OpenAI ha aperto a inizio maggio i Workspace Agents, l'evoluzione enterprise dei vecchi GPTs personalizzati. Sono agenti condivisi dentro un'organizzazione, che girano sul cloud anche quando l'utente non e' online e si connettono nativamente a Slack, Google Workspace e Salesforce. Il modello che li muove e' Codex, lo stesso che alimenta l'assistente di programmazione di ChatGPT. Dal 6 maggio il servizio e' uscito dalla fase gratuita e ha attivato la tariffazione a credito.

L'idea, spiegata dal team OpenAI nel post di lancio, e' semplice: "costruire un agente una volta, condividerlo con il team, vederlo crescere". La differenza rispetto ai vecchi GPTs e' tre cose: gli Workspace Agents accedono direttamente ai dati aziendali (con il permesso dell'admin), eseguono azioni multi-passo che durano ore o giorni e tengono traccia del lavoro fatto in una timeline.

Su quali piani sono disponibili e quanto costano

Workspace Agents sono in research preview per chi ha ChatGPT Business, Enterprise, Edu o Teachers. Il piano consumer (Plus, Pro, Free, Go) per ora non e' incluso. L'uso era gratuito fino al 6 maggio 2026; da quella data e' partito un modello a credito: ogni esecuzione consuma un budget che l'amministratore puo' fissare per agente o per utente. Le tariffe annunciate sono di 0,02 dollari per "step" base (chiamata al modello), con sovrapprezzi per gli step che richiedono Codex completo (0,12 dollari) o operazioni su file di grosse dimensioni.

Cosa puo' fare un Workspace Agent

I casi d'uso che OpenAI ha mostrato al lancio sono tre, e raccontano bene la direzione:

  • Agente di triage software: legge le issue su GitHub, le classifica, le smista al team giusto, applica i criteri di policy dell'azienda e apre la PR.
  • Agente di routing del feedback prodotto: monitora i canali Slack e i ticket Zendesk, raggruppa il feedback dei clienti, lo collega a una scheda Jira, manda una sintesi settimanale al PM.
  • Agente di reportistica metriche: lunedi' mattina estrae dati da Google Sheets e Salesforce, costruisce il report settimanale, lo posta in un canale Slack dedicato.

Tutti i task girano nel cloud di OpenAI e possono durare anche giorni, con check-in regolari verso un canale Slack o una casella mail. Quando una decisione richiede approvazione umana - per esempio "vuoi davvero rispondere a questo cliente?" - l'agente si ferma e attende.

I Workspace Agents di OpenAI hanno integrazioni native con Slack, Google Workspace e Salesforce. Foto: Pexels.

Come crearne uno passo dopo passo

Per provare gli Workspace Agents serve un account ChatGPT Business, Enterprise o Edu con permessi di "admin" o "agent builder". Il flusso e' questo:

  1. Entra in chatgpt.com con il tuo account aziendale e clicca sulla nuova voce "Agents" nella sidebar.
  2. Clicca "New Agent" e dai un nome (es. "Report metriche team Vendite").
  3. Nel pannello "Tools", aggiungi le connessioni: Slack (canali specifici), Google Workspace (Gmail, Drive, Calendar, Docs, Sheets) e Salesforce (oggetti specifici). L'admin deve avere preventivamente autorizzato il connettore.
  4. Nella casella "Instructions", scrivi cosa vuoi che faccia. Esempio: "Ogni lunedi' alle 9 di mattina, leggi il foglio 'Pipeline Vendite Q3' su Drive, estrai le metriche chiave (pipeline totale, deal chiusi, win rate), genera un grafico riassuntivo e postalo sul canale #vendite-leadership su Slack con un commento di 3 frasi."
  5. Nel pannello "Schedule", imposta la frequenza (one-shot, on-demand, ricorrente).
  6. Clicca "Test run" per fare un giro a vuoto in modalita' simulazione: l'agente mostra ogni step e cosa farebbe, senza eseguire.
  7. Se ti convince, premi "Activate". L'agente compare nel catalogo del team e chi e' abilitato lo trova in ChatGPT o direttamente in Slack via slash command.

L'admin puo' rivedere i log di ogni esecuzione, mettere in pausa un agente, vedere il consumo di crediti e impostare guardrail. Per i dati sensibili (PII, dati finanziari, salute) c'e' un toggle che attiva il routing su modelli "redacted-aware" e blocca alcuni connettori.

Limiti, casi in cui non usarli, alternative

Workspace Agents brillano sui task ricorrenti, ad alta lettura/scrittura su sistemi di terze parti, con feedback umano opzionale. Non sono la scelta migliore per: workflow real-time a bassa latenza (un chatbot di assistenza clienti su Zendesk e' meglio servito da soluzioni dedicate come Intercom Fin), processi che toccano dati altamente regolamentati (sanita', finanza retail), o pipeline pesanti su database interni complessi.

Le analisi di VentureBeat sottolineano che il principale competitor diretto e' Claude Cowork di Anthropic, che offre da febbraio una funzione molto simile (Claude Skills) con piu' connettori (HubSpot, Notion, Linear) ma senza un modello dedicato come Codex. Microsoft Copilot Studio resta la scelta naturale per chi e' gia' tutto su Microsoft 365 e vuole orchestrare agenti con Power Automate. Mistral, con Le Chat Work Mode appena rilasciato, copre la stessa esigenza con focus europeo e GDPR.

Errori comuni nei primi test

I forum di OpenAI Developer hanno gia' raccolto i tre incidenti tipici di chi prova Workspace Agents per la prima volta:

  • Connettore non autorizzato: l'errore "Cannot access Salesforce object 'Opportunity'" significa che l'admin non ha esposto quell'oggetto. Soluzione: vai su Admin {'>'} Connectors {'>'} Salesforce, aggiungi l'oggetto, riesegui.
  • Loop infinito: se l'agente continua a riaprire lo stesso task, manca un criterio di "exit condition" nelle istruzioni. Aggiungi una frase come "Se trovi che il task e' gia' stato completato negli ultimi 60 minuti, fermati e logga il motivo."
  • Costo esploso: se i crediti finiscono in due giorni, hai dato all'agente troppi loop ricorrenti. Imposta un budget mensile e un alert al 70% sotto Admin {'>'} Billing {'>'} Agents.

Per le aziende italiane interessate a sperimentare, il consiglio operativo e': cominciare con un agente che fa una sola cosa (report, triage, riassunto), tenerlo in shadow mode per due settimane prima di renderlo operativo, e instaurare un processo di review dei log settimanale con il team che usera' l'output. La curva di apprendimento e' bassa - bastano un'ora per il primo agente - ma il valore reale arriva quando si capisce dove l'IA aggiunge davvero e dove no.