I colleghi AI persistenti segnano la proposta di terza era di OpenAI
OpenAI ha delineato una terza era per i suoi prodotti, sebbene i colleghi AI persistenti restino più una visione che un prodotto finito. L’affermazione ha raggiunto molti lettori attraverso un titolo su google news, ma le sue implicazioni vanno oltre un’altra funzionalità per il lavoro.
Tara Seshan, responsabile di prodotto di OpenAI per Codex e ChatGPT Work, ha descritto tre fasi durante un’apparizione del 30 agosto su Lenny’s Podcast. Prima è arrivata la chat. Poi sono seguiti gli agenti capaci di completare compiti. I colleghi persistenti rappresentano la proposta per la fase successiva.
Questa progressione crea la tensione centrale. OpenAI vuole che l’AI diventi una presenza continuativa nel lavoro, ma affidabilità, autorizzazioni, memoria e coordinamento dei team restano questioni irrisolte. Anthropic, Microsoft e altri fornitori enterprise stanno perseguendo idee correlate, trasformando il tutto in una competizione per l’interfaccia del luogo di lavoro del futuro.
Cosa ha effettivamente detto OpenAI sulla sua terza era
La definizione di terza era di OpenAI descrive una relazione di lavoro continuativa, non un dipendente autonomo appena lanciato.
I commenti di Seshan sono emersi durante un’intervista sullo sviluppo dei prodotti, Codex, ChatGPT Work e il ruolo in evoluzione dei knowledge worker. L’episodio del podcast è durato circa 82 minuti ed è stato pubblicato il 30 agosto 2026.
Ha diviso l’evoluzione dei prodotti AI in tre periodi. Il primo era incentrato sulla chat, in cui un utente pone una domanda e riceve una risposta. Il secondo ha introdotto agenti che perseguono obiettivi e completano attività in più fasi.
Il terzo periodo proposto riguarda i colleghi AI persistenti. Questi sistemi resterebbero connessi ai progetti, conserverebbero il contesto di lavoro rilevante e collaborerebbero per periodi più lunghi. Non ripartirebbero da un prompt vuoto ogni volta che un utente torna.
Seshan ha presentato questa fase come qualcosa che “potrebbe arrivare presto”, non come una categoria di prodotto consolidata con specifiche definite. La distinzione conta perché il report iniziale riduce una discussione ampia a un titolo definitivo.
Un lettore di google news potrebbe ragionevolmente interpretare quel titolo come un annuncio formale di OpenAI. La fonte sottostante supporta una conclusione più prudente. Una responsabile senior di prodotto ha descritto la direzione che si aspetta prenderanno le interfacce AI.
La parola “persistente” può avere diversi significati. Può riferirsi alla memoria tra sessioni, all’esecuzione continuativa, al lavoro ricorrente programmato o all’accesso a materiali di progetto condivisi. Può anche descrivere un agente che verifica regolarmente i progressi con i suoi collaboratori umani.
OpenAI non ha pubblicato un’unica definizione tecnica che copra ogni parte di questa visione. L’intervista collega invece diverse capacità esistenti a una direzione di prodotto ancora incompleta.
ChatGPT Work gestisce già incarichi più lunghi tra file e applicazioni connesse. Codex può suddividere il lavoro tecnico tra agenti paralleli. Progetti e conversazioni sincronizzate preservano più contesto tra dispositivi e sessioni.
Questi componenti indicano la persistenza senza creare completamente un collega AI. Un vero collega deve comprendere obiettivi mutevoli, riconoscere i confini organizzativi e spiegare ciò che ha fatto. Deve anche sapere quando fermarsi.
L’interfaccia proposta cambia l’unità di interazione. La chat inizia con un messaggio. Un agente inizia con un’attività delegata. Un collega persistente inizierebbe con una responsabilità continuativa e manterrebbe una relazione di lavoro attorno a essa.
Prendiamo il lancio di un prodotto. Un assistente chat potrebbe riassumere le interviste ai clienti. Un agente potrebbe analizzare tali interviste e redigere un report. Un collega persistente seguirebbe il lancio, aggiornerebbe l’analisi, segnalerebbe contraddizioni e parteciperebbe ai cicli di pianificazione successivi.
Questo ruolo continuativo rende l’idea più rilevante di un altro aggiornamento per chatbot. Introduce inoltre più modi in cui un contesto incompleto o un accesso eccessivo possono generare errori.
Il titolo coglie quindi una tesi reale di OpenAI, ma non una transizione completata. La terza era è una destinazione verso cui OpenAI sta procedendo attraverso Work, Codex, app, memoria e interfacce collaborative.
Perché i colleghi AI persistenti contano ora
Il cambiamento conta perché OpenAI sta passando dal rispondere ai lavoratori al partecipare ai flussi di lavoro che producono artefatti aziendali finiti.
OpenAI ha introdotto ChatGPT Work il 9 luglio 2026. L’azienda afferma che l’agente può operare tra applicazioni e file, restare su un progetto per ore e creare materiali completi.
Questi risultati includono documenti, fogli di calcolo, presentazioni, report e siti web. Gli utenti possono seguire i progressi, rispondere alle domande, reindirizzare il lavoro e approvare azioni importanti.
Questo è diverso dal generare testo all’interno di una conversazione. L’agente deve raccogliere informazioni, decidere quali passaggi intraprendere, usare software esterno e mantenere uno stato sufficiente per completare un incarico più lungo.
L’annuncio di Work di OpenAI posiziona il prodotto come partner per attività ambiziose. Questo linguaggio inizia a somigliare alla tesi del collega persistente, anche se Work opera ancora attorno a incarichi avviati dagli utenti.
Seshan ha anche descritto un orizzonte ristretto per lo sviluppo dei prodotti. Il suo team cerca di progettare per modelli attesi entro due o tre mesi. Progettare solo per le capacità attuali produce un’interfaccia obsoleta, mentre fare previsioni a un anno di distanza diventa speculativo.
Questo approccio spiega perché OpenAI stia discutendo della terza era prima che ogni capacità di supporto appaia matura. I team di prodotto devono preparare modelli di interazione per abilità che stanno ancora arrivando.
La tempistica riflette anche il cambiamento nell’uso interno di OpenAI. L’azienda afferma che Codex è passato da strumento principalmente ingegneristico a supportare il lavoro svolto da legale, finanza, recruiting e altri reparti.
Nel maggio 2026, secondo quanto riportato, oltre il 70 percento degli utenti ha assegnato a Codex lavori che avrebbero richiesto a una persona più di un’ora. A giugno, gli utenti al 99º percentile hanno generato oltre 60 ore di attività quotidiana degli agenti su attività parallele.
Queste cifre provengono dall’analisi di OpenAI, quindi non dovrebbero essere considerate misurazioni indipendenti. Rivelano comunque quale comportamento l’azienda consideri strategicamente importante.
Lo studio sull’uso di Codex afferma che l’adozione da parte dei non sviluppatori è cresciuta più rapidamente di quella degli sviluppatori dopo agosto 2025. Anche l’uso per la ricerca all’interno di OpenAI è aumentato sensibilmente nel periodo misurato.
Gli incarichi più lunghi creano pressione per la continuità. Gli utenti non possono supervisionare in modo efficiente diversi agenti se ogni sessione richiede di ricostruire il progetto, le decisioni rilevanti e i vincoli organizzativi.
La persistenza promette di ridurre questo sovraccarico. Un agente che ricorda obiettivi approvati, lavoro recente e questioni aperte può riprendere con meno spiegazioni. Il contesto condiviso rende inoltre più semplice la delega in un team.
Questo ricorda lo scopo di una base di conoscenza personale. Le informazioni archiviate diventano utili quando un sistema riesce a recuperare il contesto giusto durante il lavoro attivo.
Tuttavia, la memoria organizzativa è più difficile del recupero personale. Le aziende contengono documenti in conflitto, politiche in evoluzione, restrizioni di accesso e decisioni informali. Un collega deve distinguere le indicazioni correnti dai materiali obsoleti.
I team devono anche capire da dove l’agente ha ottenuto il proprio contesto. Un output ben rifinito è meno prezioso quando i revisori non riescono a ricostruirne le ipotesi o a determinare quale fonte abbia guidato una decisione.
Gli agenti persistenti esercitano quindi pressione su diverse categorie software esistenti. I sistemi di gestione dei progetti devono accogliere partecipanti macchina. Le piattaforme di conoscenza devono fornire contesto in tempo reale. I sistemi di identità devono rappresentare l’autorità delegata.
Anche le applicazioni aziendali affrontano una nuova questione di interfaccia. Possono restare destinazioni in cui le persone svolgono il lavoro oppure diventare servizi che gli agenti gestiscono sotto supervisione.
Ecco perché la definizione di terza era merita attenzione. OpenAI non sta semplicemente prevedendo risposte migliori. Sta proponendo che l’interfaccia del luogo di lavoro organizzi persone, modelli, dati e strumenti attorno a obiettivi continuativi.
Google News ha colto l’affermazione, ma non il divario del prodotto
La formulazione di google news fa sembrare completa la transizione, mentre il linguaggio di OpenAI descrive una direzione con importanti elementi mancanti.
L’aggregazione delle notizie premia dichiarazioni concise. “I colleghi AI persistenti sono la terza era di OpenAI” circola più facilmente di una discussione circostanziata su interfacce future, esperimenti di prodotto e orizzonti di pianificazione dei modelli.
Questa compressione è utile per la scoperta. È meno utile per comprendere ciò che gli acquirenti possono implementare oggi.
ChatGPT Work può svolgere incarichi lunghi, ma un incarico non equivale a un ruolo duraturo. Codex può eseguire agenti paralleli, ma l’esecuzione coordinata non crea automaticamente una comprensione organizzativa condivisa.
Anche la memoria resta più limitata della continuità umana. Un sistema può archiviare cronologia delle conversazioni o file di progetto senza comprendere quali decisioni passate siano ancora vincolanti. Recupero e giudizio sono problemi distinti.
La differenza diventa chiara nel lavoro ricorrente. Immaginate un agente che prepari un aggiornamento settimanale sul prodotto a partire da interviste, messaggi di assistenza, analisi e note di ingegneria.
La prima esecuzione richiede accesso, istruzioni, standard di output e definizioni per metriche importanti. Un collega persistente dovrebbe riutilizzare questa configurazione nelle esecuzioni successive senza cristallizzare ipotesi superate.
Dovrebbe accorgersi quando cambia il piano di lancio. Dovrebbe chiedere se una nuova metrica sostituisce quella precedente. Dovrebbe conservare le prove precedenti evitando al contempo conclusioni che non si applicano più.
Deve inoltre coordinarsi con più persone. Un product manager, un designer e un ingegnere possono non essere d’accordo sulle priorità. L’accesso condiviso non indica a un agente quale istruzione determini l’artefatto finale.
Seshan ha descritto l’interfaccia futura come multiplayer. Gruppi di persone guiderebbero gruppi di agenti attorno a informazioni condivise e prodotti del lavoro. Questo modello va oltre lo schema familiare di un utente che dirige un assistente.
Il lavoro multiplayer introduce questioni di proprietà. Qualcuno deve sapere quale agente ha creato un artefatto, quale persona lo ha approvato e quale sistema ha fornito i dati sottostanti.
I conflitti diventano inevitabili quando gli agenti ricevono responsabilità sovrapposte. Due agenti potrebbero modificare la stessa presentazione, contattare lo stesso cliente o interpretare una policy in modo diverso.
I team software gestiscono già un coordinamento simile attraverso controllo di versione, regole di accesso, revisioni e registri di audit. I colleghi persistenti richiedono controlli equivalenti nel lavoro della conoscenza meno strutturato.
Questo aiuta a spiegare la distinzione di Seshan tra “guidare” e “remare”. Gli agenti eseguono sempre più il lavoro operativo, mentre le persone scelgono la direzione, valutano i compromessi e prendono decisioni ponderate.
La metafora è convincente, ma guidare può richiedere più attenzione quando l’esecuzione è difficile da ispezionare. Un manager che supervisiona diversi agenti opachi potrebbe dedicare meno tempo a produrre lavoro e più tempo a verificarlo.
Questo rischio è particolarmente rilevante quando l’AI crea materiali finiti. Gli errori possono passare da una risposta a un foglio di calcolo, una presentazione, un messaggio al cliente o un sistema operativo prima che qualcuno li noti.
Un collaboratore persistente utile richiede quindi più di un tempo di esecuzione più lungo. Richiede contesto durevole, autorità esplicita, provenienza visibile, azioni controllabili e un’escalation affidabile.
OpenAI dispone di alcuni elementi di questo stack. Le app ChatGPT collegano fonti esterne. Work supporta le approvazioni. Codex offre un’esecuzione strutturata delle attività. I controlli Enterprise limitano le risorse a cui gli utenti possono accedere.
Il divario di prodotto consiste nel combinare questi elementi in una relazione affidabile che duri nel tempo, attraverso progetti, persone e condizioni in evoluzione.
I lettori che arrivano tramite google news dovrebbero considerare l’etichetta della terza era come una mappa strategica. Non è la prova che sia già arrivato un collega digitale generalista.
OpenAI Compete per Possedere l’Interfaccia del Collaboratore
La competizione principale è tra la collaborazione AI persistente e l’attuale modello di agenti isolati e basati su singole attività.
Il concorrente più vicino di OpenAI non è una sola azienda. È il modello di interazione prevalente in cui gli utenti aprono uno strumento, assegnano un’attività, ne esaminano il risultato e ricominciano.
Questo modello limita l’autonomia, ma contiene gli errori. L’agente riceve un contesto temporaneo, opera all’interno di una sessione delimitata e di solito si ferma dopo aver fornito una risposta o un artefatto.
La persistenza rimuove alcuni di questi confini. L’agente ottiene più tempo, più contesto e potenzialmente più accessi. Queste aggiunte possono migliorarne l’utilità, aumentando al contempo il costo degli errori.
OpenAI vuole rendere la persistenza gestibile attraverso prodotti che collegano chat, lavoro della conoscenza e programmazione. Seshan ha descritto Chat, Work e Codex come modalità distinte per diversi tipi di attività.
Chat resta utile per la ricerca, l’analisi e la conversazione. Work gestisce incarichi di conoscenza più ampi. Codex si concentra sullo sviluppo software e sull’esecuzione tecnica.
Un collaboratore persistente potrebbe infine spostarsi tra queste modalità. Potrebbe discutere un obiettivo in Chat, sviluppare un’analisi tramite Work e chiedere a Codex di creare l’automazione di supporto.
Questo percorso integrato offre a OpenAI un vantaggio importante. L’azienda può collegare un’interfaccia conversazionale ampiamente utilizzata con l’esecuzione degli agenti, gli strumenti per sviluppatori e i dati aziendali.
Tuttavia, Anthropic persegue un comportamento analogo sul lungo periodo. I suoi prodotti Claude enfatizzano la memoria tra le sessioni, il lavoro prolungato, gli agenti di programmazione e i flussi di lavoro enterprise.
Anthropic afferma che Claude Opus 4.7 può mantenere il contesto tra le sessioni e gestire progetti che durano più giorni. Come le affermazioni di OpenAI, questa descrizione proviene dal fornitore e richiede una valutazione in ambienti specifici.
Microsoft affronta il mercato anche attraverso applicazioni, identità enterprise e agenti Copilot. La sua distribuzione in Microsoft 365 le dà accesso immediato a documenti, riunioni, email e autorizzazioni organizzative.
Questa competizione non riguarda semplicemente i punteggi dei modelli. L’azienda che diventa il livello di coordinamento del luogo di lavoro può mediare il modo in cui gli agenti vedono i dati, richiedono approvazioni e producono artefatti.
La fiducia può contare più dell’autonomia pura. Gli acquirenti enterprise hanno bisogno di controlli che riflettano le identità esistenti, le politiche di conservazione, gli obblighi normativi e la separazione tra dipartimenti.
Anche la qualità del contesto è importante. Un modello con un accesso esteso può comunque selezionare il documento sbagliato o ignorare una decisione presa durante una riunione non registrata.
Questo crea un’opportunità per sistemi di conoscenza che organizzano le informazioni personali e di team prima che un agente agisca. Un affidabile AI workflow necessita di fonti chiare e punti di revisione, non soltanto di un prompt più lungo.
La strategia di prodotto di OpenAI mette inoltre in discussione i tradizionali modelli di prezzo e utilizzo del software, anche senza discutere condizioni commerciali specifiche. Il software ha spesso venduto licenze a utenti umani. Gli agenti persistenti consumano risorse in modo continuo e possono svolgere lavoro attraverso diverse applicazioni.
I fornitori devono decidere se gli agenti contano come utenti, integrazioni, automazioni o una nuova categoria. I clienti devono stabilire chi possiede i loro output e quale dipartimento paga per l’attività sottostante.
C’è anche una sfida culturale. Gli agenti basati su singole attività si adattano alle abitudini consolidate di delega. I collaboratori persistenti chiedono ai team di trattare il software come un partecipante con responsabilità continuative.
Questo cambiamento richiede nuove pratiche di gestione. I team devono assegnare l’ambito, rivedere gli output, registrare le decisioni e rimuovere gli accessi quando le responsabilità cambiano.
OpenAI può fornire l’interfaccia, ma i datori di lavoro devono riprogettare attorno a essa il modello operativo. L’adozione rallenterà se le organizzazioni non saranno in grado di spiegare chi resta responsabile.
L’approccio vincente renderà la persistenza controllabile. Gli utenti devono poter ispezionare il lavoro in corso, correggere le ipotesi, limitare l’autorità e recuperare dagli errori senza riavviare un intero progetto.
È un livello più alto rispetto alla produzione di una dimostrazione impressionante. Richiede affidabilità in condizioni di lavoro ordinarie, disordinate e ostili.
La Persistenza Espande Sia le Capacità Sia il Rischio
Ogni funzionalità che rende più utile un collaboratore AI offre anche a errori e attacchi più tempo per diffondersi.
Un errore in chat di solito riguarda una sola risposta. Un errore di un agente persistente può influenzare decisioni successive perché il sistema può memorizzare, recuperare e sviluppare una conclusione difettosa.
La memoria errata è una preoccupazione. Un agente potrebbe conservare una decisione preliminare come definitiva, mantenere informazioni sui clienti non aggiornate o associare un’istruzione al progetto sbagliato.
L’accesso crea un altro problema. Un collaboratore che prepara report attraverso email, documenti, calendari e database interni necessita di un’ampia visibilità. Tale visibilità può esporre materiale sensibile quando le autorizzazioni sono definite male.
I diritti di azione alzano ulteriormente la posta. Leggere una scheda cliente è diverso dal modificarla. Redigere un’email è diverso dall’inviarla. Preparare codice è diverso dal distribuirlo.
I collaboratori persistenti consumano anche contenuti non affidabili. Email, siti web, documenti e messaggi possono contenere testo progettato per manipolare un agente tramite prompt injection indiretta.
NIST descrive l’hijacking degli agenti come un attacco in cui istruzioni dannose compaiono all’interno dei dati elaborati da un agente. Il sistema può quindi compiere un’azione non intenzionale credendo di completare il compito dell’utente.
In una valutazione NIST, tentativi ripetuti hanno aumentato il tasso medio di successo per gli attacchi selezionati dal 57 all’80 per cento. Questi risultati provenivano da una configurazione sperimentale specifica, non da ogni agente distribuito.
La scoperta mette comunque in luce un problema di persistenza. Un sistema a lunga esecuzione incontra più contenuti e offre agli aggressori più opportunità rispetto a una conversazione breve e isolata.
Il lavoro di NIST sulla sicurezza degli agenti evidenzia prompt injection indiretta, avvelenamento dei dati, manipolazione delle specifiche e azioni dannose senza input avversari. L’agenzia sta sviluppando linee guida per sistemi a singolo agente e multi-agente.
Identità e autorizzazione diventano difese centrali. Ogni agente necessita di un ruolo identificabile, autorizzazioni limitate e registri che mostrino quali azioni ha intrapreso e sotto l’autorità di chi.
Un collaboratore persistente non dovrebbe ereditare ogni autorizzazione detenuta dal suo supervisore. Dovrebbe ricevere soltanto l’accesso minimo necessario per la responsabilità assegnata.
Anche i punti di controllo per l’approvazione necessitano di contesto. Una vaga casella di conferma non può proteggere gli utenti se nasconde l’azione proposta, la destinazione, i dati coinvolti e gli effetti a valle.
OpenAI afferma che ChatGPT Work consente agli utenti di approvare azioni importanti. Si tratta di un controllo significativo, ma l’azienda non ha dimostrato che ogni azione lavorativa rilevante sarà classificata correttamente.
Anche la revisione umana ha dei limiti. Richieste di approvazione frequenti e di bassa qualità generano affaticamento. Gli utenti possono approvare automaticamente le azioni, soprattutto quando un agente ha eseguito correttamente molti passaggi precedenti.
I flussi di lavoro lunghi complicano la valutazione. Un documento finale può sembrare accurato pur dipendendo da un’ipotesi errata introdotta ore prima. I revisori necessitano della provenienza delle decisioni intermedie, non soltanto di un artefatto concluso.
La persistenza solleva anche questioni di privacy. Una memoria utile richiede conservazione, ma una conservazione non necessaria aumenta l’esposizione. I team hanno bisogno di controlli per eliminazione, correzione, scadenza e separazione tra progetti.
Il modello multiplayer aggiunge un ulteriore livello. L’output di un agente può diventare l’input di un altro, creando una catena in cui l’errore originario diventa più difficile da individuare.
Le organizzazioni dovrebbero quindi valutare i collaboratori persistenti come sistemi, non come modelli. I test devono coprire connettori, autorizzazioni, memoria, approvazioni umane, verificabilità e comportamento di recupero.
OpenAI ha descritto controlli di sicurezza e governance per le distribuzioni enterprise. Tuttavia, l’ampia visione della terza era non ha ancora ricevuto una convalida indipendente nelle organizzazioni tipiche.
La conclusione prudente non è che gli agenti persistenti siano inutilizzabili. È che la persistenza modifica il modello di rischio tanto quanto il modello di produttività.
Il titolo di google news enfatizza la destinazione. L’adozione enterprise dipenderà da prove che il percorso includa controlli affidabili, tassi di errore misurabili e responsabilità chiare.
Tre Segnali Mostreranno se la Terza Era Sta Arrivando
La tesi della terza era di OpenAI diventa credibile soltanto quando persistenza, coordinamento multiplayer e autonomia controllata compaiono in distribuzioni reali.
Il primo segnale è un prodotto che mantiene lo stato del progetto per giorni senza costringere gli utenti a ricostruire il contesto. ChatGPT Work continua già le attività lunghe, ma il comportamento di un collaboratore durevole richiede di più.
Osservate controlli espliciti su ciò che il sistema ricorda, quali fonti restano autorevoli e quando il contesto memorizzato scade. Le correzioni dovrebbero propagarsi senza cancellare la cronologia necessaria per la responsabilità.
Se OpenAI distribuirà questi controlli con una provenienza visibile, l’affermazione della terza era acquisirà sostegno. Se la persistenza resterà cronologia delle conversazioni più recupero esteso, la distinzione dagli assistenti attuali rimarrà debole.
Il secondo segnale è una vera interfaccia multiplayer. Seshan ha descritto gruppi di persone che guidano gruppi di agenti, eppure la maggior parte delle interazioni commerciali ruota ancora attorno a una persona e un agente attivo.
Un’implementazione convincente mostrerebbe proprietà condivisa, istruzioni basate sui ruoli, risoluzione dei conflitti, identità degli agenti e code di revisione. Impedirebbe inoltre a due agenti di sovrascrivere silenziosamente il lavoro l’uno dell’altro.
Questa interfaccia deve funzionare al di fuori di dimostrazioni controllate. I team dovrebbero poter vedere quale persona ha cambiato direzione, quale agente ha agito e quale artefatto rappresenta il risultato accettato.
Un coordinamento multiplayer riuscito rafforzerebbe l’argomentazione di OpenAI secondo cui l’AI sta diventando un collaboratore. Un fallimento suggerirebbe che gli agenti restano strumenti personali collegati a singoli account.
Il terzo segnale è costituito da prove indipendenti su affidabilità e sicurezza. I case study dei fornitori mostrano ciò che i prodotti possono realizzare, ma gli acquirenti hanno bisogno di tassi di errore in condizioni realistiche.
Cercate valutazioni che includano prompt injection, memoria obsoleta, istruzioni in conflitto, autorizzazioni revocate e recupero dopo flussi di lavoro interrotti. Gli audit dovrebbero misurare gli errori rilevanti, non soltanto il completamento delle attività.
Anche le attività normative e di standardizzazione influenzeranno l’adozione. NIST sta esaminando identità degli agenti, autorizzazione, monitoraggio e controlli di sicurezza. Standard chiari aiuterebbero i clienti a confrontare i sistemi usando aspettative comuni.
Le risposte della concorrenza contano all’interno di tutti e tre i segnali. Anthropic e Microsoft possono indebolire la posizione di OpenAI offrendo una memoria, una governance o un coordinamento più affidabili prima che OpenAI completi la propria visione integrata.
Il vantaggio di OpenAI è l’ampiezza della sua superficie di prodotto. La sua sfida è trasformare Chat, Work, Codex, app e controlli enterprise in una relazione coerente.
Per chi lavora con la conoscenza, la domanda pratica non è se un’AI meriti il titolo di “collega”. La domanda migliore è quali responsabilità possa assumere senza rendere la supervisione più difficile dell’esecuzione.
Si parta da un flusso di lavoro ricorrente e verificabile. Definitene le fonti, i permessi, i punti di approvazione e il responsabile. Poi misurate il tempo di correzione, il contesto mancato e gli errori con conseguenze rilevanti nel corso di esecuzioni ripetute.
Questo processo mette alla prova la sostanza dietro l’affermazione di google news. I colleghi AI persistenti rappresenteranno una terza era solo quando sapranno preservare il contesto senza perpetuare gli errori.
Dovranno coordinarsi senza oscurare le responsabilità e agire senza oltrepassare la propria autorità. Finché queste condizioni non saranno dimostrate, la terza era di OpenAI resterà una seria tesi di prodotto, anziché una transizione già compiuta nel mondo del lavoro.
