RPA (Robotic Process Automation) automatizza task strutturati e deterministici dove ogni step è prevedibile: aprire un'applicazione, copiare un campo, scrivere in un altro, ripetere. AI (intelligenza artificiale, in particolare LLM e voice AI) automatizza task cognitivi non-deterministici: capire cosa c'è scritto in un'email arrivata in mille formati diversi, classificare un documento PDF, condurre una conversazione vocale al telefono. Sono tecnologie complementari, non alternative. La domanda corretta non è "AI o RPA" ma "per quale task quale tecnologia". Per IT director e responsabili operations dei grandi committenti e degli spedizionieri europei, capire la differenza è la pre-condizione per non comprare il prodotto sbagliato per il problema sbagliato.
La differenza in una frase
RPA è un copia-incolla automatico, infinitamente più veloce di un essere umano. AI ha capacità di interpretazione: legge un documento mai visto prima, capisce un input vocale con accenti diversi, decide la prossima azione in base al contesto.
In logistica entrambe le tecnologie hanno casi d'uso reali e quotidiani. La scelta sbagliata è cara: RPA su task cognitivi non funziona (mancano le regole deterministiche), AI su task strutturati è overkill (paghi capacità che non usi).
Casi d'uso tipici di RPA in logistica
Tre task che RPA copre bene oggi.
Esportazione dati TMS verso fogli Excel del committente. Ogni giorno alle 8 il sistema apre il TMS, esporta lo stato delle commesse del committente Acme, salva il file in formato Excel concordato, lo allega a un'email pre-impostata, lo invia. Step deterministici, regole fisse, zero ambiguità.
Riempimento moduli portali doganali. Il sistema legge i campi dal TMS, apre il portale doganale, compila i campi richiesti seguendo regole fisse, sottomette. Funziona finché i campi del portale non cambiano (e in quel caso l'RPA si rompe e va aggiornato).
Riconciliazione fatture vs commesse. Per ogni fattura vettore in arrivo, l'RPA cerca la commessa corrispondente nel TMS, confronta importi e date, segnala anomalie a un operatore umano per verifica.
In tutti e tre i casi: input strutturato, regole deterministiche, output strutturato. RPA brilla.
Casi d'uso tipici di AI in logistica
Tre task che invece richiedono capacità cognitive che RPA non ha.
Chiamate vocali a vettori e autisti. Conversazioni in 10+ lingue, con accenti diversi, con flussi non-lineari (l'autista può interrompere, fare domande inattese, rispondere in modo evasivo). Un dispatcher AI come Leo o un Supervisor AI come Sara devono interpretare il flusso, non seguire script rigidi.
Classificazione di documenti in arrivo. Un'email allegata da un committente può essere un mandato, una conferma, una contestazione, una richiesta info, un sollecito pagamento. Mille formati diversi. RPA non può classificarli — un LLM sì.
Estrazione strutturata da documenti non strutturati. Una bolla di consegna scansionata in PDF, con campi disposti in modo diverso ogni volta, intestazione del cliente sopra invece che a destra. Estrarre origine, destinazione, peso, riferimenti richiede capacità OCR + NLP — RPA con regole fisse non funziona.
RPA
Input: strutturato, formato fisso
Regole: deterministiche, scritte step-by-step
Esempi: export dati, riempimento moduli, riconciliazione
Manutenzione: alta se l'UI esterna cambia
AI / Voice AI
Input: non strutturato, lingue diverse, formati variabili
Regole: probabilistiche, basate su prompt e tool
Esempi: chiamate vocali, classificazione email, OCR documenti
Manutenzione: aggiornamento prompt/tool, no rewrite
Il pattern ibrido che funziona meglio
Nella logistica enterprise il pattern più efficace è AI per la parte cognitiva, RPA per la parte strutturata, con handoff puliti fra i due.
Esempio concreto: ricezione di un nuovo ordine via email da un committente.
- AI legge l'email in arrivo, classifica come "nuovo ordine", estrae campi origine/destinazione/peso/data
- RPA prende i campi estratti e crea la commessa nel TMS interno seguendo lo schema fisso del TMS
- AI (Leo) prende in carico la commessa appena creata e inizia il dispatching chiamando i vettori della rete
Tre step, due tecnologie. Nessuna delle due da sola coprirebbe il flusso in modo efficiente.
Quattro segnali che stai usando la tecnologia sbagliata
Quattro situazioni concrete che indicano che il problema è di architettura, non di "AI/RPA non funziona".
Stai usando RPA su email in mille formati. L'RPA si rompe ogni 2 settimane perché un committente ha cambiato il formato dell'email. La soluzione non è scrivere più regole RPA: è AI per la classificazione e l'estrazione.
Stai usando un chatbot AI per interrogare il TMS. L'utente vuole "stato della commessa X". Un chatbot AI generico è overkill — basta un'API call deterministica con UI di ricerca. Riservato l'AI a domande veramente aperte ("quali commesse rischiano ritardo questa settimana?").
Le tue chiamate operative sono fatte da operatori umani che leggono uno script. Lo script è una pre-condizione di un voice AI: se l'operatore sta seguendo step rigidi, è il caso di studio perfetto per Sara o Leo.
RPA scritto per orchestrare 10+ sistemi diversi. Catene RPA cross-sistema sono fragili. Spesso la soluzione corretta è un middleware orchestrator (event-driven) che chiama gli endpoint giusti — RPA solo dove serve davvero.
Costo totale di possesso (TCO) — la differenza vera
Sul TCO a 3 anni la differenza fra le due tecnologie emerge chiaramente.
RPA. Costo di setup tipico medio. Costo di manutenzione alto: ogni cambio dell'UI esterna che l'RPA naviga richiede aggiornamento. Su catene RPA che toccano portali doganali, TMS di vettori esterni, ERP del committente, la manutenzione può eguagliare il costo di setup ogni 12-18 mesi.
AI. Costo di setup tipico medio-alto (più engineering iniziale per prompt, tool, integration). Costo di manutenzione basso: il modello sottostante migliora nel tempo, gli aggiornamenti sono di prompt e tool, raramente rewrite. La curva di costo si appiattisce dopo i primi 6 mesi.
Per task cognitivi, AI vince sul TCO 3 anni. Per task strutturati con UI esterne stabili, RPA può vincere se la stabilità dell'UI è confermata.
Truckscanner e l'AI vs RPA — Truckscanner è un sistema AI-first per le parti cognitive — Leo per il dispatching vocale, Sara per il tracking vocale, classificazione automatica dei documenti in arrivo — integrato via API con i sistemi strutturati esistenti dello spedizioniere (TMS, ERP, portali doganali). Niente RPA fragile sopra interfacce di terzi: orchestrator event-driven con AI per la cognizione e API per la struttura. Richiedi una demo privata.
FAQ
Posso sostituire tutto l'RPA esistente con AI?
Solo dove ha senso. RPA su task strutturati con UI esterne stabili è efficace e a basso rischio. La sostituzione conviene dove l'UI esterna cambia spesso (rotture frequenti) o dove il task ha aspetti cognitivi (classificazione, interpretazione). Approccio ragionevole: mantenere RPA dove funziona, introdurre AI nei punti di rottura.
Un voice AI è "AI generativa" o tradizionale?
I voice AI moderni (come Leo e Sara di Truckscanner) sono basati su LLM generativi (per la comprensione del linguaggio e la generazione delle risposte) accoppiati a TTS/STT specializzati per la voce e a una toolchain di action (call vettore, scrivi nel TMS, invia SMS). È un sistema ibrido cognitivo + deterministico nelle azioni, non solo "chatbot generativo".
RPA è morto?
No. RPA continua ad avere senso su task strutturati con regole fisse e basso costo di manutenzione. Le nuove generazioni di RPA si stanno integrando con LLM per gestire input semi-strutturati, ma il task strutturato classico resta dominio RPA. La crescita futura è negli scenari ibridi.
Per il mio team operativo è meglio AI o RPA?
Dipende dal task del team. Operations su email in arrivo (richieste, ordini, contestazioni) → AI. Operations su sistemi strutturati con UI fisse (export verso committenti, riempimento moduli) → RPA. Spesso entrambe in un workflow ibrido. Mappa il tempo speso per task e scegli la tecnologia giusta per ciascuno.
Quanto costa avviare un voice AI per il dispatching?
Variabile per fornitore. Truckscanner ha un modello pay-per-success (commissione sulla commessa effettivamente dispatchata via Leo), niente canone fisso, niente setup fee per gli spedizionieri pilota. La barriera d'ingresso è bassa rispetto a un setup RPA tradizionale che richiede investimento upfront e manutenzione strutturata.
Vuoi capire quali processi del tuo team sarebbero meglio coperti da AI e quali da RPA? Richiedi una demo privata sulla pagina spedizionieri o leggi gli articoli sul dispatcher AI vocale e sul voice AI per il tracking.