Le informazioni emerse da fonti di reverse engineering e riportate pubblicamente da Tibor Vlaho delineano con una certa precisione tecnica una nuova fase evolutiva di ChatGPT: il passaggio da assistente reattivo a sistema agentico continuo. La funzionalità in test, denominata Hermes, non si limita a introdurre automazioni più avanzate, ma modifica il modello operativo del prodotto, trasformandolo in un ambiente in cui gli agenti AI possono operare in modo persistente, coordinato e indipendente dalla presenza dell’utente.
Secondo quanto osservato, Hermes è stato integrato all’interno di un nuovo livello funzionale accessibile dal menu “Agenti”, suggerendo un cambiamento strutturale dell’interfaccia e dell’architettura. Non si tratta di una feature isolata, ma di un layer operativo completo che consente la creazione, configurazione e gestione di agenti autonomi attraverso un sistema modulare composto da generatori, modelli, pianificazione, memoria e integrazioni esterne. L’elemento distintivo non è la singola capacità, ma la combinazione di queste componenti in un framework coerente che abilita un comportamento continuo.
La caratteristica tecnica più rilevante è proprio questa continuità operativa. A differenza del paradigma tradizionale basato su richiesta-risposta, Hermes introduce un modello event-driven e time-driven, in cui gli agenti possono essere attivati non solo da input espliciti, ma anche da condizioni temporali, eventi o trigger esterni. Questo implica la presenza di un sistema di scheduling interno capace di gestire esecuzioni pianificate, monitorare stati e riattivare processi senza intervento umano. In termini architetturali, si tratta di un passaggio da sessioni sincrone a flussi asincroni persistenti.
Un altro elemento tecnico centrale riguarda l’integrazione con sistemi esterni. Le informazioni disponibili indicano la presenza di connettori verso strumenti come Slack e altre applicazioni, il che suggerisce che gli agenti non operano confinati all’interno dell’interfaccia di ChatGPT, ma possono estendersi in ambienti operativi reali. Questo richiede un’infrastruttura di API orchestration e gestione delle credenziali, oltre a meccanismi di sicurezza e isolamento per evitare comportamenti non controllati. L’agente diventa quindi un nodo operativo distribuito, capace di interagire con più sistemi contemporaneamente.
La presenza di componenti come “skills”, “file”, “memoria” e “comandi” indica inoltre che Hermes introduce un modello composabile di agenti. Le capacità non sono monolitiche, ma modulari, e possono essere combinate per costruire workflow complessi. Questo approccio richiama architetture basate su capability injection, in cui l’agente viene configurato dinamicamente in base al contesto operativo e agli obiettivi assegnati.
Particolarmente significativo è il riferimento a ruoli come Chief Technology Officer o Chief Product Officer assegnati agli agenti. Questo dettaglio suggerisce che il sistema non è progettato per gestire singoli agenti isolati, ma per supportare configurazioni multi-agente con ruoli distinti e potenzialmente coordinati. In termini tecnici, ciò implica la presenza di meccanismi di orchestrazione tra agenti, con possibilità di delega, suddivisione dei task e cooperazione. Il modello che emerge è quello di una micro-organizzazione digitale, in cui più agenti operano simultaneamente su obiettivi condivisi o complementari.
Questo tipo di configurazione introduce sfide rilevanti sul piano della coerenza e del controllo. Se più agenti operano in parallelo, è necessario gestire conflitti, sincronizzazione dello stato e priorità delle azioni. Anche se i dettagli implementativi non sono pubblici, la semplice presenza di questa struttura implica che Hermes includa o richieda un sistema di coordinamento interno, capace di mantenere coerenza tra le attività distribuite.
Un ulteriore elemento tecnico riguarda la trasformazione del ciclo di vita delle attività. Nel modello tradizionale, ogni richiesta è un’unità isolata. Con Hermes, le attività diventano processi persistenti che possono evolvere nel tempo, accumulare stato e adattarsi dinamicamente. Questo richiede una gestione della memoria molto più sofisticata, non limitata al contesto di una singola conversazione ma estesa a un orizzonte temporale più lungo, con capacità di aggiornamento continuo.
Le analogie con OpenClaw, citate nelle analisi, non sono casuali. L’assunzione di Peter Steinberger da parte di OpenAI suggerisce una possibile convergenza verso modelli agentici progettati fin dall’inizio per operare in modo persistente e integrato con strumenti esterni. OpenClaw è noto per il suo approccio orientato all’autonomia operativa, e la somiglianza funzionale con Hermes rafforza l’ipotesi che OpenAI stia accelerando in questa direzione.