OpenAI ha presentato ChatGPT Work, un agente integrato nella piattaforma ChatGPT capace di intervenire direttamente su applicazioni e file dell’utente, e di restare attivo su un progetto anche per ore. Non si tratta più del modello che risponde a domande isolate: ora il sistema prende l’iniziativa, porta a termine attività articolate e, nelle intenzioni dell’azienda, chiude il lavoro al posto dell’utente.

La mossa segna un punto di svolta per il settore, che accelera verso l’AI agentica dopo due anni di modelli linguistici puramente conversazionali. Ma dietro la novità si nasconde un nodo architetturale già noto a chi segue le dinamiche del deployment on-premise: un agente di questo tipo, per funzionare, deve accedere a file, interfacciarsi con altre applicazioni e spesso rimanere in ascolto per ore. Tutte operazioni che, nella versione attuale di ChatGPT Work, restano ancorate all’infrastruttura cloud di OpenAI.

Per una banca, un ente pubblico o un’azienda che lavora sotto vincoli di residenza dei dati, il problema non è teorico. Far agire un agente esterno sui propri documenti significa affidare a un servizio cloud non solo il contenuto delle conversazioni, ma anche il controllo delle azioni compiute su repository interni. Le normative europee e le policy di sicurezza tradizionali impongono che dati e comandi restino all’interno di perimetri certificati, un requisito che un agente cloud non può garantire con le sole promesse contrattuali.

Il messaggio di OpenAI è chiaro: la prossima frontiera non è rispondere, ma eseguire. E lo fa con un’offerta integrata nella piattaforma più diffusa del momento. Questo costringe le organizzazioni che valutano stack locali per gli LLM a porsi una domanda scomoda. Da un lato, strumenti come ChatGPT Work alzano l’asticella della produttività e rendono difficile giustificare soluzioni più conservative. Dall’altro, la dipendenza dal cloud per l’esecuzione di azioni autonome diventa un fattore di rischio concreto, soprattutto quando gli agenti iniziano a toccare sistemi critici.

Chi oggi progetta deployment on-premise di modelli linguistici dovrà chiedersi se i framework agentici self-hosted – ancora in fase di maturazione – riusciranno a offrire capacità paragonabili senza sacrificare la sovranità. La pressione competitiva cresce su tool come crewAI, AutoGPT e sulle estensioni dei principali runtime di inference, che dovranno colmare il divario con prompt orchestration e integrazioni sicure con i filesystem locali.

L’annuncio di OpenAI non introduce nuovi dettagli tecnici su consumi o latenza, ma segnala una direzione di mercato che ridefinisce il costo totale di possesso dell’AI aziendale. Se l’unica via per avere un agente realmente efficace passa per un abbonamento cloud, il TCO per operazioni su larga scala rischia di lievitare in modo incontrollato. E chi ha già investito in hardware per l’inference locale potrebbe trovarsi con un parco macchine sottoutilizzato, mentre la parte più preziosa dell’automazione resta fuori portata.

Il discorso si allarga all’economia complessiva dell’AI: gli agenti promettono di ridurre il carico di lavoro umano, ma al prezzo di una nuova dipendenza da un fornitore unico per le azioni. Non è più solo questione di dove girano i modelli, ma di chi controlla l’ultimo miglio dell’esecuzione. Per questo, la capacità di portare agenti simili su infrastrutture locali non sarà una bella-idea-opzionale, ma un prerequisito per continuare a fare AI in ambienti regolati.

Per chi valuta i trade-off tra cloud e on-premise, AI-RADAR tiene traccia di framework e architetture emergenti per l’orchestrazione agentica su hardware proprio, offrendo strumenti analitici per confrontare costi, latenza e requisiti di conformità.