L’87% degli utenti abilitati usava attivamente ChatGPT in Gilbert + Tobin, più del doppio rispetto all’adozione tipica degli altri strumenti introdotti dallo studio legale australiano. Il dato, riportato il 12 novembre 2026 in un’intervista pubblicata da OpenAI, non nasce da un obbligo imposto ai dipendenti. Nasce da un percorso in tre fasi: sperimentazione protetta, produttività personale e workflow organizzativi con revisione umana.

Per una PMI o uno studio professionale, la lezione non è acquistare subito un piano Enterprise. È smettere di trattare l’AI come una raccolta di prompt individuali e progettare un processo in cui dati, responsabilità, controlli e risultato atteso siano espliciti. Il caso Gilbert + Tobin offre una traccia concreta per farlo senza partire da un progetto enorme.

Il caso: dall’esperimento al lavoro reale

Gilbert + Tobin opera in un settore dove riservatezza, accuratezza e responsabilità professionale non sono dettagli. Lo studio racconta di aver iniziato lasciando alle persone spazio per sperimentare, con un limite netto: niente dati dei clienti e niente informazioni confidenziali negli strumenti non ancora approvati. Solo in seguito ha introdotto un ambiente gestito e ha esteso l’uso a processi più strutturati.

La sequenza conta. Prima si impara quali attività beneficiano davvero dell’AI; poi si mette in sicurezza l’ambiente; infine si collegano più passaggi in un workflow. Saltare direttamente alla terza fase significa automatizzare un processo che il team non ha ancora capito. Restare per mesi nella prima, invece, produce tante chat interessanti ma nessun miglioramento ripetibile.

L’intervista riporta anche un esempio misurabile. Per un processo annuale riservato che coinvolgeva 120 partner, il CEO Sam Nickless ha chiesto a ChatGPT Work di aggiornare file con dati provenienti da un foglio di calcolo, creare PDF e raggruppare il materiale finale. Il lavoro sarebbe durato più giorni e avrebbe coinvolto più persone; il sistema lo ha completato in pochi minuti, con un costo visualizzato nella dashboard di circa 62 dollari. È un dato dichiarato dall’azienda, utile come caso operativo ma non come promessa trasferibile a ogni organizzazione.

Il punto interessante non è il prezzo del singolo run. È la forma del processo: un input strutturato, trasformazioni definite, un output verificabile e una persona che resta responsabile dell’approvazione. Quando questi elementi mancano, parlare di automazione è prematuro.

Fase 1: sperimentare dentro un perimetro

La sperimentazione serve, ma deve avere confini comprensibili anche a chi non si occupa di sicurezza. Una regola vaga come «non inserire dati sensibili» lascia troppe interpretazioni. È più utile dividere i materiali in tre classi operative:

  • Verde: contenuti pubblici, testi dimostrativi, dati sintetici e documenti creati apposta per le prove.
  • Giallo: informazioni interne non pubbliche che possono entrare solo in un ambiente approvato, con accessi e conservazione definiti.
  • Rosso: credenziali, segreti, dati sanitari, documenti coperti da obblighi specifici o informazioni di clienti che il processo non è autorizzato a trattare.

In questa fase non serve cercare il prompt perfetto. Serve raccogliere attività reali e descriverle con cinque campi: frequenza, tempo attuale, input, output e conseguenza di un errore. Una richiesta che arriva venti volte al mese e produce una bozza sempre revisionata è un candidato migliore di un’attività rara che può generare un danno immediato se sbaglia.

Per due settimane si può lavorare con documenti sintetici e registrare tre misure: minuti impiegati, numero di correzioni sostanziali e percentuale di output scartati. Il confronto va fatto con il processo precedente, non con una sensazione. Se l’AI riduce il tempo ma raddoppia le verifiche, il risparmio è solo apparente.

Gilbert + Tobin non ha fissato obiettivi di utilizzo. Ha mostrato esempi specifici per funzione, organizzato dimostrazioni e raccolto idee dalle persone. È un approccio sensato anche in un’azienda di dieci persone: l’adozione cresce quando lo strumento risolve un problema riconoscibile, non quando la direzione misura quante chat sono state aperte.

Fase 2: trasformare l’uso personale in uno standard

La produttività personale diventa organizzativa solo quando un collega può ripetere il risultato senza conoscere tutti i trucchi dell’autore. A quel punto il prompt non basta. Serve un piccolo contratto operativo composto da input ammessi, passaggi, controlli, formato di uscita e proprietario del processo.

Prendiamo la preparazione di una proposta commerciale. Il contratto potrebbe accettare solo un brief nel modello aziendale, una lista servizi aggiornata e referenze già autorizzate. Il sistema genera una bozza in sezioni predefinite, segnala i campi mancanti e non inventa prezzi. Un responsabile commerciale controlla numeri, promesse e coerenza prima dell’invio. La qualità non dipende più dalla memoria di chi apre la chat.

Questa è anche la fase in cui scegliere l’ambiente. OpenAI dichiara che i contenuti di ChatGPT Business ed Enterprise non vengono usati per addestrare i modelli per impostazione predefinita; i workspace gestiti aggiungono controlli amministrativi che variano in base al piano. La scelta non può però basarsi su una singola frase commerciale. Bisogna verificare contratto, conservazione, localizzazione, accessi, integrazioni e requisiti dei clienti con chi segue sicurezza e protezione dei dati.

Un account personale usato per lavoro e un workspace amministrato non sono equivalenti. Nel secondo caso l’organizzazione può definire ruoli, gruppi, funzioni disponibili e criteri di accesso. La guida amministrativa ufficiale di OpenAI raccomanda di decidere questi controlli prima dell’onboarding esteso, soprattutto quando gli utenti lavorano con informazioni sensibili. Per una PMI la versione minima è semplice: un proprietario del workspace, accessi nominativi, revoca quando una persona cambia ruolo e un elenco limitato di funzioni abilitate.

Fase 3: costruire un workflow con gate umani

Un workflow AI non è una chat salvata. È una catena in cui ogni passaggio ha condizioni di ingresso e di uscita. La struttura minima può essere descritta così:

  1. un evento avvia il processo, per esempio l’arrivo di un brief nel CRM;
  2. un controllo verifica che i campi obbligatori siano presenti;
  3. il modello produce un output in un formato strutturato;
  4. regole deterministiche controllano nomi, date, importi e campi vietati;
  5. una persona approva, corregge o respinge;
  6. solo dopo l’approvazione parte l’azione esterna, come invio o pubblicazione;
  7. esito, versione e responsabile vengono registrati.

Il gate umano va collocato prima dell’azione irreversibile, non alla fine di un report che nessuno legge. In un flusso WordPress, per esempio, la bozza può essere generata e sottoposta a controlli automatici, ma la pubblicazione deve restare separata. In un processo amministrativo, un PDF può essere preparato automaticamente, mentre firma e invio richiedono un’approvazione esplicita.

Non tutti i controlli devono usare un altro modello. Se un codice cliente deve avere otto caratteri, basta una regola. Se un totale deve coincidere con la somma delle righe, serve un calcolo. L’AI è utile per interpretare testi e produrre bozze; le verifiche deterministiche sono più economiche e affidabili per i vincoli esatti.

Il NIST AI Risk Management Framework propone un ciclo continuo per governare, mappare, misurare e gestire i rischi dell’AI. Non è una certificazione pronta da applicare con una spunta, ma offre una logica utile: definire chi decide, capire contesto e impatto, misurare il comportamento del sistema e intervenire sui rischi osservati. Anche un workflow piccolo dovrebbe avere un proprietario e una procedura per sospenderlo quando input, modello o processo cambiano.

Un piano di 30 giorni per una PMI

Il primo mese non deve produrre una piattaforma aziendale completa. Deve portare un solo processo da «lo proviamo in chat» a «lo eseguiamo, misuriamo e controlliamo». Una sequenza realistica è questa:

Giorni 1-5: scegliere e misurare

Seleziona un’attività frequente, a rischio contenuto e con revisione già prevista. Raccogli almeno cinque esecuzioni del processo attuale. Misura tempo totale, attese, rilavorazioni ed errori. Definisci in una frase il risultato: «generare una prima bozza completa in meno di 20 minuti, senza inventare prezzi e con tutte le fonti indicate» è verificabile; «usare meglio l’AI» non lo è.

Giorni 6-10: definire dati e responsabilità

Elenca i dati ammessi, quelli da anonimizzare e quelli vietati. Assegna quattro ruoli, anche se una persona ne copre più di uno: proprietario del processo, amministratore dello strumento, revisore dell’output e referente per gli incidenti. Stabilisci dove vengono conservati input, output e log.

Giorni 11-20: costruire la versione minima

Prepara il modello di input, il formato di output e i controlli automatici più semplici. Usa dati sintetici o autorizzati. Prova casi normali, campi mancanti e input volutamente ambigui. Ogni test deve avere un esito atteso. Se il sistema non sa fermarsi quando manca un dato, non è pronto per un’azione esterna.

Giorni 21-30: eseguire in parallelo

Per almeno una settimana mantieni il processo precedente come confronto. Registra tempo netto risparmiato, correzioni, output respinti e incidenti. Alla fine decidi se estendere, correggere o spegnere il workflow. Spegnerlo non è un fallimento: è meno costoso che trascinare un’automazione fragile.

Le metriche che separano adozione e valore

Il dato di adozione dell’87% è notevole, ma da solo non dimostra il ritorno economico. Dice che le persone trovano lo strumento rilevante. Per capire se un workflow crea valore servono misure legate al processo:

  • tempo dalla richiesta all’output approvato, non solo tempo di generazione;
  • percentuale di output accettati senza correzioni sostanziali;
  • numero e tipo di errori intercettati dai controlli;
  • costo per esecuzione, includendo licenze, integrazioni e revisione;
  • volume gestito senza aumentare arretrati o tempi di risposta;
  • incidenti, eccezioni e sospensioni del workflow.

La mia take è questa: l’unità di adozione non dovrebbe essere l’utente attivo, ma il processo governato. Un’azienda con cinquanta persone che aprono ChatGPT ogni giorno può avere meno valore di una con cinque utenti e due workflow misurati, revisionati e mantenuti. La prima distribuisce uno strumento; la seconda costruisce capacità operativa.

La chiusura operativa è quindi breve: scegli un processo, misura la baseline, limita i dati, definisci un proprietario, inserisci un gate prima dell’azione esterna e confronta i risultati per trenta giorni. Solo dopo ha senso aggiungere altri team o collegare nuove fonti. La velocità arriva dalla ripetibilità, non dal numero di prompt salvati.

Fonti