Ragionamento, esecuzione del codice e ricerca web: flussi di lavoro automatizzati
In questa pagina
Quando il ragionamento incontra gli strumenti
Combinare un ragionamento di alto livello con l’esecuzione del codice e la ricerca web trasforma un modello linguistico in un agente capace di calcolare, cercare e sintetizzare i risultati in un’unica conclusione. Questa lezione ti mostra come sfruttare questa sinergia. Prima, una nota sulla terminologia: in ChatGPT, l’esecuzione del codice si chiama Data Analysis e la ricerca si chiama Search; nelle API, questi sono gli strumenti Code Interpreter e Web Search. Le generazioni precedenti riservavano questo ruolo a modelli di ragionamento dedicati come o3; oggi, è un’impostazione disponibile per ogni modello.
Tre ruoli complementari
Il primo pilastro è il modello stesso. A un elevato livello di ragionamento, agisce come il cervello: ragiona, pianifica, decide quali azioni intraprendere e orchestra l’intero processo.
L’esecuzione del codice funge da mani. Esegue Python in un ambiente isolato, permettendogli di manipolare i tuoi file Excel, CSV o JSON, eseguire calcoli complessi, creare grafici e visualizzazioni, nonché pulire o trasformare i dati prima dell’analisi. La ricerca web agisce come gli occhi: fornisce accesso a informazioni in tempo reale, che tu abbia bisogno di dati aggiornati, verifiche dei fatti, informazioni raccolte da più fonti o accesso a siti web e database pubblici.
Come il modello decide di utilizzare uno strumento
Generalmente non hai bisogno di nominare lo strumento: il modello rileva quando è necessario un calcolo o un’informazione recente e chiama lo strumento al momento giusto. Se preferisci uno strumento specifico, dillo chiaramente: «esegui il calcolo in Python», «cerca sul web». Sul lato API, le Responses API vanno oltre con il Programmatic Tool Calling: il modello scrive un programma JavaScript, eseguito in un ambiente isolato, che chiama gli strumenti (potenzialmente in parallelo) e filtra i risultati intermedi, invece di chiamarli uno per uno.
Una richiesta di analisi finanziaria completa illustra bene questa sequenza.
«Ecco i miei dati di vendita degli ultimi 12 mesi (Excel). Analizza i trend, calcola il tasso di crescita mensile medio, prevedi le vendite per i prossimi 3 mesi e cerca sul web le previsioni del settore per confrontarle. Produci un report con grafici.»
Il modello può quindi eseguire una sequenza come questa senza che tu debba scomporla; l’ordine esatto varia da una richiesta all’altra.
- Ragiona: comprendere la struttura del problema
- Esegui il codice: carica il file Excel, calcola i trend, fai le proiezioni
- Cerca sul web: trova le previsioni del settore
- Ragiona: confronta i risultati e trai conclusioni
- Esegui il codice: genera i grafici
- Ragiona: scrivi il report finale
Nota l’alternanza: il ragionamento non avviene solo all’inizio; ritorna tra ogni chiamata allo strumento per decidere il passo successivo. Questo ritmo è ciò che distingue un agente da un semplice esecutore.
Cosa abilita la combinazione
Il benchmarking automatizzato è il caso d’uso più immediato, poiché richiede di confrontare i tuoi dati con informazioni esterne.
«Ecco le metriche di performance finanziaria della mia azienda (file Excel). Cerca sul web i rapporti finanziari medi nel nostro settore (B2B SaaS in Europa) e confrontali con i nostri. Produci una tabella di benchmarking con codici colore: verde se siamo sopra la media, rosso se sotto.»
L’intelligence competitiva assume una nuova dimensione quando supportata dai tuoi dati: invece di limitarti a raccogliere annunci, ne misuri l’impatto.
«Cerca gli ultimi annunci dei nostri 3 concorrenti (Concorrente A, Concorrente B, Concorrente C) negli ultimi 30 giorni. Incrocia questi dati con il nostro traffico web (file CSV allegato) per identificare se i loro annunci hanno impattato il nostro traffico.»
Il terzo caso d’uso tipico è un report basato sui dati con visualizzazioni, dove l’esecuzione del codice fa il lavoro pesante sui tuoi dati interni.
«Ecco i nostri dati HR (file Excel). Calcola il tasso di turnover per dipartimento, il costo medio di una sostituzione (ipotesi: 6 mesi di stipendio) e proietta l’impatto sul budget. Genera un grafico per dipartimento e una tabella riassuntiva.»
Abilitare e controllare gli strumenti
In ChatGPT, Data Analysis interviene ogni volta che un file o un calcolo lo richiede; in un workspace aziendale, verifica che un amministratore non lo abbia disabilitato. La ricerca web si attiva quando il modello rileva la necessità di informazioni recenti e puoi forzarla con il pulsante +, quindi Search. Sul lato API, entrambi gli strumenti vengono dichiarati nella richiesta. Per il livello di ragionamento, OpenAI classifica l’uso degli strumenti e la ricerca come low quando la velocità è fondamentale e raccomanda medium ogni volta che pianificazione e giudizio contano, come nei flussi di lavoro multi-strumento.
Questi strumenti hanno confini chiari che devi conoscere. L’ambiente Python per Data Analysis non accede a Internet: lavora solo sui file che fornisci e i dati esterni devono arrivare tramite la ricerca o le tue importazioni. I tempi di risposta aumentano significativamente quando tutti e tre sono combinati e le quote vengono consumate più velocemente, specialmente a livelli di ragionamento più elevati.
A te la parola
Tutti e tre i mattoni insieme. Testa la combinazione completa su un caso in cui ragionamento, codice e ricerca sono tutti essenziali.
«Ecco un file CSV delle mie spese mensili su 12 mesi. (1) Analizza i trend in Python e genera un grafico. (2) Cerca sul web il tasso di inflazione in Francia per ogni mese corrispondente. (3) Calcola le mie spese aggiustate per l’inflazione. (4) Produci un report che confronti le spese nominali e quelle reali.»
Se non hai un file CSV a portata di mano, chiedi al modello di generarne uno realistico prima. Tieni a mente tre riflessi durante l’esercizio. Verifica i calcoli: una formula sbagliata eseguita correttamente rimane una formula sbagliata. Controlla incrociando le fonti di ricerca, poiché i risultati possono essere obsoleti o imprecisi. E recupera i file generati (grafici, tabelle) prima di chiudere la conversazione. Un ultimo consiglio vale per tutto: anche quando il modello gestisce i propri strumenti, i flussi di lavoro complessi danno risultati migliori se suddivisi in passaggi piuttosto che schiacciati in un unico prompt gigante.
Fonti ufficiali: Data analysis with ChatGPT (Centro assistenza OpenAI: Python isolato, nessun accesso web) · Searching the web with ChatGPT · Code Interpreter e Web search (strumenti API) · Programmatic Tool Calling · Reasoning models (livelli di sforzo e strumenti)
Punti chiave
- Un elevato livello di ragionamento combina pensiero, esecuzione del codice e ricerca web in autonomia
- Il modello decide automaticamente quando usare ogni strumento; sul lato API, il Programmatic Tool Calling gli permette di orchestrare gli strumenti tramite codice
- L’esecuzione del codice (Data Analysis, Code Interpreter) manipola file e crea grafici senza accesso web; la ricerca porta informazioni recenti
- Per i flussi di lavoro multi-strumento, inizia con
medium, il livello che OpenAI raccomanda quando la pianificazione conta - Verifica sempre i risultati: gli strumenti amplificano sia la potenza che il rischio di errore