Puntata 304 — AI ≠ automazione

Livello: 💡 Manager AIlluminato · Capitolo 28 · Stato dell’arte aziendale

“L’automazione e l’AI sono la stessa cosa, no?” No. La distinzione cambia il budget IT, le competenze richieste, il tipo di ROI atteso. Vediamo perché.

una catena di montaggio classica con bracci robotici (RPA / automazione tradizionale) divisa da una linea verticale da una scena diversa: una sala riunioni con persone che dialogano con un assistente AI che propone alternative, anziché eseguire passaggi predefiniti. Due mondi affiancati

La distinzione che pochi fanno chiara

Nel discorso aziendale italiano del 2026 si confondono spesso:

Automazione tradizionale (RPA, scripting, workflow engines).
Machine Learning predittivo (forecasting, classificazione, raccomandazione).
AI generativa (LLM, modelli generativi).

Sono tre tecnologie diverse, con caratteristiche economiche diverse, applicabili a problemi diversi.

Caratteristica	RPA / Automazione	ML Predittivo	AI Generativa
Input	Strutturato (form, record DB)	Strutturato (feature)	Non strutturato (testo, immagini, voce)
Output	Deterministico	Probabilistico, numerico/categorico	Probabilistico, generativo
Sviluppo	Workflow design	Data science (training)	Prompting + RAG + eventualmente FT
Costo marginale	Zero (script gira gratis)	Basso (inference + GPU)	Medio-alto (token/call)
Adattabilità	Bassa (cambia → riprogrammi)	Media (retrain)	Alta (cambi prompt)
Errori	Rari ma totali (fallisce o no)	Sistematici se train sbagliato	Probabilistici, allucinazioni
ROI tipico	6-12 mesi su task ripetitivi	12-24 mesi su forecasting	3-12 mesi su content/knowledge

Confondere queste tre cose è il principale motivo per cui i progetti AI falliscono: si applica AI generativa a problemi che richiedevano RPA, e RPA a problemi che richiedevano AI generativa.

Quando usare RPA tradizionale

✅ Casi d’oro RPA:

Inserire dati da form A a database B.
Estrarre numeri da fatture pdf strutturate.
Aprire 50 ticket basati su email che matchano pattern.
Scaricare report da N portali ogni notte e archiviarli.
Cliccare 47 volte la stessa sequenza nel SAP.

Tool: UiPath, Automation Anywhere, Blue Prism, Power Automate, Make/Zapier.

✅ Quando preferirlo all’AI:

Il task è deterministico (input → output mappabile esattamente).
Volume alto (>100 esecuzioni/giorno).
Errori costano molto (es. transazioni finanziarie).
Vuoi audit trail completo.

Errore tipico: usare GPT per leggere un PDF di fattura strutturata. RPA + OCR fa lo stesso lavoro con 0% errori e 1/100 del costo.

Quando usare ML predittivo (non LLM)

✅ Casi d’oro ML classico:

Forecasting domanda (retail, supply chain).
Churn prediction clienti.
Credit scoring.
Manutenzione predittiva (IoT + ML).
Anomaly detection (frode, security).
Recommendation engines (Netflix, Amazon).

Tool: scikit-learn, XGBoost, TensorFlow/PyTorch, Databricks ML, AWS SageMaker, Vertex AI.

✅ Quando preferirlo all’AI generativa:

Hai dati storici tabellari abbondanti.
Vuoi previsioni numeriche o classificazioni.
Hai bisogno di spiegabilità (SHAP, feature importance).
Latenza/costo importano molto.

Errore tipico: voler usare GPT per “prevedere il churn”. GPT non è progettato per predizione tabellare. Un XGBoost training fa il lavoro in 1/10 del costo, 100× più rapido, e con spiegabilità.

Quando usare AI generativa (LLM)

✅ Casi d’oro AI generativa:

Comprensione e sintesi di testi non strutturati (documenti, email, recensioni).
Generazione testi (proposte, email, content).
Conversational interface (chatbot, customer service, knowledge search).
Trasformazione tra formati (specs → codice, transcript → summary).
Multimodal tasks (image + text).
Reasoning su casi ambigui dove le regole sono troppe per RPA.

✅ Quando preferirlo a RPA/ML:

Input non strutturato (testo libero, immagini, voce).
Output anche non strutturato (testo nuovo, non solo classificazione).
Variabilità alta nei casi (ogni input è leggermente diverso).
Comprensione di linguaggio naturale richiesta.

Errore tipico: usare LLM per inserire 1000 record in un database. È lento e caro. Un RPA fa lo stesso lavoro 1000× più veloce.

Il caso del “workflow ibrido”: dove vince davvero

Le aziende mature 2026 combinano:

[Email cliente in arrivo]
        ↓
[LLM: classifica intent + estrai entità chiave]    ← AI generativa
        ↓
[Decision logic: routing basato su intent]         ← Code/rules
        ↓
   Se "richiesta ordine"                     Se "complaint"
        ↓                                          ↓
[RPA: crea ordine in ERP]                  [LLM: drafta risposta empatica]
        ↓                                          ↓
[ML: predict consegna]                     [Human review + approve]
        ↓                                          ↓
[Email automatica conferma]                [Send + escalate se severe]

L’AI generativa eccelle in classificazione + comprensione + generazione di linguaggio naturale.

La logica business resta in code (regole esplicite, audit, deterministico).

L’esecuzione operativa va in RPA (creare record, mandare email, aggiornare sistemi).

Il ML predittivo sta accanto per quei sotto-task statistici.

Tre tecnologie. Una orchestration. ROI sostanziale.

Cosa cambia nel budget IT

Implicazioni concrete per chi tiene i conti:

CAPEX vs OPEX

RPA: classic CAPEX-heavy (licenze annuali, sviluppo, manutenzione).
ML predittivo: misto. Infrastruttura cloud OPEX + data science teams.
AI generativa: fortemente OPEX (pay-per-token). Costi variabili con volume d’uso.

Pianificazione finanziaria: per AI generativa servono modelli di forecasting costo (vedi puntata 308). Niente flat fee, niente budget annuale “fisso”.

Skills richiesti

RPA: workflow developer, business analyst.
ML predittivo: data scientist, MLOps engineer.
AI generativa: prompt engineer, AI orchestrator, integration developer.

Le tre famiglie di skills non si trasferiscono automaticamente. Un buon ML engineer non è automaticamente un buon prompt engineer.

Time-to-value

RPA: 3-6 mesi per un workflow tipico.
ML: 6-18 mesi (data prep + training + validation).
AI generativa: 2-8 settimane per un PoC, 3-6 mesi a production scale.

L’AI generativa è la più rapida in time-to-value, ma anche la più rischiosa in continuità del costo.

L’errore classico in 3 stagioni

Stagione 1 (entusiasmo): l’azienda decide “andiamo all-in su AI”. Compra ChatGPT Enterprise per tutti, alloca budget grosso.

Stagione 2 (delusione): scopre che ChatGPT non riempie automaticamente i form SAP, non legge le fatture strutturate, non fa forecasting da CSV. “L’AI non funziona”.

Stagione 3 (illuminazione): impara che servivano 3 tecnologie diverse per quei 3 problemi. RPA per i form, OCR+ML per le fatture, ML predittivo per il forecasting. ChatGPT serve per altre cose.

L’azienda mediana del 2026 sta tra stagione 1 e 2. Le mature sono in stagione 3.

La domanda da fare a chi propone “soluzione AI”

Quando un team interno o un vendor ti propone “AI per X”:

L’input è strutturato o non strutturato? Se strutturato → guarda RPA prima.
L’output è un numero/classe o testo libero? Se numero → guarda ML.
Hai dati storici per training? Se sì → ML può essere la strada.
C’è ambiguità linguistica/contestuale? Se sì → AI generativa è giustificata.
Quanto costa l’errore? Se altissimo → cautela con AI generativa (probabilistica).

5 domande secche, framework deciso. Riducono del 50% gli sprechi su progetti “AI” che dovevano essere RPA.

TEST cognitivo (15 min)

Prendi 3 progetti AI / digitalizzazione in roadmap nella tua azienda. Per ciascuno:

Classifica: è veramente AI generativa, o sarebbe meglio RPA, o ML predittivo, o ibrido?
Verifica con stakeholder: il responsabile del progetto sa fare questa distinzione?
Stima costi: il budget allocato è coerente con la tecnologia giusta (OPEX vs CAPEX, sviluppo vs cloud)?
Identifica skill gap: il team ha le competenze giuste per la tecnologia giusta?

Spesso scoprirai che 1 dei 3 progetti è classificato male. Lì hai trovato un’opportunità di risparmio o successo migliore.

Glossario lampo

RPA (Robotic Process Automation): software che esegue task ripetitivi cliccando UI come farebbe un umano. Tool: UiPath, Power Automate.
ML predittivo: machine learning per previsioni numeriche/classificatorie su dati strutturati. Diverso dai modelli generativi.
OPEX vs CAPEX: Operating Expenditure (costi correnti) vs Capital Expenditure (investimenti capitalizzati). AI generativa è OPEX-heavy.
MLOps: pratica di operations per modelli ML (deployment, monitoring, retraining). Disciplina specifica.

Take-away in una riga

AI generativa non è automazione e non è ML predittivo: tre tecnologie diverse con economie diverse. Confonderle è la causa #1 dei progetti falliti. Il decisore informato sa quale strumento per quale problema.

➡️ Prossima puntata: Augmentation vs Replacement — le due strategie possibili, e perché una è più sicura (e quasi sempre più redditizia).