seguire B, se accade C allora fai D. Ogni passo è esplicito, tracciabile e prevedibile. L’output è deterministico: stessi dati in ingresso producono sempre lo stesso risultato.
Nella domotica di casa, quando attivi l’assistente digitale con alcune parole lui attiva l’interruttore predeterminato.
Nei software di email marketing quando tracci il click su un link a cui fai seguire un funnel di nurturing o follow up. Idem per i CRM con logiche di lead scoring.
Sul web esempi tipici sono: Zapier, il più semplice e diffuso per collegare app con migliaia di integrazioni, ideale per flussi lineari tipo “nuovo lead in HubSpot, crea riga in Google Sheets, invia notifica Slack”. Make, ex Integromat, più potente sul piano visuale, con scenari complessi, router e aggregatori. Il grande successo dell’anno scorso di n8n, open source e anche self-hosted, adatto a team tecnici che vogliono controllo totale sui dati.
Forse meno conosciuto dai marketer, Microsoft Power Automate, naturale per chi vive nell’ecosistema Microsoft 365, con componenti RPA (Robotic Process Automation, l’automazione che replica azioni umane su un’interfaccia, come muovere il mouse o compilare un campo) per desktop incluse. E la RPA classica di fornitori come UiPath o Automation Anywhere, ancora molto usata per processi legacy e interfacce desktop.
Vantaggi: affidabilità, auditabilità, costi prevedibili, manutenzione semplice. Limiti: rigidità. Non gestiscono eccezioni non previste e non interpretano linguaggio naturale complesso. Vale la pena ricordarlo perché secondo l’Osservatorio Innovazione Digitale nelle PMI del Politecnico di Milano, dati diffusi il 21 maggio 2026, il 76% delle PMI italiane non ha investito né prevede di investire in intelligenza artificiale. Per la maggior parte del tessuto produttivo italiano, l’automazione statica resta la spina dorsale del processo, prima ancora di parlare di AI.
Soluzioni ibride. Quando l’AI si infila in un flusso statico
Qui si trova la maggior parte di ciò che oggi viene venduto come “automazione AI”. Il flusso resta sostanzialmente statico, la sequenza dei passi è ancora predefinita, ma uno o più nodi vengono sostituiti da un modello generativo che scrive un testo, classifica un’intenzione o riassume un contenuto.
Esempi concreti: Zapier con i moduli “AI by Zapier” o passi OpenAI, Claude, Gemini per classificazione e riassunto. Make con i moduli AI nativi o l’assistente Maia, per inserire generazione o estrazione dati dentro uno scenario visuale altrimenti deterministico. n8n con i nodi LLM o LangChain, che aggiungono un passaggio di generazione mantenendo fisso il resto del workflow. Power Automate con azioni Azure OpenAI o elementi Copilot, utile per arricchire processi Microsoft con testo generato senza trasformarli in agenti autonomi. E piattaforme iPaaS come Workato con componenti generativi integrati.
Un esempio pratico: quando un locale riceve una recensione su Google, fa analizzare il testo e predisporre da un LLM una risposta cortese e adeguata. Lo stesso può succedere quando arriva un’email.
Va detto con chiarezza, perché è il punto più frainteso quando si parla di “automazione AI”: questo non è ancora automazione dinamica. Il “cosa fare dopo” resta deciso a priori da chi ha disegnato il flusso, cambia solo il contenuto generato in uno o più passaggi. È spesso il punto di ingresso più pragmatico per una PMI, migliora la gestione di input non strutturati come email o documenti senza la complessità di un agente pienamente autonomo. Ma presentarlo come “agentic AI” genera aspettative sbagliate, e di come orchestrare bene questi sistemi ibridi parlerò nel prossimo articolo di questa serie.
Automazioni dinamiche e agentiche. Il sistema decide
Qui il flusso non è più una pipeline fissa. Un agente, o un sistema multi-agente, riceve un obiettivo, osserva dati e contesto, decide quali azioni compiere e in quale ordine, e ricalibra il percorso se qualcosa cambia. La logica è adattiva: il sistema sceglie i passi, non si limita a eseguirli.
Per chi sviluppa in casa, i framework di riferimento sono LangGraph, eccellente per flussi stateful e cicli, CrewAI, con un approccio a “team di agenti” con ruoli definiti come ricercatore, analista e scrittore, l’OpenAI Agents SDK e il Microsoft Agent Framework, evoluzione di AutoGen e Semantic Kernel. Sul fronte enterprise ready-to-use, Salesforce Agentforce porta agenti nativi sul CRM con accesso diretto ai dati, Microsoft Copilot Studio permette di costruire agenti low-code dentro l’ecosistema Microsoft, ServiceNow AI Agents lavora sui processi IT e di servizio. Per chi cerca soluzioni più accessibili, Lindy, Gumloop e Relevance AI offrono approcci no-code o low-code, e lo stesso n8n ha aggiunto un nodo AI Agent con tool calling e memoria.
I numeri sull’adozione raccontano un salto reale, ma anche un divario altrettanto reale. Secondo Gartner, entro fine 2026 il 40% delle applicazioni aziendali integrerà agenti AI specifici per compito, contro meno del 5% nel 2025. Secondo il Deloitte Tech Trends 2026, il 38% dei responsabili tecnologici sta pilotando progetti di agentic AI, e solo l’11% ha effettivamente agenti in produzione.
Queste soluzioni offrono flessibilità e capacità di gestire obiettivi aperti, ma introducono non determinismo e richiedono guardrail, logging e spesso un controllo umano nei punti critici. La governance, qui, non è un optional. Il guardrail, ovvero il perimetro, il confine su cui operare è fondamentale.
Come orientarsi in pratica
Per chi decide un budget, che sia un titolare, un COO o un CMO, la domanda utile non è “usiamo l’AI?”, ma tre domande più precise.
- Il processo ha regole stabili ed eccezioni limitate? Allora la priorità va ad automazioni statiche o ibride leggere, con Zapier, Make, n8n o Power Automate.
- Serve interpretare input variabili, gestire obiettivi aperti o adattarsi a contesti che cambiano? Allora vale la pena valutare componenti agentici, partendo da ambiti limitati e con controlli solidi, che si tratti di Agentforce e Copilot Studio pronti all’uso o di CrewAI e LangGraph per chi sviluppa in casa.
- Stiamo progettando un flusso con un nodo LLM dentro, o un sistema capace di decidere davvero il percorso?
La differenza è sostanziale in termini di rischio, costo e valore, ed è quasi sempre la domanda più utile da farsi prima ancora di guardare il prezzo o il nome dello strumento.
Domande frequenti
Qual è la differenza tra automazione statica e automazione dinamica?
L’automazione statica esegue una sequenza di passi decisa a priori da un umano e produce sempre lo stesso output a parità di input. L’automazione dinamica, o agentica, decide autonomamente quali passi compiere e può correggere la rotta durante l’esecuzione.
Zapier, Make o Power Automate sono considerati AI automation?
No, salvo che al loro interno non venga inserito un nodo che chiama un modello linguistico per generare un contenuto. In quel caso restano flussi statici nella struttura, ma diventano automazioni ibride nel contenuto prodotto.
Cosa si intende per agentic AI?
Un sistema in grado di pianificare autonomamente una sequenza di azioni per raggiungere un obiettivo, valutando i risultati intermedi e adattando i passi successivi senza uno script che preveda ogni caso possibile. Piattaforme come Salesforce Agentforce, Microsoft Copilot Studio o framework come CrewAI e LangGraph appartengono a questa categoria.
Quando conviene un’automazione statica invece di un agente AI?
Quando il processo è ripetitivo, stabile e a basso rischio di eccezione. In questi casi un’automazione statica costa meno, è più prevedibile e più facile da controllare rispetto a un sistema agentico.
Cos’è l’orchestrazione nell’automazione AI?
È la disciplina che coordina più automazioni, statiche, ibride e agentiche, all’interno di un unico processo aziendale coerente. È un tema abbastanza ampio da meritare un articolo a parte, che pubblicherò a breve su questa rubrica.