GPT-6 Astra e lavoro: cambiano competenze, HR e formazione

GPT-6 Astra è arrivato e i numeri pubblicati da OpenAI meritano attenzione anche fuori dalla comunità tecnologica.

Il nuovo modello esegue attività al computer, conduce ricerche, lavora su software professionali e porta avanti workflow composti da più passaggi, fino alla produzione di documenti, presentazioni e fogli di calcolo. OpenAI lo presenta come il proprio modello più capace per il lavoro complesso end-to-end nella pagina ufficiale dedicata a GPT-6 Astra.

Alcuni risultati spiegano perché Astra abbia prodotto tanto interesse: su Agents’ Last Exam, benchmark costruito attorno ad attività professionali svolte dentro software reali, raggiunge il 59,3%, contro il 53,6% di GPT-5.6 Sol.

Su AutomationBench la distanza è ancora più ampia: 41,4% contro 18,1%. Nei test OSWorld 2.0 dedicati all’uso del computer, Astra arriva al 72,6% impiegando circa 40 minuti per task, contro il 65,7% e circa 75 minuti del modello precedente. Sono tutti risultati consultabili nei benchmark pubblicati da OpenAI insieme al lancio.

Chiariamoci: sono benchmark pubblicati dal produttore e vanno letti come tali: fotografano le capacità del modello in ambienti di test, mentre la produttività di un’impresa dipende da molte altre variabili. Il salto resta comunque notevole: Astra riesce a muoversi fra strumenti, prendere in carico sequenze di azioni e produrre output professionali con un grado di autonomia superiore rispetto alla generazione precedente.

È questo il punto che interessa a HR manager, direttori del personale e responsabili della formazione. Quando una tecnologia può occuparsi di porzioni crescenti di un processo, cambia la divisione del lavoro fra persone e sistemi di AI. Di conseguenza, iniziano a muoversi anche le competenze richieste, i percorsi di carriera, la valutazione della performance e il modo in cui un’azienda organizza le attività.

Prima ancora di chiedersi quanti posti di lavoro verranno trasformati, vale quindi la pena osservare che cosa sta diventando capace di fare l’AI dentro un lavoro.

Astra sposta il confine del lavoro cognitivo

Per alcuni anni l’intelligenza artificiale generativa è stata utilizzata soprattutto come assistente: preparare una prima bozza, sintetizzare un testo, scrivere un’email, trovare idee, generare codice.

Astra rende molto più visibile una traiettoria diversa. OpenAI descrive un modello addestrato anche per ambienti professionali, capace di combinare ragionamento, uso del computer e workflow composti da più passaggi.

La caratteristica distintiva è la dimensione del task: l’AI si sposta dalla singola risposta verso sequenze di lavoro coordinate. La sezione dedicata al professional work nella presentazione di GPT-6 Astra di OpenAI mostra proprio questo avanzamento.

Anche altri benchmark professionali raccontano il salto. Astra raggiunge il 95,9% su BenchCAD, contro l’83,3% di GPT-5.6 Sol, e il 40,9% nei Data Science Tasks interni di OpenAI, rispetto al 30,5% del modello precedente.

Per un’impresa la conseguenza concreta riguarda il modo in cui viene progettata una mansione.

Un analyst dedica parte del tempo a raccogliere informazioni, pulire dati, costruire una prima analisi, creare grafici e preparare una presentazione, un recruiter cerca candidati, confronta profili, prepara comunicazioni e aggiorna sistemi mentre un marketer analizza competitor, produce brief, lavora sulle varianti creative e trasforma dati in report.

Una quota crescente di queste attività può essere accelerata o delegata: il mestiere resta riconoscibile, ma cambia la sua composizione, cioèresce il peso di ciò che viene prima e dopo l’esecuzione: definire il problema, scegliere i criteri, verificare il risultato, interpretare le anomalie, capire quando intervenire e prendere decisioni.

Per una direzione HR la domanda diventa quindi molto concreta: quali attività compongono davvero ogni ruolo e quali competenze acquistano valore quando una parte dell’esecuzione viene affidata all’AI? I dati sul mercato del lavoro mostrano che questo processo è già visibile.

Le competenze cambiano più velocemente nei lavori esposti all’AI

Il 2026 Global AI Jobs Barometer di PwC ha analizzato oltre un miliardo di annunci di lavoro provenienti da sei continenti. La fotografia che emerge è più articolata della tradizionale domanda su quanti posti di lavoro verranno creati o eliminati.

Le competenze richieste nelle professioni maggiormente esposte all’intelligenza artificiale stanno cambiando più del doppio più velocemente rispetto a quelle dei lavori meno esposti. PwC rileva inoltre che la distanza nella velocità di trasformazione delle skill è aumentata del 75% rispetto all’anno precedente.

Per chi gestisce persone, il dato ha un’implicazione immediata: una job description può continuare a descrivere correttamente il nome di una posizione e, nello stesso tempo, raccontare sempre peggio le capacità che rendono efficace chi la ricopre.

PwC rileva anche un fenomeno meno intuitivo. I nuovi task apparsi nei lavori più esposti all’AI hanno una probabilità 2,5 volte maggiore di dipendere da capacità come empatia, giudizio e creatività rispetto alle nuove attività dei ruoli meno esposti.

Il dato rende più utile parlare di ricomposizione del lavoro che di semplice sostituzione. L’automazione di alcune attività può aumentare il peso relativo del giudizio, della relazione e della capacità di gestire situazioni poco strutturate.

Anche i risultati economici si muovono in questa direzione. Secondo PwC, la crescita della produttività è superiore del 40% nelle aziende maggiormente esposte all’AI rispetto a quelle meno esposte. Il rapporto rileva inoltre che i lavori definiti “professionalised”, nei quali l’AI aumenta il valore dell’expertise umana, stanno crescendo a una velocità doppia rispetto ai ruoli che la tecnologia rende più accessibili.

Sono associazioni osservate nei dati e non dimostrano che l’intelligenza artificiale sia l’unica causa del divario. Indicano però una direzione importante per le Risorse Umane.

La domanda operativa diventa: quali task stanno cambiando dentro ciascuna professione?

Da quella mappa è possibile iniziare a capire quali competenze sviluppare, quali processi ridisegnare e dove concentrare gli investimenti formativi.

La trasformazione appare ancora più evidente osservando il primo gradino della carriera.

Il nodo degli junior arriva prima del previsto

Per decenni molti percorsi professionali sono stati costruiti attraverso una progressione abbastanza prevedibile. Gli junior svolgevano attività relativamente strutturate, imparavano osservando colleghi più esperti e assumevano gradualmente responsabilità maggiori.

Una parte di quelle attività iniziali coincide proprio con il terreno sul quale i modelli di AI stanno avanzando più rapidamente: ricerca, sintesi, prime analisi, preparazione di documenti, aggiornamento di sistemi, produzione di bozze.

Il 2026 AI Jobs Barometer individua già un segnale molto netto: i ruoli junior maggiormente esposti all’AI hanno una probabilità sette volte superiore rispetto a quelli meno esposti di richiedere competenze tradizionalmente associate a professionisti senior, fra cui leadership e capacità di prendere decisioni strategiche.

Il grafico pubblicato nel report di PwC rende il fenomeno particolarmente evidente: nei ruoli entry level a maggiore esposizione AI, il 52% delle nuove skill individuate è composto da capacità tradizionalmente senior; nei lavori meno esposti la quota si ferma al 7%. Fra gli esempi compaiono strategic decision making, leadership, people management, stakeholder management e mentorship.

PwC osserva inoltre che negli Stati Uniti gli annunci entry level ad alta esposizione AI classificati come “seniorised” sono cresciuti del 35% dal 2019, mentre il resto delle posizioni iniziali non ha mostrato lo stesso dinamismo.

Questo apre un problema concreto per la formazione.

Se gli junior trascorrono meno tempo sulle attività attraverso cui in passato costruivano esperienza, l’azienda deve trovare altri modi per sviluppare quella competenza. Delegare all’AI una prima analisi è relativamente semplice. Formare una persona capace di capire quando quell’analisi è debole, incompleta o fuorviante richiede un progetto diverso.

Anche la valutazione cambia. La qualità dell’output finale racconta sempre meno, da sola, il livello professionale di chi lo ha prodotto. Diventa più utile osservare il processo: quali domande sono state poste, quali informazioni sono state escluse, come è stato controllato il risultato e quali decisioni sono state prese.

Le competenze individuali, però, raccontano soltanto una parte della storia.

L’AI gap delle aziende è soprattutto organizzativo

Il 2026 Work Trend Index di Microsoft offre una fotografia molto utile di questa distanza. La ricerca combina analisi sul lavoro con una survey condotta su 20.000 knowledge worker che utilizzano l’AI in dieci mercati, fra cui l’Italia.

Il 66% degli utenti AI intervistati dichiara che questi strumenti permettono di dedicare più tempo ad attività ad alto valore. Il 58% afferma di riuscire a produrre lavori che un anno prima non sarebbe stato in grado di realizzare.

La maturità delle persone, però, procede spesso a una velocità diversa rispetto a quella delle organizzazioni.

Microsoft colloca soltanto il 19% degli utenti nella cosiddetta Frontier zone, dove capacità individuale e readiness organizzativa sono entrambe elevate. Il 10% si trova invece nella condizione definita “blocked agency”: persone con capacità avanzate che lavorano in organizzazioni ancora poco attrezzate per permettere loro di applicarle.

La quota più ampia resta nella zona intermedia, con pratiche personali e condizioni aziendali ancora in formazione.

Il dato più significativo per una direzione HR arriva dall’analisi di 29 fattori associati all’impatto percepito dell’intelligenza artificiale sul lavoro.

Secondo il Work Trend Index 2026 di Microsoft, cultura, supporto manageriale e talent practices rappresentano complessivamente il 67% dell’importanza statistica rilevata, contro il 32% dei fattori collegati a mindset e comportamenti individuali. I primi tre fattori della graduatoria sono tutti organizzativi.

Microsoft specifica che si tratta di associazioni statistiche basate su risposte self-reported e che il dato non dimostra un rapporto causale. Il messaggio per chi gestisce la trasformazione resta comunque forte: competenze individuali molto avanzate producono meno valore quando metriche, processi, responsabilità e management procedono a una velocità diversa.

Emerge così una nuova forma di AI gap: la distanza fra ciò che le persone sanno fare e ciò che l’organizzazione consente loro di fare.

Un dipendente può imparare a lavorare bene con Astra o con qualunque agente arriverà dopo. Procedure progettate per un lavoro interamente manuale, criteri di performance poco aggiornati e responsabilità ambigue sull’utilizzo degli output AI possono però ridurre fortemente il valore di quella competenza.

È qui che la formazione entra nel ridisegno del lavoro.

Dalla formazione sugli strumenti alla formazione sul lavoro

Molte delle prime iniziative aziendali sull’AI hanno seguito una struttura comprensibile: spiegare l’intelligenza artificiale generativa, mostrare alcuni strumenti, insegnare tecniche di prompting, affrontare rischi e buone pratiche.

Questa base resta utile, perché la velocità con cui modelli come Astra aumentano le proprie capacità rende però fragile una formazione costruita soprattutto attorno alle funzioni di uno specifico prodotto.

Il problema di un commerciale è diverso da quello di un recruiter: un team marketing lavora su workflow, dati e criteri di qualità differenti rispetto all’amministrazione. Due persone che utilizzano lo stesso modello possono quindi avere esigenze formative molto lontane.

Una strategia più solida parte dal lavoro reale: si analizzano attività, passaggi decisionali, rischi, dati utilizzati e risultati attesi. Solo dopo si decide come integrare l’AI e quali capacità devono sviluppare le persone coinvolte.

È la logica di una formazione su misura per le aziende: partire dagli obiettivi, dai ruoli e dal livello di maturità dell’organizzazione permette di costruire percorsi diversi per persone che svolgono lavori diversi.

I dati Microsoft aiutano anche a capire quali capacità acquistano valore quando l’AI entra stabilmente nei processi. Nel report, la capacità individuale viene misurata anche attraverso la sicurezza con cui le persone dirigono l’AI, ne giudicano gli output, sperimentano nuovi utilizzi e condividono ciò che imparano. I Frontier Professional, gli utenti più avanzati osservati nella ricerca, utilizzano agenti per workflow multi-step e partecipano alla definizione di standard condivisi all’interno dell’organizzazione.

Il prompting rimane una competenza utile. Il lavoro quotidiano richiede però molto altro: riconoscere un risultato mediocre anche quando appare convincente, controllare fonti e presupposti, stabilire quando delegare, capire quando serve l’intervento umano e assumersi la responsabilità della decisione finale.

Sono competenze professionali prima ancora che tecnologiche. Da qui cambia anche il ruolo dei direttori HR.

Cosa dovrebbe mappare oggi una direzione HR

Una direzione del personale che vuole prepararsi a questa fase può partire da una ricognizione più concreta della tradizionale lista di “AI skill”.

Per ogni funzione aziendale vale la pena osservare dove viene speso il tempo, quali attività seguono regole abbastanza definite, quali richiedono giudizio, dove si concentrano errori e colli di bottiglia, quali informazioni entrano nel processo e chi risponde del risultato.

Questa analisi permette di distinguere fra task che possono essere affidati all’AI con supervisione limitata, task che possono essere accelerati mantenendo controllo e decisione alla persona e attività fortemente dipendenti da relazione, responsabilità, conoscenza tacita o interpretazione del contesto.

La parte strategica arriva subito dopo: riprogettare il ruolo.

Il Global AI Jobs Barometer di PwC mostra una forte accelerazione nel cambiamento delle competenze e il Work Trend Index di Microsoft rileva quanto le condizioni organizzative siano associate alla capacità di trasformare quelle competenze in risultati. Astra aggiunge un terzo elemento: la frontiera di ciò che può essere eseguito o delegato continua ad avanzare rapidamente.

Formazione, workforce planning e organizzazione del lavoro finiscono così sullo stesso tavolo.

Il piano formativo può partire dagli skill gap emersi dalla mappatura e trasformarli in casi d’uso legati alla quotidianità: valutare un’analisi prodotta da un agente, ridisegnare un workflow, impostare criteri di controllo, usare l’AI sui materiali aziendali, gestire escalation e responsabilità.

Per organizzazioni con funzioni, seniority e livelli di maturità differenti, una formazione aziendale costruita sulle esigenze specifiche dell’impresa può diventare così uno strumento di trasformazione del lavoro, più che un semplice aggiornamento sulle novità tecnologiche.

Il punto riguarda direttamente anche i manager. Nel Work Trend Index appena il 26% degli utenti AI dichiara di percepire una leadership chiaramente e coerentemente allineata sulla strategia AI. Con l’aumento degli agenti capaci di eseguire attività emergono domande operative molto precise: chi controlla il loro lavoro, chi decide di modificare un workflow, quali errori richiedono escalation, come viene misurata la qualità.

La capacità di dare risposte condivise a queste domande può diventare uno dei principali fattori di maturità organizzativa. Astra, da questo punto di vista, funziona soprattutto come segnale.

Il modello conta perché rende visibile il salto tecnologico raggiunto nel 2026 ma il prossimo salto potrebbe arrivare rapidamente. Una strategia HR costruita attorno alla conoscenza di un singolo strumento rischia quindi di inseguire una sequenza continua di aggiornamenti.

Una strategia più resistente punta sulla capacità di imparare e ridisegnare. Significa avere persone capaci di capire dove l’AI crea valore, manager preparati a ripensare i processi e sistemi formativi abbastanza vicini al lavoro reale da evolvere insieme alla tecnologia.

Astra è la notizia ma, per le aziende, la storia più importante riguarda ciò che viene dopo: il modo in cui persone, competenze e organizzazioni imparano a lavorare quando una quota crescente dell’esecuzione può essere affidata all’intelligenza artificiale.