OpenAI DevDay 2026: tutte le novità, da dots a GPT-6.1 Sol

OpenAI DevDay 2026 segna il passaggio dalla chat che risponde all’ecosistema che lavora. Il 29 settembre OpenAI ha presentato novità che attraversano modelli, agenti, strumenti per sviluppatori e collaborazione: dots, GPT-6.1 Sol, Codex Cloud, Decisions API, plugin più integrati e nuovi spazi condivisi in ChatGPT.

La quantità degli annunci può nascondere il punto centrale. Non è arrivato soltanto un modello migliore: OpenAI sta collegando l’intelligenza del modello a un ambiente di esecuzione, a dati autorizzati e a luoghi nei quali le persone possono controllare il risultato. La promessa è ridurre i passaggi manuali tra una richiesta e un lavoro completato; la questione da verificare è quanto questo avvenga in modo affidabile, sostenibile e sicuro.

Questo approfondimento ricostruisce le novità dalle fonti ufficiali disponibili al 30 settembre 2026, distingue i prodotti annunciati come disponibili da beta e funzioni future, e spiega le conseguenze pratiche. Gli esempi di utilizzo sono scenari illustrativi, non prove indipendenti delle prestazioni. Il punto di partenza è il riepilogo ufficiale del DevDay.

OpenAI DevDay 2026: la mappa degli annunci

Conviene dividere il programma in cinque livelli. I modelli producono ragionamento e contenuti; gli agenti organizzano più passaggi; gli ambienti permettono di eseguire codice e usare software; plugin e connessioni rendono accessibili strumenti e dati; gli spazi collaborativi conservano il lavoro e lo rendono condivisibile. Confondere questi livelli porta a errori frequenti, come aspettarsi che un abbonamento autorizzi automaticamente l’accesso a tutte le applicazioni.

Disponibile non significa presente nello stesso momento su ogni account. Contano paese, piattaforma, piano, amministratore e distribuzione progressiva. GPT-6 Sol e Luna erano stati presentati il 22 settembre: al DevDay la novità di modello è GPT-6.1 Sol, non il debutto dell’intera famiglia. Anche strumenti già esistenti, come quelli descritti nella guida a ChatGPT Images 2.5, non vanno riclassificati come lanci del giorno.

Dots: un agente persistente, non una conversazione più lunga

La novità più riconoscibile è dots. OpenAI descrive questi agenti come assistenti capaci di mantenere responsabilità nel tempo, con un computer cloud e un browser propri. Il modello alla base è GPT-6 Astra. L’idea è affidare un obiettivo che continui oltre il singolo messaggio: raccogliere aggiornamenti su un progetto, preparare materiali, seguire problemi ricorrenti e proporre lavoro da controllare.

La presentazione ufficiale di dots chiarisce la differenza rispetto a una normale sessione. L’utente può ispezionare il computer dell’agente e collegare applicazioni; l’accesso al proprio dispositivo locale è una possibilità separata che richiede autorizzazione. Il computer remoto non implica quindi che dots possa leggere tutto il portatile o entrare liberamente nei servizi personali.

Per una piccola impresa, uno scenario sensato sarebbe far raccogliere al dot le richieste di assistenza ricorrenti e chiedere una proposta di correzione. Il risultato desiderabile non è un aggiornamento invisibile in produzione, ma una lista di evidenze, una modifica controllabile e i test eseguiti. La persistenza cambia il modo di delegare: serve specificare quando iniziare, quando fermarsi e quale evidenza dimostra che il compito è concluso.

Non basta scrivere «occupati del progetto». Una buona responsabilità ha un perimetro: fonti consentite, frequenza, budget, azioni proibite, approvazioni e destinatari dei risultati. Senza questi confini, il rischio non è soltanto un errore del modello: è che una richiesta ambigua venga ripetuta e amplificata nel tempo. Un agente persistente richiede istruzioni persistenti e una procedura per aggiornarle quando cambia il progetto.

Le protezioni di dots: ricerca, azioni e approvazioni

Un dettaglio decisivo è la separazione tra raccolta proattiva di informazioni e azione. La documentazione sulla sicurezza e privacy di dots descrive una modalità di ricerca proattiva limitata a strumenti di lettura. In quel percorso l’agente non può inviare messaggi, cambiare applicazioni o controllare il computer come farebbe in un’attività esecutiva autorizzata.

I controlli comprendono una vista delle attività, regole personalizzate e revisione delle azioni importanti. Le regole dell’utente non possono eliminare tutte le salvaguardie obbligatorie. Alcune operazioni richiedono conferma; altre, come modificare una password o trasferire denaro da un conto finanziario, prevedono il passaggio all’utente. Questi vincoli delimitano l’autorità concessa all’agente.

Resta il problema delle istruzioni malevole contenute in pagine, documenti o messaggi. Un contenuto esterno può tentare di convincere il modello a ignorare l’incarico originale o condividere dati. La difesa deve esistere anche nei permessi degli strumenti: un agente che può soltanto leggere un repository non dovrebbe poterlo cancellare, indipendentemente da ciò che ha letto.

Revocare una connessione impedisce nuove condivisioni, ma non va interpretato automaticamente come cancellazione di tutte le informazioni già entrate nel contesto. Prima di collegare archivi sensibili occorre conoscere gestione dei dati, impostazioni del piano e possibilità di ripristinare il contesto. Nel mondo crypto, seed phrase e chiavi private devono restare fuori dai documenti accessibili all’agente.

Specialist dots: identità aziendali e compiti circoscritti

OpenAI ha anticipato specialist dots per organizzazioni, con identità proprie e integrazioni nei sistemi aziendali. È una preview per sperimentazioni mirate, non una funzione universale già attiva. L’integrazione con Microsoft Agent 365 è presentata come lavoro in corso, non come una compatibilità completa da presumere.

Il punto tecnico è l’identità. Un agente con account dedicato può avere autorizzazioni più leggibili rispetto a un’automazione che riutilizza l’account di un dipendente. Un esempio sarebbe un agente abilitato a preparare ticket, ma non a cambiare ruoli amministrativi. La configurazione rende possibile attribuire attività, revocare accessi e limitare i danni.

Serve comunque un proprietario umano del processo. Qualcuno deve approvare il perimetro, seguire le eccezioni e verificare che il risultato sia utile. La distinzione fra responsabilità operativa e responsabilità legale non scompare perché il software possiede un nome o un’identità. Anche la fine del progetto va gestita: connessioni e credenziali inutilizzate non dovrebbero restare attive per inerzia.

GPT-6.1 Sol: vicino ad Astra in alcuni compiti

GPT-6.1 Sol aggiorna GPT-6 Sol e punta su sviluppo software agentico, uso del computer e lavoro professionale. OpenAI sostiene che in diverse valutazioni si avvicini ad Astra con prezzi standard di input e output pari a un quinto. È una dichiarazione da leggere nel suo perimetro: vicino nei compiti testati non significa equivalente in qualsiasi situazione.

Nel test DeepSWE 1.1 riportato dall’azienda, il nuovo Sol raggiunge Astra; nelle valutazioni di comprensione di PDF professionali si avvicina alle sue prestazioni a costi inferiori. Sono segnali utili, ma non sostituiscono una prova sul proprio repository o sui propri documenti. Un benchmark può premiare attività che non rappresentano le eccezioni più costose per un’impresa.

Il lancio di GPT-6.1 Sol indica disponibilità via API e nei prodotti Work e Codex dei piani previsti; non è corretto dedurne che il modello sia selezionabile nella normale Chat. L’identificatore API è gpt-6.1-sol. Il nostro confronto fra GPT-6 Astra e GPT-5.6 Sol aiuta a distinguere posizionamento e valutazioni.

Una strategia prudente consiste nell’usare il modello meno costoso che supera una valutazione definita, riservando il più potente ai casi che lo richiedono. Non è necessario migrare tutto insieme: classificare ticket, analizzare documenti e modificare codice hanno rischi e criteri di successo diversi. La scelta può cambiare dopo nuovi test senza richiedere una riscrittura completa dell’applicazione.

Prezzi di Sol: il costo del token non è quello del progetto

Per input entro 272.000 token, i prezzi standard pubblicati sono 2 dollari per milione di token in ingresso, 0,10 dollari per milione di token in ingresso letti dalla cache e 10 dollari per milione di token in uscita. Il changelog distingue la scrittura in cache, indicata a 2,50 dollari per milione. La tariffa di lettura non va applicata a qualsiasi input ripetuto senza verificare il funzionamento della cache.

Un calcolo illustrativo: 100 richieste da 20.000 token di input non memorizzati in cache e 2.000 di output ciascuna producono due milioni di token in ingresso e 200.000 in uscita. Alle tariffe standard, la sola componente modello costa 4 più 2 dollari, quindi 6 dollari. Il conto esclude strumenti, altri servizi, ulteriori token eventualmente fatturati, modalità premium, regole diverse per contesti e tasse.

Nel lavoro agentico, una richiesta può generare molte chiamate, tentativi e verifiche. Un modello più economico che ripete dieci volte un’operazione può costare più di uno che la conclude correttamente al primo tentativo. La metrica utile è il costo per risultato accettato, includendo il tempo umano necessario a correggere errori.

Prima di cambiare integrazione bisogna verificare endpoint, strumenti e impostazioni nel changelog API. La guida alla migrazione verso le API GPT-6 Astra resta utile per il metodo: testare compatibilità e risultati, non sostituire soltanto una stringa nel codice.

Ultrafast: meno attesa non significa qualità superiore

Ultrafast è una modalità premium per ridurre la latenza. Astra Ultrafast è annunciata nell’API e in Work/Codex per Pro 500 ed Enterprise; GPT-6.1 Sol Ultrafast è invece in arrivo. Le cifre massime di accelerazione riportate nelle pagine ufficiali dipendono da superficie e condizioni: non sono una garanzia sul tempo totale di qualunque progetto.

La documentazione di Ultrafast raccomanda connessioni persistenti per ridurre gli scambi di rete. Una catena può comunque restare lenta se attende un sito esterno, un database o l’esecuzione dei test. Generare token rapidamente non elimina questi colli di bottiglia e non rende automaticamente corretto il codice.

Per decidere se pagare di più, conviene misurare il tempo dalla richiesta al risultato verificato. Nelle attività interattive l’attesa può essere costosa; per un’elaborazione notturna spesso contano maggiormente costo e affidabilità. Anche requisiti di residenza dei dati e limiti dell’account devono essere controllati per la modalità selezionata, senza presumere che siano identici a quelli del servizio standard.

Codex Cloud: il lavoro continua senza il computer locale

Con Codex Cloud l’attenzione si sposta sugli ambienti riutilizzabili: repository, dipendenze, strumenti e autorizzazioni configurati per avviare compiti remoti. È possibile seguire il lavoro da più dispositivi, mentre l’esecuzione avviene nel cloud. Non significa spostare automaticamente ogni cartella locale o rendere disponibili tutte le credenziali dell’utente.

La guida a Codex Cloud descrive la preparazione del progetto con verifica del setup. Un ambiente condiviso deve avere istruzioni riproducibili e un modo attendibile per eseguire test. Se l’agente lavora con dipendenze diverse da quelle usate in produzione, può proporre una modifica corretta soltanto nel proprio ambiente.

Un flusso sensato è incaricare il cloud di investigare un problema e preparare una pull request, poi esaminare diff, test e motivazioni. Il telefono può servire per seguire il compito, ma non dovrebbe trasformare l’approvazione di una modifica delicata in un gesto frettoloso. Per software che gestisce denaro o chiavi, la revisione resta parte del lavoro.

Codex CLI: voce, deleghe e sessioni più leggibili

Il terminale non viene abbandonato. La CLI rinnovata introduce interazione vocale, una vista /agents per seguire compiti delegati e miglioramenti a prompt, sessioni e worktree. Quando un’attività dura a lungo, capire quale agente sta facendo cosa diventa un requisito operativo, non un dettaglio estetico.

La documentazione della CLI mantiene al centro modello, permessi e contesto locale. La voce cambia il modo di impartire istruzioni, non l’autorizzazione sottostante. Un ordine pronunciato ambiguamente richiede le stesse verifiche di uno scritto; nei comandi sensibili è opportuno controllare i parametri prima dell’esecuzione.

I worktree possono separare modifiche parallele senza confondere i file. Restano necessari controlli sulle dipendenze condivise e sui contratti modificati. Delegare più attività non garantisce un’accelerazione lineare: aumenta anche il lavoro di integrazione. Il valore della vista degli agenti è rendere visibile questa complessità, non eliminarla.

Code Review e Security Cloud: due controlli diversi

Code Review permette di esaminare cambiamenti e potenziali problemi nell’app desktop, con integrazioni per GitHub e GitLab. La documentazione di revisione distingue GitHub, generalmente disponibile, da GitLab, in preview. Una revisione automatica può individuare un controllo mancante, ma la sua assenza di rilievi non certifica il software.

Codex Security Cloud riguarda scansioni di repository GitHub e monitoraggio dei nuovi commit. Analizza rilievi, riduce duplicati e prepara correzioni nel cloud. OpenAI include modelli della famiglia Daybreak Blue senza una domanda separata per quel programma; questo non va esteso a qualsiasi capacità di cybersecurity o a modelli di altri livelli.

La configurazione di Security Cloud insiste su repository connessi, ambiente e revisione dei risultati. Trovare un sospetto, verificarlo nel contesto e applicare una patch sono passaggi separati. Un falso positivo consuma tempo; una correzione non verificata può introdurre una regressione.

Per un team piccolo, le prime attività sono definire il modello di minaccia, assegnare priorità ai problemi confermati e richiedere test per le correzioni. Lo scanner non sostituisce aggiornamenti, gestione dei segreti, permessi minimi e backup. Migliora una parte del processo, non cancella gli obblighi di manutenzione né garantisce che un’applicazione non abbia altre vulnerabilità.

Decisions API: scegliere entro risposte definite

Decisions API usa Luna per rispondere a domande circoscritte con un numero finito di risposte predefinite. Il contesto può comprendere testo o immagini. Al lancio è in anteprima limitata, con apertura più ampia annunciata per i giorni successivi. È una proposta diversa da chiedere al modello di generare un lungo testo e tentare poi di ricavarne una decisione.

Un caso illustrativo è classificare una richiesta come «fatturazione», «problema tecnico» o «altro». Il vantaggio è che il programma sa quali risultati aspettarsi. Il limite è che una classificazione strutturata può comunque essere sbagliata: un formato valido non è una decisione corretta.

Conviene prevedere incertezza, testare esempi ambigui e conservare un fallback. Calcoli, controlli di accesso e decisioni distruttive devono restare nel codice deterministico. L’AI può suggerire un instradamento; non dovrebbe inventare l’autorità per eseguire un rimborso. La scelta di opzioni strette rende più facile misurare gli errori, ma non li azzera.

Agents API con computer use e l’opzione AWS

Agents API amplia l’uso del computer insieme a strumenti, ricerca dei tool, più agenti e compattazione del contesto. Il modello può interagire con software in un ambiente gestito. La documentazione sul computer use è il riferimento per browser ospitato e gestione degli accessi; l’accesso API non va confuso con quello incluso in specifici piani ChatGPT.

La compattazione mantiene gestibili sessioni lunghe, non garantisce che ogni dettaglio passato venga ricordato perfettamente. Un’applicazione dovrebbe conservare separatamente autorizzazioni, importi, identificatori e criteri di completamento. Non è prudente affidare l’unica copia di questi dati alla memoria riassunta di una conversazione.

OpenAI e Amazon hanno annunciato Bedrock Managed Agents powered by OpenAI, con capacità agentiche nell’ambiente AWS. Le aziende possono valutare un percorso vicino alla propria infrastruttura; non significa compatibilità automatica con ogni architettura esistente.

Fra servizio OpenAI e variante AWS vanno confrontati autorizzazioni, osservabilità, regioni, fatturazione e dipendenze. «Gestito» descrive chi opera parte dell’infrastruttura; non elimina la responsabilità di configurare dati e azioni. Un compito di lettura documentale è un punto di partenza più controllabile di un processo finanziario irreversibile.

Plugin extensions, Plugin Creator e Sites

I plugin guadagnano superfici più ricche: accesso dalla barra laterale, pannelli accanto alla conversazione e visualizzatori per file specifici. La documentazione delle estensioni mostra come un’applicazione possa offrire un’interfaccia di lavoro anziché restituire soltanto testo.

Plugin Creator, un percorso di invio rivisto e strumenti di scoperta completano il quadro. Per chi sviluppa possono ridurre la distanza fra prototipo e utilizzo; il lavoro restante comprende autenticazione, errori e chiarezza dei permessi. Un’interfaccia gradevole non compensa una connessione che espone dati oltre il necessario.

Anche ChatGPT Sites può ospitare plugin supportati. I colleghi possono usare la stessa esperienza mantenendo dati collegati e autorizzazioni proprie. Un sito condiviso non deve diventare una scorciatoia per condividere credenziali. L’accesso annunciato riguarda i piani organizzativi previsti, non qualunque utente gratuito.

MCP Events: dall’interrogazione continua agli eventi

MCP Events permette di attivare automazioni quando accade qualcosa in un’app collegata. È una proposta di specifica, non uno standard definitivo. La documentazione dell’integrazione descrive sottoscrizioni e callback con un percorso basato su webhook.

Il beneficio è evitare di chiedere continuamente se esiste una novità. Un ticket può attivare la preparazione di un riepilogo. Il sistema deve gestire duplicati, consegne tardive, revoche e riavvii. Se lo stesso evento arriva due volte, non dovrebbe generare due pagamenti o due comunicazioni pubbliche.

L’automazione deve distinguere ricezione, elaborazione e azione. Un identificatore stabile e una registrazione dell’esito sono spesso più importanti del prompt. L’agente interpreta il contenuto; il programma conserva le garanzie del flusso. Anche gli errori devono avere una destinazione: un evento perso senza segnalazione può lasciare un processo fermo per giorni.

ChatGPT Space, Pages e slide collaborative

ChatGPT Space organizza conoscenze e materiali condivisi. Pages introduce documenti nei quali persone e AI lavorano insieme. Il risultato diventa un oggetto da leggere, correggere e condividere, invece di restare disperso in una cronologia di messaggi.

Un progetto può conservare decisioni, analisi e bozze senza ricostruire sempre il contesto. Bisogna distinguere fonti e sintesi, indicare cosa è verificato e conservare gli originali. Un documento collaborativo può amplificare un errore se tutti lo considerano attendibile soltanto perché ben organizzato.

Le slide collaborative sono annunciate per le settimane successive: persone e agenti potranno intervenire sulle presentazioni, con esportazione verso PowerPoint o Google Slides. Non è una funzione già universalmente disponibile. Anche creazione e modifica da mobile hanno un calendario diverso dalla lettura e condivisione.

Per una redazione, il vantaggio sarebbe mantenere vicino al documento il ragionamento che lo ha prodotto. La verifica resta esterna alla forma: grafici leggibili, fonti datate e numeri riproducibili contano più della velocità di generazione. Le immagini generate sono illustrazioni, non documentazione fotografica di eventi reali.

Team Tasks, Slack, Teams e Meetings

I team possono condividere materiali e compiti ricorrenti. La guida a team e Team Tasks precisa che account di servizio e connessioni determinano quali risorse usare. Le autorizzazioni del compito possono differire da quelle personali di un membro: va controllato prima di invitare nuovi colleghi.

Con @ChatGPT in Slack e Microsoft Teams, l’interazione entra nei canali e nei thread. I partecipanti possono contribuire senza possedere necessariamente una licenza individuale ChatGPT, entro l’integrazione organizzativa prevista. Non significa che tutte le funzioni diventino gratuite o che tutti vedano gli stessi dati.

Meetings prepara note e azioni da seguire. La beta iniziale riguarda l’app desktop macOS per Pro e Business; altri accessi seguono percorsi successivi. La guida del plugin Meetings richiede di informare i partecipanti e ottenere consenso: il promemoria all’utente non lo raccoglie al suo posto.

L’audio viene eliminato quando le note sono pronte e non è riascoltabile. È un limite quando si deve verificare una citazione: il riepilogo non equivale a una registrazione conservata. Per verbali formali occorre stabilire come correggere attribuzioni, impegni o numeri imprecisi e quale documento costituisca la versione approvata.

Profili e Sign in with ChatGPT

I profili condivisibili permettono di mostrare creazioni come Sites e plugin. La guida aggiornata ai profili distingue i limiti: alcune possibilità di vetrina non sono mobili ed Enterprise è indicato in arrivo. Condividere il profilo non pubblica automaticamente le conversazioni personali.

Sign in with ChatGPT aggiunge accesso con l’account e, nei servizi partecipanti, uso della quota del piano. OpenAI cita partner come Devin, Notion e Vercel. La guida all’utilizzo in altre applicazioni separa identità e consumo: autenticarsi non equivale ad avere quota illimitata o tutti i servizi inclusi.

Questo può ridurre la frammentazione degli abbonamenti, ma richiede attenzione ai limiti assegnati alle applicazioni. Bisogna sapere quale strumento consuma la quota, come revocarlo e quali dati riceve. La comodità del login non deve nascondere una delega troppo ampia o un consumo che riduce le risorse disponibili per altri lavori.

Pro 500, Marketplace e Private Intelligence

Pro 500 costa 500 dollari al mese, secondo la pagina dei piani Pro, e include Ultrafast. Il recap parla di quota 25 volte quella di Plus: è un’indicazione di utilizzo, non una promessa di lavoro infinito. Prezzi locali, condizioni e imposte vanno verificati prima dell’acquisto.

OpenAI Marketplace riguarda clienti enterprise idonei che possono destinare parte dell’impegno commerciale esistente a software partner approvati. Non è un negozio aperto a tutti e non coincide con la directory dei plugin. Un’azienda deve capire se questa modalità semplifica gli acquisti senza creare dipendenze indesiderate.

Private Intelligence affronta il controllo dei dati. La documentazione di Private Safety Processing descrive revisioni automatiche senza conservazione di prompt e risposte da parte di OpenAI nel percorso previsto. Private Inference, con confidential computing e controlli verificabili, è una preview annunciata per l’autunno.

Non bisogna estendere queste proprietà a ogni richiesta. Contano configurazione, endpoint, contratti e responsabilità del cliente. «Non usato per addestrare» e «non conservato» sono affermazioni diverse; elaborazione riservata non significa poter caricare qualsiasi dato senza autorizzazione. L’architettura va verificata prima dell’uso, non dopo aver inviato materiali sensibili.

Come valutare le novità senza migrare alla cieca

Il test iniziale dovrebbe partire da un compito ripetitivo e reversibile con risultato misurabile. Esempio: raccogliere dieci documenti autorizzati, estrarre variazioni rispetto alla settimana precedente e preparare un riepilogo con fonti. Si controllano copertura, errori, costo e tempo di revisione; soltanto dopo si amplia il perimetro.

Nel coding la prova dovrebbe includere un bug noto, un caso ambiguo e un problema che richiede informazioni aggiuntive. Un comportamento utile è chiedere il dato mancante, non inventarlo. Con gli strumenti bisogna verificare arresto, ripresa e revoca degli accessi, non soltanto il percorso riuscito.

La separazione consigliata è semplice: il modello propone, gli strumenti espongono azioni limitate, il codice valida parametri e condizioni, una persona approva le operazioni sensibili. I risultati devono permettere di capire quale modello, documento e autorizzazione hanno prodotto l’esito. In caso di errore serve una strada per fermare l’automazione e tornare al lavoro manuale.

Disponibilità di dots e scelta del piano

Il lancio riguarda Pro e Business Premium nei mercati idonei. Nei workspace Enterprise, Edu e Healthcare la beta richiede l’attivazione dell’amministratore ed è disabilitata per impostazione predefinita. La prima dot è inclusa per gli utenti previsti, ma attività più impegnative e quote vanno distinte: incluso non significa calcolo illimitato. La disponibilità del proprio paese va verificata prima di cambiare abbonamento.

Per scegliere fra Sol, Astra e un piano più ampio conviene partire dal lavoro già misurato. La nostra panoramica di prezzi, benchmark e disponibilità di GPT-6 Astra fornisce il contesto precedente, mentre i listini aggiornati restano la fonte per acquistare. Un piano più costoso non corregge istruzioni vaghe o strumenti configurati male.

Domande frequenti dopo OpenAI DevDay 2026

Dots sostituisce Codex?

No. Dots riguarda responsabilità persistenti e lavoro trasversale; Codex resta centrato sullo sviluppo software. Possono collaborare, ma non sono lo stesso livello del prodotto.

Sol rende inutile Astra?

No. Il prezzo inferiore rende Sol interessante per molti compiti. Astra può restare preferibile quando la maggiore capacità produce un beneficio misurabile. Il criterio è il risultato verificato sul proprio lavoro, non il nome del modello.

Un abbonamento include tutte le API?

No. Quota del piano, utilizzo nei partner e fatturazione API sono percorsi distinti. Le condizioni del servizio prevalgono su una lettura generica dell’annuncio.

Qual è il cambiamento strutturale?

Collegare modello, ambiente, strumenti e collaborazione in un flusso continuo. È anche il punto in cui servono più controlli: un errore che prima restava in una risposta può diventare un’azione su un sistema reale.

Il bilancio è più interessante di una gara di benchmark. OpenAI DevDay 2026 propone un’AI che segue il lavoro, lo esegue e lo conserva in spazi condivisi. Il vantaggio non si misura dal numero di funzioni attivate, ma da quanti risultati affidabili si ottengono con costi leggibili, permessi limitati e possibilità concreta di correggere gli errori.