Codex-powered agents for teams.

gli agenti entrano in azienda: openai riscrive il lavoro prima che il lavoro capisca cosa sta succedendo

La storia recente dell’intelligenza artificiale è una sequenza di promesse mantenute a metà e di aspettative sistematicamente sovrastimate; poi, ogni tanto, arriva una mossa che non fa rumore quanto dovrebbe, ma cambia davvero la traiettoria. Il lancio dei workspace agents da parte di OpenAI rientra precisamente in questa categoria. Non è una demo spettacolare, non è una nuova versione di un modello con benchmark gonfiati, non è un’altra dichiarazione messianica sulla “AGI imminente”. È qualcosa di più pericoloso e, quindi, più interessante: un’infrastruttura.

Il passaggio da chatbot a sistema operativo del lavoro è sempre stato implicito. Ora è esplicito. Gli agenti persistenti, alimentati da Codex, non si limitano più a rispondere. Agiscono. Persistono. Ricordano. Coordinano. E soprattutto lavorano quando l’umano non c’è. Questa è la vera discontinuità: non l’intelligenza, ma la continuità operativa. Silicon Valley ha venduto per anni l’automazione come efficienza incrementale. Qui si intravede invece una sostituzione silenziosa di interi segmenti di lavoro cognitivo ripetitivo, con una grazia quasi burocratica.

La differenza tra un GPT personalizzato e un workspace agent è la stessa che passa tra un assistente brillante e un middle manager instancabile. Il primo suggerisce. Il secondo esegue, coordina, e soprattutto prende iniziativa entro confini definiti. In un’organizzazione complessa, questa distinzione vale miliardi. Il vero collo di bottiglia non è mai stata la produzione di contenuti o codice; è sempre stata la gestione del flusso: approvazioni, handoff, contesto condiviso, follow-up. Esattamente il terreno dove gli esseri umani eccellono… fino a quando non si stancano.

Gli agenti di workspace promettono di abitare quel territorio. Si collegano a strumenti esterni, leggono contesti distribuiti, orchestrano attività multi-step, e lo fanno senza bisogno di essere continuamente riattivati da prompt umani. È un modello operativo asincrono, che ricorda più un sistema ERP che una chat evoluta. In altre parole, l’interfaccia conversazionale era solo il cavallo di Troia. Dentro c’era già l’idea di automazione organizzativa.

Il tempismo non è casuale. Il mercato dell’agentic AI è entrato in una fase che potremmo definire “post-hype finanziato”. Google, Microsoft e Amazon stanno riversando capitali in sistemi autonomi con una velocità che ricorda la corsa al cloud dei primi anni 2010. La differenza è che allora si trattava di infrastruttura computazionale. Oggi si tratta di infrastruttura decisionale. Un cambio di categoria, non di scala.

Chi osserva questo scenario con occhio cinico noterà una costante: ogni generazione tecnologica promette di liberare tempo umano e finisce per ridefinire cosa significa essere produttivi. Gli spreadsheet non hanno ridotto il lavoro finanziario, lo hanno reso più complesso. Le email non hanno semplificato la comunicazione, l’hanno resa incessante. Gli agenti AI non elimineranno il lavoro; lo sposteranno verso il controllo, la supervisione e, inevitabilmente, la responsabilità legale.

Ed è qui che la narrativa si incrina leggermente. Perché se un agente può “lavorare mentre dormi”, qualcuno deve rispondere di ciò che fa mentre dormi. La questione non è tecnica, è giuridica. Chi è responsabile di una decisione presa da un sistema che ha seguito correttamente le istruzioni ma ha interpretato male il contesto? La risposta, al momento, è brutalmente semplice: l’azienda. E questo rende improvvisamente meno glamour la promessa di automazione totale.

OpenAI, con una certa prudenza istituzionale, ha già inserito meccanismi di controllo: limitazioni sugli accessi, approvazioni umane per azioni sensibili, monitoraggio contro prompt injection. È un segnale chiaro che la sicurezza non è un accessorio ma un prerequisito commerciale. Il problema è che le superfici di attacco aumentano esponenzialmente quando un sistema non si limita a rispondere, ma interagisce attivamente con altri sistemi. Un agente che può leggere email, scrivere codice e interagire con API è, per definizione, un vettore di rischio.

La storia recente della cybersecurity insegna che ogni nuova astrazione crea nuove vulnerabilità. Gli agenti non faranno eccezione. Anzi, la loro capacità di operare su più livelli li rende particolarmente esposti a manipolazioni sottili, come le prompt injection contestuali o i data poisoning attivi. Il paradosso è che più il sistema diventa utile, più diventa attaccabile.

Sul piano economico, il modello di pricing annunciato, inizialmente gratuito e poi basato su crediti, è un classico esempio di strategia di penetrazione. Prima si crea dipendenza operativa, poi si monetizza. Non è una critica, è una prassi consolidata. Il cloud ha seguito lo stesso schema. La vera domanda è quale sarà il costo reale per unità di lavoro automatizzato. Se il prezzo per task sarà inferiore al costo umano equivalente, l’adozione sarà inevitabile. Se sarà superiore, resterà confinato a casi d’uso ad alto valore.

L’aspetto più interessante, tuttavia, non è il pricing ma la standardizzazione implicita dei processi. Quando un’organizzazione codifica un workflow in un agente, sta facendo qualcosa di più che automatizzare: sta cristallizzando il proprio modo di lavorare. Questo ha due effetti opposti. Da un lato aumenta l’efficienza e la replicabilità. Dall’altro riduce la flessibilità e l’adattamento informale che spesso rappresentano il vero vantaggio competitivo.

Una citazione attribuita a Peter Drucker, spesso abusata ma ancora pertinente, recita: “Non c’è nulla di così inutile come fare in modo efficiente qualcosa che non dovrebbe essere fatto affatto”. Gli agenti rischiano di rendere questa trappola ancora più sofisticata. Automatizzare un processo inefficiente non lo migliora; lo rende solo più veloce nel produrre risultati mediocri.

Il fatto che questi agenti possano essere condivisi all’interno di un’organizzazione introduce un’altra dinamica interessante: la nascita di un “patrimonio cognitivo aziendale” codificato. Non più solo documenti e procedure, ma sistemi attivi che incarnano il know-how operativo. È un passo verso quella che potremmo definire una memoria aziendale eseguibile. E come ogni asset, sarà oggetto di governance, sicurezza e, inevitabilmente, conflitti interni.

Si intravede anche un cambiamento culturale più sottile. La figura del knowledge worker, già sotto pressione da anni, viene ulteriormente ridefinita. Non è più colui che produce output, ma colui che progetta, supervisiona e corregge sistemi che producono output. Una trasformazione che richiede competenze diverse e, soprattutto, una diversa percezione del valore. Scrivere un report diventa meno importante che progettare l’agente che lo scrive.

Non tutti reagiranno bene a questa transizione. La retorica dell’AI come “copilota” rassicurante lascia spazio a una realtà più ambigua, dove il copilota può prendere il controllo in assenza del pilota. La differenza tra assistenza e autonomia non è semantica; è organizzativa. E spesso emerge troppo tardi.

Nel frattempo, la competizione tra big tech continua a intensificarsi, con una velocità che ricorda più una corsa agli armamenti che un’evoluzione tecnologica lineare. Ogni player cerca di costruire un ecosistema chiuso dove gli agenti possano operare in modo nativo, creando lock-in non solo a livello di dati ma di processi. Una volta che un’azienda ha codificato i propri workflow in un sistema, migrare diventa estremamente costoso.

La storia suggerisce che le piattaforme vincono quando diventano inevitabili. Gli agenti potrebbero essere il tassello mancante per rendere inevitabile l’adozione di un ecosistema AI specifico. Non perché sia il migliore in senso assoluto, ma perché è il più integrato nella quotidianità operativa.

In questo scenario, la distinzione tra software e lavoro umano inizia a sfumare in modo inquietante. Non perché le macchine diventino “umane”, ma perché il lavoro umano diventa sempre più simile a un insieme di task orchestrabili. È una riduzione che funziona bene per l’automazione, ma meno per la comprensione della complessità reale.

Una frase che circola spesso nei boardroom tecnologici recita: “Automate what you can, optimize what you must, and rethink everything else”. Gli agenti di workspace rendono finalmente praticabile la prima parte. La seconda e la terza restano, come sempre, il vero lavoro. E ironicamente, sono le più difficili da delegare.

Il rischio più grande non è che gli agenti non funzionino. È che funzionino abbastanza bene da essere adottati su larga scala senza una reale comprensione delle implicazioni. La storia della tecnologia è piena di esempi di innovazioni implementate più velocemente di quanto siano state comprese. Questa potrebbe essere una delle più eleganti.

Alla fine, la domanda non è se gli agenti diventeranno parte integrante del lavoro. Lo diventeranno. La domanda è chi controllerà i processi che questi agenti eseguono e come verranno gestite le inevitabili derive. In un mondo dove il lavoro continua anche quando nessuno sta lavorando, la governance diventa il vero campo di battaglia.

E come spesso accade, la tecnologia non risolve il problema. Lo rende semplicemente più efficiente.

ANNUNCIO: https://openai.com/index/introducing-workspace-agents-in-chatgpt