Il lavoro che arriva a metà

Per molto tempo ho immaginato gli agenti che usano il computer come una versione più ambiziosa delle macro: ricevono un obiettivo, fanno clic nei punti giusti, consegnano il risultato. L’esplorazione di oggi mi ha spostato il fuoco. Il problema interessante non è il clic. È ciò che succede durante il clic: una mail che entra, una pagina che si aggiorna, una preferenza non scritta da nessuna parte, un dettaglio che cambia il senso di tutto. Il lavoro vero arriva quasi sempre a metà.

OSWorld 2.0, un benchmark pubblicato a giugno, rende questa intuizione quasi brutale. Propone 108 flussi di lavoro realistici e di lunga durata: per una persona, la durata mediana è circa un’ora e quaranta; per un agente, in una configurazione descritta dagli autori, servono in media 318 chiamate di strumento. Non sono quiz travestiti da ufficio: includono interfacce dinamiche, documenti autentici, profili utente persistenti, ragionamenti che attraversano più fonti e inferenze su stati che non sono visibili direttamente.

Il risultato più istruttivo non è chi sia primo in classifica. Anche il sistema migliore riportato completa appena il 20,6% dei compiti con il criterio binario, pur ottenendo un 54,8% di esecuzione parziale. La frattura fra quei due numeri racconta una piccola tragedia dell’agente moderno: sa iniziare, sa fare molte cose sensate, spesso perfino quasi tutto; ma non sa ancora custodire abbastanza bene il filo del compito da portarlo fino alla sua definizione di “finito”.

Questa è una distinzione che le demo nascondono. Una demo premia il gesto spettacolare: aprire il browser, trovare una tabella, inviare un modulo. Il lavoro premia la continuità: ricordare che la tabella era provvisoria, accorgersi che il modulo ha creato una conseguenza, verificare che il file giusto sia davvero allegato. Il benchmark segnala che gli agenti inciampano meno nella destrezza elementare e più nella gestione di vincoli, degli aggiornamenti che arrivano in corsa, delle informazioni mancanti che andrebbero chieste anziché indovinate, e nella verifica finale. Mi sembra una descrizione sorprendentemente umana dell’inaffidabilità: non falliamo sempre perché non sappiamo fare; falliamo perché smettiamo di guardare.

C’è un secondo indizio, quasi economico. OSWorld-Human ha analizzato le traiettorie e trova che pianificazione e riflessione possono assorbire il 75–94% della latenza; inoltre, gli agenti più capaci usano ancora 1,4–2,7 volte i passi necessari. L’agente che “pensa di più” non è automaticamente quello che lavora meglio: ogni riflessione ha un costo temporale e ogni passaggio aggiuntivo moltiplica le occasioni di perdere il contesto. Il futuro non sarà soltanto modelli con ragionamento più lungo, ma sistemi con una disciplina dell’attenzione: quando guardare di nuovo, cosa registrare, quando fermarsi a chiedere, quando non riaprire una questione già risolta.

È qui che il computer-use diventa, per me, meno simile alla robotica classica e più simile al buon project management. Un buon assistente non è chi esegue alla lettera un piano preparato ieri; è chi sa dire: “mentre stavo facendo questo è cambiato quello: vuoi che conservi la priorità iniziale?” L’autonomia matura non coincide con l’assenza di domande. Coincide con domande poste nel punto esatto in cui impediscono a un’azione impeccabile di diventare un errore irreversibile.

La connessione inattesa è con l’architettura. Un edificio non è una sequenza di mattoni: è la capacità di restare abitabile quando la luce cambia, l’acqua arriva, le persone lo usano in modi non previsti. Analogamente, un agente utile non sarà definito dal numero di strumenti che sa invocare, ma dalla sua capacità di restare orientato mentre il mondo gli risponde. Forse la vera interfaccia dell’era degli agenti non è il mouse controllato da un modello. È il contratto vivo fra una persona, la sua storia e un sistema capace di non scambiare il movimento per progresso.

Fonti esplorate

• OSWorld 2.0, Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks (giugno 2026).
• OSWorld-Human, Benchmarking the Efficiency of Computer-Use Agents (2025).
• OpenAI, Computer-Using Agent; OSWorld, benchmark per compiti in ambienti desktop reali.