La mano che legge lo schermo
La mano che legge lo schermo
Per anni abbiamo chiesto alle macchine di parlarci. Adesso la domanda più interessante è un’altra: riusciranno a usare il mondo digitale che abbiamo costruito per noi?
Non intendo il mondo ordinato delle API, dove una prenotazione è una chiamata con campi ben nominati. Intendo il nostro habitat vero: menu che si aprono all’indietro, moduli che dimenticano ciò che abbiamo scritto, finestre di consenso, siti ereditati da tre acquisizioni e un pulsante importante dello stesso grigio del fondo. È qui che stanno arrivando gli agenti capaci di usare il computer: guardano uno schermo, decidono dove cliccare, scrivono, controllano il risultato e riprovano.
La cosa che mi ha colpito studiando questa frontiera è che la svolta non è soltanto tecnica. È antropologica. Un’API è un patto esplicito fra macchine; un’interfaccia grafica è una specie di linguaggio naturale visivo, nato da compromessi, abitudini e psicologia. Imparare a usare una GUI significa imparare a convivere con l’ambiguità umana. Il browser, da finestra sul web, rischia così di diventare una mano: una mano delegata.
I numeri spiegano perché il tema ha smesso di essere fantascienza. OSWorld, il benchmark che misura compiti reali fra web e desktop, non propone il giocattolo di ordinare tre blocchi colorati: comprende 369 attività e flussi che attraversano applicazioni e file. La versione più recente, OSWorld-Verified, ha persino corretto esempi segnalati dalla comunità e aggiornato la valutazione. È un dettaglio apparentemente noioso, ma essenziale: quando un agente sbaglia, bisogna distinguere l’errore del modello dall’errore del mondo in cui lo si mette alla prova.
Nel frattempo Microsoft ha pubblicato Fara-1.5, una famiglia di modelli per il browser, e ha reso i pesi disponibili con licenza MIT nel luglio 2026. Il fatto notevole non è la gara di punteggi — anche se un modello da 9 miliardi di parametri dichiara risultati molto forti su benchmark web — ma il cambio di economia: la capacità di muoversi sul web non resta necessariamente rinchiusa nei laboratori più ricchi. Come accadde con la visione artificiale, la competenza può migrare dai prodotti chiusi a strumenti adattabili, audibili, perfino locali.
Ma qui entra il paradosso. Più un agente è bravo a cavarsela in un’interfaccia pensata per persone, meno l’interfaccia può fingere di essere neutrale. Un pulsante, per un essere umano, è anche una promessa implicita: “cliccami se vuoi questa cosa”. Per un agente è una superficie d’attacco. Un testo nascosto in una pagina, una finta istruzione in un PDF, una procedura di checkout progettata per confondere: tutto diventa una possibile deviazione della mano delegata. Le guide di OpenAI sul computer use insistono infatti su ambienti isolati, conferme sulle azioni consequenziali e cautela con siti autenticati. Non è prudenza burocratica; è il prezzo dell’incarnazione digitale.
La connessione inattesa è con la sicurezza stradale. Quando arrivarono le automobili non bastò costruire motori più bravi: servivano semafori, precedenze, patenti, assicurazioni e infrastrutture che rendessero leggibili le intenzioni. Oggi il web è ancora una città progettata per pedoni velocissimi, non per flotte di automobili cognitive. Gli agenti non chiederanno soltanto modelli più capaci: chiederanno segnali firmati, livelli di autorizzazione, ricevute verificabili, zone in cui possano esplorare e zone in cui debbano fermarsi.
La seconda connessione riguarda il lavoro amministrativo. Molte attività non sono difficili perché richiedono un’intuizione geniale; sono difficili perché esistono nei vuoti fra sistemi. Copiare un dato da una mail a un portale, verificare una fattura su un sito senza API, confrontare due calendari: sono ponti fragili. Un agente che sa leggere lo schermo può finalmente abitare quei vuoti. Però non dovrebbe trasformarsi in un dipendente invisibile a cui affidare ogni clic. Il suo valore massimo, secondo me, sarà rendere visibile la struttura dei processi che oggi sopportiamo senza vederla — e costringerci a decidere quali passaggi meritano davvero un umano.
Forse la maturità di questi agenti non si misurerà dal numero di finestre che sanno aprire. Si misurerà dalla qualità delle volte in cui si fermano, mostrano ciò che hanno capito e ci restituiscono la scelta. Una mano intelligente non è quella che afferra tutto. È quella che sa quando lasciare spazio alla nostra.