La ricerca di OpenAI sull'AI nel lavoro rileva che le mansioni si ampliano prima che cambino i titoli
La ricerca di OpenAI sull'AI nel lavoro ha rilevato un cambiamento significativo in oltre 1,5 milioni di messaggi di ChatGPT legati al lavoro. I lavoratori non stanno semplicemente sperimentando attività al di fuori delle proprie professioni. Alcuni tornano a svolgerle, rendendole parti ricorrenti del proprio lavoro.
Questa distinzione cambia il dibattito sull'AI nel lavoro. La questione immediata non è soltanto se l'AI elimini posizioni o migliori attività esistenti. È se i dipendenti acquisiscano silenziosamente responsabilità che un tempo appartenevano a marketer, analisti, ingegneri o specialisti del servizio clienti.
OpenAI descrive questo schema come ampliamento del lavoro. Eppure l'ampliamento può rappresentare sia una maggiore autonomia sia una crescita non riconosciuta del carico di lavoro. Un lavoratore potrebbe risolvere un problema senza attendere un altro reparto, ma anche ereditare responsabilità senza formazione, revisione o compenso adeguati.
Lo studio sulle attività trasversali ai ruoli riguarda gli utenti di ChatGPT Business da aprile a luglio 2026. OpenAI afferma che i messaggi sono stati anonimizzati e aggregati e che i ricercatori non hanno mai letto conversazioni individuali.
La sua conclusione principale è comportamentale, non speculativa. Tra circa 6.200 lavoratori osservati con continuità, attività precedentemente tentate in professioni diverse hanno rappresentato una quota crescente della loro attività AI specifica per professione.
Il risultato suggerisce che le descrizioni delle mansioni potrebbero restare indietro rispetto a come il lavoro stia realmente cambiando. I lavoratori possono instaurare nuove routine prima che i manager riprogettino i ruoli, aggiornino i controlli o decidano chi sia responsabile della decisione finale.
Questo crea la tensione centrale dell'articolo. OpenAI vede un percorso dalla sperimentazione a mansioni più ampie. Datori di lavoro e lavoratori devono stabilire se tale percorso produca un'autonomia utile, una rischiosa compressione dei ruoli o entrambe le cose.
Cosa ha rilevato OpenAI in 1,5 milioni di messaggi di lavoro
Il cambiamento importante non è che i lavoratori abbiano provato attività non familiari, ma che una quota significativa vi sia tornata.
OpenAI ha esaminato oltre 1,5 milioni di messaggi di ChatGPT legati al lavoro generati tra aprile e luglio 2026. L'analisi ha seguito uno studio precedente su come i dipendenti oltrepassino i tradizionali confini professionali durante l'uso dell'AI.
Quella precedente analisi dell'incrocio tra attività classificava il lavoro come generico, interno alla professione o trasversale alle professioni. Il lavoro generico includeva attività ampiamente condivise come scrittura di routine, sintesi e pianificazione.
Il lavoro trasversale alle professioni comprendeva attività storicamente associate a un'altra professione. Gli esempi includevano un marketer che risolve problemi software, un venditore che analizza dati dei clienti o il titolare di una piccola impresa che esamina un contratto.
OpenAI aveva rilevato in precedenza che il 16,8% dei messaggi legati al lavoro riguardava attività associate a un'altra professione. Escludendo le attività generiche, il 43,5% dei messaggi specifici per professione ricadeva al di fuori della professione dichiarata dall'utente.
La nuova ricerca chiede cosa sia accaduto dopo quel primo incrocio. Tra i lavoratori osservati nell'intero periodo di quattro mesi, le attività trasversali alle professioni già utilizzate rappresentavano il 13,1% dell'attività AI specifica per professione ad aprile.
A luglio, la quota era salita al 25,9%. Questo aumento non significa che sia cambiato un quarto dell'intero lavoro di qualcuno. Descrive la composizione dell'attività su ChatGPT specifica per professione nel campione osservato da OpenAI.
Un confronto separato ha esaminato se i lavoratori tornassero alla stessa attività trasversale alla professione nel mese successivo. Chi aveva già utilizzato un'attività vi tornava il 23,6% delle volte.
Lavoratori comparabili senza un precedente utilizzo osservato svolgevano quella stessa attività solo l'8,4% delle volte. La differenza sostiene l'esistenza di un modello di ricorrenza, anche se non dimostra che ChatGPT abbia causato il comportamento.
Il tasso medio di ritorno nel mese successivo tra le attività trasversali alle professioni era del 18,5%. Tuttavia, la ricorrenza variava nettamente in base all'attività.
La discussione di beni o servizi con i clienti aveva un tasso di ritorno del 54%. La scrittura pubblicitaria o promozionale raggiungeva il 44%, mentre la creazione di materiali di marketing arrivava al 37%.
La spiegazione di informazioni finanziarie tornava a un tasso molto più basso, circa il 15%. Questo divario è rilevante perché suggerisce in quali ambiti i lavoratori si sentano a proprio agio nell'estendere i propri ruoli.
La comunicazione con i clienti e il lavoro promozionale spesso producono risultati che le persone possono rivedere prima della pubblicazione. Le spiegazioni finanziarie possono avere conseguenze maggiori quando gli errori raggiungono clienti, manager o autorità di regolamentazione.
I risultati rivelano anche differenze nel modo in cui i lavoratori chiedono aiuto. Le persone usavano prompt più brevi per le attività esterne alla propria professione rispetto al lavoro nel loro consueto ambito.
Erano meno propense a richiedere istruzioni, consigli, spiegazioni o un formato di output specifico. Tuttavia, erano più inclini a fornire esempi o informazioni di contesto e a chiedere a ChatGPT di verificare qualcosa.
OpenAI interpreta questo comportamento come il ricorso a competenze altrui anziché lo studio di un'intera disciplina. Qualcuno presenta un problema concreto, aggiunge il contesto locale e chiede all'AI di applicare conoscenze provenienti da un altro ambito.
Questo comportamento fa sì che le attività di lavoro su ChatGPT assomiglino a un service desk informale. Il lavoratore non diventa un avvocato, un ingegnere o un analista. L'AI lo aiuta a far avanzare una questione specifica senza un passaggio di consegne convenzionale.
Il cambiamento è rilevante perché un comportamento ripetuto può diventare una pratica operativa. Quando un'attività entra in un flusso di lavoro settimanale, l'organizzazione deve decidere se vi appartenga e con quali controlli.
La ricerca di OpenAI sull'AI nel lavoro mostra come le nuove attività diventino abitudini
L'uso ricorrente fornisce un meccanismo plausibile di cambiamento del lavoro che inizia dal comportamento individuale anziché da una ristrutturazione formale.
Il percorso inizia quando un lavoratore incontra un problema oltre i consueti confini di un ruolo. Il dipendente usa l'AI perché uno specialista non è disponibile, il passaggio di consegne è lento o la questione sembra gestibile.
Se il risultato appare utile, il lavoratore ripete il processo. La ripetizione trasforma un esperimento isolato in un flusso di lavoro, soprattutto quando l'attività si presenta spesso.
Questo meccanismo spiega perché l'espansione delle mansioni tramite AI possa precedere nuovi titoli. I sistemi delle risorse umane cambiano lentamente, mentre un dipendente può aggiungere un prompt, un documento e una fase di revisione in pochi minuti.
Si consideri un product manager che deve riassumere interviste ai clienti e preparare un aggiornamento. Il manager potrebbe anche usare l'AI per analizzare i temi dell'assistenza, redigere linguaggio promozionale o risolvere problemi in una query di tracciamento.
Nessuna di queste aggiunte crea necessariamente una nuova posizione. Insieme, tuttavia, cambiano ciò che il product manager produce abitualmente e i team verso cui vengono effettuati meno passaggi di consegne.
Un venditore potrebbe seguire lo stesso schema con i dati dei clienti. La prima richiesta potrebbe essere un calcolo esplorativo, mentre le richieste successive diventano parte della preparazione dell'account.
Un designer potrebbe usare l'AI per rivedere il testo di una campagna o chiarire i requisiti di implementazione. Il gestore di una piccola impresa potrebbe alternare comunicazione con i clienti, marketing e interpretazione finanziaria di base.
Questi esempi non dimostrano che i lavoratori abbiano padroneggiato le discipline prese in prestito. Illustrano come l'AI riduca lo sforzo necessario per tentare un'attività circoscritta.
Il contesto sembra centrale in questo processo. OpenAI ha rilevato che i lavoratori fornivano più esempi e informazioni di contesto quando operavano al di fuori delle proprie professioni.
Questo comportamento suggerisce che il lavoratore continui a fornire conoscenze che il modello non possiede. Il dipendente comprende il cliente, la scadenza, il documento o il vincolo organizzativo, mentre l'AI contribuisce con un modello trasferibile.
Questa relazione assomiglia più al potenziamento che all'automazione completa. Le precedenti evidenze sul potenziamento di Anthropic hanno rilevato che il 57% dell'uso osservato di Claude prevedeva collaborazione, rispetto al 43% classificato come automazione.
Anthropic ha inoltre avvertito che i suoi dati rappresentavano gli utenti di Claude piuttosto che il mercato del lavoro nel suo complesso. Le conclusioni di OpenAI richiedono la stessa distinzione tra attività osservata nel prodotto e comportamento generale della forza lavoro.
Tuttavia, i due programmi di ricerca indicano una visione del cambiamento basata sulle attività. I lavori consistono di molte attività e l'adozione dell'AI può diffondersi in modo diseguale tra esse.
Alcune attività ricorrono perché sono facili da verificare e si adattano alle routine esistenti. Altre restano rare perché gli errori sono costosi, le regole locali sono complesse o l'approvazione umana resta indispensabile.
Questa disomogeneità è importante per chiunque costruisca un flusso di lavoro AI. Un sistema utile deve preservare documenti, decisioni e contesto che rendono possibile una revisione successiva.
Gli strumenti personali possono aiutare i lavoratori a mantenere questa continuità. Un secondo cervello AI strutturato può collegare richieste ricorrenti al materiale di origine che le sostiene.
L'obiettivo non dovrebbe essere un accumulo illimitato di attività. Dovrebbe essere un processo tracciabile in cui i lavoratori possano recuperare le prove, comprendere le decisioni precedenti e identificare quando sia necessaria la revisione di uno specialista.
Lo studio di OpenAI descrive quindi più della semplice adozione dei prompt. Mostra come l'unità del cambiamento nel lavoro possa essere un'attività ripetuta incorporata in un ruolo invariato.
Questo meccanismo sposta l'attenzione dall'accesso alla progettazione. Fornire ai lavoratori un account AI avvia il processo, ma non determina se l'uso ricorrente diventi lavoro affidabile.
I manager devono decidere quali output richiedano revisione, quali fonti siano consentite e quali decisioni restino al di fuori dell'autorità del lavoratore. Queste scelte determinano se l'espansione del ruolo diventi capacità o esposizione.
L'espansione dei ruoli mette sotto pressione il modello di passaggio allo specialista
Il lavoro ricorrente trasversale ai ruoli mette in discussione le organizzazioni costruite sull'inoltro di ogni problema non familiare a un team specialista.
Le organizzazioni tradizionali separano il lavoro per buone ragioni. Marketing, finanza, legale, ingegneria e operazioni per i clienti sviluppano competenze, standard e responsabilità distinti.
Questi confini creano anche attese. Una piccola richiesta potrebbe entrare in una coda, perdere contesto durante il trasferimento e tornare dopo che il momento originario è passato.
Le attività di lavoro su ChatGPT riducono il costo di tentare una risposta prima di effettuare tale trasferimento. La persona più vicina al problema può redigere, calcolare, classificare o risolvere problemi immediatamente.
Il primo rapporto di OpenAI ha rilevato un modello di incrocio più marcato tra gli utenti medi nei workspace più piccoli. Le attività esterne alla professione rappresentavano il 18,9% dell'attività degli utenti in workspace da due a cinque posti.
La quota era del 16,3% per gli utenti in workspace con più di 100 posti. OpenAI ha suggerito che le organizzazioni più piccole dispongano di meno risorse specialistiche, rendendo più prezioso il supporto generalista.
Questa interpretazione si adatta alla realtà operativa dei piccoli team. La persona che scopre un problema spesso se ne assume la responsabilità perché non è disponibile nessun altro.
Le aziende più grandi hanno più specialisti, ma affrontano anche costi di coordinamento. Un dipendente in grado di preparare una prima bozza migliore può ridurre i rinvii non necessari senza aggirare la revisione finale.
Il modello sotto pressione non è quindi la specializzazione in sé. È l'assunto che ogni attività specialistica debba rimanere interamente all'interno di un ruolo specialistico.
L'AI può separare la preparazione dall'autorizzazione. Un venditore può analizzare un dataset, mentre un analista convalida il metodo. Un manager può redigere domande contrattuali, mentre il consulente legale fornisce il giudizio giuridico.
Questa divisione può rendere più mirato il tempo degli esperti. Gli specialisti ricevono richieste meglio formulate, contesto più ricco e un artefatto preliminare anziché un problema indefinito.
Tuttavia, le organizzazioni possono facilmente usare male questa efficienza. I leader potrebbero concludere che un lavoratore in grado di avviare un’attività possa anche assumersene qualità, rischio e manutenzione.
Questa conclusione trasforma l’espansione del lavoro tramite AI in compressione del ruolo. Diversi ambiti vengono concentrati in un’unica posizione senza rimuovere le responsabilità precedenti.
La differenza emerge spesso nella progettazione dei carichi di lavoro. Se un dipendente aggiunge analisi dei clienti, bozze di marketing e risoluzione di problemi tecnici, quali mansioni precedenti vengono eliminate?
Senza una risposta esplicita, l’azienda non ha riprogettato il lavoro. Ha semplicemente ampliato l’area di cui una sola persona si sente responsabile.
L’uso ricorrente può anche indebolire i cicli di apprendimento degli specialisti. Un team di marketing potrebbe smettere di vedere le domande più comuni dei clienti se il personale commerciale produce ogni risposta in modo indipendente.
Il reparto ingegneria potrebbe non rilevare guasti ricorrenti del prodotto se altri team risolvono i problemi aggirandoli. I team legali potrebbero perdere visibilità sulle preoccupazioni contrattuali ricorrenti se i dipendenti richiedono soltanto l’approvazione finale.
Le organizzazioni hanno quindi bisogno di soglie di escalation. La redazione a basso impatto può restare vicina al lavoratore originario, mentre le decisioni regolamentate, irreversibili o sensibili per i clienti devono passare agli specialisti.
Hanno bisogno anche di registri condivisi. Se ogni lavoratore sviluppa routine private con ChatGPT, l’azienda non può facilmente verificare cosa ha funzionato, cosa è fallito o quali ipotesi si sono diffuse.
Un flusso di lavoro documentato offre ai manager una base migliore per la riprogettazione. I team possono individuare attività ricorrenti tra ruoli diversi, misurare le esigenze di revisione e decidere se una nuova responsabilità appartiene al ruolo.
Per i team di prodotto, un flusso di lavoro AI settimanale offre un modello per mantenere collegate fonti e risultati. Il principio più ampio si applica a tutte le funzioni.
L’obiettivo non è preservare ogni passaggio storico. È mantenere competenza, responsabilità e apprendimento istituzionale anche quando la prima risposta si avvicina al problema.
I risultati di OpenAI mettono sotto pressione i leader che trattano l’adozione come un semplice deployment software. La questione manageriale più rilevante è come cambiano le responsabilità dopo che i lavoratori sviluppano abitudini ripetibili.
Cosa non dimostrano i numeri sulla ricorrenza
Lo studio individua un andamento nell’uso di ChatGPT, ma non dimostra produttività, acquisizione di competenze o una riprogettazione duratura dei ruoli.
Il dataset di OpenAI offre una visibilità insolita sul comportamento effettivo del prodotto. Resta comunque un campione osservazionale tratto da persone che già usano ChatGPT Business per lavoro.
Il campione non rappresenta ogni dipendente, professione, azienda o prodotto AI. Il lavoro fisico e i luoghi di lavoro con accesso limitato a ChatGPT difficilmente vi compaiono in proporzione.
Le professioni sono state dedotte dalle informazioni su ruolo o reparto fornite durante l’onboarding di Business. Il metodo è utile, ma titoli professionali ed etichette dei reparti possono nascondere responsabilità ibride.
Un product manager che svolge analisi dei clienti potrebbe attraversare un confine professionale. La stessa attività potrebbe già rientrare nelle aspettative dell’azienda per quella persona.
Questo problema di classificazione è emerso nel primo rapporto. OpenAI ha riconosciuto che la sua analisi non poteva distinguere pienamente il lavoro interfunzionale appena creato dalle responsabilità esistenti assistite dall’AI.
Il nuovo studio aggiunge evidenze sulla ricorrenza, ma la ricorrenza non risolve questa ambiguità. Un prompt ripetuto potrebbe riflettere una reale espansione del ruolo, un vecchio compito svolto diversamente o un progetto temporaneo.
La finestra di osservazione ha inoltre coperto quattro mesi. È un periodo sufficiente per individuare comportamenti di ritorno, ma troppo breve per stabilire un cambiamento professionale permanente.
La stagionalità può influenzare il marketing, la comunicazione con i clienti, la pianificazione dei budget e il reporting. Un’attività ricorrente in mesi consecutivi può scomparire dopo una campagna o un ciclo di pianificazione.
L’aumento da aprile a luglio richiede un’interpretazione particolarmente prudente. Man mano che i lavoratori provano più attività, cresce il bacino di compiti idonei a essere conteggiati come già utilizzati.
OpenAI segnala questa dinamica nella sua metodologia. La quota crescente è coerente con la formazione di routine, ma non dovrebbe essere trattata come una stima causale controllata.
La ricerca misura inoltre i messaggi, non gli esiti aziendali completati. Non mostra se gli output siano stati accettati, corretti, scartati o associati a miglioramenti misurabili.
Un lavoratore che torna a un’attività potrebbe indicarne il valore. Potrebbe anche riflettere difficoltà ripetute, risultati inadeguati o un processo che richiede più tentativi.
Un esperimento sui modelli di lavoro dell’NBER offre un contesto utile per questo limite. Quello studio ha assegnato casualmente ai lavoratori l’accesso all’AI generativa all’interno di comuni applicazioni lavorative.
Ha rilevato che l’accesso modificava il modo in cui le persone distribuivano il tempo tra le attività. Tuttavia, gli studi sull’accesso sperimentale e le analisi dei registri dei messaggi rispondono a domande diverse.
Gli esperimenti possono stimare cambiamenti causali in condizioni specifiche. I log di prodotto rivelano comportamenti naturali su scala molto più ampia, ma con minore controllo su selezione e contesto.
Nessuno dei due approcci, da solo, determina se ruoli più ampi migliorino la qualità del lavoro. Produttività, autonomia, apprendimento, stress e retribuzione possono muoversi in direzioni diverse.
C’è anche una questione di competenza. Fornire contesto e chiedere una verifica può migliorare la risposta di un modello, ma non conferisce al lavoratore il giudizio di uno specialista.
Una spiegazione finanziaria ben rifinita può comunque contenere un errore sottile. Una correzione software plausibile può introdurre problemi di sicurezza. Un testo di marketing può violare un vincolo implicito di brand o normativo.
Le attività ricorrenti più frequenti nello studio di OpenAI riguardano in larga parte comunicazione e lavoro promozionale. La loro rilevanza può riflettere una facile integrazione piuttosto che prestazioni affidabili del modello.
La minore ricorrenza delle spiegazioni finanziarie suggerisce un’altra possibilità. I lavoratori potrebbero riconoscere che alcuni ambiti richiedono maggiore cautela, revisione o responsabilità.
Le organizzazioni non dovrebbero interpretare la ricorrenza come un’autorizzazione automatica. Un’attività utile può comunque richiedere un revisore definito, un insieme di fonti approvate e un limite chiaro alle decisioni rilevanti.
La privacy è un’altra considerazione. OpenAI afferma di aver escluso i dati disabilitati per l’addestramento e i messaggi privi di classificazioni utilizzabili, preservando al contempo l’anonimato tramite aggregazione.
Questo riguarda il processo di ricerca descritto nel rapporto. I datori di lavoro hanno comunque bisogno di proprie regole per le informazioni riservate, i dati dei clienti e i registri inseriti nei sistemi AI.
La conclusione più difendibile è più circoscritta di una promessa di occupazione trasformata. Alcuni lavoratori usano ripetutamente ChatGPT oltre i confini professionali, e alcune attività ricorrono più spesso di altre.
Questo risultato merita attenzione perché le routine spesso precedono il cambiamento formale. Non stabilisce se i lavori risultanti siano migliori, più sicuri, più produttivi o equamente retribuiti.
Tre segnali mostreranno se l’espansione del lavoro tramite AI durerà
Il prossimo test è verificare se il comportamento ricorrente tra ruoli diversi produca flussi di lavoro responsabili, un’adozione più ampia misurata e migliori risultati lavorativi.
Il primo segnale è la persistenza su periodi di osservazione più lunghi. La finestra di quattro mesi di OpenAI ha catturato l’inizio di comportamenti ripetuti, non il loro intero ciclo di vita.
I rapporti futuri dovrebbero mostrare se le stesse attività restano presenti dopo sei o dodici mesi. Una ricorrenza duratura rafforzerebbe l’interpretazione dell’espansione del lavoro.
Un calo suggerirebbe che molti usi erano esperimenti temporanei, esigenze stagionali o compiti che i lavoratori hanno infine restituito agli specialisti.
Conta anche la composizione del lavoro ricorrente. Una continua concentrazione nella scrittura promozionale implicherebbe un cambiamento più ristretto rispetto a un’espansione verso analisi, lavoro tecnico o processi regolamentati.
Il secondo segnale è se il modello compaia oltre gli utenti di ChatGPT Business. OpenAI, Anthropic, Microsoft e ricercatori indipendenti osservano popolazioni diverse attraverso prodotti diversi.
Risultati convergenti ridurrebbero la probabilità che il design del prodotto o il mix di clienti spieghino il risultato. Divergenze rivelerebbero come le interfacce dei modelli e gli ambienti di lavoro plasmino il comportamento.
La ricerca di Anthropic ha rilevato un’attività AI concentrata nello sviluppo software e nella scrittura. Il lavoro di OpenAI sulle attività trasversali evidenzia calcolo finanziario, risoluzione di problemi tecnici, marketing e attività rivolte ai clienti.
Queste prospettive sono compatibili, ma non intercambiabili. Ogni fornitore osserva il comportamento attraverso il proprio prodotto, la propria base utenti, il proprio sistema di classificazione e il proprio processo di misurazione che tutela la privacy.
I ricercatori dovrebbero inoltre distinguere i lavoratori che usano volontariamente strumenti di chat generalisti dai dipendenti a cui l’organizzazione assegna sistemi AI. Motivazione e aspettative manageriali possono influenzare la ricorrenza.
Il terzo segnale è la risposta organizzativa. I datori di lavoro devono mostrare se i compiti ricorrenti tra ruoli diversi entrino in flussi di lavoro formali con revisione, formazione e responsabilità adeguate.
Una descrizione del lavoro rivista fornirebbe un indicatore visibile. Nuovi punti di controllo per l’approvazione, programmi di competenze o misure del carico di lavoro fornirebbero evidenze operative più solide.
Anche i sistemi di retribuzione e promozione saranno importanti. Se i lavoratori producono una gamma più ampia di output di valore, le organizzazioni devono decidere se questa ampiezza conta come crescita di competenze riconosciuta.
Se i doveri si ampliano senza riconoscimento, la stessa tendenza potrebbe produrre un’intensificazione del lavoro. I dipendenti gestirebbero più ambiti pur restando valutati in base alle responsabilità precedenti.
La ricerca di OpenAI sull’AI nel luogo di lavoro rende questa scelta manageriale più difficile da ignorare. L’accesso all’AI può modificare la divisione del lavoro ancora prima che i leader annuncino una ristrutturazione.
Questo cambiamento può favorire i lavoratori quando elimina ritardi e dà loro un maggiore controllo sui risultati. Può favorire gli specialisti quando la preparazione di routine arriva meglio organizzata.
Può anche creare rischi nascosti quando il lavoro generato sfugge alla revisione degli esperti. Il fattore decisivo non è solo la qualità del modello, ma la progettazione della responsabilità attorno a ogni attività ricorrente.
I lavoratori della conoscenza dovrebbero iniziare a identificare quali attività assistite dall’AI sono diventate silenziosamente regolari. Dovrebbero registrare le fonti, i revisori, le correzioni e le conseguenze associate a tali attività.
I manager dovrebbero porsi una domanda complementare: quale vecchia responsabilità è stata ridotta quando una nuova è entrata nel flusso di lavoro? Se la risposta è nessuna, l’espansione potrebbe già trasformarsi in sovraccarico.
Il passo successivo più utile è un piccolo audit dell’uso ricorrente dell’AI. Selezionate un mese di attività ripetute, separate la preparazione dalle decisioni finali e individuate i punti di revisione mancanti.
Quindi confrontate i risultati con il mese successivo. L’attività è rimasta utile, ha ridotto un passaggio di consegne, ha richiesto meno correzioni o ha semplicemente spostato più responsabilità su un solo lavoratore?
OpenAI ha individuato un percorso credibile dalla sperimentazione alla routine. Lavoratori e datori di lavoro hanno ora bisogno di prove che queste routine migliorino il lavoro invece di limitararsi ad ampliarlo.
