Il mondo del lavoro sempre più ampio di ChatGPT rivela una gamma più vasta di attività

Il 26 ottobre OpenAI ha pubblicato dati relativi a 165 attività lavorative in quasi 100 Paesi, offrendo ai ricercatori una visione più dettagliata dell'uso consumer di ChatGPT. Il mondo del lavoro sempre più ampio di ChatGPT descrive una gamma crescente di richieste. La tensione centrale riguarda ciò che queste richieste rivelano sul cambiamento economico, soprattutto perché usare uno strumento e migliorare il lavoro sono risultati diversi.

Per i datori di lavoro, la pubblicazione solleva una domanda pratica: in quali ambiti i dipendenti trovano utile l'IA? Per i ricercatori, offre un modo per collegare l'attività conversazionale a categorie professionali consolidate. Nessuno dei due gruppi dovrebbe considerare il cambiamento nel mix di attività come una misura diretta della produttività, della sostituzione dei lavoratori o dell'adozione aziendale.

La ricerca di Anthropic su Claude offre un confronto utile, perché monitora anch'essa la diffusione dell'uso dell'IA tra le attività. Insieme, questi sforzi rendono l'IA sul posto di lavoro più osservabile. Aumentano però anche la pressione su fornitori e acquirenti affinché distinguano tra prove di sperimentazione e prove di valore duraturo.

Che cosa misura realmente il mondo del lavoro sempre più ampio di ChatGPT

Secondo la pubblicazione sulle attività lavorative di OpenAI, la serie trimestrale copre dal primo trimestre del 2025 al terzo trimestre del 2026. Nei 74 Paesi osservati per l'intero periodo, le dieci attività principali rappresentavano in media il 51,1% dei messaggi di lavoro classificati, in calo rispetto al 56,0%.

Si tratta di una diminuzione di 4,9 punti percentuali. Il dato riguarda la composizione dei messaggi di lavoro, non la quantità di lavoro completata.

Una composizione in evoluzione è importante perché una storia di adozione può apparire diversa al di sotto dei totali riportati nei titoli. Uno strumento può attirare più utilizzo continuando a servire scopi familiari. In alternativa, il suo pubblico esistente potrebbe iniziare a sottoporgli una varietà più ampia di problemi. Si tratta di forme diverse di espansione.

La pubblicazione crea l'opportunità di indagare questa distinzione. I ricercatori possono esaminare se i modelli di attività si muovano insieme nei vari luoghi o si sviluppino in modo diverso. La domanda utile diventa quale lavoro entri nella conversazione, anziché se un Paese appaia semplicemente entusiasta dell'IA.

Il collegamento professionale avviene tramite le Intermediate Work Activities, categorie che raggruppano attività correlate tra diversi lavori. OpenAI ricava queste categorie da O*NET, un quadro informativo sulle professioni. Il suo modello di contenuto professionale separa le attività lavorative dai titoli professionali, dai requisiti dei lavoratori e dalle condizioni di lavoro.

Questa distinzione modifica l'unità di analisi. Preparare una spiegazione, valutare informazioni e organizzare materiale possono comparire in professioni diverse. Limitarsi ai titoli professionali oscurerebbe queste attività condivise.

Si consideri un dipendente ipotetico che prepara una presentazione. L'incarico potrebbe prevedere l'interpretazione del feedback dei clienti, la verifica delle ipotesi finanziarie e la stesura di testo esplicativo. Un'etichetta professionale descrive il dipendente in termini generali. Le categorie di attività descrivono parti dell'incarico.

Questa visione più dettagliata offre ai ricercatori un punto di partenza migliore per studiare dove l'assistenza entri in un flusso di lavoro. Lascia tuttavia fuori dall'inquadratura il processo circostante. Qualcuno deve decidere se la presentazione risponda alla domanda aziendale e se le prove a suo sostegno siano solide.

La stessa cautela vale per i confronti nel tempo. Una quota in calo per un'attività principale non dimostra che le persone la svolgano meno spesso. Altre attività potrebbero semplicemente crescere più rapidamente.

Per questa ragione, il mondo del lavoro sempre più ampio di ChatGPT dovrebbe essere letto come una mappa dell'attenzione in cambiamento all'interno della piattaforma osservata. Il suo valore sta nell'orientare domande migliori verso attività specifiche. Trasformare questa mappa in una spiegazione dei risultati economici richiede ulteriori prove.

I datori di lavoro affrontano un problema di misurazione che va oltre l'adozione

La pressione immediata ricade sui datori di lavoro, che devono collegare l'interesse dei dipendenti a risultati aziendali affidabili. Una gamma più ampia di richieste estende il territorio che devono valutare.

Un'organizzazione può approvare uno strumento di IA senza capire dove sia di aiuto. I dipendenti potrebbero usarlo per esplorare un argomento poco familiare, migliorare una bozza o affrontare un problema analitico. Ogni attività crea una relazione diversa tra assistenza, verifica e responsabilità.

La questione manageriale va quindi oltre l'accesso. Una bozza completata ha scarso valore operativo se le sue affermazioni richiedono ampie correzioni. Una risposta che aiuta un dipendente a comprendere un problema può creare valore anche quando nessun testo generato raggiunge il risultato finale.

Queste possibilità suggeriscono misure diverse. Il tempo di completamento conta per gli incarichi ripetitivi. L'accuratezza conta quando gli errori hanno conseguenze. L'apprendimento conta quando i dipendenti devono svolgere autonomamente lavori simili in seguito.

Un'unica dashboard di adozione non può risolvere tutte queste domande. Contare gli account attivi stabilisce la partecipazione. Contare i messaggi stabilisce l'interazione. Nessuno dei due elementi dimostra automaticamente che l'organizzazione abbia gestito meglio un incarico.

La ricerca indipendente illustra l'importanza di osservare direttamente i risultati. Erik Brynjolfsson, Danielle Li e Lindsey Raymond hanno studiato un assistente conversazionale usato dagli operatori dell'assistenza clienti. Il loro studio sulla produttività sul posto di lavoro ha misurato i problemi risolti all'ora e ha rilevato benefici diversi a seconda dei livelli di esperienza dei lavoratori.

La rilevanza in questo caso riguarda il disegno della ricerca. L'assistenza clienti offriva un contesto definito, un intervento specifico e un risultato operativo osservabile. Ciò supporta un tipo di inferenza diverso rispetto alla distribuzione delle richieste su una piattaforma.

Un datore di lavoro che legge la nuova pubblicazione Signals dovrebbe quindi considerare le attività popolari come candidate per ulteriori indagini. La popolarità identifica qualcosa che i dipendenti stanno cercando di ottenere. Non spiega se l'approccio attuale abbia successo.

Si prenda un manager ipotetico che usa l'IA per preparare un aggiornamento di progetto. Produrre una prosa leggibile è parte dell'incarico. Stabilire quali traguardi siano effettivamente slittati, quali decisioni restino aperte e quali impegni siano cambiati richiede documentazione di supporto.

Se la bozza riporta erroneamente questi fatti, la fluidità può nascondere lavoro aggiuntivo. Qualcuno deve individuare la discrepanza, recuperare il contesto originale e rivedere l'aggiornamento. Valutare soltanto la velocità di redazione non coglierebbe questo onere.

È qui che il personal knowledge management diventa rilevante per la più ampia discussione sul lavoro. La qualità di una risposta dipende in parte dalla capacità delle persone di trovare e valutare le informazioni su cui si basa.

Questo collegamento non dimostra un'affermazione sulle prestazioni di remio o di qualsiasi altro prodotto. Individua una componente distinta del flusso di lavoro: mantenere disponibili prove utili quando una decisione richiede supporto.

Per gli acquirenti, l'implicazione pratica è chiedere un resoconto completo dell'attività. Che cosa ha ricevuto il dipendente, che cosa ha prodotto l'assistente e quale verifica è seguita? Le risposte offrono una base di acquisto più solida rispetto a un volume di attività impressionante.

La ricerca su Claude mostra perché un uso più ampio richiede interpretazione

Il mondo del lavoro sempre più ampio di ChatGPT si inserisce in uno sforzo già esistente per misurare l'IA attraverso il comportamento osservato. La ricerca sull'adozione dell'IA di Anthropic offre un confronto particolarmente rilevante.

Il suo rapporto di marzo 2026 ha rilevato che le dieci attività principali su Claude.ai sono scese dal 24% delle conversazioni a novembre al 19% a febbraio. Anthropic ha inoltre descritto lo spostamento dell'attività di programmazione verso la sua interfaccia per sviluppatori e cambiamenti nell'uso personale e per i corsi di studio.

Una distribuzione più ampia delle attività può riflettere diversi cambiamenti in corso contemporaneamente. La migrazione tra prodotti, la composizione del pubblico e le esigenze in evoluzione meritano tutti di essere esaminati prima di trarre una conclusione economica.

Il confronto con Claude sostiene un'interpretazione prudente dei dati di piattaforma. Le persone scelgono dove svolgere un'attività. Se un'interfaccia specializzata diventa più adatta, l'attività può lasciare un prodotto di chat generico senza scomparire dal più ampio ecosistema del fornitore.

Ciò rende i confini delle piattaforme economicamente significativi. Una conversazione consumer e un flusso di lavoro software automatizzato offrono visioni diverse del lavoro. Studiare entrambi può essere utile, purché l'analisi spieghi ciò che ne resta al di fuori.

I dataset utilizzano inoltre categorie e popolazioni diverse. La misura di OpenAI delle attività lavorative a livello nazionale e la misura di Anthropic delle attività nelle conversazioni non offrono una competizione diretta sull'adozione dell'IA sul lavoro. Confrontarne le percentuali come equivalenti creerebbe una classifica fuorviante.

Un confronto migliore riguarda le domande che ciascuna azienda indaga. Le attività diventano più varie? L'esperienza modifica il modo in cui le persone usano l'assistenza? Le interfacce attirano incarichi diversi? Queste domande aiutano a spiegare lo sviluppo dell'uso dell'IA senza dichiarare vincitore un fornitore.

Il rapporto di Anthropic ha inoltre associato una maggiore anzianità degli utenti a interazioni più riuscite, pur riconoscendo spiegazioni alternative. Gli utenti esperti potrebbero apprendere strategie migliori. I primi adottanti potrebbero anche differire dai nuovi arrivati in modi che influenzano i risultati.

Questa incertezza è importante per i datori di lavoro che valutano un uso più ampio di ChatGPT nel lavoro. Dare accesso ai dipendenti e consentire loro di sviluppare abitudini utili sono decisioni organizzative distinte. Uno strumento può essere disponibile prima che un team sappia quali incarichi gli siano più adatti.

Dal punto di vista del prodotto, ciò crea un impegnativo problema di interpretazione. Un aumento delle richieste può segnalare una scoperta utile, una difficoltà irrisolta o tentativi ripetuti di ottenere una risposta accettabile. L'interfaccia registra l'interazione, mentre il risultato può verificarsi altrove.

Un analista ipotetico potrebbe chiedere diverse revisioni perché l'incarico è complesso. Un altro potrebbe interrompersi rapidamente perché la risposta soddisfa l'esigenza. Un terzo potrebbe abbandonare lo strumento dopo una risposta poco utile.

Il solo volume dei messaggi non può distinguere queste situazioni. Per comprenderle servono prove sullo scopo dell'attività, sulla sua difficoltà e su ciò che è avvenuto in seguito.

Il contesto competitivo rende quindi più acuta la tensione principale dell'articolo. I fornitori possono descrivere sempre meglio il lavoro che le persone portano loro. Gli acquirenti necessitano ancora di prove sul lavoro che le persone portano a termine.

Le analisi più solide conserveranno entrambe le prospettive. I dati comportamentali rivelano modelli che i singoli aneddoti non possono stabilire. Gli studi sugli esiti verificano se tali modelli si traducano in benefici in contesti specifici. Ciascuno affronta una parte diversa della storia dell'IA sul posto di lavoro.

Le differenze tra Paesi mettono in discussione una strategia di implementazione universale

La variazione geografica rende meno convincente una spiegazione uniforme dell'IA sul posto di lavoro. L'importanza di un'attività nell'uso osservato di un Paese non ne stabilisce l'importanza nell'intera economia di quel Paese.

Una quota descrive una relazione tra una categoria e il suo gruppo di confronto. Se le richieste analitiche occupano una parte maggiore del mix osservato, ciò informa i ricercatori sul mix. Stabilire il perché richiede prove che vadano oltre la percentuale stessa.

Diverse ipotesi meritano di essere testate. La composizione professionale potrebbe influenzare i tipi di richieste che le persone presentano. Anche la lingua, l'accesso, le regole organizzative e la familiarità con l'IA potrebbero influenzare la partecipazione.

Si tratta di possibili spiegazioni, non di risultati accertati dalla pubblicazione. Distinguerle è importante perché ciascuna implica una risposta diversa da parte dei datori di lavoro e dei decisori politici.

Se un modello riflette le occupazioni locali, la selezione delle attività diventa centrale. Un programma di formazione dovrebbe affrontare le mansioni che le persone svolgono realmente. Se il modello è spiegato dall’accesso, la sola formazione non risolverà il vincolo di fondo.

Se le regole organizzative influenzano la partecipazione, l’uso informale da parte dei consumatori potrebbe rivelare solo una parte del quadro. I dipendenti soggetti a restrizioni potrebbero evitare determinate richieste o utilizzare sistemi approvati al di fuori della piattaforma osservata.

I confronti tra Paesi dovrebbero quindi evitare di trasformare un profilo di utilizzo in un giudizio sulle capacità della forza lavoro. Un’attività può essere poco comune in un set di dati per ragioni non correlate al fatto che i lavoratori trarrebbero beneficio dall’assistenza.

Lo stesso ragionamento vale all’interno delle multinazionali. Un team centrale potrebbe identificare un caso d’uso promettente e presumere che sia facilmente trasferibile. Le sedi locali devono comunque valutare la lingua, i materiali di partenza, il processo di approvazione e le aspettative dei clienti che circondano l’incarico.

Si consideri un ipotetico flusso di lavoro per la comunicazione con i clienti. Redigere una spiegazione è solo una parte del compito. Il personale deve anche comprendere quali politiche si applicano, quali promesse può fare e quando un caso richiede un’escalation.

La capacità di un modello di produrre un linguaggio rifinito non risolve questi requisiti locali. Valutare il flusso di lavoro significa verificare se i dipendenti ricevono il contesto e l’autorità necessari per usare quel linguaggio in modo appropriato.

Per gli sviluppatori, le differenze geografiche sollevano domande di ricerca sull’adeguatezza del prodotto. Il passo successivo utile è indagare un bisogno osservato con utenti locali. Un modello a livello nazionale può guidare tale indagine senza prescrivere quale funzionalità sviluppare.

Per i lavoratori, le implicazioni sono altrettanto specifiche. L’esperienza con un’attività popolare altrove non garantisce che lo stesso approccio sia adatto a un incarico locale. Il test rilevante riguarda il lavoro effettivo e i suoi vincoli.

Il mondo del lavoro in espansione di ChatGPT sostiene quindi una lettura più differenziata dell’adozione. Una partecipazione più ampia non deve necessariamente produrre comportamenti identici. Una tecnologia può diffondersi mentre le persone la adattano a finalità distinte.

Questa interpretazione cambia anche il modo in cui il successo dovrebbe essere discusso pubblicamente. Una narrazione universale invita ad affermazioni generalizzate su chi sia in vantaggio. Una narrazione basata sulle attività chiede dove l’assistenza sia adatta, cosa impedisca un’adozione utile e quali risultati giustifichino ulteriori investimenti.

Queste domande richiedono più lavoro di una classifica per Paesi. Offrono inoltre a datori di lavoro e ricercatori un percorso più chiaro verso decisioni che possano difendere.

Il lavoro mancante limita le conclusioni sull’occupazione

OpenAI afferma che il set di dati copre i piani individuali di ChatGPT, escludendo i messaggi enterprise e Codex. Il confronto con gli Stati Uniti colloca inoltre circa il 43% delle attività mappate ponderate per l’occupazione in “Other IWAs”, al di fuori delle categorie riportate individualmente.

Questi confini impediscono che la pubblicazione possa fungere da censimento del lavoro o da misura della sostituzione dei posti di lavoro. L’attività assente conta per qualsiasi interpretazione.

L’accompagnante metodologia di campionamento aggiunge ulteriori dettagli. Il campione Signals più ampio utilizza ogni mese 1 milione di messaggi dei consumatori ed esclude gli account con determinate restrizioni di idoneità o di utilizzo dei dati. Classificatori automatizzati assegnano categorie comportamentali, mentre le protezioni della privacy aggiungono rumore statistico.

Queste scelte determinano ciò che i ricercatori possono osservare. Un classificatore deduce la categoria di un messaggio. Non intervista il lavoratore, non ispeziona il risultato finale né conferma che l’azione richiesta sia avvenuta.

La protezione della privacy crea anche un compromesso interpretativo. Le informazioni aggregate consentono di studiare i modelli proteggendo al contempo i singoli messaggi. Le distinzioni fini richiedono cautela, soprattutto quando un sottogruppo si basa su un numero minore di osservazioni.

La risposta appropriata è adeguare la conclusione alla misurazione. Un modello di richieste può sostenere un’indagine sulla domanda di assistenza. Accertare un cambiamento nell’occupazione richiede prove sull’occupazione.

Un lavoro comprende responsabilità che non compaiono ordinatamente all’interno di un prompt. Qualcuno deve accorgersi che un problema richiede attenzione, ottenere le informazioni mancanti, coordinarsi con i colleghi e assumersi la responsabilità del risultato.

L’assistenza su una componente può modificare quel lavoro senza eliminarlo. Potrebbe ridurre lo sforzo, ampliare la portata di un incarico o introdurre un nuovo onere di revisione. Quale effetto prevalga resta una questione empirica.

L’errore opposto sarebbe liquidare la pubblicazione perché non può rispondere a ogni domanda sul lavoro. Registri comportamentali dettagliati offrono un utile punto di partenza. Aiutano i ricercatori a identificare attività che meritano di essere studiate più da vicino.

La ricerca indipendente sulla popolazione offre un’altra prospettiva. Lo studio sull’adozione dell’IA generativa di Alexander Bick, Adam Blandin e David Deming ha utilizzato sondaggi statunitensi rappresentativi a livello nazionale per esaminare l’uso al lavoro e a casa. Questo approccio aiuta a collocare le osservazioni della piattaforma all’interno di una popolazione più ampia.

I metodi si completano a vicenda. I sondaggi possono chiedere delle ore di lavoro e delle esperienze che vanno oltre un particolare fornitore. I dati della piattaforma possono descrivere le interazioni senza fare affidamento interamente sulla memoria di un rispondente.

Nessuno dei due metodi elimina la necessità di un’interpretazione accurata. Le risposte ai sondaggi possono contenere errori di segnalazione. I campioni delle piattaforme possono omettere popolazioni importanti. La concordanza tra metodi diversi rafforzerebbe la fiducia più della ripetizione della stessa misurazione.

Una lettura scettica dovrebbe quindi concentrarsi sul divario tra osservazione e risultato. La pubblicazione non stabilisce in modo indipendente che una combinazione più ampia di richieste abbia prodotto risultati migliori, salari più alti o meno posti di lavoro.

Non stabilisce neppure che le attività assenti siano immuni ai cambiamenti futuri. La loro assenza descrive un confine di misurazione. Prevederne il futuro richiede ulteriori prove su capacità, condizioni di implementazione e decisioni organizzative.

La conclusione difendibile è più circoscritta e utile: i ricercatori dispongono ora di una base più dettagliata per chiedersi dove l’IA per i consumatori intersechi il lavoro.

Tre segnali renderanno più informativa la prossima pubblicazione

La fase successiva dovrebbe collegare ampiezza, coerenza della misurazione e risultati. Nei prossimi mesi, questi sono i segnali che rafforzeranno o indeboliranno l’interpretazione di un uso più ampio sul posto di lavoro.

Primo, occorre osservare la persistenza all’interno di gruppi comparabili per Paese e attività quando OpenAI aggiornerà nuovamente la serie. Un modello persistente con definizioni coerenti rafforzerebbe l’ipotesi che la composizione stia cambiando in modo duraturo.

Un’inversione richiederebbe un esame più approfondito. Incarichi stagionali, cambiamenti tra gli utenti o variazioni nel modo in cui l’attività viene rilevata potrebbero spiegare movimenti temporanei. I ricercatori dovrebbero indagare queste possibilità prima di attribuire una tendenza a cambiamenti duraturi nel lavoro.

La tempistica di un eventuale aggiornamento futuro non dovrebbe essere dedotta dalla pubblicazione attuale. Il segnale importante è la comparabilità della prossima osservazione, ogniqualvolta diventi disponibile.

Secondo, occorre cercare collegamenti più chiari tra chat per consumatori, sistemi enterprise e interfacce specializzate. Le pubblicazioni dei fornitori che spiegano questi confini renderebbero più facile interpretare la migrazione tra prodotti.

Se l’attività diminuisce in un’interfaccia mentre cresce altrove, la storia più ampia cambia. Ciò che inizialmente sembra un interesse ridotto potrebbe invece riflettere una migliore corrispondenza tra un’attività e un ambiente diverso.

Definizioni coerenti rafforzerebbero questa analisi. Categorie incompatibili lascerebbero incertezza sul fatto che i ricercatori stessero osservando un cambiamento comportamentale o un cambiamento nella misurazione.

Terzo, occorre cercare valutazioni indipendenti che abbinino attività specifiche ai risultati del lavoro completato. Misure utili includono accuratezza, sforzo di revisione, tempo di completamento e il fatto che i dipendenti mantengano la capacità di valutare il risultato.

Prove di miglioramento lungo l’intero incarico rafforzerebbero il significato economico di un utilizzo più ampio. Prove di un notevole lavoro di correzione lo ridimensionerebbero. Entrambi i risultati aiuterebbero gli acquirenti a prendere decisioni migliori.

Quest’ultimo segnale conta di più per le persone responsabili dei risultati concreti. Una gamma crescente di richieste rende l’IA rilevante per un numero maggiore di incarichi. Non elimina la necessità di determinare cosa sia accaduto dopo la fine della conversazione.

Per i lettori che valutano il mondo del lavoro in espansione di ChatGPT, il punto di partenza dovrebbe essere un’attività riconoscibile nel proprio lavoro. Confrontate la domanda posta da un dipendente con le prove necessarie per completare l’incarico. Chiedetevi dove l’assistente contribuisca, dove la verifica resti necessaria e quale risultato giustificherebbe un uso continuativo. Mantenete queste domande legate al materiale di partenza, anziché alla fluidità della risposta. Cercate quindi ricerche che misurino l’intero processo, comprese le correzioni e il giudizio umano. La pubblicazione offre un punto di partenza per questa indagine. Quale attività osservata diventerebbe significativamente più preziosa se i ricercatori potessero dimostrare che le persone l’hanno completata con maggiore accuratezza, minore sforzo e responsabilità chiaramente assegnata?