La citazione di Greg Brockman su OpenAI e Simon Willison rivela il contraccolpo contro i colleghi AI

Greg Brockman ha descritto un conflitto inatteso all’interno di OpenAI: i dipendenti non gradivano ricevere richieste su Slack dagli agenti ChatGPT dei colleghi, pur accettando richieste umane identiche. La citazione di OpenAI riportata da Simon Willison coglie un problema che modelli migliori, da soli, non possono risolvere. Un agente può inviare il messaggio giusto e al tempo stesso danneggiare la relazione che lo circonda.

Simon Willison ha pubblicato l’osservazione il 1° agosto, citando il presidente e cofondatore di OpenAI. Brockman ha affermato che molti dipendenti OpenAI collegano ChatGPT a Slack. Ha inoltre detto che le persone reagiscono diversamente quando questi sistemi chiedono ai colleghi di contribuire al completamento di attività.

Quella reazione mette in discussione una promessa centrale degli agenti per il lavoro. Le aziende si aspettano che il software autonomo, ovvero un’AI capace di agire per gli utenti, elimini il lavoro di coordinamento. Eppure delegare la conversazione può far sembrare una richiesta ragionevole impersonale, presuntuosa o ingiusta.

Il conflitto non è semplicemente esseri umani contro automazione. È efficienza delegata contro responsabilità umana visibile. I dipendenti sembrano disposti ad aiutare un’altra persona, ma meno propensi a diventare una risorsa invisibile gestita dal software di quella persona.

Questa distinzione conta mentre OpenAI, Salesforce, Slack e altri fornitori portano gli agenti nella comunicazione sul lavoro. La domanda non è più se un’AI possa inviare un messaggio utile. È se il destinatario capisca chi sta chiedendo, perché la richiesta è importante e chi resta responsabile.

Cosa ha davvero rivelato la citazione di OpenAI riportata da Simon

L’evento importante non è stato il lancio di un prodotto. È stata l’ammissione che una delega tecnicamente riuscita può fallire sul piano sociale.

Nella citazione originale, Brockman ha descritto una differenza comportamentale ricorrente. I dipendenti OpenAI spesso avrebbero aiutato un collega che li avvicinava direttamente. Non gradivano ricevere la stessa richiesta quando era il ChatGPT di quel collega ad avviare l’interazione.

Le parole di Brockman indicano un modello interno, non uno studio controllato. OpenAI non ha pubblicato numeri sulla partecipazione, tassi di risposta, categorie di attività o un confronto sperimentale. I lettori dovrebbero quindi considerare questo resoconto come un’osservazione informata dall’interno dell’azienda.

Anche con questo limite, l’esempio è insolitamente prezioso. OpenAI sviluppa i modelli e i sistemi agentici al centro di questa transizione. I suoi dipendenti possiedono inoltre solide conoscenze tecniche e un accesso particolarmente diretto agli strumenti emergenti.

Se la resistenza emerge in quell’ambiente, una limitata alfabetizzazione sull’AI non può spiegarla del tutto. I dipendenti presumibilmente comprendono cosa stia facendo ChatGPT. La loro obiezione riguarda l’assetto sociale creato quando un agente recluta il tempo di un’altra persona.

La richiesta in sé potrebbe essere ragionevole. Uno sviluppatore potrebbe aver bisogno di una revisione del codice, un ricercatore di un documento o un manager di contesto da un altro team. Il destinatario potrebbe fornire volentieri quell’aiuto quando lo chiede il collega responsabile.

Una richiesta automatizzata cambia la relazione implicita. Può suggerire che un dipendente abbia risparmiato tempo trasferendo i costi di coordinamento a qualcun altro. Il mittente evita di comporre il messaggio, valutare l’interruzione e riconoscere personalmente il favore.

Il destinatario continua a svolgere il lavoro. Deve interpretare la richiesta, determinarne la priorità, trovare le informazioni e decidere se l’agente abbia autorità sufficiente. L’automazione ha ridotto lo sforzo da una parte, preservandolo dall’altra.

Questo squilibrio spiega perché una formulazione identica non produca un’esperienza identica. La comunicazione sul lavoro trasmette informazioni oltre il suo contenuto letterale. Esprime urgenza, reciprocità, status, giudizio personale e rispetto per l’attenzione altrui.

Una richiesta umana crea anche un percorso chiaro per la negoziazione. Il destinatario può chiedere perché l’attività sia importante, spiegare priorità concorrenti o offrire un contributo più limitato. Un agente potrebbe supportare questi scambi, ma la sua presenza rende i confini meno evidenti.

L’attuale documentazione di OpenAI mostra quanto si sia evoluta la capacità. La guida agli agenti Slack afferma che gli agenti per lo spazio di lavoro possono rispondere a domande, svolgere attività tramite sistemi connessi, creare file e inviare messaggi programmati.

Gli agenti possono anche rispondere automaticamente nei canali pubblici. Questa funzione li porta oltre l’assistenza privata. Diventano partecipanti nell’ambiente di comunicazione condiviso in cui i team coordinano il lavoro e definiscono aspettative.

OpenAI avverte che le risposte degli agenti possono essere inaccurate. Tuttavia, l’esempio di Brockman rivela una modalità di fallimento distinta. Un messaggio può essere accurato, pertinente e recapitato correttamente, generando comunque risentimento.

Ecco perché l’osservazione di OpenAI riportata da Simon merita più attenzione di un normale post dedicato a una citazione. Identifica un ostacolo all’adozione che le valutazioni standard dei modelli raramente misurano. L’accuratezza non può rivelare se un destinatario si senta rispettato, gravato o manipolato.

Il cambiamento è quindi concettuale ma concreto. Gli agenti per il lavoro stanno passando dall’aiutare i loro proprietari al fare richieste ad altre persone. Una volta superato questo confine, il consenso sociale diventa importante quanto l’autorizzazione tecnica.

L’AI sul lavoro sta diventando un problema di progettazione delle relazioni

L’implementazione degli agenti spinge manager e team di prodotto a proteggere le relazioni umane, non semplicemente ad automatizzare altri passaggi.

La prima generazione di AI generativa sul lavoro operava perlopiù in privato. Un dipendente chiedeva un riepilogo, una bozza, una spiegazione o un’analisi. L’utente rivedeva il risultato e decideva se condividerlo.

Gli agenti modificano questo schema perché possono agire attraverso diversi sistemi. Possono pubblicare nei canali, contattare colleghi, recuperare record, aggiornare documenti e proseguire flussi di lavoro. Il loro output diventa l’input di un’altra persona prima che il proprietario necessariamente riveda ogni passaggio.

Questa transizione porta la governance dell’AI nel comportamento organizzativo quotidiano. I team di sicurezza continuano ad aver bisogno di controlli degli accessi e registri di audit. I manager hanno anche bisogno di regole su quando il software debba contattare una persona e quale identità debba presentare.

La documentazione di OpenAI per il lavoro richiede agli amministratori di configurare l’integrazione Slack. Descrive anche l’autenticazione condivisa, in cui un agente utilizza connessioni gestite centralmente anziché il login privato di un dipendente. Questi controlli affrontano l’accesso tecnico, ma non ogni aspettativa sociale.

Un agente autorizzato può comunque interrompere la persona sbagliata. Può generare solleciti non necessari o trasformare un favore informale in un’attività assegnata da una macchina. Il permesso di entrare in un canale non equivale al permesso di consumare l’attenzione di tutti.

Il destinatario ha bisogno anche di una comunicazione significativa. Un’etichetta bot visibile risponde a una domanda, ma non a quella più importante. I dipendenti devono sapere quale persona sia responsabile della richiesta e se quella persona l’abbia esaminata.

La titolarità influenza il modo in cui le persone interpretano l’urgenza. Un messaggio di un collega fidato porta con sé il contesto accumulato nelle collaborazioni precedenti. Una richiesta di un bot può eliminare quella storia e presentare ogni attività con una sicurezza simile.

Questo appiattimento crea un problema di priorità. I colleghi umani segnalano incertezza, imbarazzo, gratitudine o urgenza reale attraverso piccole scelte. Un agente può imitare questi segnali, ma l’imitazione non dimostra che il proprietario condivida quel sentimento.

I team potrebbero quindi diffidare delle richieste altamente rifinite. Il linguaggio può apparire premuroso, mentre il processo sottostante sposta lo sforzo senza consultazione. Una scrittura migliore non risolve l’incertezza su autorità e reciprocità.

La ricerca sull’AI sul lavoro sostiene la preoccupazione più ampia, sebbene non verifichi direttamente il resoconto interno di Brockman. Uno studio del 2026 ha confrontato il supporto di ChatGPT con l’assistenza di un collega umano durante un’attività di comunicazione aziendale.

I ricercatori hanno utilizzato un esperimento basato su scenari con 202 partecipanti. Hanno rilevato che il supporto di ChatGPT era associato a una minore soddisfazione lavorativa rispetto al supporto di un collega umano in quello specifico contesto.

Lo studio sul supporto sul lavoro ha collegato quel risultato a tre percezioni. I partecipanti hanno riportato un minore supporto organizzativo, meno opportunità di dimostrare le proprie capacità e una maggiore insicurezza lavorativa.

Questi risultati non dovrebbero essere generalizzati a ogni professione o flusso di lavoro. L’esperimento si è concentrato su un’unica attività di comunicazione in condizioni controllate. Tuttavia, il suo meccanismo somiglia da vicino alla tensione osservata da Brockman.

L’aiuto umano comunica più del semplice completamento di un’attività. Può segnalare che l’organizzazione valorizza un dipendente, che i colleghi riconoscono le rispettive competenze e che la cooperazione sarà ricambiata.

Il supporto agentico può sembrare diverso anche quando migliora il risultato. Il software non possiede la storia condivisa che dà all’assistenza il suo significato relazionale. I dipendenti potrebbero ricevere una risposta senza vivere l’interazione come un sostegno autentico.

Questo crea una pressione diretta sugli acquirenti aziendali. Una decisione d’acquisto inquadrata attorno alle attività completate può trascurare costi di secondo ordine. I team potrebbero registrare flussi di lavoro più rapidi, sperimentando al tempo stesso minore fiducia, minore disponibilità ad aiutare o più tempo speso a verificare richieste automatizzate.

I progettisti di prodotto affrontano la stessa pressione. Devono decidere se gli agenti debbano comunicare autonomamente, redigere messaggi da approvare o operare discretamente dietro un’interfaccia controllata da una persona.

Il modello più sicuro dipende dall’attività. Un riepilogo programmato sullo stato ha conseguenze sociali diverse dal chiedere a un collega specifico di indagare su un problema. Trattare entrambe le azioni come messaggistica generica ignora le loro diverse richieste di attenzione umana.

Le organizzazioni che investono già in una base di conoscenza ricercabile hanno un’altra opzione. Un agente può recuperare conoscenze esistenti prima di chiedere a un collega di ripeterle.

Questa sequenza preserva il valore dell’automazione senza rendere gli esseri umani il ripiego predefinito. Crea inoltre una soglia più chiara per l’interruzione. L’agente contatta una persona solo quando i record disponibili non possono risolvere la richiesta.

La pressione non è quindi quella di respingere gli agenti. È distinguere tra assistenza privata, recupero condiviso di informazioni e delega interpersonale. Ogni categoria richiede autorizzazioni e aspettative diverse.

Efficienza delegata contro responsabilità umana

Il compromesso centrale è semplice: un agente fa risparmiare tempo al suo proprietario spendendo l’attenzione di un’altra persona.

Le metriche di produttività spesso seguono l’utente che avvia il processo. Un’azienda misura la rapidità con cui quel dipendente completa un’attività o quanti flussi di lavoro gestisce l’agente. Lo sforzo interpretativo del destinatario raramente compare nella stessa dashboard.

Si consideri un product manager che prepara un aggiornamento. Il suo agente nota che manca una stima dell’ingegneria e contatta uno sviluppatore. Il manager risparmia alcuni minuti, ma lo sviluppatore riceve una richiesta senza sapere se il manager l’abbia esaminata.

Lo sviluppatore deve decidere se la stima sia davvero necessaria, se la scadenza sia reale e se rispondere al bot crei un obbligo. Il flusso di lavoro sembra efficiente da un account, generando però ambiguità altrove.

Un messaggio umano comporta un costo piccolo ma significativo. Il mittente si ferma, considera il destinatario, spiega il bisogno e si assume la responsabilità dell’interruzione. Questo sforzo agisce da filtro contro richieste di scarso valore.

L’automazione elimina gran parte di quell’attrito. Ridurlo è utile quando l’azione è di routine e consensuale. Può però generare una domanda eccessiva quando l’azione consuma una risorsa scarsa: il giudizio umano.

È paragonabile all’automazione del calendario. I software di prenotazione semplificano la pianificazione, ma un uso poco attento può trasferire ogni inconveniente sugli invitati. La tecnologia non determina se l’interazione appare equa; lo fa la pratica che la circonda.

Gli agenti amplificano questo effetto perché possono generare richieste su larga scala. Un dipendente può delegare molte conversazioni senza sperimentare personalmente l’interruzione di ciascun destinatario. Piccoli squilibri possono accumularsi in un’organizzazione di grandi dimensioni.

La citazione di Simon di OpenAI mette inoltre in discussione il design antropomorfico, che attribuisce al software un linguaggio o un comportamento simile a quello umano. Un tono più amichevole potrebbe aumentare l’usabilità, ma può anche oscurare chi ha preso la decisione alla base del messaggio.

Se un agente scrive “Apprezzerei il tuo aiuto”, chi sta esprimendo apprezzamento? Il sistema non ha un interesse personale nella relazione. Il proprietario potrebbe sentirsi grato, ma il destinatario non può sapere se la frase rifletta un’attenzione umana.

Un’attribuzione chiara può ridurre questa ambiguità. Un messaggio potrebbe indicare che un agente ha individuato informazioni mancanti e che un dipendente nominato ha approvato la richiesta. Potrebbe anche offrire un canale diretto verso il proprietario.

La sola approvazione non risolverà ogni caso. Una persona può approvare molti messaggi generati senza valutarne il peso. Un design utile dovrebbe rendere visibile il costo per il destinatario prima dell’invio della richiesta.

Per esempio, un agente potrebbe mostrare al proprio proprietario chi è già stato contattato, quanto spesso quella persona ha aiutato e se la risposta esiste altrove. Potrebbe consigliare di chiedere in un canale condiviso anziché rivolgersi ripetutamente a un singolo esperto.

Il sistema potrebbe anche separare le domande informative dalle assegnazioni di lavoro. Chiedere dove si trovi un documento è diverso dal richiedere due ore di analisi. La seconda azione richiede una negoziazione umana esplicita.

Anche i destinatari hanno bisogno di controllo. Dovrebbero poter rifiutare, reindirizzare, silenziare o richiedere una conferma umana senza dover discutere con un software. Un rifiuto dovrebbe raggiungere il proprietario responsabile invece di innescare una persuasione automatizzata senza fine.

L’identità deve rimanere stabile per tutta la conversazione. Se un agente avvia un thread, il proprietario non dovrebbe subentrare silenziosamente mantenendo l’ambiguità. I partecipanti dovrebbero sapere se ogni messaggio proviene da un software, da una persona o da una bozza revisionata.

La responsabilità diventa particolarmente importante quando l’agente commette un errore. Se indica erroneamente una scadenza o richiede lavoro non autorizzato, il destinatario non dovrebbe dover indagare su quale prompt, integrazione o modello abbia prodotto l’istruzione.

Un proprietario nominato deve risolvere il problema. L’organizzazione deve inoltre conservare una cronologia sufficiente per comprendere l’azione. Altrimenti, la comunicazione delegata indebolisce la responsabilità proprio nel momento in cui l’automazione amplia la portata.

Slack ha pubblicamente delineato un futuro con un ruolo più centrale per gli agenti. Un report di Axios ha citato un dirigente di Slack che prevedeva che i lavoratori potrebbero un giorno parlare con gli agenti tanto spesso quanto con i colleghi umani.

La previsione sul posto di lavoro degli agenti ha anche raccolto la preoccupazione contrapposta. Gli esperti hanno avvertito che un’interazione dominata dalle macchine può indebolire il comportamento sociale, mentre i professionisti hanno descritto gli agenti come incoerenti e inclini agli errori.

L’osservazione di Brockman rende più nitido questo dibattito. Le persone non rifiutano ogni interazione con il software. Distinguono tra un agente che le aiuta e un agente che le arruola per aiutare qualcun altro.

Questa differenza dovrebbe guidare le decisioni di prodotto. L’automazione personale non dovrebbe ricevere automaticamente autorità interpersonale. Un sistema capace di inviare un messaggio ha comunque bisogno di una ragione legittima per rappresentare il proprio proprietario.

Le prove sono indicative, non complete

Brockman ha identificato un avvertimento credibile, ma le prove pubbliche non stabiliscono quanto la reazione sia diffusa o duratura.

Il resoconto di OpenAI manca di misurazioni di base. Non sappiamo quanti dipendenti abbiano collegato ChatGPT a Slack, quanti destinatari abbiano sollevato obiezioni o quali tipi di attività abbiano provocato la risposta più forte.

L’espressione “alle persone non piace davvero” trasmette un’impressione chiara, non un risultato quantificato. Potrebbe descrivere una resistenza diffusa, lamentele ripetute da parte di un gruppo più ristretto o un modello concentrato in team specifici.

Il design delle attività potrebbe spiegare parte della reazione. I dipendenti potrebbero accettare domande automatizzate sullo stato, ma risentirsi delle richieste aperte che richiedono giudizio. Una richiesta di un link esistente è diversa da un invito a eseguire il debug del progetto di un altro team.

Conta anche il comportamento dell’agente. I destinatari potrebbero reagire negativamente perché i messaggi sono prolissi, inviati al momento sbagliato, ripetitivi o insufficientemente trasparenti. Il problema potrebbe non essere solo la delega.

La gerarchia sul posto di lavoro crea un’altra incertezza. Un agente che agisce per conto di un dirigente senior può trasmettere un’autorità implicita, anche se il messaggio appare facoltativo. I dipendenti potrebbero sentirsi incapaci di ignorarlo senza avere una relazione umana attraverso cui negoziare.

Lo stesso agente che agisce per conto di un pari potrebbe generare una risposta diversa. I team caratterizzati da forte fiducia potrebbero tollerare l’automazione perché i colleghi comprendono già le reciproche intenzioni. I team appena formati o distribuiti potrebbero richiedere un contatto umano più esplicito.

Anche le aspettative culturali varieranno. Alcune organizzazioni dipendono fortemente dalla comunicazione scritta asincrona. Altre usano la conversazione per mantenere coesione, risolvere incertezze e riconoscere i contributi individuali.

Lo studio del 2026 sul supporto di ChatGPT offre prove utili, ma non ricrea la delega autonoma su Slack. I partecipanti hanno risposto a scenari di lavoro ipotetici anziché a relazioni di lungo periodo con colleghi e agenti reali.

Il suo campione di 202 persone consente analisi all’interno di quell’esperimento. Non può stabilire se i dipendenti si adattino dopo un uso prolungato o se un design dell’interfaccia migliore modifichi il risultato.

Uno studio separato su Slack, riportato dall’Associated Press, illustra quanto l’adozione sul posto di lavoro fosse già disomogenea. I ricercatori hanno condotto interviste con 5.000 lavoratori al computer e li hanno raggruppati in cinque profili AI.

Solo la metà apparteneva ai due gruppi che già usavano l’AI regolarmente o di nascosto. Il sondaggio sull’AI sul posto di lavoro ha descritto entusiasmo, ansia, resistenza, senso di colpa e incertezza, anziché una risposta condivisa.

Quella ricerca precede l’attuale integrazione OpenAI con Slack e non dovrebbe essere considerata una misura diretta dell’accettazione degli agenti. Mostra però che l’AI sul posto di lavoro arriva in un ambiente emotivamente diviso.

La divulgazione può creare un ulteriore paradosso. Nascondere l’agente ridurrebbe l’attrito immediato, ma ingannerebbe i destinatari sull’autore del messaggio. Etichettare ogni messaggio automatizzato protegge la trasparenza, rendendo però impossibile ignorare la delega.

La risposta non può essere rendere gli agenti più convincenti nell’impersonare i loro proprietari. Questo approccio potrebbe migliorare i tassi di risposta nel breve termine sfruttando la fiducia esistente. Comprometterebbe però la partecipazione informata e renderebbe più dannosi gli errori successivi.

Le organizzazioni hanno bisogno di prove che vadano oltre i conteggi di adozione. Un utilizzo elevato potrebbe riflettere la pressione del management anziché l’accettazione dei dipendenti. Tempi di risposta rapidi potrebbero nascondere frustrazione o conformità non necessaria.

Misure migliori includerebbero richieste ignorate, escalation umane, reclami, correzioni, contatti ripetuti e soddisfazione dei destinatari. I team dovrebbero anche confrontare le richieste redatte dagli agenti con quelle inviate autonomamente.

Le prove più solide deriverebbero da sperimentazioni controllate sul posto di lavoro. I ricercatori potrebbero variare l’approvazione del proprietario, la divulgazione dell’identità, il carico dell’attività, la gerarchia e la storia della relazione. Potrebbero poi misurare completamento, fiducia e volontà di collaborare nuovamente.

Finché non emergeranno tali dati, il resoconto di Simon di OpenAI dovrebbe rimanere un avvertimento, non una legge universale. Identifica un meccanismo plausibile coerente con ricerche correlate. Non dimostra che ogni messaggio autonomo danneggi le relazioni sul posto di lavoro.

Questa distinzione conta perché anche una reazione eccessiva comporta costi. Vietare ogni comunicazione degli agenti impedirebbe un’automazione utile, inclusi canali di assistenza accessibili, reportistica di routine e recupero più rapido delle informazioni.

La risposta pratica è una sperimentazione circoscritta. Le aziende possono consentire la partecipazione degli agenti a basso rischio richiedendo al contempo una revisione umana per le richieste che impongono un lavoro significativo a un’altra persona.

Dovrebbero pubblicare i confini prima dell’implementazione. I dipendenti devono sapere quando un agente può contattarli, quale autorità possiede, come rifiutare e chi gestisce le controversie.

Senza queste regole, ogni destinatario deve inventare una politica a ogni interruzione. Questa incertezza trasforma una funzione di produttività in attrito organizzativo.

Tre segnali mostreranno se i colleghi AI possono guadagnarsi la fiducia

La prossima fase sarà decisa dai controlli di prodotto, dal comportamento dei destinatari e da risultati relazionali misurabili.

Il primo segnale è se OpenAI e altri fornitori aggiungeranno controlli più forti per l’approvazione umana delle richieste interpersonali. Gli strumenti attuali supportano già configurazione dei canali, pianificazioni, menzioni e risposte automatiche.

La funzionalità decisiva distinguerebbe l’assistenza generale nei canali dalla delega mirata. Un amministratore o un proprietario potrebbe richiedere una revisione ogni volta che un agente chiede a un dipendente nominato di svolgere un lavoro sostanziale.

Questo controllo rafforzerebbe l’interpretazione di Brockman se i clienti lo adottassero ampiamente. Mostrerebbe che le organizzazioni riconoscono le richieste interpersonali come una categoria di rischio distinta.

Un’adozione debole indicherebbe un’altra direzione. I team potrebbero ritenere che la divulgazione e le autorizzazioni esistenti offrano protezione sufficiente. I messaggi di routine degli agenti potrebbero diventare socialmente normali grazie all’esposizione ripetuta.

Il secondo segnale è il comportamento dei destinatari. Le aziende dovrebbero monitorare tassi di risposta, rifiuti, silenziamenti, escalation e richieste di conferma umana nelle diverse categorie di attività.

Un tasso di completamento elevato da solo non basta. I dipendenti possono soddisfare richieste che non gradiscono, soprattutto quando l’agente rappresenta un manager o un collega influente. Soddisfazione e disponibilità a collaborare di nuovo contano quanto la velocità.

L’argomento di Brockman acquista forza se le richieste autonome producono più reclami o una minore collaborazione futura rispetto ai messaggi umani revisionati. Si indebolisce se la differenza scompare dopo aver controllato qualità del messaggio e carico dell’attività.

Il terzo segnale è se le organizzazioni misurano gli effetti sulle relazioni insieme alla produttività. La maggior parte dei programmi per agenti inizia dal tempo risparmiato, dalle attività completate o dalla riduzione del volume di supporto.

Queste misure favoriscono il proprietario dell’agente e l’organizzazione acquirente. Non rilevano se il sistema trasferisce lavoro, riduce il riconoscimento o indebolisce la fiducia tra colleghi.

Una valutazione credibile dovrebbe interrogare entrambe le parti sull’interazione. Il mittente ha risparmiato tempo? Il destinatario ha compreso la richiesta, ne ha accettato la legittimità e sapeva chi fosse responsabile?

Contano anche gli indicatori di più lungo periodo. I team possono esaminare se gli esperti ricevano più richieste automatizzate, se i dipendenti comunichino direttamente meno spesso e se i disaccordi irrisolti si spostino fuori dai canali ufficiali.

Questi risultati distingueranno l’aumento delle capacità dalla sostituzione. L’aumento delle capacità usa l’AI per preparare le persone a una collaborazione migliore. La sostituzione interpone il software tra le persone e tratta la relazione come un costo evitabile.

La direzione preferita da Brockman appare chiara dalla citazione. L'AI dovrebbe restituire tempo alle persone o migliorare il tempo che trascorrono insieme. Non dovrebbe diventare uno strato permanente che allontana i colleghi.

Questa posizione è degna di nota perché OpenAI trae vantaggio dal fatto che gli agenti gestiscano una quota crescente delle attività lavorative. Riconoscere questo confine sociale suggerisce che una maggiore autonomia degli agenti non sia automaticamente il traguardo desiderato.

La sfida di prodotto è preservare la responsabilità senza ripristinare ogni onere amministrativo. Redigere una richiesta ponderata può essere automatizzato. Decidere di imporre lavoro a un collega, invece, spesso dovrebbe restare una scelta umana.

Il recupero delle informazioni offre una linea di demarcazione utile. Un agente dovrebbe cercare nei documenti approvati, riassumere il contesto pertinente e individuare le informazioni mancanti prima di contattare un'altra persona. L'automazione guadagna fiducia quando evita interruzioni non necessarie.

Quando l'aiuto umano resta necessario, il responsabile dovrebbe comparire nello scambio. Una breve spiegazione personale può chiarire finalità, responsabilità e gratitudine. L'agente può comunque organizzare il contesto e registrare il risultato.

È improbabile che l'espressione OpenAI Simon diventi un termine di ricerca naturale al di fuori di questa specifica citazione. Eppure la questione di fondo plasmerà l'AI aziendale ben oltre un singolo post.

I fornitori stanno progettando agenti come colleghi, assistenti e forza lavoro digitale. I dipendenti giudicheranno questi sistemi attraverso le interazioni quotidiane, non attraverso le etichette di prodotto. Ogni richiesta automatizzata diventa una prova di autorevolezza e rispetto.

L'agente di maggior successo potrebbe quindi essere meno visibile di quanto suggeriscano le dimostrazioni attuali. Preparerebbe le informazioni, eliminerebbe il lavoro ripetitivo e aiuterebbe una persona a comunicare con chiarezza. Non cercherebbe di ottenere riconoscimento sostituendo la relazione.

Le organizzazioni che adottano agenti Slack dovrebbero iniziare con una domanda pratica: questa azione fa risparmiare tempo al gruppo o soltanto al responsabile? La domanda mette in luce i flussi di lavoro che si limitano a trasferire lo sforzo.

Dovrebbero poi offrire ai destinatari un controllo significativo. Una persona deve poter richiedere una conferma umana senza penalità e rifiutare un compito generato dalla macchina senza dover entrare in un dibattito con la macchina.

Infine, i team dovrebbero valutare apertamente i risultati. Se i dipendenti ritengono che gli agenti stiano assegnando lavoro senza responsabilità, l'implementazione va riprogettata a prescindere dalle statistiche di completamento.

La citazione di OpenAI Simon Willison non risolve il futuro dei colleghi AI. Offre un criterio migliore per valutarli. L'obiettivo non è massimizzare la comunicazione automatizzata, ma rendere il lavoro più utile danneggiando meno relazioni.

Prima di consentire a un agente di contattare un collega, chiedetevi cosa il software elimina e cosa trasferisce. Richiedete un responsabile identificabile, una comunicazione trasparente e un percorso semplice per tornare alla conversazione umana. Misurate poi l'esperienza del destinatario con la stessa attenzione riservata al tempo risparmiato dal mittente. Se l'agente del vostro ambiente di lavoro non è in grado di preservare consenso, contesto e responsabilità, tenetelo dietro la persona che serve. L'AI si guadagna un posto al lavoro quando offre alle persone più attenzione reciproca, non quando trasforma i colleghi in punti terminali di un flusso di lavoro automatizzato.