THE SHIFT TO AGENTIC AI: EVIDENCE
La narrazione che circonda l’adozione degli agenti all’interno di OpenAI si sta spostando rapidamente da esperimento ingegneristico a dichiarazione di indipendenza organizzativa. Le informazioni circolate su un presunto documento interno e su una survey tra dipendenti, secondo cui strumenti come Codex arriverebbero a gestire la quasi totalità della produzione di codice e una parte crescente delle attività trasversali, dal legale alle risorse umane, descrivono un ambiente in cui l’interazione umana con il sistema non sarebbe più dialogica ma delegativa. Il dato simbolico del 99,8% non va letto come misura ingegneristica rigorosa, quanto come indicatore culturale, una soglia psicologica che racconta la trasformazione del lavoro più che la sua effettiva automazione.
In un’azienda che produce e commercializza modelli di intelligenza artificiale, la metrica interna assume inevitabilmente una doppia natura, strumento operativo e al tempo stesso dispositivo narrativo. OpenAI misura se stessa mentre vende il proprio futuro industriale, e questo cortocircuito rende ogni numero simultaneamente vero e strategico. La riduzione delle interazioni umane dirette con l’AI, se confermata nei termini descritti, non indica necessariamente una perdita di controllo, ma piuttosto una migrazione verso un modello in cui il controllo si esprime attraverso specifiche, vincoli e orchestrazione di agenti. Il lavoro umano non scompare, si sposta a monte, nella definizione del problema, lasciando all’agente la fase esecutiva.
Il punto più interessante non è la percentuale in sé, ma il cambio di struttura cognitiva che essa implica. Quando un’organizzazione passa dal chiedere risposte al delegare interi progetti, si modifica la natura stessa del ciclo produttivo. L’ingegnere non interroga più il sistema, lo configura. Il legale non consulta più il modello, lo instrada. Le risorse umane non utilizzano più strumenti di supporto, ma sistemi che filtrano, sintetizzano e in alcuni casi anticipano decisioni. In questo scenario, la distinzione tra assistente e agente diventa meno semantica e più economica, perché determina dove si concentra il valore e dove si scarica il rischio.
La retorica del “99,8% automatizzato” rischia tuttavia di nascondere una dinamica più complessa, tipica delle organizzazioni altamente AI-native. L’automazione totale è spesso un’illusione di superficie, mentre sotto il cofano si accumula una densità crescente di supervisione, validazione e correzione. Più il sistema appare autonomo, più aumenta la necessità di definire guardrail, metriche di qualità e meccanismi di rollback. In altre parole, l’autonomia degli agenti non elimina il lavoro umano, lo rende meno visibile e più strutturale, spostandolo dalla produzione al controllo.
L’aspetto paradossale, dal punto di vista economico, è che una maggiore efficienza apparente può coesistere con una maggiore complessità organizzativa. Le aziende che integrano agenti su larga scala tendono a ridurre il numero di interazioni dirette ma aumentano la quantità di infrastruttura decisionale necessaria per governare i sistemi. Il risultato è una forma di industrializzazione del pensiero, dove il codice non è più solo output ma anche governance, e dove ogni delega richiede una contro-delega implicita in forma di supervisione algoritmica.
Le dichiarazioni secondo cui alcuni utenti interni arriverebbero a “lavorare 60 ore al giorno con agenti in parallelo” vanno lette con cautela, non tanto per la loro plausibilità tecnica quanto per il significato che veicolano. L’idea di un lavoro moltiplicato artificialmente da sistemi paralleli introduce una nuova metrica di produttività, non più basata sul tempo umano ma sulla capacità di orchestrare flussi simultanei di esecuzione. È una trasformazione che ricorda più la finanza quantitativa che l’ingegneria tradizionale, dove il valore non deriva dall’azione singola ma dalla gestione del portafoglio di azioni automatiche.
Il rischio strutturale, raramente esplicitato nelle narrazioni corporate, è che la crescente delega agli agenti produca un effetto di distanza cognitiva tra decisore e risultato. Quando il sistema funziona, questa distanza è invisibile e quindi efficiente. Quando fallisce, diventa opaca e costosa da ricostruire. È il classico trade off delle architetture complesse, amplificato dal fatto che qui l’oggetto non è una macchina deterministica ma un sistema probabilistico che simula competenza.
In questo contesto, la stessa idea di “uso dell’AI” perde definizione. Non si tratta più di utilizzare uno strumento, ma di abitare un ambiente operativo in cui lo strumento è parte del processo decisionale. La differenza tra utente e sistema si assottiglia fino a diventare una questione di livello di astrazione, non di funzione. È qui che le aziende come OpenAI stanno sperimentando il loro vero prodotto, non i modelli, ma la riscrittura della catena del lavoro intellettuale.
Il punto critico non è se il 99,8% sia accurato o simbolico, ma cosa accade quando una metrica interna diventa una verità esterna percepita. Il mercato tende a leggere queste cifre come traiettorie inevitabili, mentre nella realtà descrivono stati temporanei di ottimizzazione interna. L’AI come infrastruttura produttiva non è ancora un sistema stabile, ma un esperimento continuo di redistribuzione del lavoro cognitivo, in cui ogni percentuale è anche una dichiarazione politica su chi controlla cosa.
Alla fine, il dato più significativo non è quanto lavoro venga svolto dagli agenti, ma quanto rapidamente le organizzazioni stanno accettando l’idea che il lavoro stesso possa essere ridefinito come orchestrazione di sistemi autonomi. In questa transizione, la vera discontinuità non è tecnologica, ma gestionale, e forse anche culturale, perché implica una forma nuova di responsabilità distribuita che non ha ancora una grammatica stabile.