Il punto: l’agente esce dal laboratorio
Uber sta rendendo ChatGPT Work disponibile a più di trentamila dipendenti nel mondo. Il passaggio arriva dopo un progetto pilota con mille persone e porta un agente di intelligenza artificiale dentro il lavoro quotidiano di operazioni, finanza, marketing, prodotto e ingegneria. La novità non è che i dipendenti possano fare una domanda a un chatbot. È che l’agente può collegarsi a strumenti come Gmail, Google Drive, Calendar e Slack, attraversare più passaggi e consegnare un lavoro finito.
Questo è anche il limite della notizia. Uber e OpenAI hanno annunciato la disponibilità del sistema, non un aumento di produttività già dimostrato. Il costo non è stato comunicato. Non sappiamo quante persone lo useranno ogni giorno, quanto tempo risparmieranno, quanti risultati dovranno correggere o se il beneficio sarà distribuito fra lavoratori, clienti e azionisti. Il rollout trasforma queste domande da ipotesi in qualcosa che l’azienda può misurare.
La scala conta perché il progetto non è confinato agli sviluppatori. Secondo Uber, circa l’ottanta per cento dei partecipanti al test iniziale non era composto da ingegneri. Gli usi citati includono l’analisi di dati operativi, la localizzazione di materiali di formazione e la costruzione di dashboard personali. Sono esempi forniti dall’azienda: indicano che cosa è possibile, non quanto bene abbia funzionato per tutti.
Come funziona il salto da strumento ad agente
Un normale assistente risponde dentro una finestra. Un agente aziendale diventa più utile quando può trovare un documento, leggere il calendario, recuperare una conversazione, analizzare un file e preparare il risultato nel formato richiesto. Il valore non nasce da una singola risposta brillante, ma dalla possibilità di attraversare applicazioni che prima obbligavano una persona a copiare contesto da un posto all’altro.
OpenAI descrive ChatGPT Work come un agente inserito in ChatGPT Enterprise. Uber afferma di accompagnare il rollout con integrazioni approvate, formazione e una raccolta interna di competenze. Questi vincoli sono parte del prodotto: senza permessi limitati, fonti riconoscibili e regole su quali dati usare, la capacità di muoversi fra gli strumenti aumenta anche la superficie dell’errore. Un messaggio interpretato male può diventare una presentazione sbagliata; un file non aggiornato può alimentare un’analisi convincente ma inutile.
Nel 2026 Uber ha svolto anche un esercizio diverso: trenta ingegneri specializzati in AI sono stati affiancati per due settimane a squadre dell’azienda per automatizzare parti rilevanti del loro lavoro. È un indizio su come cambia l’adozione. Il reparto tecnico non consegna soltanto software; entra nel processo, osserva le eccezioni e costruisce il flusso insieme a chi conosce il mestiere.
Il lavoro non sparisce: si sposta verso la verifica
Se l’agente prepara un briefing, la domanda non è soltanto quanto impiega. Conta chi controlla che le fonti siano aggiornate, che non manchi un vincolo e che la conclusione sia adatta alla decisione. Se localizza una formazione, una persona deve verificare lingua, contesto e regole del mercato. Se costruisce una dashboard, qualcuno deve capire se le metriche scelte descrivono davvero il fenomeno. L’automazione toglie passaggi manuali ma crea lavoro di supervisione, definizione e correzione.
Questa redistribuzione può favorire chi ha conoscenza del dominio e sa trasformarla in istruzioni, controlli e criteri. Può però rendere meno visibile l’apprendimento che nasceva dai compiti iniziali. Preparare a mano un’analisi ripetitiva insegna dove si trovano i dati e quali anomalie meritano attenzione. Se il primo passaggio viene delegato, l’azienda deve progettare un altro modo per formare chi domani dovrà giudicare l’agente.
Uber dice che osserverà modalità d’uso, flussi creati e capacità dello strumento di rendere il lavoro più efficace. È una scelta sensata, ma la parola efficace deve diventare una serie di misure: tempo netto dopo le correzioni, qualità del risultato, errori sfuggiti, autonomia del lavoratore, carico cognitivo e capacità di intervenire quando il sistema fallisce.
I licenziamenti sono un contesto, non una spiegazione
Il rollout arriva dopo che Uber ha tagliato circa tremilatrecento ruoli aziendali, pari a circa il dieci per cento della forza lavoro corporate secondo Business Insider. L’accostamento è inevitabile, ma non autorizza una conclusione automatica. Uber ha motivato quei tagli con la riduzione dei livelli manageriali e dei piccoli team e non ha indicato questo nuovo rollout come causa. Confondere la sequenza temporale con un rapporto di causa renderebbe la storia più drammatica e meno vera.
Il contesto resta importante perché modifica il modo in cui le persone ricevono lo strumento. Un agente presentato come aiuto dopo una riduzione dell’organico può essere percepito anche come richiesta di assorbire più lavoro. La differenza dipende da scelte concrete: obiettivi, personale, formazione, diritto di segnalare errori e uso dei dati di adozione. Misurare quante volte viene aperto il sistema non basta; un uso intenso può indicare utilità oppure pressione.
Le fonti disponibili non consentono di stabilire se ChatGPT Work eliminerà altri ruoli in Uber. Consentono però di osservare un passaggio organizzativo: la sperimentazione non riguarda più un gruppo volontario e delimitato. L’infrastruttura viene resa disponibile a tutta l’azienda e le pratiche sviluppate dai singoli team possono diventare standard.
La prova è nel tempo restituito alle persone
Per capire se il progetto funziona servono risultati comparabili prima e dopo il rollout. Non soltanto ore dichiarate come risparmiate, ma qualità del lavoro, rilavorazioni, incidenti sui dati, soddisfazione di chi usa il sistema e conseguenze per chi riceve il servizio. Occorre anche sapere se il tempo liberato riduce il carico o viene riempito da nuovi compiti senza cambiare scadenze e responsabilità.
Il test più utile sarà osservare le differenze fra funzioni. Tradurre materiale, analizzare dati e preparare una riunione hanno rischi diversi. Un’unica percentuale di produttività nasconderebbe ciò che l’agente fa bene e dove richiede più controllo di quanto prometta. Pubblicare casi, errori e criteri di valutazione renderebbe l’esperimento utile anche fuori da Uber.
Trentamila accessi non equivalgono a trentamila lavori automatizzati. Indicano che l’agente è diventato un pezzo dell’ambiente di lavoro. Da qui in avanti la domanda non è se l’intelligenza artificiale entrerà negli uffici. È chi deciderà che cosa delegare, chi verificherà il risultato e se il tempo guadagnato tornerà davvero alle persone.
