Per due anni abbiamo usato l'intelligenza artificiale come un assistente che risponde a una domanda alla volta. Il dato più interessante che OpenAI ha pubblicato sull'Europa racconta un passaggio diverso: le aziende iniziano a usare agenti, cioè sistemi che ricevono un obiettivo, pianificano i passaggi, usano strumenti e completano il lavoro. Vale la pena leggere quei numeri con attenzione tecnica, tenendo presente che arrivano dall'azienda stessa e riguardano soprattutto i suoi clienti, non l'intero mercato.

## Dalla risposta all'esecuzione

La differenza pratica è semplice. Con un assistente chiedi "riassumimi questo contratto". Con un agente dai un obiettivo, per esempio "confronta le tre versioni di questo contratto, segnala le clausole cambiate rispetto al modello standard e prepara una bozza di risposta al cliente". L'agente legge i file, esegue i confronti, produce gli output e può fermarsi quando qualcosa non torna.

In un progetto tipico per una PMI, il valore non sta nella singola risposta ma nella catena di attività che l'agente chiude da solo: raccogliere dati da più fonti, verificarli, generare un documento e passarlo a una persona per la revisione finale. Il lavoro umano si sposta dall'esecuzione alla supervisione, ed è proprio questo spostamento che rende il tema concreto anche per chi non ha un team di sviluppo.

## Cosa dicono i numeri

Il documento riporta alcuni dati che meritano di essere letti uno per uno. Tra le PMI europee con fino a 200 utenti, gli utenti attivi settimanali di Codex e ChatGPT Work sono cresciuti più di otto volte da maggio 2026, con una crescita in ogni Stato membro. Nel campione europeo, inoltre, Codex e ChatGPT Work generano oltre la metà dei token di output.

Il dato che colpisce di più riguarda la differenza tra paesi: la quota di token di output prodotta tramite strumenti agentici varia dal 22% in Slovenia all'85% in Lituania. Il divario tra le aziende più intensive e quelle tipiche è altrettanto netto. Le cosiddette "frontier firms" europee, cioè il 10% delle aziende con più token per utente attivo, ne generano più di quattro volte rispetto alla media europea. Quelle extra-UE ne generano più del doppio rispetto alle europee, e le aziende UE rappresentano solo il 10% delle frontier firms globali.

Va però tenuto presente un limite importante: i token sono un indicatore di utilizzo, non di valore prodotto. Un'azienda può consumare molti token e ottenere poco, così come può ottenere molto con un uso mirato. Il dato dice dove si sta muovendo l'attività, non quanto renda.

## Perché il divario è organizzativo

Il messaggio più utile del documento non riguarda la tecnologia, che è accessibile a chiunque. Riguarda il modo in cui le organizzazioni la integrano. Il pattern più comune è questo: qualcuno nel team sperimenta da solo, ottiene risultati interessanti, e l'esperienza resta confinata a quella persona. Per uscire da questa fase servono tre cose.

La prima sono i processi documentati. Un agente non può automatizzare un'attività che nessuno ha mai scritto: se la procedura di preventivazione esiste solo nella testa di due persone, il primo passo è metterla su carta. La seconda sono i permessi. Un agente con accesso a cartelle condivise, email o gestionali solleva domande di sicurezza e di privacy che vanno affrontate prima, non dopo. La terza è la misurazione. Senza un indicatore di esito, come il tempo per pratica o il numero di errori trovati, non si capisce se l'agente migliora il lavoro o solo lo rende più rapido nel produrre output da rivedere.

Il documento raccomanda di andare oltre la sperimentazione, di formare le persone perché acquisiscano competenza e fiducia, e di rendere le capacità avanzate più accessibili, soprattutto per le PMI. Sono raccomandazioni generiche, ma il punto operativo è chiaro: il vantaggio si costruisce sui processi, non sui singoli strumenti.

## Come provarlo senza rischiare troppo

Il modo più sensato di partire è un pilota circoscritto. Si sceglie un solo processo ripetitivo, con input e output chiari, e si definisce in anticipo come misurare il risultato. Il pro è la velocità su attività come l'analisi di documenti, la preparazione di report o la classificazione di richieste. Il contro è un costo variabile legato al consumo di token, che va monitorato, e il rischio di errori silenziosi se l'output non viene verificato. Il rischio più serio riguarda i dati sensibili: prima di collegare un agente a dati di clienti o dipendenti, bisogna sapere dove finiscono quei dati e quali obblighi valgono, dal GDPR all'AI Act. Su questi punti non esistono scorciatoie, e qualunque consulenza legale specifica va chiesta a chi conosce il caso concreto.

## In pratica

1. Scrivi su una pagina tre processi ripetitivi della tua attività, indicando input, output e chi li controlla oggi.
2. Avvia un pilota con un agente su un solo processo, con revisione umana obbligatoria sull'output finale.
3. Dopo due settimane misura tempo per task, errori trovati e costo per task, poi decidi se estendere il pilota o fermarti.

Se stai valutando come portare l'IA agentica nel tuo lavoro, scrivimi nei commenti quale processo vorresti automatizzare per primo: è spesso il modo migliore per capire dove sta il valore. Se l'articolo ti è stato utile, condividilo con chi nel tuo team sta già sperimentando e iscriviti per restare aggiornato.

Fonte: OpenAI, "The EU's next chapter in AI is agentic", 14 ottobre 2026: https://openai.com/index/the-eus-next-chapter-in-ai-is-agentic