C’è una schermata, dentro il nuovo ChatGPT, che chiede di scegliere una mascotte. Un gufo di nome Hoots per il lavoro impeccabile in un lampo, una goccia blu di nome Dewey per le giornate di concentrazione, una roccia di nome Rocky per quando la posta in arrivo sfugge di mano. Sembra un dettaglio da videogioco, e invece racconta meglio di qualsiasi comunicato cosa è successo il 9 luglio 2026, quando OpenAI ha rilasciato nello stesso momento il modello GPT-5.6 e un prodotto che si chiama ChatGPT Work. Perché una mascotte animata serve a una cosa sola: dirti a colpo d’occhio cosa sta facendo un agente che lavora per ore da solo, mentre tu sei da un’altra parte. E se OpenAI sente il bisogno di darti un animaletto che veglia sul lavoro in background, è perché ChatGPT del 2026 ha smesso di essere il posto dove fai domande.
Il salto è tutto qui, e vale la pena guardarlo dall’interno prima di leggerlo dalle slide di marketing.
Indice degli argomenti:
Work ha cambiato ChatGPT
Per quasi tre anni ChatGPT è stata una casella di testo: scrivevi, rispondeva, chiudevi. Ogni tanto navigava, ogni tanto generava un’immagine, ma il gesto restava lo stesso, domanda e risposta, e tu che poi copiavi il risultato altrove e facevi il lavoro vero. Con Work quel gesto cambia natura. Dai un obiettivo, non un prompt, e l’agente raccoglie contesto dalle tue app, pianifica l’approccio, agisce al posto tuo e produce un artefatto pronto, restando sul progetto per ore e spezzandolo in passi più piccoli che porta a termine da solo. La casella di testo diventa un tavolo di lavoro. Ed è su questo tavolo che si gioca la partita più grande del semestre, molto più grande del singolo modello: la superficie su cui il lavoro accade si sta spostando di nuovo, come si è spostata quando dal sistema operativo siamo passati al browser, e come si è spostata quando dal browser siamo passati alle app. Adesso la candidata a nuova superficie è l’assistente, e OpenAI ha appena scoperto le carte.
Vale la pena mettere subito il paletto che tiene insieme tutta l’analisi, perché è la lente con cui leggere ogni funzione. Il valore non sta più nel modello che ragiona meglio degli altri, dato che su gran parte dei compiti Sol, Fable, Gemini e i loro cugini si somigliano ormai molto. Il valore sta in dove vive l’agente, in quali dati raggiunge, in chi ne governa la spesa e le azioni.
Guardiamo ChatGPT Work da tre lati: il prodotto, i modelli e la strategia di centralizzazione, e poi mettiamolo a confronto con chi corre sulla stessa pista, Anthropic con Cowork, Manus con l’agente autonomo, Microsoft, Google e Salesforce con i loro agenti ancorati ai dati aziendali.
Un tab «Work» accanto a «Chat» e Codex che scompare dentro l’app
Chi apre ChatGPT in questi giorni trova una novità piccola nella dimensione e grande nelle conseguenze: in cima allo schermo, accanto al vecchio «Chat», è comparso un secondo interruttore, «Work». Sotto, la solita casella non dice più «Chiedi qualcosa» ma «Lavora su qualsiasi cosa». È lo stesso spazio, con un’ambizione diversa.
ChatGPT Work, nelle parole di OpenAI, è «un agente in ChatGPT che ti aiuta ad affrontare compiti più ambiziosi», capace di raccogliere informazioni dalle app e dai flussi di lavoro per creare materiali finiti come fogli di calcolo, presentazioni, documenti e web app, e di restare su progetti complessi per ore. La frase che conta davvero, nel comunicato, è un’altra: «con la tecnologia di Codex incorporata, ChatGPT può ora andare oltre il rispondere a domande e portare a termine lavoro vero attraverso web, mobile e desktop». Ecco il passaggio industriale, dichiarato senza giri di parole dalla stessa azienda che lo firma.
Il 9 luglio non ha portato una singola funzione, ma un pacchetto che riorganizza l’intera esperienza. La app desktop di ChatGPT è stata riscritta e adesso mette nello stesso ambiente tre cose che prima vivevano separate: Chat per le domande e la conversazione, Work per la ricerca e le consegne finite, Codex per lo sviluppo software. Tutte e tre disponibili su ogni piano, incluso quello gratuito, su Windows e Mac. E qui succede il movimento più significativo per chi osserva le strategie: la app di Codex, l’agente di coding che OpenAI aveva costruito per gli sviluppatori, si fonde dentro la nuova app di ChatGPT. Chi usava Codex aggiorna e si ritrova nell’app unica, con i progetti al loro posto. La vecchia app desktop viene ribattezzata ChatGPT Classic e sopravvive come ambiente di compatibilità, mentre le funzioni agentiche nuove abitano solo nella versione nuova.
C’è un secondo abbandono, più rumoroso, nascosto in fondo all’annuncio. OpenAI ha scritto che «inizierà a dismettere il browser autonomo Atlas», assorbendone l’esperienza dentro il browser integrato della app desktop e dentro un’estensione aggiornata per la sidebar di Chrome. Atlas era il browser agentico con cui OpenAI voleva mettere il proprio agente dove il lavoro accade davvero, dentro le pagine web. La lezione, a distanza di mesi, è che per portare l’agente dove si lavora non serviva un browser separato: bastava che l’assistente stesso ne integrasse uno. Quando la superficie unica ingloba il browser, il browser come prodotto a sé diventa ridondante. È una ritirata strategica travestita da consolidamento, e dice molto su dove OpenAI pensa che si combatta la guerra.
Cambia anche il modo in cui l’agente si collega al resto. La vecchia App Directory lascia il posto a una nuova Plugin Directory unificata, che raccoglie in un unico luogo i plugin e li rende disponibili tanto in Work quanto in Codex. E c’è una novità nativa che allarga il perimetro del prodotto ben oltre l’ufficio: Sites, in beta pubblica, permette di trasformare un lavoro o un’idea in un sito interattivo o in una web app da condividere con il team o pubblicare a un URL. Dashboard vive, tracker di progetto, calendari di lancio, portali interni, report interattivi. ChatGPT non produce più solo testo che copi altrove, produce software che gira.
La disponibilità è scaglionata, e conviene tenerla presente per non promettere ai colleghi cose che non vedono ancora. Su web e mobile, Work è partito il 9 luglio per i piani Pro, Enterprise ed Edu, con Plus e Business a seguire nei giorni successivi. Sul desktop, invece, Chat, Work e Codex sono arrivati subito su ogni piano, gratuito compreso. Gli spazi Enterprise ed Edu hanno un periodo di anteprima di due settimane in cui Work è spento per default, e gli amministratori possono disattivarlo prima che si accenda da solo alla fine dell’anteprima. È un dettaglio di rollout, ma racconta la prudenza con cui OpenAI porta un agente che agisce dentro i sistemi aziendali.
Sol a cinque dollari, Luna a uno: la frontiera adesso si misura in token
Sotto Work c’è un modello nuovo, e la scelta dei nomi racconta una strategia. GPT-5.6 arriva come una famiglia di tre modelli, ognuno con un nome pensato per sopravvivere alle generazioni: Sol, il modello di punta; Terra, il bilanciato per il lavoro di ogni giorno; Luna, il più veloce ed economico. Il numero indica la generazione, spiega OpenAI, mentre Sol, Terra e Luna sono fasce di capacità durevoli che possono avanzare con un loro ritmo. Chi apre il selettore modello, dentro Work, li trova affiancati, con accanto un livello di sforzo da impostare per ciascuno.
La tesi che OpenAI ripete come un mantra è l’efficienza: più lavoro utile da ogni token. «Abbiamo addestrato GPT-5.6 per ottenere più lavoro utile da ogni token», scrive l’azienda, «il risultato è una prestazione per dollaro più forte: più lavoro riuscito a parità di spesa, o risultati comparabili a un costo totale più basso».
Sam Altman, alla CNBC, ha tradotto la frase in un numero che parla ai direttori finanziari prima che agli ingegneri: Sol è il 54% più efficiente in token sui compiti agentici di coding, e ha aggiunto che «ogni impresa oggi ragiona sulla spesa e sul valore che ottiene in cambio dell’AI». Ecco lo spostamento rispetto all’anno scorso, quando la corsa era solo al punteggio più alto. Adesso la corsa è al punteggio più alto per dollaro speso, e la differenza per chi firma i budget è enorme.
I listini rendono la strategia leggibile a occhio nudo. Per milione di token, Sol costa 5 dollari in ingresso e 30 in uscita, Terra 2,50 e 15, Luna 1 e 6. La stessa gerarchia che nei modelli di frontiera concorrenti si paga molto di più, qui è calibrata per rendere l’intelligenza abbondante e sostenibile su scala aziendale. Ci sono anche novità sul caching, con breakpoint espliciti e una vita minima della cache di trenta minuti, e una tariffa di scrittura in cache a 1,25 volte l’input non memorizzato, dettagli che pesano quando un agente rilegge lo stesso contesto molte volte in una sessione lunga.
Sui benchmark, il quadro è più sfumato di quanto racconti il comunicato, e proprio le sfumature sono la parte istruttiva. Su Agents’ Last Exam, la valutazione dei flussi professionali a lungo orizzonte su 55 domini, Sol fissa un nuovo record intorno a 53 punti e stacca il migliore dei modelli concorrenti di parecchie lunghezze, con Terra e Luna che restano sopra la generazione precedente a una frazione del costo. Il dato che OpenAI ama citare è che Sol supera Claude Fable 5 di oltre tredici punti, e lo fa restando più efficiente anche a livelli di ragionamento intermedi, cioè a circa un quarto del costo stimato. Sul coding agentico misurato dall’Artificial Analysis Coding Agent Index, Sol arriva a 80 usando meno della metà dei token in uscita rispetto al miglior rivale.
Ecco però il dettaglio che il comunicato non mette in prima pagina, e che un CTO dovrebbe pesare con attenzione: su SWE-Bench Pro, il benchmark che misura l’ingegneria del software su codebase reali, sono i modelli di Anthropic a guidare, con Mythos 5 e Fable 5 intorno all’80%, sopra il 64,6% di Sol. Su alcune prove di cybersecurity come ExploitBench, Fable 5 resta davanti a Sol. La leadership dipende da quale prova guardi, e chi valuta un modello per la propria azienda dovrebbe diffidare del singolo numero da comunicato e chiedersi su quale compito reale quel numero è stato ottenuto, con quale budget di token e in quanto tempo.
Il quadro completo, guardando le tabelle di OpenAI, mostra un modello forte in modo trasversale ma non dominante ovunque.
Su GDPval, la misura del lavoro professionale valutata in Elo, Fable 5 tiene testa a Sol e in certi tagli lo supera. Sui compiti di consulenza gestionale interni Sol arriva al 43,2%, sopra tutti gli altri. Sull’uso del computer misurato da OSWorld 2.0 Sol tocca il 62,6% e supera Opus 4.8 usando l’85% di token in meno, mentre su BrowseComp, la navigazione agentica, arriva al 90,4% e sfiora il 92 con il ragionamento massimo.
Sulla matematica di frontiera i due mondi si alternano, con Sol avanti su FrontierMath tier 1-3 e Fable 5 avanti sul tier 4 più duro. Il messaggio per chi sceglie è semplice: i profili sono diversi e vanno abbinati al compito, e la vittoria netta di un singolo modello resta un’illusione da comunicato.
Restano due leve nuove che spostano il baricentro dal modello all’orchestrazione. La prima si chiama max, e dà a Sol più tempo per ragionare, esplorare alternative, controllarsi e rivedere l’approccio prima di consegnare. La seconda, più interessante, si chiama ultra: coordina quattro agenti in parallelo per impostazione predefinita, scambiando un consumo di token più alto con risultati migliori e tempi più corti sui compiti impegnativi, e in configurazioni fino a sedici agenti su alcune prove di navigazione e cybersecurity.
In Work, ultra è riservato ai piani Pro ed Enterprise. Sull’API la stessa idea prende la forma del Programmatic Tool Calling, che lascia al modello scrivere ed eseguire piccoli programmi in memoria per coordinare gli strumenti, filtrare i dati intermedi e adattare il flusso, con guadagni di efficienza che i primi clienti raccontano nell’ordine del 24-38% di token risparmiati a parità di qualità. La direzione è quella che gli architetti enterprise conoscono già: non un modello che pensa da solo, ma un modello che sa dividersi in una squadra quando il compito lo richiede, e ricomporre il lavoro in una consegna sola.
C’è anche una gerarchia di accesso che vale la pena tenere a mente. Su ChatGPT, i piani gratuiti e Go dentro Work e Codex arrivano a Terra; Plus, Pro, Business ed Enterprise scelgono tra Sol, Terra e Luna e regolano lo sforzo; Pro ed Enterprise possono selezionare anche una variante Sol Pro per i risultati di qualità più alta sui compiti complessi. Sull’API i tre modelli sono tutti accessibili, con il multi-agente in beta e una modalità a ritenzione zero dei dati per chi ha vincoli di compliance stringenti.
Sul fronte della sicurezza dei modelli, GPT-5.6 spinge la frontiera anche dove fa più discutere. Sui benchmark di cybersecurity offensiva i salti sono netti, con ExploitBench che passa dal 47,9% della generazione precedente al 73,5% di Sol, e con guadagni analoghi su ExploitGym e SEC-Bench Pro. OpenAI inquadra questi numeri nella logica del doppio uso: le stesse capacità che aiutano un attaccante a sfruttare una vulnerabilità aiutano un difensore a trovarla e a costruire la patch, e bloccare troppo diventa un rischio di sicurezza a sua volta, perché lascia i difensori disarmati mentre gli attaccanti usano altri modelli.
Sul versante interno, l’azienda racconta che i propri ricercatori usano GPT-5.6 lungo tutto il ciclo di sviluppo, con un consumo di token per ricercatore più che raddoppiato rispetto alla generazione prima, segno di quanto l’AI stia accelerando la ricerca sull’AI. È il tipo di dato che entusiasma gli ingegneri e preoccupa i regolatori, e spiega perché il rilascio sia arrivato scaglionato.
Sotto Work batte Codex: l’agente di codice diventa agente d’ufficio
Per capire ChatGPT Work bisogna guardare da dove viene: Codex, l’agente di coding di OpenAI, oggi è usato da oltre 5 milioni di persone a settimana, e più di un milione lo usa per lavoro che con lo sviluppo software non c’entra nulla. È stato quel dato a suggerire la strada: se un agente costruito per scrivere codice funziona anche per costruire un foglio di calcolo o un report, allora il motore che pianifica passi, usa strumenti, esegue e verifica può servire chiunque, non solo chi programma. Work è Codex generalizzato, la stessa spina dorsale tecnica portata fuori dal terminale e messa nelle mani di chi non ha mai visto una riga di codice.
La fusione porta con sé un Codex più maturo per chi resta sul codice. Nella nuova app arrivano la modifica inline dentro i diff, la revisione delle pull request nel pannello laterale con il feedback del revisore accanto alla modifica, un Computer Use più veloce alimentato da GPT-5.6, il supporto a più repository in un solo progetto. Su Windows, Codex può vedere, cliccare e digitare dentro le applicazioni mentre l’utente testa e rifinisce. C’è persino l’import automatico delle configurazioni dagli altri strumenti di coding, incluso il file di regole di Claude Code, un dettaglio che dice quanto la battaglia si giochi anche sulla frizione di migrazione tra un ecosistema e l’altro.
Questa eredità spiega anche le mascotte, che a prima vista sembrano una stranezza. Erano nate a maggio 2026 come Codex Pets, animaletti animati che galleggiano sullo schermo come overlay e dicono, a colpo d’occhio, se l’agente sta ragionando, se aspetta un tuo input, se ha finito o se è andato in errore. Un modo per non dover aprire di continuo la finestra dell’agente mentre lavora in background, qualcosa a metà tra il vecchio Clippy e la Dynamic Island di macOS. Con Work quella stessa idea arriva fuori dal mondo degli sviluppatori: sceglie la mascotte anche chi prepara una presentazione o riconcilia un bilancio.
La mascotte è un sintomo travestito da vezzo. Quando un agente lavora per ore in autonomia, il problema di interfaccia smette di essere come dargli istruzioni e diventa come restare consapevoli di cosa sta facendo senza doverlo sorvegliare. Il gufo che sbatte le ali quando il compito è finito risolve un problema vero di attenzione e di fiducia, ed è il segno che OpenAI ha capito una cosa sottile: nell’era in cui la capacità grezza dei modelli si commoditizza, l’ingaggio emotivo e la leggibilità dell’esperienza pesano quanto il punteggio sul benchmark.
Altman lo ha detto a modo suo, parlando di un «momento goblin» di Codex, riferendosi all’energia caotica con cui gli utenti hanno iniziato a generarsi mascotte personalizzate, ricreando persino Clippy e il faccione del Finder. Sotto l’ironia c’è una scommessa di prodotto seria, e riguarda la retention.
C’è poi una parte tecnica di quell’eredità che pesa sull’enterprise. Work, sul desktop, poggia sul modello di governance di Codex, quello pensato per far girare un agente dentro un’azienda con i controlli che un reparto IT si aspetta quando distribuisce software. È la ragione per cui OpenAI può portare l’agente a toccare file locali, app del desktop, browser e strumenti connessi senza che la cosa suoni come un salto nel vuoto: il perimetro di sicurezza era già stato disegnato per gli sviluppatori, e adesso viene esteso a tutti. La stessa infrastruttura che controllava un agente che scrive codice controlla un agente che scrive un piano commerciale.
Millequattrocento plugin e una chiocciola: il contesto come materia prima
Un agente senza contesto è un oratore brillante che non sa nulla della tua azienda. Il valore di Work non sta nel modello che ragiona, sta nei dati e negli strumenti a cui il modello arriva, ed è per questo che il pezzo di prodotto più strategico è il meno appariscente: i plugin. Nel discorso di ChatGPT, un plugin collega l’agente ad app e sistemi come Slack e Microsoft Teams, Google Drive e SharePoint, alla posta, ai calendari, ai CRM, ai project tracker e agli strumenti interni. Al lancio i plugin disponibili sono oltre 1.400, e ChatGPT sceglie da solo quando pescare da uno, oppure lo si indirizza a mano digitando la chiocciola seguita dal nome dell’app, «@», come in una menzione sui social.
Basta guardare il pannello dei plugin per capire dove OpenAI punta. Accanto ai connettori orizzontali che si aspetterebbe chiunque, Google Drive, Gmail e GitHub, compaiono connettori verticali che parlano a settori precisi e ad alto valore: Investment Banking, con i flussi di M&A, capital markets, valutazione e due diligence; Public Equity Investing, per la ricerca dei gestori, l’analisi degli utili e la diligence su ETF e indici; Sales, con i flussi pratici per chi vende; Data Analytics, per rispondere a domande di prodotto e di business con i dati.
Non è un dettaglio: significa che OpenAI non vuole solo automatizzare l’email di tutti, vuole entrare nei workflow costosi delle funzioni che generano margine, dalla finanza alle vendite all’analisi. È lì che un’ora di lavoro risparmiata vale di più, e lì che un abbonamento aziendale si giustifica da solo.
Il meccanismo che rende tutto questo appetibile è la trasformazione del contesto sparso in consegna. Una volta collegati gli strumenti, l’agente capisce cosa stai cercando di fare, tira dentro le informazioni dalle fonti giuste, crea documenti, deck e analisi, e continua a rifinire le bozze in background mentre tu mantieni il controllo. La chiocciola davanti al nome dell’app è più di una comodità: è il segnale che il contesto aziendale diventa una risorsa indirizzabile, richiamabile a comando, esattamente come un file o una persona in un thread.
Qui si annida la vera barriera competitiva, e non è il modello. Chi possiede il maggior numero di connettori pronti, e la capacità dell’agente di sapere quando usarli senza che glielo si dica, possiede il vantaggio difendibile. Un modello si può cambiare in un pomeriggio, un tessuto di integrazioni con Slack, il CRM, il data warehouse e la posta aziendale no. La battaglia dei plugin è la battaglia vera, più di quella dei benchmark, e OpenAI lo sa: la Plugin Directory unificata, la scelta automatica del connettore giusto e i verticali finanziari raccontano un’azienda che sta costruendo un fossato di contesto, non solo un modello più bravo.
L’output diventa consegna: slide e siti che si aggiornano da soli
Il modo più concreto per capire cosa cambia è guardare cosa esce dall’altra parte. L’output di Work prende la forma di un artefatto invece che di una risposta in chat: un foglio di calcolo, una presentazione modificabile, un documento, un sito. GPT-5.6 è stato addestrato in modo specifico a seguire template e file di riferimento, a inferire il sistema di design di un deck, i suoi layout e la sua tipografia, le spaziature e i colori e le regole nascoste nella slide master, e ad applicarli a materiale nuovo. Chi produce report ricorrenti sa quanto vale questa cosa: non un abbozzo da rifare, ma un documento che rispetta il formato aziendale già alla prima passata. OpenAI mostra affiancati un output di GPT-5.5, che perde componenti della master, e uno di GPT-5.6 che segue la struttura di riferimento con fedeltà, e la differenza è visibile a occhio.
Prima di partire, Work può fermarsi a ragionare con te. In Plan mode, l’agente raccoglie contesto, fa domande e costruisce un piano passo-passo che puoi correggere o approvare prima che il lavoro cominci. È il modo in cui OpenAI prova a tenere l’umano dentro il ciclo senza rallentarlo: tu vedi la strada prima che venga percorsa, e decidi. Sul desktop il perimetro si allarga ancora, perché entra in gioco un browser integrato con più schede, che permette all’agente di raccogliere informazioni online, usare strumenti web, aprire e rifinire file di Google Workspace e Microsoft 365 dentro la stessa app. E c’è Computer Use, che lascia all’agente usare il computer al posto tuo per cliccare e digitare, spostare i file dove servono, in background, per un compito singolo o come parte di un’attività ricorrente.
La parola chiave, per chi ragiona in termini di produttività, è proprio ricorrenza. Con le Scheduled Tasks, Work esegue un’azione una volta sola, oppure la ripete a intervalli o quando accade un evento, oppure monitora i cambiamenti nel tempo. Può rivedere ogni settimana i nuovi aggiornamenti su Slack e rinfrescare l’ordine del giorno di una riunione ricorrente, controllare siti e dashboard ogni mattina e mandare un report di cosa è cambiato, sorvegliare il feedback dei clienti e trasformare i temi ricorrenti in idee di prodotto prioritizzate, aggiornare una presentazione quando arriva un nuovo commento via email. L’agente non aspetta più il tuo prompt, si sveglia da solo quando serve.
Sites chiude il cerchio verso il basso, verso il software. Un lavoro diventa un sito interattivo o una web app condivisibile, testabile dentro ChatGPT e aggiornabile automaticamente quando i dati sottostanti cambiano. Per Business ed Enterprise c’è anche la pubblicazione pubblica a un URL, spenta per default negli spazi Enterprise finché un amministratore non la abilita. Dashboard live e tracker, prototipi e portali interni: cose che fino a ieri richiedevano uno sviluppatore, e che adesso nascono da una conversazione.
La distanza tra l’idea e la cosa che gira si accorcia, e si accorcia dentro ChatGPT. Il salto di GPT-5.6 sul design, che OpenAI descrive come la capacità di creare interfacce ergonomiche e funzionali con una direzione di alto livello, è ciò che rende Sites qualcosa di più di un giocattolo: l’agente non genera solo il codice, ispeziona il risultato renderizzato e lo rifinisce prima di consegnarlo.
«Impara il mio stile»: mascotte e personalizzazione come trappola gentile della retention
C’è un terzo pilastro, accanto ai modelli e ai plugin, e riguarda te. Tra le opzioni di personalizzazione di Work compare una voce che dice «Impara il mio stile di scrittura». La si attiva con una richiesta esplicita, e la risposta dell’agente svela la logica: costruisce un riferimento concreto del tuo stile a partire dai testi che hai scritto tu, dopo aver verificato quali fonti può usare in modo sicuro, così da separare la tua voce dalle risposte generate nelle conversazioni.
Il passo successivo chiede da quale fonte partire per costruire quel riferimento: le conversazioni, le email inviate, entrambe o un’altra fonte a tua scelta. È una domanda apparentemente innocua, e invece è il cuore della strategia di lock-in. Perché più dai in pasto la tua scrittura, le tue email e i tuoi documenti, più l’agente ti restituisce bozze che suonano come te, e più diventa costoso andartene da un’altra parte a ricominciare da capo.
Vale la pena dirlo con chiarezza a chi decide, perché è un tema di dipendenza tecnologica prima che di comodità. La personalizzazione è la forma più educata di fidelizzazione. La mascotte lega con l’affetto, il modello che scrive nel tuo stile lega con il costo di sostituzione, i plugin legano con l’integrazione. Sono tre corde diverse dello stesso nodo, e tutte tirano nella stessa direzione: fare di ChatGPT il posto da cui non conviene più uscire. Per un professionista è comodo. Per un’organizzazione che sta decidendo su quale piattaforma costruire il proprio lavoro, è una scelta di sovranità sui dati e sui processi che va fatta con gli occhi aperti, non per inerzia.
Il tema si allaccia a una novità che OpenAI ha spinto nelle stesse settimane, la memoria che si mantiene più aggiornata, capace di tenere il contesto rilevante dalle chat passate, dalle memorie salvate e, dove disponibile, dai file e dalla posta connessa. Più la memoria è profonda e la voce è tua, più l’agente diventa insostituibile. È il rovescio della medaglia della comodità, e un CIO dovrebbe metterlo nella stessa colonna del foglio di calcolo in cui mette i benefici, non in una nota a piè di pagina.
Dai primi clienti ai laboratori di frontiera: chi ha già messo Work al lavoro
I casi che OpenAI porta al lancio vanno letti con l’occhio di chi sa che un comunicato seleziona i successi, e proprio per questo conviene guardarli nel dettaglio, perché il meccanismo che descrivono è ripetibile. Zapier ha raccontato di aver costruito con Work un sistema per esaminare migliaia di lead al mese: un singolo lead richiedeva dai 35 ai 45 minuti di ispezione tra CRM, registrazioni delle chiamate e punti di contatto via email, e l’agente ha tracciato ogni percorso, generato mappe visive di ogni touchpoint, fatto emergere i punti in cui i follow-up si rompevano e riversato l’impatto in una dashboard esecutiva settimanale, aiutando a passare alle vendite sette cifre di pipeline al mese.
Virgin Atlantic ha usato l’agente dentro un piano quinquennale per confrontare la propria customer experience con quella dei concorrenti: struttura dei customer journey in ingresso, ricerca e cammino attraverso le esperienze rivali, poi un dataset che mostra dove l’azienda vinceva e dove restava indietro.
Un ciclo di analisi competitiva che prima richiedeva settimane si è ridotto a ore. Nvidia ha automatizzato la preparazione dei propri eventi globali, sostituendo un flusso su Excel che divorava circa il 40% del tempo pre-evento, e ora quel processo gira due volte a settimana. Shopify usa Work come strato operativo per l’abilitazione all’AI, tirando contesto da Slack e dai progetti attivi in un secondo cervello e coordinando un programma di ricerca su 3.500 dipendenti non tecnici. RingCentral ha trasformato controlli di lancio manuali in un flusso ripetibile, passando dal supportare un singolo product manager al seguirne decine.
Le voci dei laboratori
Accanto ai clienti operativi ci sono le voci dei laboratori che hanno testato GPT-5.6, e qui il segnale è più tecnico ma più affidabile, perché sono aziende che vivono di misurare i modelli. Notion racconta che molti agenti che giravano su GPT-5.5 rendono uguale su Terra alla metà del costo, e descrive Sol come il risolutore più tenace visto finora, capace di restare sul compito per giorni. Cursor e Cognition lo indicano tra i modelli più forti per gli agenti di coding in produzione, con un profilo di costo competitivo. Canva lo dice circa 1,6 volte più efficiente in token per la creazione di slide. Figma parla di prototipi interattivi da design complessi. Rogo e Balyasny, nel mondo della ricerca finanziaria, misurano guadagni di accuratezza e risparmi di token nell’ordine del 20-30%. Clio e Legora, nel legale, riportano meno token a parità di qualità sui flussi di ricerca e di drafting.
Dentro OpenAI, quasi il 100% dei team, finanza e vendite comprese, oggi usa Work e Codex, e questo dettaglio vale più di qualsiasi retorica aziendale, perché dimostra che l’azienda si sta usando come primo caso enterprise su larga scala. Nelle vendite Work ha trasformato una conversazione di discovery in un proof of concept su misura entro 24 ore, un processo che di solito richiede settimane. Nella finanza ha ridotto la chiusura di fine mese e il forecasting da giorni a ore, lasciando ai team più tempo per capire cosa è cambiato nel forecast e consigliare i vertici. Quando un fornitore di tecnologia mostra i propri numeri interni, sta dicendo due cose insieme: che il prodotto funziona, e che il modo di lavorare che vende è quello che ha già adottato in casa.
Serve però la cautela dell’osservatore esterno. Sono tutti casi felici, scelti e raccontati da chi vende il prodotto, e il muro contro cui sbattono tutti gli agenti resta l’affidabilità sui compiti a molti passi, dove un errore a metà catena si propaga fino alla consegna. La lezione operativa che emerge dagli stessi materiali è prudente: si parte da un flusso che si conosce bene, lo si fa girare in Plan mode con le approvazioni attive, e si misura il risultato contro le ore attuali prima di allargare. L’entusiasmo dei case study non sostituisce il pilota controllato.
Quando il deck lo fa l’agente: il lavoro della conoscenza cambia pelle
Per chi vive di lavoro della conoscenza, e AI4Business parla soprattutto a loro, il cambiamento è più intimo di quanto suggerisca la parola agente. Fino a ieri il valore stava nel produrre: scrivere il report, costruire il deck e montare il foglio di calcolo. Con Work quel valore si sposta a monte e a valle, verso il dirigere e il verificare. A monte si decide l’obiettivo e si dà il contesto giusto; a valle si controlla, si corregge, si approva. In mezzo, il montaggio, l’agente lo fa da solo. È lo stesso spostamento che chi produce contenuti conosce già da altre ondate di automazione, e che adesso arriva al cuore dei mestieri intellettuali.
I numeri dei primi clienti raccontano il lato luminoso: cicli di analisi che passano da settimane a ore, tempo liberato dal montaggio manuale e restituito alla strategia. Ma il rovescio è un mestiere nuovo, quello dell’editor di un agente. Chi prima scriveva adesso rilegge e corregge, chi prima calcolava adesso valida i numeri che l’agente gli mette davanti. La competenza che conta si sposta dalla capacità di produrre alla capacità di giudicare, di riconoscere quando l’output è sbagliato in modo sottile, di dare la direzione giusta perché l’agente non parta storto. È una competenza più rara e più difficile da insegnare della prima.
Qui torna la funzione «Impara il mio stile», e va guardata con attenzione da chi fa dell’individualità della propria voce un valore. Un agente che scrive come te, sui tuoi documenti e sulle tue email, ti fa risparmiare tempo e insieme ti espone a un rischio: la voce media, la levigatura verso il registro più probabile, l’appiattimento di ciò che ti rendeva riconoscibile. La pelle digitale con cui ci presentiamo al mondo, fatta di come scriviamo e di come pensiamo per iscritto, diventa qualcosa che una piattaforma impara e riproduce, e il confine tra il tuo stile e lo stile che il modello immagina per te si assottiglia. Per un professionista è una comodità. Per chi vende la propria voce, è una scelta da fare con lucidità.
C’è poi il tema della verifica, che nessuna mascotte risolve. Quando l’agente produce un foglio di calcolo con i numeri sbagliati o un deck con una citazione inventata, l’errore ha l’aspetto rassicurante del lavoro finito, ben impaginato, pronto da mandare. È il tipo di errore più pericoloso, perché non grida, sussurra. Chi distribuisce Work in un’organizzazione deve costruire un livello di controllo umano proporzionato al rischio della consegna, più severo dove la consegna finisce davanti a un cliente o a un regolatore, e deve accettare che la velocità dell’agente non elimina il tempo della verifica, lo sposta soltanto più a valle.
Per il mondo editoriale e per chi fa consulenza, il tema è ancora più diretto. Un agente che ricerca, sintetizza e impagina abbassa la barriera per produrre contenuti, e alza di conseguenza il valore di ciò che un agente non sa fare: la tesi originale, l’angolo che nessun altro ha visto, il giudizio che nasce dall’aver lavorato ai tavoli giusti. Man mano che il montaggio si commoditizza, il pensiero si apprezza. La domanda per chi guida un’azienda della conoscenza non riguarda se usare questi strumenti, riguarda cosa continuare a fare a mano, perché è lì che sta il valore che nessuna superficie unica potrà replicare.
Una sola superficie: da chatbot a strato operativo del lavoro
Ricomponiamo i pezzi, perché separati sembrano funzioni e insieme sono una strategia. Chat, Work e Codex in un’app sola. Un browser integrato che assorbe Atlas. Un’estensione per la sidebar di Chrome. Una Plugin Directory unificata con oltre 1.400 connettori. Sites che pubblica software. La personalizzazione che imita la tua voce. Le Scheduled Tasks che lavorano mentre dormi. Ognuna di queste cose, da sola, è un miglioramento. Tutte insieme, sono un imbuto: qualunque cosa tu debba fare, il gesto naturale diventa farla dentro ChatGPT.
Questo è il vero movimento del 9 luglio, e supera di gran lunga il rilascio di un modello nuovo. La scommessa di OpenAI non è un modello più bravo, è la superficie su cui quel modello vive. È lo stesso spostamento che il settore ha già visto due volte: quando il baricentro del lavoro digitale è passato dal sistema operativo al browser, e quando è passato dal browser alle app dei telefoni. Ogni volta, chi ha controllato la nuova superficie ha dettato le regole a tutti gli altri, e ha raccolto il valore. La superficie candidata, adesso, è l’assistente, e l’assistente aspira a diventare lo strato operativo del lavoro, il posto dove il contesto entra, il lavoro si fa e la consegna esce.
La ritirata da Atlas è la prova più eloquente di questa lettura. OpenAI aveva costruito un browser intero per portare l’agente dentro le pagine web, e pochi mesi dopo lo dismette perché ha capito che la superficie non era il browser, era l’assistente. Quando l’assistente integra un browser e un file system, gli strumenti connessi e la capacità di produrre software, il browser separato diventa un ramo secco. Lo stesso vale, in prospettiva, per una lunga fila di strumenti verticali che oggi vivono di una singola funzione, il generatore di slide, il tool di ricerca, l’automazione dei task: se la superficie unica sa fare tutto in modo appena sufficiente, il pezzo verticale deve essere molto più bravo per giustificare un secondo abbonamento e un secondo login. La centralizzazione non uccide i verticali per decreto, li mette sotto pressione economica.
C’è un precedente storico che aiuta a non farsi sorprendere. Ogni volta che una superficie si è consolidata, il pacchetto integrato ha battuto il migliore dei singoli strumenti, non perché fosse superiore pezzo per pezzo, ma perché eliminava la frizione di mettere insieme i pezzi. La suite ha battuto i programmi singoli, il negozio di app ha battuto il download sparso, il feed unico ha battuto i mille siti. OpenAI sta provando a ripetere quella mossa con l’assistente, e la storia dice che quando la frizione crolla il migliore dei verticali fatica a difendere il proprio recinto, a meno che non sia molto, molto più bravo. È la ragione per cui la partita non si decide sul benchmark del modello, si decide su quanto è comodo restare dentro la superficie.
Cowork è arrivato prima: Anthropic e la stessa scommessa con un’altra filosofia
Chi segue il settore ha un senso di déjà-vu, e ha ragione. Perché OpenAI, con Work, arriva mesi dopo Anthropic, che aveva lanciato Claude Cowork come research preview il 12 gennaio 2026, definendolo «Claude Code per tutto il resto del tuo lavoro». La simmetria è quasi perfetta e vale la pena vederla nuda. Anthropic ha preso Claude Code, il suo agente di coding, e lo ha generalizzato in uno strumento per chi non programma. OpenAI ha preso Codex, il suo agente di coding, e ha fatto la stessa identica cosa con Work. Due aziende, la stessa intuizione, lo stesso percorso: l’agente nato per il codice è il miglior candidato a diventare l’agente per tutto il lavoro, perché sa pianificare, usare strumenti, eseguire e verificare.
Anthropic ha anche giocato prima la mossa dei plugin. Il 30 gennaio ha aggiunto a Cowork il supporto ai plugin, che impacchettano skill e connettori, comandi slash e sub-agenti per trasformare Claude in uno specialista per un ruolo, un team, un’azienda, e ne ha resi open source undici, dalla produttività alla finanza al legale. A febbraio ha spinto sull’enterprise con i marketplace privati di plugin, l’orchestrazione end-to-end tra Excel e PowerPoint, i controlli per amministratori, il supporto a OpenTelemetry e nuovi connettori da Google Workspace a Docusign a FactSet a Harvey. La panoplia è la stessa che OpenAI presenta oggi, con i nomi cambiati: skill contro plugin, connettori contro plugin, marketplace privati contro Plugin Directory.
Il lancio enterprise di Anthropic ha raccontato qualcosa che supera il prodotto, e riguarda la co-opetition che attraversa tutto il settore. Sul palco c’erano clienti come Thomson Reuters, la Borsa di New York ed Epic, aziende che usano Claude come modello e insieme competono con gli agenti verticali di Anthropic sui rispettivi mercati, dal legale al software sanitario. Il CEO di Thomson Reuters ha descritto Anthropic come partner pur restando multi-modello, e il responsabile R&D di Epic ha spiegato di costruire sopra Claude uno strato di fiducia pensato per la sanità. È la stessa ambiguità in cui vive OpenAI, ingrediente e rivale a seconda del livello dello stack, e racconta un mercato in cui nessuno è solo amico o solo nemico.
Le differenze di filosofia contano però più delle somiglianze, e chi valuta le due piattaforme dovrebbe soppesarle. Cowork nasce local-first, ancorato al file system della macchina: i plugin sono file markdown salvati in locale, facili da costruire e modificare e condividere, e questo dà un senso di controllo e portabilità che piace a chi teme il lock-in cloud. Work nasce cloud-first e desktop-unificato: la sua forza è la superficie sola, l’imbuto che abbiamo descritto, la continuità tra web, mobile e desktop. Anthropic vende un agente componibile e trasparente; OpenAI vende un ambiente integrato e centralizzato. Sono due risposte diverse alla stessa domanda su dove debba vivere il lavoro, e la scelta tra le due è prima di tutto una scelta di quanto controllo un’azienda vuole tenere sulla propria infrastruttura.
Sul modello, il confronto è aperto e onestamente non ha un vincitore unico. GPT-5.6 Sol guida su diversi benchmark di lavoro professionale e coding agentico, ma i modelli di Anthropic restano davanti su SWE-Bench Pro e su alcune prove di cybersecurity. La gamma di Anthropic ha una sua gerarchia parallela, con Mythos ai vertici, Fable come variante ad alte salvaguardie, Opus, Sonnet e Haiku sotto. Fable 5 è costruito con protezioni aggiuntive su biologia e cyber, al punto da rifiutare la maggior parte delle domande avanzate di biologia, e con un meccanismo che instrada certe richieste verso il modello immediatamente inferiore quando scattano le protezioni. Claude Code, per dare la misura del mercato, ha superato i 2,5 miliardi di dollari di ricavi su base annua in circa un anno. Chi sceglie tra i due sistemi non sceglie il modello più bravo in assoluto, sceglie il profilo di capacità e costo e sicurezza più adatto al proprio compito.
Manus, Meta e l’agente che vive su un’isola
C’è un terzo protagonista che serve da contrappunto, perché mostra il rischio del modello opposto a quello di OpenAI. Manus) è l’agente generale sviluppato da Butterfly Effect, la società nata in Cina e trasferita a Singapore, lanciato pubblicamente il 6 marzo 2025. La sua idea è radicale e affascinante: dai all’agente un computer virtuale intero, con browser, terminale e file system, e lascialo completare compiti a molti passi in autonomia. Non un assistente che risponde e aspetta, ma un agente a cui affidi «ricerca i primi dieci CRM per startup, confronta prezzi e funzioni e costruiscimi un foglio Excel», e che apre schede, estrae dati, esegue codice e ti consegna il file con un intervento minimo.
Manus è impressionante in quello per cui è nato, la ricerca autonoma sul web aperto, e ha spostato la conversazione dell’intero settore dall’assistente che risponde all’agente che agisce, guadagnandosi l’etichetta di agente generale, un GAIA. Ma la sua storia è anche una lezione sulla fragilità dell’agente che vive da solo, staccato da una piattaforma. Meta lo aveva acquisito a fine 2025 per una cifra intorno ai due miliardi di dollari, e il 27 aprile 2026 la Cina ha bloccato l’operazione per motivi di sicurezza nazionale, imponendo alle parti di sciogliere la transazione. A giugno Meta ha completato una separazione operativa, tagliando la condivisione dei dati, mentre Manus ha continuato a operare come prodotto in abbonamento a sé stante da Singapore. Per chiunque valuti Manus in azienda, la proprietà e la direzione di lungo periodo restano incerte, e questo è un problema concreto, non teorico.
C’è un secondo nodo, più tecnico, che riguarda ogni agente autonomo e che Manus rende evidente. L’agente non chiama solo API pubbliche, opera dentro le tue sessioni autenticate, usando i tuoi login per agire su piattaforme che normalmente bloccherebbero un’automazione esterna. È esattamente ciò che lo rende potente, ed esattamente ciò che lo rende un problema di sicurezza: quando un agente autonomo agisce dentro la sessione autenticata di un utente, i tuoi sistemi non sanno più rispondere con pulizia alla domanda su chi ha fatto cosa. Il problema smette di essere l’intelligenza dell’AI e diventa l’identità: fare in modo che quando un agente agisce, tu sappia ancora chi ha agito e che potesse fare solo ciò che gli avevi permesso.
Qui il contrasto con OpenAI diventa strategico. Un agente standalone come Manus è, per usare un’immagine che circola tra gli addetti ai lavori, un’isola digitale senza uscita: potente, ma isolato, senza il tessuto di governance, identità e distribuzione che serve a un’azienda. ChatGPT Work fa la scommessa opposta, l’agente incastonato dentro una piattaforma con login e controlli, audit e connettori. La reliability, cioè l’affidabilità sui compiti a molti passi, resta il muro contro cui sbattono tutti gli agenti autonomi, Manus compreso, e nessuno l’ha ancora abbattuto. Ma la battaglia enterprise, prima ancora che sull’affidabilità, si vince sulla distribuzione e sul controllo, e lì un agente che vive dentro l’assistente più usato del mondo parte con un vantaggio che un’isola non può colmare.
Copilot, Gemini Enterprise, Agentforce: dove ognuno pianta le radici
ChatGPT Work non entra in un campo vuoto, entra in una guerra già in corso, e il 2026 è l’anno in cui questa guerra è diventata frontale. Il 22 aprile, nel giro di poche ore, OpenAI aveva annunciato i Workspace Agents, Google aveva svelato la Gemini Enterprise Agent Platform e Salesforce aveva esteso la partnership con Google Cloud per collegare Agentforce a Gemini. Tre giganti, lo stesso giorno, lo stesso obiettivo: trasformare gli agenti autonomi da demo tecnologica a strumento condiviso dentro i team reali. Work è il passo successivo di OpenAI in quella corsa.
Ogni concorrente pianta le radici dove ha già i dati, e questo è il punto che un CIO deve tenere fermo. Microsoft ancora i suoi agenti a Microsoft Graph, cioè a Teams, Outlook, SharePoint e OneDrive, e li distribuisce con Copilot Studio e il control plane Agent 365: 160.000 organizzazioni hanno costruito oltre 400.000 agenti personalizzati nei primi 90 giorni, e il prezzo entra in bundle con Microsoft 365 Copilot a 30 dollari per utente al mese. Google ancora Gemini Enterprise al proprio cloud e a BigQuery, con Agent Studio per costruire, un runtime per scalare, uno strato di identità e gateway per governare, e un modello di prezzo legato al completamento del compito.
Salesforce ancora Agentforce ai dati del CRM e a Data Cloud, con l’Atlas Reasoning Engine che pianifica e agisce, un prezzo intorno ai due dollari a conversazione e il control plane Agent Fabric: quasi 800 milioni di dollari di ricavi annui e decine di migliaia di contratti chiusi. Amazon, con Bedrock AgentCore, offre la via del portami-il-tuo-framework, un runtime serverless che accetta qualsiasi modello e protocollo dentro l’isolamento di AWS. Ognuno vende l’agente che gira meglio sui dati che l’azienda già gli ha affidato.
C’è un dettaglio che complica il quadro e che vale più di molti proclami: GPT-5.6 è diventato il modello preferito dentro Microsoft 365 Copilot, in Word, Excel, PowerPoint, Chat e Cowork. Vuol dire che OpenAI compete con Microsoft sul prodotto agentico e allo stesso tempo alimenta il prodotto agentico di Microsoft con il proprio modello. È la stessa ambiguità che attraversa tutto il settore, dove lo stesso attore è ingrediente e rivale a seconda del livello dello stack.
E c’è una nota di realismo che smorza l’entusiasmo dei comunicati: gli analisti parlano apertamente di agent washing, di chatbot e automazioni lineari ribattezzate agenti, e ricordano che la maggior parte delle imprese resta bloccata nel pilota, con una quota ancora piccola di agenti davvero in produzione. Gartner stima che entro il 2028 un terzo del software enterprise includerà AI agentica, partendo da meno dell’1% del 2024, e la distanza tra la promessa e la produzione è il vero terreno di gioco.
La conseguenza pratica, per chi decide, la conoscono già le grandi imprese che stanno facendo i conti sul serio. Nessuna di queste piattaforme vince ovunque, e la maggior parte delle organizzazioni Fortune 500 finisce per farne girare più di una sotto un unico strato di governance: Copilot per la produttività Microsoft, Agentforce per i flussi customer-facing ancorati al CRM, un terzo specialista dove serve. Nel 2026 vince il control plane, lo strato che tiene insieme flotte di agenti diversi con identità per agente, allowlist dei server di strumenti e un kill-switch, più della singola piattaforma unica.
E qui ChatGPT Work ha il vantaggio della superficie più diffusa e lo svantaggio del giardino più chiuso: parla solo modelli OpenAI, mentre piattaforme neutrali come Dust o Glean lasciano scegliere il modello per ciascun agente, e disabilita per default le azioni di scrittura verso le app connesse, richiedendo l’abilitazione dell’amministratore prima che i flussi autonomi diventino operativi.
L’interoperabilità come nuovo campo di battaglia: MCP e connettori
Sotto la superficie dei prodotti si combatte una guerra meno visibile e forse più decisiva, quella degli standard con cui gli agenti parlano agli strumenti. Il protocollo che sta emergendo si chiama MCP, il Model Context Protocol, nato in casa Anthropic come standard aperto per collegare i modelli a dati e strumenti, e adottato ormai ben oltre chi l’ha inventato. Salesforce, per dire, ha portato il supporto a MCP dentro Agentforce e lo tratta come pattern di integrazione predefinito, con un gateway di fiducia che collega gli agenti agli strumenti di terze parti, un allowlist che lascia agli amministratori decidere quali server siano raggiungibili e protezioni contro gli attacchi di avvelenamento degli strumenti. Quando un CRM e un modello di frontiera convergono sullo stesso protocollo, quel protocollo diventa infrastruttura.
OpenAI, con i plugin e la Plugin Directory, gioca la stessa partita con un vocabolario proprietario. La chiocciola che richiama un’app in un prompt è la faccia utente di un meccanismo che, sotto, deve pur sempre parlare con Slack, con il CRM, con il data warehouse. La differenza rispetto all’approccio aperto sta nel grado di apertura: ChatGPT Work parla solo modelli OpenAI, mentre lo standard MCP è pensato per lasciare che qualsiasi agente parli con qualsiasi strumento. È la vecchia tensione tra il giardino recintato e la piazza pubblica, riproposta al livello degli agenti.
C’è un secondo standard che si affaccia, ed è quello con cui gli agenti dovrebbero parlare tra loro, non solo con gli strumenti. Le piattaforme cloud sperimentano API di comunicazione agente-ad-agente, con l’idea che un domani l’agente di vendita di un’azienda dialoghi con l’agente di acquisto di un’altra senza passare da un umano. Se quella visione si realizza, il valore si sposta di nuovo, dal singolo agente alla rete di agenti che si parlano, e chi controlla il protocollo di quella conversazione controlla molto. È un futuro ancora acerbo, ma è la ragione per cui la scelta di OpenAI di restare chiusa sui propri modelli va soppesata da chi non vuole ritrovarsi legato a un solo fornitore quando la rete degli agenti diventerà il vero terreno.
Per un’azienda, la lezione operativa è concreta. Il livello dei connettori è dove si annidano insieme il valore e il rischio: il valore, perché è lì che l’agente tocca i dati veri e diventa utile; il rischio, perché è lì che un contenuto malevolo può avvelenare uno strumento e dirottare l’agente. Chi valuta una piattaforma dovrebbe guardare quanti connettori offre e insieme con quale gateway li protegge, quale allowlist mette in mano agli amministratori e quanto è disposta a parlare standard aperti invece del solo dialetto di casa. La domanda giusta da fare a un fornitore, oggi, riguarda MCP prima ancora del benchmark del modello.
Il conto non è più a postazione: spesa variabile e il nodo dell’AI Act
Qui arriviamo alla parte che i decisori aziendali dovrebbero leggere due volte, perché cambia il modello di costo prima ancora del modello di lavoro. ChatGPT Work è pensato per compiti più lunghi e complessi di una normale richiesta in chat, e per questo il consumo funziona in modo diverso: varia con la quantità di lavoro richiesto, e i compiti più complessi consumano più quota del piano, seguendo la stessa struttura di utilizzo di Codex. Detto senza eufemismi: il conto smette di essere a postazione e diventa a consumo. Si budgetizza come un carico di lavoro su API, non come una licenza. Un agente che lavora per ore su un progetto complesso brucia risorse in modo poco prevedibile, e un’organizzazione che distribuisce Work su centinaia di persone deve imparare a stimare una spesa variabile che prima non esisteva.
OpenAI lo sa, e ha messo dei freni. Gli amministratori Enterprise ed Edu possono impostare controlli di spesa nella console: default a livello di spazio di lavoro, limiti di gruppo, override individuali per chi ha bisogno di più capacità, revisione delle richieste di crediti aggiuntivi con la motivazione del progetto allegata. È un modello che assomiglia più alla gestione di un budget cloud che a quella di una suite di software, e chi governa l’IT dovrà attrezzarsi di conseguenza, con logiche di FinOps prima ancora che di change management. Il confronto con i concorrenti aiuta a inquadrare la spesa: Agentforce fattura intorno ai due dollari a conversazione o a crediti flessibili, Copilot a pacchetti di messaggi, Gemini Enterprise al completamento del compito. Nessuno di questi modelli è a costo fisso, e tutti spostano il rischio economico sull’intensità d’uso.
Il nodo della sicurezza
Sulla sicurezza, l’impianto poggia sulle fondamenta di ChatGPT Enterprise. Gli amministratori gestiscono in modo centralizzato chi ha accesso, quale contesto aziendale l’agente può usare, quali strumenti può collegare e quali azioni può compiere. La Compliance API dà visibilità sulle conversazioni e sulle azioni di Work su scala, per l’oversight aziendale e per gli obblighi normativi. E c’è un livello nuovo che merita attenzione, l’Auto-review: i modelli più avanzati rivedono le azioni importanti che coinvolgono strumenti connessi e API prima che accadano, per prevenire la condivisione non autorizzata di informazioni sensibili.
È la risposta di OpenAI al rischio più temuto degli agenti, la prompt injection, l’attacco in cui un contenuto malevolo nascosto in una email o in una pagina web dirotta l’agente e gli fa compiere azioni non volute. Nelle stesse settimane OpenAI ha reso disponibile a tutti la Lockdown Mode, un’impostazione opzionale che limita l’accesso al web e ai servizi esterni per ridurre proprio il rischio di esfiltrazione da prompt injection.
Sul fronte del modello, GPT-5.6 arriva con le salvaguardie più robuste mai messe in campo da OpenAI, calibrate sulle capacità e alimentate da più calcolo che mai. L’azienda dichiara circa 700mila ore di GPU di red teaming automatizzato prima del rilascio, e un sistema a più strati che affianca alle protezioni addestrate nel modello un monitor di ragionamento che rivede la conversazione per capire se c’è potenziale di danno.
Sul versante cyber, i controlli di Sol bloccano circa dieci volte più attività potenzialmente dannosa rispetto ai modelli precedenti, con una modalità Trusted Access che riserva le capacità difensive più sensibili agli utenti verificati, e con l’obbligo, per chi vuole restare sui modelli più capaci in ambito cyber, di attivare una sicurezza dell’account avanzata con passkey hardware. OpenAI precisa che i modelli, pur più capaci in biologia e cybersecurity, non superano la soglia critica in nessuno dei due domini.
Resta il nodo che nessun fornitore può sciogliere da solo, ed è quello regolatorio. GPT-5.6 è arrivato con un rollout scaglionato dopo una richiesta dell’amministrazione statunitense, in un contesto di crescente scrutinio governativo sulle capacità avanzate dei modelli in cybersecurity e biologia, e OpenAI ha pubblicato un quadro di sicurezza nazionale insieme ai modelli. Per un’azienda europea in un settore regolato, la domanda non riguarda solo quanto è bravo l’agente, riguarda come si colloca rispetto agli obblighi dell’AI Act sui sistemi ad alto rischio, all’identità degli agenti, alla tracciabilità di chi ha fatto cosa. Chi distribuisce un agente autonomo che scrive nei sistemi aziendali si assume una responsabilità che va governata con identità distinte per gli agenti, controlli di minimo privilegio e un kill-switch a livello di control plane, non con un atto di fiducia.
Chi controlla la superficie detta il ritmo del lavoro
Torniamo alla mascotte, perché il cerchio si chiude lì. Quel gufo che sbatte le ali quando il lavoro è finito è il segno di un’epoca in cui l’agente lavora da solo per ore, e noi dobbiamo solo restare consapevoli che sta lavorando. È un’immagine tenera di un cambiamento tutt’altro che tenero: la superficie su cui il lavoro accade si sta consolidando dentro un unico ambiente, e chi controlla quella superficie detta il ritmo a tutti gli altri, ai fornitori di strumenti verticali, ai reparti IT che devono governare la spesa, ai professionisti che affidano la propria voce a un modello.
Per le aziende italiane che stanno decidendo come muoversi, la lettura utile è duplice, e va tenuta insieme senza sconti. Da un lato, ChatGPT Work e i suoi concorrenti rendono finalmente concreta la promessa dell’agente che consegna lavoro finito, e chi saprà scegliere un flusso che conosce bene, misurare il risultato contro le ore attuali e distribuirlo con controlli seri otterrà un vantaggio reale, misurabile in ore liberate e in cicli di analisi accorciati da settimane a ore.
Dall’altro, la centralizzazione ha un costo che non compare nel listino: dipendenza da un solo fornitore, spesa variabile difficile da prevedere, un punto unico di fallimento e di lock-in, la propria voce e i propri processi consegnati a una piattaforma che diventa sempre più costosa da lasciare. Le due cose sono vere insieme, e chi le tiene separate per comodità si racconta metà della storia.
La strada praticabile, per chi non vuole né rincorrere l’hype né restare fermo, passa da tre scelte concrete che conviene fare prima di firmare. Scegliere un solo processo che si conosce a fondo e portarlo in pilota con approvazioni e misurazione, invece di spargere gli agenti su dieci flussi senza validarne uno. Mettere in conto, accanto ai benefici, il costo variabile e il lock-in, dandogli lo stesso peso nel foglio di calcolo. Pretendere fin dall’inizio un control plane con identità per agente, audit e kill-switch, perché la parte difficile arriva dopo, quando l’agente va fermato e bisogna sapere con esattezza cosa ha fatto.
Nei prossimi mesi vale la pena tenere d’occhio alcuni segnali più affidabili di qualsiasi comunicato. L’affidabilità misurata sui compiti lunghi dirà chi ha fatto progressi veri, perché è lì che gli agenti ancora inciampano. L’adozione di MCP e degli standard aperti farà da termometro a quanto il mercato accetterà i giardini recintati. La guerra dei prezzi, con Luna a un dollaro per milione di token in ingresso, segnala dove sta andando il costo dell’intelligenza. E la comparsa dei primi flussi agente-ad-agente in produzione sarà il momento in cui la rete degli agenti smetterà di essere una slide e comincerà a muovere lavoro vero.
Sul piano regolatorio europeo, la prudenza non è un vezzo formale. L’AI Act classifica come ad alto rischio interi ambiti in cui un agente che scrive nei sistemi aziendali può facilmente finire, dalla selezione del personale alla valutazione del credito, e impone obblighi di trasparenza, sorveglianza umana e tracciabilità che un agente autonomo rende più difficili da soddisfare.
La Compliance API e i log delle azioni sono un pezzo della risposta, ma restano strumenti in mano a chi li configura bene. Un’azienda che distribuisce Work in un processo regolato dovrebbe trattare l’agente come un fornitore terzo a cui delega decisioni, con la stessa due diligence, gli stessi contratti e la stessa catena di responsabilità che pretenderebbe da un consulente in carne e ossa.
La partita, insomma, non si gioca più sul modello, che tra Sol, Fable, Gemini e gli altri si assomiglia sempre di più su gran parte dei compiti. Si gioca sulla superficie, sul contesto connesso, sulla governance e sul conto a fine mese. OpenAI ha scelto la centralizzazione totale, Anthropic la componibilità local-first, Microsoft e Google e Salesforce l’ancoraggio ai dati che già possiedono, Manus l’autonomia isolata che oggi paga il prezzo dell’isolamento. Sono scommesse diverse sullo stesso futuro, e nessuna è ancora vinta. Quello che è finito, senza dubbio, è il tempo di ChatGPT come casella di testo. Resta da capire chi possiederà il tavolo di lavoro su cui tutti adesso vogliono farci lavorare, e se saremo noi a sceglierlo con gli occhi aperti o l’inerzia a sceglierlo per noi.
Partecipa alla community