OpenAI porta Deep Research dentro ChatGPT Work e Codex

OpenAI ha esteso Deep Research a due nuovi ambienti di lavoro: ChatGPT Work e Codex. Fino a pochi giorni fa la ricerca approfondita viveva soprattutto dentro la chat, dove ti restituiva un report lungo e ordinato da leggere e poi copiare altrove. Da questa settimana, invece, puoi lanciarla direttamente là dove costruisci i tuoi documenti o dove lavori sul codice, e trasformare quello che trova in un risultato pronto da rifinire.

Il cambiamento è arrivato il 9 settembre 2026, come si legge nelle note di rilascio ufficiali di ChatGPT, e sposta Deep Research da strumento di sola consultazione a collaboratore operativo. Sembra una sfumatura, ma nella pratica quotidiana pesa parecchio.

Che cosa cambia con Deep Research dentro ChatGPT Work e Codex

La logica di fondo resta quella che conosci. Deep Research indaga una domanda complessa incrociando il web, i tuoi file e le app collegate che hai autorizzato, poi mette in fila le fonti e produce una sintesi ragionata invece di una risposta veloce. La differenza sostanziale, adesso, riguarda dove tutto questo accade e cosa ottieni alla fine del processo.

In ChatGPT Work e in Codex il risultato non è più soltanto un testo da leggere. Puoi chiedere un documento, una presentazione, un foglio di calcolo oppure un Site, a seconda degli strumenti disponibili nel tuo spazio di lavoro. È un output modificabile, con le citazioni già agganciate ai passaggi chiave, quindi parti da una bozza strutturata anziché da un muro di testo da riorganizzare a mano.

In pratica, la ricerca e il documento finale ora vivono nello stesso posto.

Puoi guidare la ricerca mentre lavora

La novità più concreta è il controllo in tempo reale. Mentre Deep Research procede, puoi seguirne i passaggi, metterlo in pausa e correggere la rotta: aggiungere istruzioni, restringere il campo, rivedere lo scopo o cambiare l’inquadratura di una domanda che stava prendendo una direzione sbagliata. Non devi più aspettare la fine per scoprire che l’impostazione iniziale era imprecisa.

OpenAI descrive questa fase quasi come una riunione di revisione. Osservi cosa sta cercando il sistema, intercetti gli errori di framing quando sono ancora piccoli e sistemi il perimetro del lavoro prima che vengano consumati crediti o quote. È un dettaglio che sembra minore, eppure cambia il grado di fiducia con cui puoi affidargli un compito lungo.

Meno tempo sprecato a rifare tutto da capo, in sostanza.

Deliverable citati e pronti da rifinire

Il secondo pilastro è la qualità di quello che ottieni. Ogni deliverable arriva con le fonti citate, così puoi verificare da dove nasce ciascuna affermazione senza rincorrere link sparsi in una chat. E poiché il documento è modificabile dentro la stessa superficie, la distanza fra la fase di ricerca e la stesura definitiva si accorcia in modo evidente.

Su ChatGPT Sites, inoltre, OpenAI ha aggiunto la possibilità per gli spazi Enterprise idonei di condividere un Site attivo con persone esterne indicate per nome, in sola lettura. Chi riceve l’accesso entra con l’account autorizzato e può vedere il contenuto senza unirsi al workspace e senza diritti di modifica o pubblicazione. Per chi collabora con clienti o consulenti esterni è un modo pulito di mostrare un lavoro senza esporre l’intero ambiente.

Come cambia il flusso di lavoro, passo dopo passo

Immagina di dover preparare un’analisi di mercato su un settore che conosci solo in parte. Prima avresti aperto la chat, chiesto una ricerca, aspettato il report e poi ricominciato in un editor per costruire il documento vero. Adesso il percorso si accorcia parecchio.

Lanci Deep Research dentro ChatGPT Work, indichi le fonti da privilegiare e resti a osservare i primi passaggi. Se noti che sta dando troppo peso a un dato secondario, intervieni subito e sposti l’attenzione dove serve davvero. Quando la ricerca è matura, chiedi che il risultato diventi una presentazione o un foglio di calcolo, lo apri lì dentro e lo rifinisci senza perdere per strada le citazioni.

Lo stesso schema vale in Codex, con la differenza che il materiale di partenza è spesso il tuo repository e la documentazione tecnica collegata. Il vantaggio è avere il contesto sotto mano mentre scrivi o correggi il codice, invece di rimbalzare fra editor, browser e appunti sparsi.

Il filo conduttore è sempre lo stesso: tu decidi la direzione, il sistema fa il lavoro pesante.

Perché conta per chi lavora e per chi sviluppa

Per chi passa la giornata a produrre analisi, memo e report, il vantaggio è immediato: la ricerca smette di essere un momento separato dalla scrittura. Raccogli le informazioni, le validi mentre arrivano e le vedi già confluire in una bozza citata, tutto senza cambiare finestra. Il tempo che di solito perdi a ricomporre appunti e riferimenti si riduce sensibilmente.

Per gli sviluppatori il discorso è ancora più interessante. Dentro Codex, Deep Research entra nel flusso in cui si lavora sui repository, dove serve capire una libreria poco documentata, ricostruire il contesto di una scelta tecnica o preparare una nota di implementazione con riferimenti verificabili. Il motore che rende tutto questo più fluido è GPT-6 Astra, il modello che OpenAI ha presentato pochi giorni prima, quasi due volte più veloce nell’uso del computer e dotato di una nuova gestione del contesto pensata proprio per le sessioni lunghe.

Dietro le quinte, insomma, il motore fa la differenza.

Questa spinta verso l’autonomia non nasce certo oggi. Con i Managed Agents mostrati in vista del DevDay 2026 e con strumenti concorrenti come Cursor Projects, l’agente che porta avanti da solo interi progetti di codice, il settore sta convergendo verso lo stesso traguardo: sistemi che non si limitano a rispondere, ma portano a termine un compito articolato mentre tu supervisioni.

La corsa alla ricerca agentica

OpenAI non è sola in questa gara. Google spinge la propria ricerca approfondita dentro Gemini, mentre Perplexity ha costruito buona parte della sua identità attorno alle risposte citate e verificabili. La ricerca assistita dall’AI è diventata uno dei terreni più affollati dell’ultimo anno, e ogni laboratorio prova a differenziarsi su un aspetto diverso.

La distinzione competitiva, adesso, si gioca meno sulla singola risposta e molto di più su quanto controllo ti lasciano mentre il lavoro è in corso, e su quanto è immediato trasformare l’esito in qualcosa di utilizzabile. Poter interrompere, correggere e ottenere un file già impaginato è un vantaggio pratico che si nota soprattutto sui compiti seri.

Anche l’uso professionale tira nella stessa direzione. Basta osservare come OpenAI stia portando GPT-6 Astra dentro le banche d’investimento per capire quanto pesi, in questi contesti, avere ogni dato tracciabile fino alla fonte e un flusso di lavoro che non costringe a saltare fra dieci strumenti diversi.

Conclusioni

Il messaggio di fondo è chiaro: OpenAI vuole che Deep Research smetta di essere una funzione da consultare ogni tanto e diventi parte del modo in cui produci il lavoro vero. Portarla dentro ChatGPT Work e Codex significa collegare la fase in cui cerchi le informazioni a quella in cui le trasformi in un documento, un foglio o del codice, con le citazioni sempre a portata di mano e la possibilità di correggere la direzione prima che sia troppo tardi.

Se usi ChatGPT per lavoro o per sviluppare, vale la pena provare Deep Research nelle nuove superfici, partendo da un compito reale e osservando quanto controllo riesci davvero a esercitare mentre gira. È il modo migliore per capire se, nel tuo flusso, ti fa risparmiare il tempo che promette.