Agenti AI e futuro del lavoro oltre il copilota

Per alcuni anni abbiamo raccontato l’intelligenza artificiale come un copilota: un assistente capace di affiancarci mentre scriviamo, analizziamo informazioni o sviluppiamo un progetto. Il video ci invita però a riconoscere un cambiamento molto più profondo. L’epoca del semplice affiancamento sta lasciando spazio a quella degli agenti AI, ai quali non chiediamo soltanto una risposta ma assegniamo un obiettivo completo da raggiungere. Non lavoriamo più necessariamente insieme all’intelligenza artificiale in ogni singolo passaggio: definiamo un compito, predisponiamo gli strumenti e supervisioniamo il risultato.

Questa trasformazione è resa possibile da tre capacità decisive. Gli agenti possono accedere agli strumenti, lavorare a lungo e correggersi durante l’esecuzione. Possono quindi aprire il terminale o il browser, leggere e scrivere file, installare applicazioni, produrre il codice necessario e cercare informazioni. Possono inoltre continuare per ore, suddividere il lavoro fra subagenti e tornare sui propri passi quando il risultato non è soddisfacente. Il concetto di loop descrive proprio questa successione ciclica di azioni, controlli e correzioni.

Per noi cambia soprattutto il ruolo professionale. L’esperienza maturata nel nostro settore non perde valore: diventa la base che ci permette di assegnare compiti migliori, valutare le risposte e riportare gli agenti nella direzione corretta. Siamo chiamati a diventare manager di agenti, imparando a delegare, definire obiettivi, sorvegliare l’esecuzione e concentrarci sulla strategia.

Il messaggio è urgente anche per aziende e professionisti. In una fase descritta come esponenziale, aspettare che il fenomeno rallenti rischia di aumentare il distacco. Conviene iniziare con attività piccole, sperimentare concretamente e comprendere la differenza fra una normale chat e un ambiente agentico capace di operare davvero. Vediamo quindi come affrontare questo passaggio senza confondere il nuovo metodo con il vecchio copilota.

Indice

• Dal copilota agli agenti AI cambia il metodo di lavoro
• Strumenti durata e autocorrezione le tre capacita decisive
• Diventare manager di agenti partendo dalla propria esperienza
• Sperimentazione immediata contro il ritardo esponenziale

Tutorial video

Dal copilota agli agenti AI cambia il metodo di lavoro

Il punto di partenza del video è netto: è finita l’epoca del copilota. Per qualche anno questa immagine ha descritto bene il rapporto fra persone e intelligenza artificiale. Pensavamo a un assistente seduto accanto a noi, pronto a suggerire, completare o accelerare una parte del lavoro. Il concetto era utile sia per spiegare la tecnologia sia per presentare diversi prodotti. In quel modello restavamo costantemente al centro dell’esecuzione: procedevamo insieme all’AI e la interrogavamo un passaggio alla volta.

Ora il cambiamento agentico modifica l’unità minima del lavoro. Non chiediamo più soltanto di aiutarci mentre svolgiamo un’attività, ma assegniamo un task. Possiamo indicare un risultato finale, un obiettivo o un lavoro articolato e lasciare che l’agente organizzi le azioni necessarie. La differenza sembra sottile se la osserviamo dalla stessa finestra di chat, ma diventa evidente quando guardiamo ciò che accade dietro il risultato. Un agente non si limita a generare testo: può operare nell’ambiente, scegliere strumenti e completare una sequenza di attività collegate.

Nel video questo passaggio viene collocato dopo il cambiamento arrivato dalla fine del 2025, quando strumenti come Codex, Cloud Code e altre piattaforme simili hanno reso più concreto il lavoro agentico. L’arrivo di modelli di ultimissima generazione aggiunge un ulteriore avanzamento: non cambia soltanto la qualità di una risposta, ma aumenta la possibilità di affidare attività più lunghe e complesse. Per comprendere la nuova fase dobbiamo quindi abbandonare l’idea che ogni miglioramento consista in una chat leggermente più capace.

La distinzione centrale è fra lavorare insieme all’intelligenza artificiale e affidare all’intelligenza artificiale un compito da portare a termine. Nel primo caso dirigiamo ogni scambio e restiamo coinvolti in quasi tutti i passaggi. Nel secondo impostiamo il traguardo, prepariamo il contesto e interveniamo come supervisori. Non significa rinunciare al controllo: significa spostarlo dal gesto operativo continuo alla definizione dell’incarico e alla verifica del risultato.

La metafora usata nel video rende il divario volutamente visibile. Se la nostra AI quotidiana non apre il terminale o il browser, non legge e scrive file, non installa applicazioni e non produce il codice che le serve, procediamo come con una Punto a metano mentre altri viaggiano su una Lamborghini. L’immagine non vuole disprezzare uno strumento semplice, ma farci percepire la differenza di velocità. Continuare a usare soltanto il vecchio schema del copilota può farci credere di essere aggiornati mentre il metodo di lavoro intorno a noi è già cambiato.

Per iniziare, dobbiamo quindi cambiare la domanda. Invece di chiederci soltanto come ottenere una risposta migliore, chiediamoci quale risultato completo possiamo delegare. Questa prospettiva apre la strada alle tre capacità tecniche illustrate nel video e ci permette di capire perché gli agenti non siano semplicemente chat ribattezzate.

Strumenti durata e autocorrezione le tre capacita decisive

Il nuovo metodo poggia su tre caratteristiche che nel video vengono ripetute con chiarezza: gli agenti hanno accesso ai tool, possono girare a lungo e sono capaci di correggersi da soli. Considerate insieme, queste capacità trasformano un modello che risponde in un sistema che esegue un lavoro. Se ne manca una, l’autonomia si riduce; quando sono disponibili tutte e tre, possiamo invece assegnare incarichi molto più ampi.

La prima caratteristica è l’accesso agli strumenti. L’infrastruttura che contiene l’agente, descritta anche con il termine harness, gli permette di interagire con un ambiente operativo. L’agente può aprire il terminale e il browser, leggere o scrivere file, installare applicazioni e creare pezzi di codice utili all’attività. Non riceve quindi soltanto il contesto che copiamo in una conversazione, ma può raggiungere direttamente le risorse necessarie e modificare i materiali sui quali sta lavorando.

La seconda caratteristica è la durata. L’agente può ricevere un obiettivo e continuare a lavorare per ore. Il video propone anche uno scenario di dodici ore, durante le quali uno o più agenti cercano su Internet, usano il terminale, installano applicazioni, leggono documenti, scrivono file e producono codice di supporto. Possiamo inoltre strutturare subagenti e farne procedere diversi in parallelo. Il vantaggio non sta solo nella rapidità di una singola operazione: nasce dalla continuità con cui viene affrontata una catena di attività senza richiedere il nostro intervento dopo ogni passaggio.

La terza caratteristica è l’autocorrezione. Durante un lavoro lungo l’agente può controllare ciò che ha prodotto, riconoscere un errore e tornare indietro. Può cercare un’informazione migliore, ricominciare un tratto dell’attività oppure ripetere il terzo passaggio di una procedura composta da sei fasi. È qui che entra il concetto di loop. Non si tratta di una formula misteriosa: è un ciclo nel quale l’agente agisce, valuta il risultato e riprova fino a quando raggiunge la condizione indicata.

Possiamo immaginare incarichi come preparare una presentazione per il responsabile, svolgere una ricerca, sviluppare un’applicazione o realizzare un’analisi dei concorrenti. In ognuno di questi casi, il loop consente di non fermarsi alla prima bozza. Dobbiamo però formulare chiaramente il criterio di conclusione: l’agente continua finché il compito non è svolto nella forma richiesta, verificando se l’output corrisponde alle aspettative.

Le tre capacità si rafforzano reciprocamente. Gli strumenti danno all’agente i mezzi per intervenire; la lunga durata gli concede il tempo per completare un processo articolato; l’autocorrezione impedisce che ogni errore interrompa definitivamente il percorso. È questa combinazione, e non una semplice risposta più elegante, a rendere concreto il salto dal copilota all’agente. Quando valutiamo uno strumento, possiamo quindi verificare se usa tool, mantiene il lavoro nel tempo e ritorna criticamente sui risultati. In questo modo distinguiamo la vera operatività agentica da una conversazione tradizionale.

Diventare manager di agenti partendo dalla propria esperienza

L’autonomia degli agenti non rende superflua la competenza umana. Nel video viene richiamato uno studio dedicato all’impatto di Cloud Code quando è utilizzato da non programmatori nei lavori d’ufficio, creativi e intellettuali. Il punto principale riportato è che a fare la differenza è l’esperienza maturata nel proprio ambito. Un avvocato, un commercialista, un designer, un grafico o un freelance che conosce profondamente il proprio lavoro può ottenere risultati molto più forti quando dispone di uno strumento agentico.

La ragione emerge dal nuovo ruolo che siamo chiamati ad assumere. Se l’agente svolge una parte crescente dell’esecuzione, noi dobbiamo definire ciò che conta, riconoscere gli errori e stabilire quando il risultato è davvero adeguato. La conoscenza del settore ci permette di formulare un task realistico, fornire il contesto giusto e valutare dettagli che un utente inesperto potrebbe non vedere. L’esperienza non viene sostituita: viene trasformata in capacità di direzione.

Il video riassume questo cambiamento con l’espressione manager di agenti. Non tutti accolgono facilmente questa prospettiva. Chi ha trascorso la propria carriera come programmatore Python, designer o specialista di Facebook Ads può domandarsi perché dovrebbe diventare un manager. La risposta proposta è pratica: per usare bene l’intelligenza artificiale oggi dobbiamo imparare a delegare, assegnare task, supervisionare, lavorare sulla strategia, definire obiettivi e controllare gli agenti mentre procedono.

Essere manager non significa osservare passivamente. Dobbiamo accorgerci quando un agente esce dai binari e riportarlo nella direzione corretta. Possiamo stabilire vincoli, verifiche intermedie e criteri con i quali giudicare l’output. Se il sistema lavora per ore o se più subagenti operano in parallelo, questa funzione diventa ancora più importante: non eseguiamo ogni azione, ma manteniamo coerenza fra le azioni e il traguardo.

Si tratta prima di tutto di un cambio di mentalità e solo dopo di un tecnicismo. Le istruzioni operative si possono apprendere attraverso materiali e video, mentre la delega richiede di abbandonare l’abitudine a controllare ogni singolo gesto. Dobbiamo passare dalla domanda ’come faccio personalmente questo passaggio?’ alla domanda ’come descrivo il risultato, le condizioni e i controlli necessari perché un agente possa completarlo?’. È una trasformazione professionale che riguarda anche chi non scrive codice.

Il video insiste inoltre sulla differenza tra una chat e un ambiente agentico. Anche quando il modello di base può sembrare lo stesso, usare Cloud Code non equivale a usare Cloud Chat. Nella chat rimaniamo legati allo scambio di messaggi; nell’ambiente operativo l’agente accede agli strumenti, interviene sui file e continua lungo un processo. Secondo la valutazione proposta nel video, restare soltanto nella chat significa usare una piccola parte delle potenzialità oggi disponibili.

Per valorizzare la nostra esperienza dobbiamo dunque convertirla in obiettivi, regole di qualità e capacità di supervisione. Più conosciamo il settore, più possiamo distinguere una risposta plausibile da un risultato realmente utile. Il professionista competente non compete con l’agente sul numero di operazioni: ne orienta il lavoro, ne controlla le scelte e usa il tempo liberato per occuparsi della strategia.

Sperimentazione immediata contro il ritardo esponenziale

Il cambiamento agentico richiede azione, non soltanto un piano. Nel video viene proposta alle aziende una frase volutamente provocatoria: non serve una strategia di intelligenza artificiale se per strategia intendiamo il vecchio processo corporate, con cinque o sei mesi impiegati a scrivere un documento di sessanta pagine. Il bersaglio non è la strategia in sé, ma la lentezza di un metodo che rischia di concludersi quando tecnologia e possibilità operative sono già cambiate.

L’alternativa è sporcarsi le mani. Possiamo far lavorare gli agenti inizialmente su attività piccole, osservare come operano, riconoscere gli errori e aumentare gradualmente l’ambizione dei compiti. La sperimentazione rende visibili differenze che una discussione astratta non riesce a mostrare: scopriamo quali strumenti servono, quanto contesto fornire, dove inserire controlli e quali risultati possiamo davvero delegare.

Partire in piccolo non significa muoversi senza direzione. Possiamo scegliere un’attività limitata ma reale, definire il risultato desiderato e osservare l’intero ciclo. Se l’agente deve cercare informazioni, leggere file e produrre un documento, verifichiamo che possa usare questi strumenti. Se il compito è articolato, lasciamogli il tempo necessario. Se commette un errore, controlliamo che il loop gli permetta di correggersi. In questo modo trasformiamo i tre principi tecnici del video in esperienza operativa.

L’urgenza nasce dalla curva esponenziale descritta nel video. Aspettare che gli annunci diminuiscano o che l’entusiasmo passi può sembrare prudente, ma la velocità non sta necessariamente calando. Più rimaniamo indietro, più diventa difficile recuperare, perché nel frattempo chi sperimenta accumula metodi, competenze e familiarità. Il distacco non riguarda soltanto l’accesso a un nuovo prodotto: riguarda l’abitudine a progettare task, coordinare agenti e giudicarne il lavoro.

Torna così la metafora della Punto a metano e della Lamborghini. È raccontata con ironia, anche perché l’autore ricorda di avere avuto una Punto a metano, ma serve a rappresentare la differenza di velocità. Possiamo continuare a ottenere qualcosa da una chat tradizionale, proprio come possiamo continuare a spostarci con un mezzo meno rapido. Il problema nasce quando non ci accorgiamo che altri professionisti stanno adottando un sistema operativo molto diverso e accumulano vantaggio mentre noi attendiamo.

Il primo passo è quindi capire che chat e agente non sono la stessa cosa. Non basta chiedere se un’attività può essere svolta dentro una normale conversazione con ChatGPT, Gemini o un’altra chat citata nel video. Dobbiamo domandarci se l’ambiente consente accesso ai tool, esecuzioni lunghe e autocorrezione. È questo insieme a determinare la nuova modalità di lavoro, anche quando il nome del modello può essere condiviso fra strumenti differenti.

Possiamo iniziare assegnando un incarico concreto, controllando ciò che l’agente fa e annotando dove serve il nostro intervento. Al tentativo successivo miglioreremo obiettivo, contesto e criteri di verifica. Procedendo così, la strategia nasce dall’uso e non resta separata dalla realtà. Impariamo a delegare senza rinunciare alla responsabilità e facciamo crescere progressivamente la complessità dei task.

Il messaggio conclusivo del video è perciò un invito a non aspettare. L’epoca del copilota lascia spazio a quella nella quale assegniamo task agli agenti e diventiamo i loro manager. La preparazione tecnica conta, ma il passaggio decisivo è mentale: sperimentiamo presto, mettiamo alla prova gli strumenti e usiamo la nostra esperienza per dirigere sistemi capaci di lavorare a lungo, utilizzare tool e correggersi. È così che possiamo affrontare l’accelerazione senza lasciare che il distacco diventi sempre più difficile da colmare.