Flowise: cos'è e come costruire agenti AI per il marketing (guida no-code)

Un titolare di una PMI da 1,2 milioni di fatturato passa una settimana a montare un agente AI che risponda in automatico alle email commerciali. Lo accende. L’agente risponde, e risponde male. In azienda non era mai esistita una risposta commerciale standard da imitare, così il modello si è messo a inventare tono, prezzi e condizioni. Ha automatizzato un vuoto. Lo strumento aveva funzionato al primo colpo. A mancare era il processo che, sotto quell’agente, qualcuno dava per scontato.

Flowise vive esattamente in questo punto di frizione, dove un’azienda intuisce che l’AI può togliere lavoro ripetitivo dalle spalle di due persone, ma non sa ancora quale lavoro, né quanto costa scoprirlo. Questa guida sta a monte del “come si clicca”. Ti serve per capire se conviene a te, prima di investirci giornate.

Che cos’è Flowise

Flowise è una piattaforma open source e no-code per costruire agenti conversazionali e chatbot basati su modelli linguistici, collegando blocchi visivi con il trascinamento del mouse al posto del codice. Colleghi i tuoi documenti, un modello come GPT o Claude, una memoria e le integrazioni con gli strumenti che già usi.

L’idea che regge tutto è la stessa dietro l’ondata di piattaforme low-code e no-code degli ultimi anni: interfacce drag-and-drop, componenti visivi e moduli pre-costruiti che abbassano tempo e complessità di sviluppo, così che anche chi non programma possa mettere in piedi un’applicazione funzionante ¹. Su Flowise questo significa che un responsabile marketing, senza uno sviluppatore in organico, può assemblare un agente che legge il catalogo prodotti e risponde ai clienti, spostando riquadri su una tela.

Il software in sé non si paga. Quello che paghi arriva dopo, e ne parliamo più avanti in chiaro.

Prima di aprire Flowise, mappa il processo

Qui casca la maggior parte dei progetti. Un agente costruito sopra un processo che non esiste amplifica il disordine, perché replica a velocità di macchina decisioni che nessuno aveva mai standardizzato. La letteratura sull’AI in azienda lo dice con parole più caute. Le organizzazioni faticano ad adottare e a ricavare valore dall’AI, e manca ancora una comprensione condivisa di come queste tecnologie generino valore di business ². Tradotto per una PMI, prima mappi il processo, poi decidi cosa accelerare.

Il modo più rapido per farlo non richiede software dedicato. Apri una conversazione con ChatGPT o Claude e fatti aiutare a estrarre la procedura che oggi vive solo nella testa del titolare. Ecco un prompt che funziona.

“Sei un consulente di operations. Ti descrivo a voce come gestisco le richieste di preventivo che arrivano via email. Fammi 12 domande, una alla volta, per ricostruire il processo passo per passo: chi riceve, cosa controlla, quali informazioni servono per rispondere, in quali casi si dice no, quali risposte si ripetono uguali. Alla fine restituiscimi una procedura numerata e la lista delle risposte standard che potrei riutilizzare.”

Se al termine di questo esercizio scopri che non esistono risposte ricorrenti, hai la risposta più importante. Quel processo non è ancora pronto per un agente. Se invece emergono otto risposte che si ripetono nell’80% dei casi, hai trovato il materiale su cui l’agente lavorerà davvero.

I cinque mattoni di un agente Flowise

Ogni agente che costruisci su Flowise nasce dalla combinazione di cinque componenti. Capirli prima ti evita di trattare la piattaforma come una scatola magica.

Il modello linguistico è il motore che genera le risposte. Scegli GPT, Claude o un modello open, e la scelta pesa sul costo per ogni conversazione. La base di conoscenza è dove carichi i tuoi documenti (listini, FAQ, schede tecniche), spezzettati e trasformati in un database vettoriale che l’agente interroga per rispondere con dati tuoi e non con conoscenza generica. La memoria tiene il filo della conversazione, così l’agente ricorda cosa il cliente ha chiesto due messaggi prima. Gli strumenti sono le azioni che l’agente può compiere fuori dalla chat, come leggere un calendario o scrivere una riga in un foglio. Il prompt di sistema è l’istruzione che ne definisce ruolo, tono e limiti.

L’ordine di questi mattoni ricorda il modo in cui la ricerca descrive l’AI come sistema, fatto di raccolta e archiviazione dei dati, tecniche statistiche e computazionali, e sistemi di output che producono una risposta o comunicano con la persona ³. Su Flowise questi tre livelli diventano tre riquadri che colleghi con una linea. La forza della piattaforma sta nel renderli visibili e modificabili senza toccare codice; il limite, comune a tutto il no-code, è che oltre una certa complessità servono comunque competenze tecniche per personalizzare e correggere comportamenti fuori standard ¹.

Quali agenti hanno senso in una PMI da 1 milione

I listicle elencano categorie astratte come customer support, sales, HR. Servono a poco se non le qualifichi per volume di lavoro e per dati già disponibili. Un agente ha senso quando esiste un compito ripetitivo, ad alto volume, con risposte in gran parte prevedibili. Fuori da queste condizioni, il gioco non vale la settimana di lavoro.

Quattro casi reggono bene in un’azienda da uno o due milioni di fatturato.

Il qualificatore di lead, che accoglie chi scrive dal sito, fa tre domande e capisce se la richiesta è pertinente prima di girarla a un commerciale. Funziona la logica del vecchio assistente alla vendita digitale, che alterna domande mirate e proposte di esempio per far emergere cosa serve davvero al cliente ⁴. L’agente FAQ sul catalogo, che risponde a orari, disponibilità e caratteristiche prodotto pescando dai tuoi documenti, toglie decine di micro-risposte alla settimana a chi sta in ufficio. L’assistente alla scrittura di contenuti, addestrato sulle tue schede e sul tuo tono, prepara bozze di descrizioni prodotto e post che una persona rifinisce. L’agente di primo smistamento email, che classifica cosa è urgente, cosa è spam e cosa è una richiesta di preventivo.

La ricerca sull’impatto dell’AI sul marketing, condotta su interviste, focus group e survey nel settore alberghiero, individua dieci trend raggruppati in quattro temi, e il primo è che l’AI reingegnerizza i processi interni usando dati e contenuti come leve di competitività ⁵. Vale anche fuori dagli hotel. L’agente che funziona si innesta su un processo già disegnato; quando prova a inventarne uno, fallisce.

Come scegliere tra Flowise, n8n e un GPT personalizzato

Il lettore che cerca Flowise sta spesso valutando in parallelo altre due strade. Sono strumenti diversi che risolvono problemi diversi, e sceglierne uno per moda è il primo errore.

Strumento	Punto forte	Quando è la scelta giusta	Quando è quella sbagliata
Flowise	Agenti conversazionali che leggono i tuoi documenti, in visuale e con controllo sui dati	Vuoi un assistente che risponde a clienti o al team con conoscenza aziendale, e vuoi tenere i dati su un tuo server	Ti serve solo collegare due app per spostare dati, senza conversazione
n8n	Automazioni tra centinaia di app con trigger ed eventi	Devi far parlare CRM, email e fogli in automatico su regole precise	Ti serve un agente che dialoga e ragiona sui contenuti, un compito che n8n non copre perché nasce per gestire flussi
GPT personalizzato	Si costruisce in un’ora, zero infrastruttura da gestire	Vuoi un prototipo interno rapido e ti basta il perimetro di un solo fornitore	Ti serve controllo sui dati, integrazioni profonde o portabilità fuori da un ecosistema chiuso

Una sola domanda scioglie il dubbio. Il compito richiede di dialogare ragionando su documenti tuoi, oppure di spostare dati tra sistemi secondo regole fisse? La prima risposta porta a Flowise, la seconda a n8n. Il GPT personalizzato resta la scorciatoia per validare un’idea prima di costruirla sul serio.

Quanto costa davvero Flowise

Open source vuol dire che il codice è gratuito. La confusione nasce quando “gratuito” diventa “senza costi”, e non è così. Ecco le voci reali, in chiaro, senza cifre di ROI promesse.

Voce	Costo	Nota
Software Flowise	Zero	Open source, lo installi liberamente
Server dove gira	Ricorrente	Un piccolo server cloud o una macchina locale sempre accesa
Token dei modelli	A consumo	Paghi ogni conversazione in base al modello scelto e alla sua lunghezza
Database vettoriale	Da gratuito a ricorrente	I piani gratuiti coprono volumi bassi, poi si paga per capacità
Ore di manutenzione	La voce più pesante	Aggiornamenti, correzioni, revisione delle risposte sbagliate

L’ultima riga è quella che nessuno mette a preventivo e che affonda i progetti fai-da-te. I modelli linguistici sono soggetti ad allucinazioni e producono errori, e per validarne o correggerne gli output serve comunque una competenza tecnica. Chi tiene in piedi l’agente deve saper distinguere una risposta corretta da una plausibile ma falsa ¹. Metti a bilancio quelle ore già prima di partire.

Come capisci se l’agente funziona

Il giudizio su un agente sta nei numeri. Prima di metterlo davanti ai clienti, costruisci una batteria di venti o trenta domande reali prese dallo storico delle email, con la risposta corretta accanto, e verifica quante volte l’agente ci arriva.

Puoi farti generare il banco di prova con un prompt come questo.

“Da questi 40 messaggi reali di clienti che ti incollo, estrai le 25 domande più frequenti. Per ognuna scrivi in una colonna la domanda e in un’altra la risposta corretta secondo il listino allegato. Segnala le 5 domande a cui il listino non permette di rispondere: sono i casi in cui l’agente dovrà passare la mano a una persona.”

Le due metriche che contano sono la percentuale di risposte corrette e la percentuale di casi in cui l’agente riconosce di non sapere e cede il turno a un umano. La seconda pesa più della prima. Un agente che sbaglia con sicurezza fa danni, uno che ammette il limite fa risparmiare tempo. Sul low-code assistito da modelli, uno studio con 48 sviluppatori ha misurato una riduzione media del 41% nel tempo di completamento dei compiti e oltre il 90% di accuratezza negli scenari logici ben strutturati ⁶. Il messaggio per te è che i guadagni arrivano dove il compito è definito con precisione, e crollano dove il compito è vago.

Dal flow al primo agente, il passo operativo

Fin qui hai deciso se e cosa. Il come, click dopo click, sta nel tutorial che accompagna la costruzione di un agente completo, con caricamento dei documenti, configurazione del database vettoriale e collegamento agli strumenti esterni, spiegato sull’esempio di un agente per il settore immobiliare in come creare un agente AI in venti minuti con Flowise. La stessa procedura si adatta a qualsiasi settore cambiando i documenti caricati e il prompt di sistema.

Quando l’agente serve a intercettare clienti su una pagina che deve anche convertire, il collo di bottiglia si sposta dalla logica al contenuto e al design della landing su cui l’agente vive. È il terreno del nostro team di design e sviluppo, per chi preferisce far costruire la pagina mentre tiene in casa il processo.

Fonti

Footnotes

1. Large Language Model Framework for Device Orchestration in Low-Code No-Code Solutions. doi.org ↩ ↩² ↩³

2. Artificial Intelligence and Business Value: a Literature Review. link.springer.com ↩

3. Consumers and Artificial Intelligence: An Experiential Perspective. eprints.lancs.ac.uk ↩

4. ExpertClerk: A Conversational Case-Based Reasoning Tool forDeveloping Salesclerk Agents in E-Commerce Webshops. doi.org ↩

5. Artificial intelligence’s impact on hospitality and tourism marketing: exploring key themes and addressing challenges. tandfonline.com ↩

6. Low-Code Development Enhancement Integrating Large Language Models for Intelligent Code Assistance in Oracle APEX. doi.org ↩