L’evoluzione futura di un processo in corso può essere prevista. Se quella previsione diventa un segnale per un sistema di agenti autonomi, il processo smette di subire gli eventi e inizia ad anticiparli.
Indice degli argomenti
Una pratica bloccata, il caso che il PPM deve anticipare
Una richiesta di rimborso assicurativo entra nel sistema lunedì mattina. Passa attraverso quattro uffici, attende tre validazioni, viene sospesa per un documento mancante che nessuno ha segnalato in tempo. Dieci giorni dopo, il cliente sollecita. L’azienda si scusa. Il danno (reputazionale, operativo, economico) è già fatto.
Questa sequenza si ripete ogni giorno, in migliaia di organizzazioni. Non per mancanza di dati, i sistemi informativi registrano ogni transazione, ogni passaggio di stato, ogni ritardo. Il problema è che quei dati vengono letti a posteriori, quando l’esito è già determinato.
E se fosse possibile saperlo prima?
Predictive Process Monitoring: prevedere i processi in corso
Il Predictive Process Monitoring (PPM) è una disciplina nata nell’intersezione tra process mining e machine learning. Il suo oggetto è semplice da enunciare e complesso da realizzare: dato un processo aziendale in esecuzione, una pratica aperta, un ordine in lavorazione, una chiamata di supporto in corso, prevedere come andrà a finire prima che finisca. Una rassegna sistematica dei concetti fondativi, delle sfide aperte e delle direzioni di ricerca emergenti è offerta da Ceravolo et al. (2024), che costituisce oggi il riferimento di riferimento per chiunque voglia orientarsi nel campo.
Le tre domande del PPM
La materia prima del PPM sono i log di processo: sequenze di eventi registrati nei sistemi informativi (ERP, BPM, CRM) che tracciano ogni attività eseguita, con timestamp, esecutore, attributi contestuali. Su questi dati storici si addestrano modelli predittivi capaci di rispondere a tre domande fondamentali:
• Esito: questo caso si chiuderà positivamente o negativamente?
• Tempo residuo: quanto manca alla conclusione?
• Prossima attività: qual è il passo più probabile che verrà eseguito?
Questi tre tipi di predizione non sono equivalenti. La previsione dell’esito è utile per prioritizzare interventi; quella del tempo residuo per gestire le aspettative del cliente; quella della prossima attività per anticipare colli di bottiglia. Insieme, forniscono una visione prospettica del processo che il monitoraggio tradizionale, per definizione reattivo, non può offrire.
Architettura di riferimento tra PPM e sistemi multi-agente
Livello 1: Process Execution Layer (ERP, BPM, CRM, Event Logs).
Livello 2: Predictive Layer (outcome prediction, remaining time prediction, next activity prediction).
Livello 3: Agent Orchestration Layer (planner, coordinator, specialist agents).
Livello 4: Action Layer (comunicazioni, escalation, rerouting, allocazione risorse).
In questa architettura il PPM agisce come sensore predittivo mentre il sistema multi-agente agisce come meccanismo di risposta.
Dalla previsione all’azione nei sistemi multi-agente
Un modello predittivo che funziona è uno strumento potente. Ma è anche uno strumento muto: produce un numero, una probabilità, un’etichetta. Non fa nulla con quella informazione.
Le decisioni non dovrebbero dipendere esclusivamente dalla previsione, ma dalla previsione ponderata per il suo livello di confidenza. Livelli elevati di confidenza possono giustificare azioni automatiche; livelli intermedi richiedono supervisione umana; livelli bassi suggeriscono semplice monitoraggio.
Nella pratica corrente, il segnale predittivo viene consegnato a un operatore umano, un dashboard che si illumina di rosso, una notifica, un alert. L’operatore valuta, decide, agisce. Questo schema funziona quando i volumi sono contenuti e i tempi di reazione umana sono compatibili con le finestre di intervento. Ma in contesti ad alta frequenza, migliaia di casi attivi simultaneamente, finestre di reazione di minuti, il collo di bottiglia si sposta dall’algoritmo all’operatore.
La previsione è necessaria ma non sufficiente. Serve uno strato che trasformi il segnale in azione. Ed è qui che entrano i sistemi multi-agente.
Sistemi multi-agente e autonomia distribuita nei processi complessi
Un sistema multi-agente (MAS) è un’architettura in cui più agenti software, entità autonome dotate di capacità percettive, decisionali e operative, collaborano per raggiungere un obiettivo comune. Ogni agente osserva una porzione dell’ambiente, elabora informazioni, esegue azioni.
L’avvento dei Large Language Model ha trasformato profondamente questa architettura. Gli agenti basati su LLM non sono semplici automi a regole fisse: comprendono istruzioni in linguaggio naturale, ragionano su contesti ambigui, pianificano sequenze di azioni, usano strumenti esterni (API, database, motori di ricerca). Un agente LLM può leggere un documento, estrarne informazioni rilevanti, chiamare un sistema CRM, inviare una comunicazione al cliente, tutto all’interno di un singolo flusso esecutivo.
Nei sistemi multi-agente moderni, questa capacità si moltiplica: agenti specializzati vengono orchestrati da un agente coordinatore che assegna compiti, gestisce priorità, risolve conflitti. L’orchestrazione può essere centralizzata (un orchestratore dirige tutti) o decentralizzata (gli agenti negoziano tra loro). In entrambi i casi, il sistema è progettato per operare con supervisione umana ridotta al minimo necessario.
La domanda che emerge è naturale: cosa succede se l’orchestratore non aspetta che un evento accada, ma riceve in anticipo la previsione che accadrà?
Predictive Process Monitoring come sensore per agenti software
L’integrazione tra Predictive Process Monitoring e sistemi multi-agente non è banale, ma la logica è chiara. Il PPM produce segnali predittivi su casi in esecuzione, probabilità di esito negativo, stima del ritardo, previsione della prossima attività. Questi segnali, anziché alimentare un dashboard umano, diventano input per un orchestratore agentivo che li interpreta e attiva le risposte appropriate.
Dal settore assicurativo a logistica, sanità e banking
Consideriamo un caso concreto nel settore assicurativo. Un modello PPM addestrato su dati storici rileva che una certa pratica ha l’85% di probabilità di superare il tempo massimo di evasione. Il segnale viene inviato all’orchestratore. Questi attiva un agente di verifica che controlla lo stato documentale della pratica, identifica il documento mancante, attiva un agente di comunicazione che contatta il cliente con una richiesta personalizzata, e notifica l’ufficio competente con una sintesi del caso e un’indicazione di priorità. Tutto questo avviene in pochi minuti, senza intervento umano diretto.
Lo stesso schema si replica in logistica (un spedizione a rischio ritardo attiva un agente di rerouting), in sanità (un percorso terapeutico con alto rischio di abbandono attiva un agente di follow-up), in banking (una transazione con pattern anomalo attiva un agente di compliance review).
La semantica comune tra process intelligence e agenti
Il punto critico di questa architettura è l’interfaccia tra i due sistemi: come si codifica un segnale predittivo in modo che un agente possa interpretarlo e tradurlo in piano d’azione? Questo richiede una semantica comune condivisa tra il livello di process intelligence e il livello. È un problema aperto, su cui la ricerca accademica e l’industria stanno iniziando a convergere.
Il PPM diventa così più di uno strumento diagnostico: è un sistema nervoso che innerva l’architettura agentiva, portando al centro del processo la capacità di sentire il futuro.
Governance del processo predittivo che si autodifende
Un’architettura in cui il processo prevede la propria evoluzione e attiva autonomamente azioni correttive è, in linea di principio, un processo che si autodifende. Riduce la varianza degli esiti, minimizza i ritardi, ottimizza l’allocazione delle risorse. I benefici operativi sono evidenti.
Ma questa stessa caratteristica introduce rischi che non possono essere ignorati. Un agente che agisce su una previsione sbagliata può fare danni concreti: contattare un cliente per un problema che non esiste, bloccare una pratica che sarebbe andata a buon fine, allocare risorse su falsi positivi. La qualità del modello predittivo diventa una variabile di rischio operativo, non solo di performance tecnica.
Soglie, fallback e responsabilità
Occorre quindi pensare alla governance di questi sistemi su più livelli. Al livello del modello: soglie di confidenza, meccanismi di fallback, monitoraggio del drift. Al livello dell’agente: perimetri d’azione definiti, logging auditabile, possibilità di override umano. Al livello del processo: salvaguardie che impediscano cascate di azioni automatiche su previsioni correlate. Al livello organizzativo: chiarezza sulle responsabilità quando un’azione automatica produce un esito negativo.
L’AI Act europeo pone già alcune basi regolatorie per i sistemi ad alto rischio che operano in ambiti come la salute, la finanza e i servizi pubblici. Ma la combinazione specifica di process mining predittivo e orchestrazione agentiva è ancora in larga misura fuori dal radar normativo.
Un processo che impara a prevedere il proprio futuro è un passo verso l’autonomia organizzativa. La domanda è se siamo attrezzati a governare ciò che abbiamo costruito.
Note
Il Predictive Process Monitoring è un campo di ricerca attivo nell’ambito del process mining. Il riferimento consolidato per concetti, sfide e direzioni di ricerca è: Ceravolo, P., Comuzzi, M., De Weerdt, J., Di Francescomarino, C., & Maggi, F. M. (2024). Predictive process monitoring: concepts, challenges, and future research directions. Process Science, 1(1), 2. Per il contesto più ampio del process mining: van der Aalst, W.M.P. (2016). Process Mining: Data Science in Action. Springer. Per i sistemi multi-agente basati su LLM: Xi et al. (2023). The Rise and Potential of Large Language Model Based Agents: A Survey.
Partecipa alla community