Un famoso verso del brano “Giudizi universali” di Samuele Bersani adotta una descrizione - “sei solo la copia di mille riassunti” - che fino a poco tempo fa avrebbe potuto essere usata, con una certa efficacia, anche per descrivere i modelli linguistici e chatbot come ChatGPT. Il loro utilizzo era infatti legato soprattutto a una dinamica molto semplice: una persona formula una domanda, il sistema elabora le informazioni a sua disposizione e restituisce una risposta. Una modalità certamente promettente per la produttività personale, ma ancora distante dai concetti di delega e di automazione che caratterizzano il lavoro all’interno di un’organizzazione.
L’estate del 2026 ha reso molto più evidente un passaggio che era già in corso: i chatbot stanno diventando tecnologie alle quali affidare incarichi. Il 9 luglio OpenAI ha lanciato ChatGPT Work, definendolo un agente pensato per attività più lunghe e articolate, capace di raccogliere e analizzare informazioni, lavorare con applicazioni e file collegati e arrivare alla produzione di documenti, fogli di calcolo, presentazioni, report e altri risultati finiti. La distinzione introdotta dalla stessa OpenAI è significativa: Chat rimane l’ambiente più adatto per ottenere una risposta veloce, sviluppare un’idea o lavorare su una singola parte di un problema; Work nasce invece per completare attività dall’inizio alla fine.
Quasi contemporaneamente OpenAI ha trasformato la propria directory delle applicazioni in una directory dei plugin. Un plugin può comprendere istruzioni operative, competenze specifiche e soprattutto applicazioni attraverso le quali ChatGPT accede, nei limiti delle autorizzazioni concesse, a servizi esterni e ai relativi dati e azioni. Google Drive, Slack, Gmail, Canva, la suite Adobe e altri software possono quindi diventare parte del contesto all’interno del quale l’AI lavora.
È difficile non vedere un’analogia con il percorso seguito da Anthropic con Claude e con i suoi connettori. La logica di fondo è simile: un modello linguistico acquisisce valore quando smette di essere isolato all’interno della propria finestra di conversazione e può consultare, nel rispetto delle autorizzazioni e nelle valutazioni di sicurezza dei reparti IT delle aziende gli strumenti nei quali l’impresa conserva e aggiorna realmente le proprie informazioni. Claude può per esempio collegarsi a servizi come Google Drive, Gmail, Notion e Canva e utilizzare queste informazioni come parte del lavoro richiesto.
La direzione comune è in ogni caso più importante delle differenze tra le singole piattaforme: i chatbot non sono più soltanto applicazioni specifiche nelle quali allegare dati e scrivere prompt. Stanno diventando un livello operativo posto al di sopra di software, cartelle condivise e processi aziendali.
Per un’impresa che vuole affrontare i mercati internazionali questa trasformazione è particolarmente interessante. L’export è infatti un’attività che richiede continuamente di mettere insieme informazioni provenienti da fonti diverse: andamento di un mercato, concorrenti locali, fiere, distributori, normative, richieste ricevute via e-mail, dati commerciali presenti nel CRM, documenti tecnici, listini, presentazioni, report dei venditori e attività dei competitor. Il problema raramente è la mancanza assoluta di informazioni: più spesso è la loro frammentazione.
È qui che appare evidente la differenza fra Chat e Work, distinzione di recente adottata anche da Claude e Copilot. Con una chat potremmo chiedere: “Quali sono i principali concorrenti tedeschi della nostra azienda?”. Otterremmo probabilmente una buona ricerca da cui partire. Con Work l’incarico può diventare molto più articolato: “Analizza il nostro sito e i materiali commerciali presenti nella cartella “Export Germania”. Individua i cinque concorrenti più rilevanti sul mercato tedesco. Analizza il loro posizionamento, le gamme di prodotto, gli elementi differenzianti, i distributori citati e le ultime novità presenti sui loro siti. Confronta queste informazioni con il nostro catalogo e prepara un documento destinato alla direzione commerciale nel quale evidenziare opportunità, rischi e tre azioni da approfondire”. Non stiamo semplicemente rendendo il prompt più lungo. Stiamo modificando la natura della richiesta. Nel primo caso poniamo una domanda; nel secondo affidiamo un incarico.
Ricerca, raccolta, confronto, analisi, organizzazione e produzione del deliverable diventano parti dello stesso flusso. Work può procedere attraverso diversi passaggi, chiedere chiarimenti quando necessario e sottoporre all’utente le azioni che richiedono un’approvazione. In questo senso l’evoluzione più rilevante dell’AI generativa non riguarda necessariamente la qualità della risposta a un singolo prompt, ma la capacità di mantenere il contesto e lavorare verso un risultato.
A questa trasformazione se ne aggiunge un’altra: i prompt non devono più necessariamente partire nel momento in cui una persona li scrive. Le attività pianificate di ChatGPT - funzionalità presente anche in tutti i principali chatbot - consentono di programmare attività ricorrenti e istruzioni di monitoraggio. Le funzionalità disponibili dipendono dal piano, dalle applicazioni collegate e dalle autorizzazioni, ma il principio è molto interessante: un prompt può diventare un processo che viene rieseguito nel tempo. Le attività pianificate sono oggi disponibili anche per gli account idonei Free e Go, mentre le attività attivate da specifici eventi all’interno di applicazioni collegate richiedono piani e configurazioni che supportino Work.
Per un export manager significa poter passare da “cerca oggi cosa stanno facendo i miei concorrenti” a “ogni lunedì verifica se i concorrenti indicati hanno pubblicato nuovi prodotti, modificato il catalogo, annunciato partnership, partecipazioni a fiere o aperture di nuovi mercati; se trovi cambiamenti significativi, prepara una sintesi e segnalami solo ciò che merita attenzione”.
È un passaggio tutt’altro che marginale. Nel primo caso l’iniziativa rimane interamente umana: qualcuno deve ricordarsi di effettuare la ricerca, aprire ChatGPT, formulare la richiesta, controllare i risultati e distribuirli. Nel secondo caso l’attività di intelligence assume una natura continuativa. Il valore non sta più soltanto nella capacità dell’AI di cercare informazioni, ma nella possibilità di trasformare un’esigenza informativa ricorrente in una routine.
Pensiamo al monitoraggio della concorrenza internazionale. Un’azienda italiana che venda macchinari industriali in Francia potrebbe creare un’attività settimanale incaricata di analizzare un gruppo di concorrenti già identificati. L’agente potrebbe verificare novità di prodotto, pagine dedicate a specifici settori, partecipazione a fiere, nuove certificazioni, contenuti pubblicati su siti e fonti accessibili e variazioni rilevanti del posizionamento. Il risultato non dovrebbe essere necessariamente un lungo report. Potrebbe essere un executive summary che evidenzi soltanto ciò che è cambiato rispetto al controllo precedente.
La logica può essere applicata anche ai distributori. Un’impresa potrebbe chiedere periodicamente al sistema di verificare segnali relativi a potenziali partner presenti in un determinato Paese: nuove rappresentanze acquisite, ampliamenti della gamma, partecipazione a eventi, cambiamenti organizzativi, acquisizioni o apertura di sedi.
Lo stesso vale per il monitoraggio dei mercati. Anziché effettuare una ricerca approfondita una volta all’anno, diventa possibile mantenere attiva una forma di osservazione leggera e continuativa, chiedendo all’AI di segnalare soltanto eventi che superino determinate soglie di rilevanza.
In questo contesto emerge un principio importante: un buon agente non deve necessariamente produrre più informazioni. Deve ridurre il rumore. “Avvisami solo se accade qualcosa che può modificare una nostra decisione commerciale” può diventare un’istruzione più utile di “mandami ogni giorno dieci notizie sulla Germania”.
Il salto successivo avviene quando l’AI può utilizzare non soltanto il Web, ma anche i sistemi informativi dell’impresa. Qui i plugin assumono un ruolo strategico. Collegare ChatGPT a un CRM, a un archivio documentale, a strumenti di business intelligence o ai file condivisi significa permettere all’agente di mettere in relazione informazioni esterne e interne.
Immaginiamo un’azienda che esporti in cinque Paesi europei. Nel CRM possiede dati sulle opportunità commerciali, nei file condivisi conserva le analisi di mercato, nelle e-mail arrivano richieste dei distributori, nel gestionale sono presenti ordini e marginalità. Singolarmente, ciascuna informazione dice qualcosa. Il valore maggiore nasce quando possono essere messe in relazione. Un incarico potrebbe essere: “Analizza l’andamento commerciale degli ultimi sei mesi nei mercati francese e tedesco. Confrontalo con la pipeline presente nel CRM e con gli ultimi report dei responsabili commerciali disponibili nella cartella Export. Individua eventuali differenze tra andamento delle vendite, opportunità in pipeline e valutazioni qualitative dei commerciali. Evidenzia le tre anomalie che meritano un approfondimento e prepara le domande da sottoporre alla prossima riunione export”.
Questa è un’attività difficilmente riconducibile alla sola idea di chatbot. È piuttosto una forma di coordinamento delle informazioni. E proprio per questo apre una questione che le imprese dovrebbero affrontare prima ancora di scegliere la piattaforma: quali dati può leggere l’AI? Quali può modificare? Quali operazioni può svolgere autonomamente? Quali richiedono un’approvazione?
Possiamo distinguere tre livelli. Sono delegabili attività come ricerca, raccolta, confronto, classificazione, prima analisi, organizzazione e preparazione dei materiali. Devono essere supervisionate interpretazioni, valutazioni strategiche, definizione delle priorità e produzione di contenuti nei quali contesto e tono abbiano un peso rilevante. Dovrebbero infine rimanere soggette ad approvazione le attività che producono effetti esterni significativi: inviare determinate comunicazioni, modificare informazioni nei sistemi aziendali, assumere impegni verso clienti o distributori, pubblicare contenuti e prendere decisioni commerciali.
Un altro ambito particolarmente interessante per le aziende internazionalizzate è quello che potremmo chiamare monitoraggio documentale. Chi lavora con l’estero gestisce continuamente documenti che cambiano: cataloghi, listini, schede tecniche, certificazioni, presentazioni commerciali, contratti, linee guida dei marketplace, materiali dei distributori e documentazione normativa.
Un agente potrebbe ricevere il compito periodico di controllare una cartella condivisa dedicata a un mercato e verificare quali documenti siano stati modificati. Potrebbe confrontare versioni diverse, evidenziare incongruenze e produrre un elenco delle attività necessarie.
Supponiamo, per esempio, che un’azienda modifichi una caratteristica tecnica di un prodotto nel catalogo generale. Quella modifica potrebbe dover essere riportata nella scheda prodotto francese, nella presentazione del distributore tedesco, nel listino spagnolo e nei materiali caricati su un marketplace. L’attività tradizionale consiste nel ricordarsi dove quella informazione è stata utilizzata. Un agente documentale può invece aiutare a individuare i materiali interessati e segnalare le incoerenze.
Un incarico potrebbe essere formulato così: “Ogni venerdì controlla i documenti commerciali collegati alla linea X. Se un dato tecnico, un prezzo, una certificazione o una caratteristica di prodotto differisce tra il catalogo master e i materiali destinati ai mercati francese, tedesco e spagnolo, crea un report delle incongruenze. Non modificare autonomamente i documenti. Indica il file, il punto da verificare e la versione che consideri più aggiornata, spiegandone la ragione”.
Il principio è importante: l’agente ricerca e prepara, la persona decide. Da qui deriva anche una possibile evoluzione dell’organizzazione dell’export. Potremmo immaginare non un unico agente generalista, ma diversi agenti specializzati: uno dedicato alla competitive intelligence, uno al monitoraggio dei distributori, uno alla documentazione commerciale, uno al controllo delle opportunità presenti nel CRM, uno al monitoraggio delle fonti normative di un determinato mercato.
Non devono essere immaginati come colleghi virtuali dotati di autonomia assoluta. È più utile pensarli come processi intelligenti ai quali vengono assegnati un perimetro, fonti, frequenza, criteri di rilevanza e regole di escalation.
È questa distinzione a rendere l’adozione dell’AI più interessante anche dal punto di vista organizzativo. Per molto tempo l’attenzione si è concentrata sul prompt perfetto. Si è insegnato alle persone a fornire contesto, specificare l’obiettivo, assegnare un ruolo all’AI, definire il formato dell’output. Tutte competenze che rimangono utili, ma che diventano soltanto una parte del problema. Quando un prompt viene eseguito ogni lunedì, utilizza dati provenienti da sistemi aziendali, confronta documenti, produce un report e può eventualmente innescare un’azione successiva, smette di essere soltanto un prompt e diventa una fase di un processo.
È probabilmente questo il significato più interessante del riferimento ai “loop”: non un’interazione isolata nella quale domanda e risposta esauriscono il lavoro, ma una sequenza nella quale l’AI riceve un obiettivo, raccoglie informazioni, svolge attività, verifica il risultato e continua fino a quando il compito previsto non è concluso.
Per le imprese che vogliono affrontare i mercati internazionali la conseguenza, l’AI può ridurre il costo della conoscenza di un mercato, può rendere più frequente un’analisi che prima veniva effettuata sporadicamente, può aiutare un piccolo export office a seguire più Paesi, può diminuire la dispersione delle informazioni fra commerciale, marketing e direzione, può rendere accessibili dati aziendali che oggi esistono ma vengono interrogati poco perché richiedono competenze tecniche o tempi eccessivi.
Ma non basta installare ChatGPT Work perché tutto questo accada. La crescita della produttività individuale non coincide automaticamente con la crescita della produttività aziendale. Un dipendente può usare bene un chatbot e risparmiare mezz’ora nella preparazione di un report, ma se per ottenere i dati deve aspettare due giorni un file da un altro ufficio, se le informazioni sono distribuite tra cartelle, e-mail e gestionali che non comunicano, se i documenti non hanno proprietari chiari o se nessuno ha stabilito quale versione sia quella ufficiale, il beneficio rimane limitato.
L’AI non risolve automaticamente i colli di bottiglia organizzativi. In alcuni casi li rende semplicemente più visibili. Prima di costruire un agente per l’export occorre quindi farsi domande che hanno poco a che fare con l’intelligenza artificiale: dove nasce l’informazione? Qual è la fonte ufficiale? Con quale frequenza deve essere controllata? Quale evento merita una segnalazione? Il punto di partenza non dovrebbe essere “che cosa può fare ChatGPT Work?”, ma “quali attività ripetitive, informative e documentali rallentano oggi la nostra capacità di conoscere e gestire un mercato?”.
Se si parte dallo strumento, si rischia di costruire dimostrazioni tecnologicamente interessanti ma organizzativamente irrilevanti. Se si parte dal processo, diventa possibile individuare dove l’AI può togliere attrito: un report che ogni settimana richiede due ore, una verifica effettuata manualmente su venti siti, informazioni presenti in azienda ma mai utilizzate nelle riunioni, documenti che devono essere periodicamente verificati.
Il vero salto non è passare da un prompt semplice a un prompt più sofisticato. È passare da “chiedere qualcosa all’AI” a progettare un processo nel quale persone, agenti, dati e applicazioni collaborano secondo regole definite.
Il prossimo vantaggio competitivo non nascerà quindi soltanto dalla capacità di usare l’intelligenza artificiale meglio dei concorrenti, ma dalla capacità di organizzare dati, responsabilità e flussi di lavoro in modo tale che l’intelligenza artificiale possa davvero lavorare.