Quali processi automatizzare per primi: il calcolo in tre numeri

Chi valuta di introdurre l'AI in azienda parte quasi sempre dalla domanda sbagliata: "quale strumento uso?". La domanda giusta è un'altra: quale processo, tra i tanti che si ripetono ogni giorno, conviene automatizzare per primo? La risposta non richiede un audit da consulenti per settimane. Richiede un criterio semplice, applicabile con carta e penna in un pomeriggio: frequenza per tempo perso per rischio d'errore.

Non è un formula matematica precisa con un numero finale da confrontare in classifica. È un modo di guardare ai processi aziendali con tre lenti insieme, invece di innamorarsi di un tool perché è di moda o perché lo usa un concorrente. Le fonti di settore concordano su un punto: chi parte dal tool invece che dal processo, nella maggior parte dei casi abbandona il progetto entro pochi mesi.

In questo articolo vediamo come applicare il criterio, quali sono gli esempi che tornano in quasi tutte le PMI italiane, e dove invece conviene aspettare prima di automatizzare.

Il criterio: frequenza per tempo perso per rischio d'errore

Tre domande, in ordine.

Frequenza: quante volte al giorno o al mese questo processo si ripete? Un'attività che capita una volta al trimestre non vale l'investimento, anche se richiede ore. Un'attività che capita venti volte al giorno sì, anche se ogni singola esecuzione dura pochi minuti.

Tempo perso: quanto tempo umano consuma ogni singola esecuzione, moltiplicato per la frequenza. È qui che si vede il costo reale: dieci minuti a fattura moltiplicati per duecento fatture al mese sono oltre trenta ore, quasi una settimana di lavoro di una persona.

Rischio d'errore: cosa succede se qualcosa va storto? Un errore in un report interno si corregge con un'email. Un errore in una fattura, in un ordine cliente o in una comunicazione di compliance può costare soldi, contenziosi o danni alla relazione. Più alto è il rischio, più supervisione umana serve, e più lento e costoso è arrivare a un'automazione senza presidio.

Il framework più usato in letteratura tecnica ragiona in termini di volume e complessità: i processi ad alto volume e bassa complessità sono i candidati ideali per un primo intervento, perché offrono un ritorno rapido con rischio contenuto. Quelli ad alto volume e alta complessità richiedono un approccio più strutturato, ma nel tempo danno il ritorno economico maggiore. I processi a basso volume, qualunque sia la complessità, quasi sempre non giustificano l'investimento iniziale.

Perché non basta guardare il tempo risparmiato

Un errore comune è concentrarsi solo sul tempo che l'automazione farebbe risparmiare, ignorando il rischio. Un processo che richiede molto tempo ma ha regole chiare e conseguenze contenute in caso di errore è un candidato semplice. Un processo che richiede poco tempo ma può generare un danno grosso se sbagliato — ad esempio l'invio di un preventivo con condizioni contrattuali errate a un cliente enterprise — merita un approccio diverso: automazione parziale, con approvazione umana obbligatoria prima dell'invio finale.

È la stessa logica che distingue un'agente AI da una semplice automazione a regole fisse. Un'automazione tradizionale segue una sequenza predefinita e si blocca davanti a un caso non previsto. Un agente AI, quando incontra un'eccezione, la riconosce, ragiona su come gestirla e — nei casi più delicati — la passa a un operatore umano con un riepilogo già pronto invece di bloccarsi o di procedere alla cieca. Questa differenza tra automazione e agente AI è ciò che permette di applicare il criterio anche a processi non perfettamente standardizzati, perché l'agente gestisce l'80% dei casi ricorrenti e lascia alle persone il 20% di eccezioni, invece di richiedere che tutto sia previsto in anticipo.

Gli esempi che tornano in quasi tutte le aziende

Alcuni processi compaiono in praticamente ogni PMI italiana, indipendentemente dal settore, perché combinano alta frequenza, tempo perso significativo e rischio d'errore gestibile.

Lettura e registrazione di fatture e documenti. Il data entry da fattura a gestionale è uno dei casi più citati: volume alto (decine o centinaia di documenti al mese), tempo perso reale (minuti a documento, moltiplicati), rischio contenuto se il sistema segnala le anomalie invece di procedere in automatico su ogni caso. L'AI per leggere fatture e documenti aziendali estrae i dati, li confronta con l'ordine d'acquisto e segnala le discrepanze, invece di richiedere che qualcuno rilegga ogni riga a mano.

Gestione degli ordini. Un agente AI per la gestione degli ordini legge la richiesta, verifica disponibilità e prezzi, prepara la conferma e aggiorna il gestionale. È un processo ad alta frequenza in quasi ogni azienda che vende prodotti o servizi ricorrenti, e il rischio si controlla bene mettendo un passaggio di conferma umana sugli ordini fuori standard (importi anomali, clienti nuovi, condizioni speciali).

Servizio clienti su richieste ripetitive. Un agente AI per il servizio clienti collegato a CRM, storico ordini e knowledge base riconosce il cliente, capisce se il problema è tecnico o amministrativo, propone una soluzione o apre un ticket con contesto già pronto per l'operatore. Il volume di richieste ripetitive (stato ordine, modalità di reso, domande su prodotto) è quasi sempre alto, il tempo perso a rispondere manualmente è alto, e il rischio è basso se le risposte standard sono ben documentate.

Reportistica interna. Estrarre dati da CRM, ERP e piattaforme pubblicitarie per costruire report periodici è un lavoro ripetitivo, a basso rischio (un errore si corregge prima della lettura del management) e ad alto tempo perso. È spesso il primo caso d'uso scelto perché ha confini chiari e non tocca direttamente il cliente.

Dove il criterio dice di aspettare

Il criterio funziona anche al contrario: segnala dove non conviene partire. Un processo a basso volume non ripaga l'investimento, indipendentemente da quanto tempo faccia perdere quando capita. Un processo mal documentato, dove nemmeno chi lo esegue oggi sa spiegare tutte le eccezioni, va prima mappato e solo dopo automatizzato: partire da un processo confuso è uno degli errori più citati nelle implementazioni fallite. Un processo ad alto rischio e alta ambiguità — per esempio la negoziazione commerciale con un cliente strategico — richiede supervisione stretta per molto più tempo, e il ritorno economico dell'automazione arriva più tardi.

Un errore frequente è scegliere un caso d'uso troppo ampio: "automatizziamo il servizio clienti" o "facciamo un agente per le vendite" sono obiettivi senza confini chiari. Un buon primo caso d'uso ha un perimetro definito: classificare i ticket in base alla knowledge base, non gestire ogni possibile richiesta immaginabile.

Cosa serve prima di partire, oltre al criterio

Il criterio aiuta a scegliere il processo giusto, ma non basta da solo. Serve una base di dati organizzata: senza informazioni strutturate e accessibili, l'AI non genera risultati concreti e il progetto resta sperimentale. Serve coinvolgere le persone che oggi eseguono il processo, perché sanno dove sono le eccezioni che nessun documento riporta. E serve mettere in conto un periodo di supervisione: nei primi mesi qualcuno deve controllare cosa fa il sistema, correggere gli errori e affinare le regole, prima che l'automazione possa girare con margini di errore accettabili senza controllo costante.

Il criterio frequenza per tempo perso per rischio d'errore non sostituisce un'analisi dei tuoi processi reali, ma ti permette di fare una prima scrematura in un pomeriggio, senza spendere in consulenze prima di sapere se vale la pena procedere. Se vuoi applicarlo ai processi della tua azienda con chi ha già progettato agenti AI in produzione su casi come questi, puoi prenotare una call con Samurai Lab.