- Un agentic workflow è un processo in cui un modello linguistico non si limita a produrre testo, ma usa strumenti, valuta i risultati intermedi e concatena più passaggi — in parte su un piano fisso, in parte in autonomia.
- La distinzione cruciale è workflow vs. agente: nel workflow è il codice a dettare la sequenza; con un agente è il modello stesso a decidere quale passo viene dopo.
- “n8n è morto” è clickbait. È vero invece: gli strumenti no-code visivi sono forti nelle integrazioni fisse e prevedibili — e si bloccano non appena i compiti richiedono ambiguità, giudizio o dati non strutturati. È esattamente lì che inizia l’AI agentica.
- Per le PMI vale: iniziare nel modo più semplice possibile. La maggior parte dei problemi si risolve con un singolo workflow ben costruito — un agente autonomo serve molto meno spesso di quanto suggeriscano i video sensazionalistici.
Pochi termini nel 2026 vengono usati con tanta leggerezza quanto “agentic workflow”. A volte indica un chatbot con memoria, a volte un’intera fabbrica di software autonoma. Il video che ha ispirato questo articolo si intitola “n8n è morto — impara ORA tutto sugli agentic workflow”. Come sempre con titoli del genere, conviene uno sguardo sobrio: cosa c’è di vero, cosa è marketing — e cosa significa concretamente per un’azienda a conduzione familiare?
Questa guida spiega gli agentic workflow da zero, senza la nebbia dei buzzword. Alla fine dovresti saper riconoscere quali dei tuoi processi sono un caso per l’AI agentica — e quali è meglio lasciare a un classico strumento di automazione.
Lo spettro: dal prompt all’agente
Il modo più rapido per capire gli agentic workflow è uno spettro a tre gradini — dal semplice all’autonomo:
- 1. La singola chiamata all’LLM. Una domanda in entrata, una risposta in uscita — riassumere, classificare, scrivere. Niente di “agentico” all’orizzonte, eppure più che sufficiente per gran parte dei casi reali.
- 2. Il workflow. Più passaggi, cablati nel codice. Il modello percorre un cammino predefinito: prima classifica, poi cerca, poi redige. La sequenza è prevedibile perché l’ha stabilita lo sviluppatore.
- 3. L’agente. Qui è il modello a stabilire da sé la sequenza. Riceve un obiettivo e una cassetta degli attrezzi e decide autonomamente quale passo compiere — ciclo dopo ciclo, finché l’obiettivo è raggiunto. Massima flessibilità, ma minore prevedibilità.
“Agentic workflow” è il termine ombrello per i gradini 2 e 3 — tutto ciò che va oltre la singola chiamata. L’intuizione chiave: più autonomia non è automaticamente meglio. Ogni gradino in più costa prevedibilità, velocità e denaro. L’abilità sta nello scegliere il gradino più basso che risolve ancora il problema.
Il mattone: il modello linguistico “potenziato”
Prima dei pattern, l’unico mattone su cui poggia tutto: il modello linguistico potenziato con tre capacità.
- Strumenti (tool). Il modello non solo parla, ma agisce: interroga un database, invia un’email, crea una fattura, chiama un’API. Sono gli strumenti a trasformare un chatbot in un cavallo da lavoro.
- Conoscenza (retrieval / RAG). Il modello recupera informazioni dalle tue fonti — manuali, contratti, dati di prodotto — invece di tirare a indovinare dalla conoscenza generale.
- Memoria (memory). Il modello mantiene il contesto attraverso più passaggi o sessioni.
Perché gli strumenti non debbano essere ricostruiti per ogni sistema, nel 2025/26 si è affermato uno standard: il Model Context Protocol (MCP) — una sorta di spina universale tra modelli di AI e sistemi esterni. Lo descriviamo in dettaglio nella nostra guida all’MCP per le PMI. Per questo articolo basta sapere: l’MCP è il motivo per cui nel 2026 i sistemi agentici possono essere collegati a veri strumenti aziendali molto più rapidamente di un anno prima.
I cinque pattern di workflow principali
La maggior parte degli agentic workflow produttivi è una combinazione di una manciata di pattern collaudati. Conosci questi cinque e vedrai attraverso il 90% di tutte le demo di “agenti”:
| Pattern | Principio | Uso tipico |
|---|---|---|
| Prompt chaining | Scomporre il compito in sotto-passaggi fissi; ogni risultato alimenta il successivo | Bozza → verifica → versione finale |
| Routing | Classificare l’input e instradarlo al percorso specialistico giusto | Smistare i ticket di assistenza per tema |
| Parallelizzazione | Eseguire i sotto-compiti contemporaneamente o votare su più esecuzioni | Esaminare un documento da più angolazioni |
| Orchestrator–worker | Un modello centrale scompone il compito in modo dinamico e delega | Ricerca complessa su molte fonti |
| Evaluator–optimizer | Un modello produce, un secondo valuta e dà feedback — in un ciclo | Migliorare una traduzione o del codice in modo iterativo |
Pattern di workflow consolidati per sistemi basati su LLM. La maggior parte delle applicazioni reali ne combina due o tre.
Da notare: nessuno di questi pattern ha bisogno di un “agente autonomo”. Sono flussi orchestrati dal codice — prevedibili, testabili, economici. Ed è proprio per questo che sono il punto di partenza giusto per le PMI.
Workflow o agente — quando l’uno e quando l’altro?
Il vero agente — il modello che guida la propria sequenza — è potente ma costoso e più difficile da controllare. Prima di ricorrervi, quattro domande dovrebbero rispondere tutte “sì”:
- Complessità: il compito è così aperto che il percorso non può essere fissato in anticipo? (ad es. “trasforma questo capitolato in un’implementazione funzionante” invece di “estrai il titolo da questo PDF”)
- Valore: il risultato giustifica i costi più alti e i tempi più lunghi?
- Fattibilità: il modello è davvero abbastanza affidabile per questo tipo di compito?
- Costo dell’errore: gli errori possono essere intercettati e corretti — tramite test, revisione, rollback?
Se una sola risposta è “no”, un workflow cablato è la scelta migliore. Regola pratica: workflow per compiti prevedibili e ben definiti — agenti per problemi aperti, dove la flessibilità vale il sovrapprezzo.
Quindi n8n è davvero morto?
No — ma la domanda è legittima. Strumenti come n8n, Make o Zapier sono costruttori di workflow no-code visivi: si uniscono nodi, si collegano con delle linee e un processo parte. La loro forza è enorme — per un certo tipo di compito:
- Il no-code brilla nelle integrazioni fisse e deterministiche: “quando arriva una nuova riga, crea un record nel CRM e invia un messaggio Slack.” Trigger chiari, passaggi chiari, nessun giudizio richiesto.
- Il no-code si blocca non appena entra l’ambiguità: interpretare email non strutturate, dedurre l’azione giusta da testo libero, gestire eccezioni che non sono nel diagramma di flusso. Ciò che inizia come diagramma di nodi diventa un groviglio di ramificazioni ingestibile.
È esattamente a quel confine che inizia l’AI agentica — e qui il video ha un nocciolo di verità. Un modello linguistico con strumenti sostituisce cinquanta nodi di ramificazione con un componente capace di gestire input non strutturati. Molti team se ne accorgono: non appena i loro flussi n8n contengono logica che deve davvero “capire” qualcosa, un approccio agentico code-first diventa più robusto ed economico da mantenere.
Il verdetto onesto: n8n non è morto — ma sta perdendo la fascia alta del suo raggio d’azione a favore dei sistemi agentici. Per il semplice collegamento tra due app, il no-code resta la soluzione più rapida. Per tutto ciò che deve capire il linguaggio, prendere decisioni o gestire eccezioni, la via code-first è la scelta più solida dal 2026 in poi.
Cosa dovrebbero fare ora le PMI
Tre principi che reggono nella pratica:
- Iniziare nel modo più semplice possibile. L’errore costoso più comune è partire con un sistema multi-agente del tutto autonomo dove sarebbe bastato un singolo workflow. Scalare solo quando una soluzione più semplice dimostrabilmente non regge più.
- Partire dal processo, non dallo strumento. Non “ci servono gli agenti”, ma “quale processo concreto ci costa tempo, è abbastanza basato su regole da automatizzare, ma troppo non strutturato per il no-code?”. È il primo candidato ideale.
- Scegliere i modelli con consapevolezza. Non ogni passaggio richiede il modello più costoso. Quale carico di lavoro vada su quale modello lo inquadriamo nella nostra panoramica sull’AI nelle PMI — farlo bene spesso dimezza i costi senza perdita di qualità.
Il filo conduttore: gli agentic workflow non sono un fine in sé, né una guerra di religione contro il no-code. Sono un altro strumento — molto potente — nella cassetta. Le PMI vincono non seguendo il trend YouTube più rumoroso, ma scegliendo lo strumento giusto per ogni processo: una singola chiamata, un workflow, un agente — oppure ancora un flusso no-code.
Domande frequenti sugli agentic workflow
Che cos’è un agentic workflow?
Un processo in cui un modello linguistico non si limita a produrre testo, ma usa strumenti, valuta i risultati intermedi e concatena più passaggi — in parte su un piano fisso, in parte in autonomia.
Qual è la differenza tra workflow e agente?
Nel workflow è il codice a fissare la sequenza, rendendola prevedibile. Con un agente è il modello stesso a decidere quale passo viene dopo — più flessibile, ma più costoso e difficile da controllare.
n8n è morto?
No. Gli strumenti no-code come n8n restano forti nelle integrazioni fisse e deterministiche. Si bloccano quando i compiti devono capire il linguaggio, prendere decisioni o gestire eccezioni — è lì che l’AI agentica vince.
Quali sono i principali pattern di workflow?
I cinque principali sono prompt chaining, routing, parallelizzazione, orchestrator–worker ed evaluator–optimizer. La maggior parte delle applicazioni reali ne combina due o tre.
Fonti e contesto
La distinzione concettuale (workflow vs. agente), i cinque pattern di workflow e i criteri di decisione seguono l’inquadramento consolidato e ampiamente citato sulla costruzione di sistemi agentici efficaci (in particolare Anthropic, “Building Effective Agents”, e la relativa documentazione di engineering), aggiornato al 2026. L’“augmented LLM”, gli strumenti, il retrieval e la memoria ne sono i mattoni fondamentali; l’MCP (Model Context Protocol) è aggiunto come standard di collegamento. Il video YouTube citato nell’introduzione serve solo da spunto; le affermazioni di merito si basano sulle fonti primarie, non sul video.
Quale dei tuoi processi è un caso per l’AI agentica — e quale no?
In una discovery call esaminiamo un processo concreto e ti diciamo onestamente se basta un singolo workflow, se conviene un agente o se un flusso no-code è la soluzione più rapida. Quattro occhi, trenta minuti, niente slide.