Ci sono due modi di leggere il dato che OpenAI ha pubblicato con Enterprise Signals: le aziende in testa all’adozione dell’AI producono 8,3 volte più output delle altre. Il primo modo è concludere che hanno comprato qualcosa di meglio. Il secondo, quello che i numeri sostengono davvero, è che usano gli stessi modelli di tutti e hanno fatto un lavoro diverso attorno. Le aziende AI-native non scelgono il modello migliore: gli cuciono addosso un pezzo del proprio processo. E il caso più leggibile di questo metodo è un onboarding passato da due ore a trenta minuti.
In questo articolo scoprirai:
- Qual è la leva vera delle aziende AI-native: plugin e skill, non modelli migliori
- Il caso Basis: un onboarding da due ore che diventa mezz'ora
- Che cos'è una company skill e cosa deve contenere
- Come copiare il metodo in un'azienda italiana che non è Basis
- Perché quasi tutti si fermano prima: il pezzo che manca è il servizio
La leva delle aziende AI-native: plugin e skill, non modelli migliori
Il punto di partenza è noto: a giugno 2026 le imprese nel primo 10% per intensità d’uso, quelle che OpenAI chiama frontier firms, generavano 8,3 volte gli output token per utente attivo rispetto alle aziende mediane, contro un rapporto di 2,6× a gennaio. Il divario in sé, con i percentili e il commento di OpenAI, lo abbiamo raccontato qui. Qui interessa un’altra domanda: che cosa fanno di diverso, in concreto, quelle aziende.
La risposta sta negli strumenti che collegano l’agente al contesto dell’azienda. Fra gli utenti settimanali attivi, i plugin sono usati dal 21% nelle frontier firms contro il 9% nelle aziende mediane; le skill dal 19% contro il 3%. Un rapporto di oltre sei a uno su una funzionalità che non costa una licenza in più e si scrive in un pomeriggio.
Codex fuori dall’engineering: la crescita per funzione
Non è nemmeno un fenomeno confinato ai reparti tecnici. Da febbraio, secondo la lettura dei dati fatta da VKTR, gli utenti settimanali enterprise di Codex sono cresciuti 108× nel legale, 41× nelle vendite, 41× nel recruiting, 26× nel marketing, 24× in ambito clinico e 20× in finanza e contabilità, contro un 5× nell’engineering. A giugno Codex generava il 64% degli output token complessivi dei clienti enterprise. Il baricentro si è spostato dalla conversazione all’esecuzione, ed è lì che le skill diventano la differenza.
Il caso Basis: un onboarding da due ore che diventa mezz’ora
Basis costruisce agenti AI per studi contabili. Nel documento OpenAI sulle aziende AI-native è il primo dei tre casi citati, insieme a Clay ed Exa Labs, e il più semplice da imitare.
Il primo giorno, un nuovo assunto di Basis riceve due cose: l’accesso a Codex e una company onboarding skill, cioè una skill scritta su misura per quel processo interno. L’agente lo accoglie, gli introduce i concetti chiave dell’azienda e, si legge nel documento OpenAI sui flussi di lavoro AI-native, «usa il suo computer per completare la configurazione delle integrazioni in background». Il primo giorno di onboarding è passato da due ore a trenta minuti, e le ore liberate sono tornate all’HR per la parte che una skill non può fare: cultura, relazione, domande scomode.
Il metodo delle aziende AI-native: prima si dimostra, poi si cristallizza
Il metodo è la parte replicabile. Basis non ha progettato l’onboarding automatico a tavolino: ha eseguito il processo davanti all’agente una volta, poi lo ha trasformato in una skill riutilizzabile. Prima si dimostra, poi si cristallizza.
Gli altri due casi confermano lo schema. Clay ha assegnato un subagente a ciascun cliente: ogni notte rilegge le fonti primarie e aggiorna la propria cartella-trattativa, mentre un agente coordinatore sintetizza il tutto nelle priorità del giorno, risparmiando circa un’ora di triage della posta. Exa Labs ha costruito un flusso che monitora le opportunità di integrazione, raccoglie il contesto, apre le pull request, lancia i test e prepara l’aggiornamento settimanale. In tutti e tre i casi la progressione è la stessa che OpenAI mette in una riga: si insegna all’agente un processo stabile, gli si dà contesto persistente mentre il lavoro cambia, e poi lo si lascia portare un’occasione fino a un’azione testata.
Che cos’è una company skill e cosa deve contenere
Una skill, nella definizione di OpenAI, è «un insieme riutilizzabile di istruzioni e risorse per un flusso di lavoro specifico». Tecnicamente, come si legge nel catalogo pubblico di skill per Codex, è una cartella che contiene istruzioni, script e risorse che un agente può scoprire e usare: «scrivi una volta, usa ovunque». Non è un prompt lungo, ed è la differenza che conta: un prompt vive in una conversazione, una skill vive nel repository dell’azienda, si versiona e si condivide.
Una nota di onestà, perché cambierà i vostri riferimenti: quel repository è ora deprecato e OpenAI rimanda alla guida sui plugin. Il nome dell’oggetto si sta spostando, il meccanismo no, ed è lo stesso meccanismo per cui esiste l’MCP, il protocollo con cui un agente arriva ai dati e agli strumenti aziendali.
I quattro ingredienti di una company skill che funziona
Dal caso Basis, OpenAI estrae quattro requisiti, e sono un buon test da fare a tavolino prima di scrivere una riga. Primo: un trigger chiaro, un evento riconoscibile che fa partire il flusso, non «quando serve». Secondo: passi noti, cioè un processo che qualcuno in azienda sa già eseguire allo stesso modo due volte di fila. Terzo: accesso agli strumenti giusti, perché una skill senza permessi sul sistema che deve toccare è una lista di buone intenzioni. Quarto: una definizione esplicita di «fatto», che è l’ingrediente che quasi tutti dimenticano e l’unico che permette di verificare l’output invece di fidarsi.
Se uno dei quattro manca, il problema non è l’agente: è il processo. Un flusso che nessun essere umano riesce a descrivere in dieci righe non diventa una skill, diventa un generatore di errori plausibili, ed è una delle ragioni per cui il 70% dei progetti AI fallisce. Vale la pena leggerlo insieme a cosa sanno fare davvero gli agenti AI oggi, perché il confine è lì.
Come copiare il metodo in un’azienda italiana che non è Basis
Il contesto italiano rende la cosa più urgente, non meno. Secondo l’Osservatorio Artificial Intelligence del Politecnico di Milano, nel 2025 il mercato italiano dell’AI ha raggiunto 1,8 miliardi di euro, ma fra le piccole e medie imprese solo l’8% ha avviato un progetto di AI. Tradotto: il mercato corre, e nella maggior parte delle aziende più piccole non c’è ancora un processo messo per iscritto, un quadro coerente con quello che lo Stanford AI Index 2026 dice alle PMI italiane sugli agenti AI.
Il primo passo utile non è scegliere un caso d’uso ambizioso. È scegliere il processo più stabile: quello che si ripete ogni settimana, che qualcuno sa spiegare a voce e che ha un output verificabile. L’onboarding di Basis è un candidato perfetto proprio perché è noioso e ricorrente. Un preventivo standard, la chiusura di un ticket di secondo livello, la preparazione di un report mensile: sono tutti punti di partenza migliori di «l’AI per la strategia».
Perché il processo più stabile batte quello più costoso
La tentazione è partire dal processo che brucia più soldi. Ma il vantaggio misurato dalle frontier firms non è un risparmio una tantum: è il fatto che una skill scritta bene viene riusata da tutti e non decade. Un processo instabile va riscritto ogni mese e non accumula nulla; uno stabile diventa capacità operativa. La logica è la stessa che abbiamo descritto nella software factory con agenti AI applicata alle PMI italiane, e la sequenza con cui si passa dal pilota alla produzione è quella delle cinque fasi dell’adozione AI in azienda: si industrializza ciò che è già ripetibile.
Perché quasi tutti si fermano prima: il pezzo che manca è il servizio
Il divario di 8,3× non si spiega con l’accesso alla tecnologia, e i numeri sull’esecuzione lo confermano. Una rassegna di Enterprise AI Executive raccoglie tre dati che stanno bene insieme: il 39% delle aziende resta bloccato nei pilot sperimentali (McKinsey), un +20% di EBITDA arriva dalla riprogettazione dei flussi di lavoro attorno all’AI, e in un’indagine IBM su mille dirigenti il 91% dichiarava una forte riduzione dello sforzo grazie all’AI, ma solo il 3% la usava su scala reale. Il collo di bottiglia non è il modello. È il lavoro di scrivere il processo, dare i permessi giusti e definire cosa significa «fatto».
È lo stesso punto che emerge da un’altra lettura degli stessi segnali B2B: le frontier firms «fanno girare l’AI sui processi, non solo sui compiti», mentre le aziende tipiche restano al livello della produttività individuale, bozze di email, riassunti, domande. Ed è la ragione per cui, quando l’AI generativa non genera ROI, il problema non è la tecnologia.
Onboarding assistito: la parte che le aziende AI-native non saltano
Qui si capisce perché in MIMIR insistiamo su una cosa che sembra meno brillante di un modello nuovo: l’onboarding assistito. Cucire una skill sul processo di un’azienda vuol dire sedersi con chi quel processo lo esegue, scriverlo, decidere il trigger e la definizione di «fatto», e poi verificare l’output per qualche settimana. È un servizio, non un prodotto da attivare, ed è la parte che conta più del modello.
Se avete in testa un processo che si ripete ogni settimana, provate a passarlo ai quattro requisiti: c’è un trigger riconoscibile? I passi sono noti abbastanza da essere eseguiti due volte allo stesso modo? L’agente può avere i permessi sui sistemi che deve toccare? Esiste una definizione di «fatto» che permetta di verificare l’output? Se le prime tre risposte sono sì e manca solo la quarta, il processo è già un candidato: è la parte che su mimir.bot scriviamo insieme a chi il processo lo esegue, ed è anche l’onboarding che serve perché la skill regga il secondo mese.
Fonti:
- OpenAI — Enterprise Signals, i dati di adozione enterprise
- OpenAI — AI-native company workflows (casi Basis, Clay, Exa Labs)
- OpenAI — catalogo pubblico di skill per Codex (repository deprecato)
- VKTR — la lettura dei dati sul divario 8×
- Enterprise AI Executive — best practice AI-native per l’adozione
- EnterpriseDNA — i segnali B2B di OpenAI sulle frontier firms
- Osservatorio Artificial Intelligence — Politecnico di Milano
