Guida a ChatGPT Work con GPT-5.6: data science end-to-end nel tuo browser

GPT-5.6 è l’ultima famiglia di modelli di OpenAI, disponibile in tre livelli: Sol per il ragionamento profondo, Terra per il lavoro quotidiano bilanciato e Luna per attività veloci e leggere.

Insieme a questo, OpenAI ha rilasciato ChatGPT Work, uno spazio di lavoro dentro ChatGPT pensato per flussi multi-step basati su file.

Con ChatGPT Work puoi caricare file, mantenere il contesto tra i prompt e generare codice, visualizzazioni e strumenti interattivi, tutto nel browser senza alcuna configurazione locale.

In questa guida ti mostrerò come creare un progetto completo di previsione del churn dei clienti di banca interamente dentro ChatGPT Work. 

Caricheremo un dataset reale, effettueremo l’audit e la pulizia dei dati ed esploreremo il tutto con visualizzazioni.

Poi addestreremo e confronteremo più modelli di machine learning, valuteremo il migliore e distribuiremo un’interfaccia web interattiva per previsioni di churn in tempo reale.

Alla fine avrai un pacchetto di progetto completo con dati puliti, grafici, risultati dei modelli e una demo funzionante, tutto creato senza mai uscire dal browser.

Che cos’è ChatGPT Work?

ChatGPT Work è un agente dedicato dentro ChatGPT pensato per compiti ambiziosi e multi-step che vanno ben oltre la semplice domanda e risposta. 

Può raccogliere informazioni tra app e flussi di lavoro, creare materiali finiti come fogli di calcolo, slide, documenti e web app, e seguire progetti complessi per ore suddividendoli in passi più piccoli e completandoli in autonomia.

Con la tecnologia Codex integrata, ChatGPT Work va oltre le risposte e porta a termine lavoro reale su web, mobile e desktop. 

Puoi seguire i progressi, rispondere alle domande, cambiare direzione e approvare le azioni importanti mentre lavora.

ChatGPT Work è alimentato da GPT-5.6, che lo rende all’avanguardia nel ragionare attraverso attività multi-step e nel creare materiali che seguono i tuoi template e file di riferimento. 

Supporta anche le Attività Pianificate, così può far avanzare i progetti anche quando sei via, ad esempio trasformando nuovi messaggi da Teams o Slack in documenti aggiornati e condividendo le modifiche con il tuo team.

Passo 1: Caricare i dataset in ChatGPT Work

Ogni progetto di data science parte dai dati. In questo passo creeremo uno spazio di lavoro dedicato in ChatGPT Work e importeremo il dataset sul churn dei clienti bancari per iniziare a lavorarci.

Apri ChatGPT nel browser e clicca sulla scheda Work. Poi clicca Choose Project in basso a sinistra della chat, seleziona New project e chiamalo Bank Customer Churn Prediction.

Assicurati anche che sia selezionato GPT 5.6 Sol Light, perché questo è un compito semplice e non serve un grande ragionamento. 

L’interfaccia dovrebbe mostrare la scheda Work attiva, il nome del progetto in basso nella chat e il menu del modello impostato su 5.6 Sol Light.

Poi scarica Churn_Modelling.csv da Kaggle. 

Per caricarlo, clicca sull’icona più (+) nell’area di input del messaggio, seleziona il file dal computer e allegalo alla conversazione. Il file dovrebbe apparire come una scheda di foglio di calcolo sopra il campo di input, pronto per l’invio. 

Passo 2: Audit e pulizia dei dati con GPT-5.6

I dati grezzi raramente sono perfetti. Prima di costruire qualsiasi modello, dobbiamo capire con cosa stiamo lavorando e risolvere eventuali problemi che potrebbero falsare i risultati. 

Incolla questo prompt nella casella di input e premi invio:

Audit and prepare the dataset for analysis. 
Check the number of rows and columns, data types, missing values, duplicate records, invalid values, target distribution, and possible data leakage. 
Use Exited as the target variable. Exclude RowNumber, CustomerId, and Surname from the model because they are identifiers. 
Treat Geography and Gender as categorical variables. 
Preserve the original dataset and explain every cleaning decision.

Dopo l’invio, ChatGPT Work userà le sue competenze e i suoi strumenti integrati per leggere il dataset, comprenderne la struttura e fornire un riepilogo di audit strutturato.

Puoi anche esplorare i vari passaggi che ChatGPT Work ha seguito per arrivare a questo riepilogo. 

Questi passaggi sono visibili nel thread della conversazione e mostrano come il modello ha analizzato i dati, applicato regole di validazione e tratto ogni conclusione. 

In alto a destra della chat, clicca il pulsante con i punti elenco per aprire il pannello Outputs. 

Questo pannello mostrerà due file generati: un CSV pulito e un rapporto di audit completo in formato markdown.

Passo 3: Creare visualizzazioni dei dati nell’ambiente ChatGPT Work

I numeri da soli non raccontano tutta la storia. In questo passo trasformeremo i dati puliti in grafici che rivelano pattern nel churn dei clienti.

Creeremo una serie di visualizzazioni che mostrano la distribuzione complessiva del churn, scompongono i tassi di churn per diversi segmenti di clienti e confrontano le variabili numeriche tra chi è rimasto e chi ha abbandonato. 

Genereremo anche una heat map di correlazione per vedere come le variabili numeriche si relazionano tra loro.

Incolla questo prompt:

Perform exploratory data analysis and create clear visualizations focused on customer churn.
Begin with a bar chart showing the overall distribution of customers who stayed and customers who exited. 
Then visualize churn rates by geography, gender, number of products, credit-card ownership, and active-member status. 
Create suitable histograms or box plots to compare age, credit score, account balance, tenure, and estimated salary between customers who stayed and customers who exited. 
Also, create a correlation heat map for the numerical variables.
Use descriptive chart titles, clearly labeled axes, readable legends, and appropriate chart types. 
Report churn rates rather than only customer counts. 
After each chart, provide a short explanation of the main pattern and state whether the finding should be investigated further. 
Do not describe any relationship as causal.

Di conseguenza, ChatGPT Work genererà codice Python per eseguire l’analisi e creare tutte le visualizzazioni. Poi compilerà il tutto in un report PDF professionale. Il report includerà ogni grafico con la rispettiva spiegazione e un riepilogo delle evidenze principali.

Puoi esplorare i file generati direttamente in ChatGPT Work o scaricarli per rivederli in locale. 

Il pannello Outputs elencherà il report PDF insieme agli eventuali file dei singoli grafici o notebook di codice creati durante il processo.

Passo 4: Costruire e confrontare i modelli

Ora che comprendiamo i dati, è il momento di addestrare modelli in grado di prevedere quali clienti sono più propensi ad abbandonare. 

Costruiremo una pipeline di machine learning corretta, confronteremo diversi algoritmi e sceglieremo il migliore sulla base di metriche solide.

Incolla questo prompt:

Build a machine learning pipeline for predicting customer churn. 
Use a stratified train-test split and keep the test set untouched during model selection. 
Fit all preprocessing steps only on the training data, one-hot encode categorical variables, scale numerical variables where required, and use a fixed random seed. 
Compare a dummy classifier, logistic regression, random forest, and gradient boosting model. 
Evaluate each model using accuracy, precision, recall, F1 score, ROC-AUC, and PR-AUC. 
Present the results in a comparison table and recommend the strongest model.

Dopo l’invio, ChatGPT Work genererà uno script riproducibile della pipeline scikit-learn ed eseguirà il tutto.

Vedrai aggiornamenti sullo stato nel thread della conversazione che mostrano ogni fase: verifica delle librerie, esecuzione della pipeline, cross-validation solo sul training set e verifica dei risultati finali.

Al termine, vedrai una tabella di confronto pulita con tutti e quattro i modelli classificati in base alle loro metriche. 

La tabella include accuracy, precision, recall, F1, ROC-AUC e PR-AUC per ciascun modello. 

In questo progetto, il modello di Gradient Boosting emerge come il più performante, in testa per PR-AUC e ROC-AUC.

Passo 5: Valutare le prestazioni del modello predittivo

Selezionato il miglior modello, dobbiamo ora vedere quanto bene si comporta su dati mai visti prima. 

Eseguiremo una valutazione completa sul test set intatto e creeremo visualizzazioni che rendono i risultati facili da capire.

Incolla questo prompt:

Evaluate the selected model on the untouched test set. 
Report the confusion matrix, accuracy, precision, recall, F1 score, ROC-AUC, PR-AUC, false positives, and false negatives. 
Create a confusion-matrix heat map, ROC curve, precision-recall curve, and feature-importance chart. 
Explain what each visualization means in simple language and identify the most important predictive factors. 
Do not claim that any feature causes customer churn.

Dopo l’invio, ChatGPT Work valuterà il modello di Gradient Boosting sul test set tenuto da parte e genererà un report PDF completo. 

Il report includerà quattro visualizzazioni. 

• La heat map della matrice di confusione mostra a colpo d’occhio il conteggio delle previsioni vere e false. 
• La curva ROC illustra quanto bene il modello separa i churner dai non-churner a soglie diverse. 
• La curva precision-recall evidenzia il trade-off tra intercettare i churner ed evitare falsi allarmi. 
• Il grafico dell’importanza delle feature classifica le variabili su cui il modello ha fatto più affidamento; tipicamente emergono tra i primi fattori età, numero di prodotti, stato di membro attivo, saldo del conto e geografia.

Passo 6: Distribuire web app direttamente con i Sites di ChatGPT Work

Un modello che vive solo in un report è difficile da condividere. In questo passo trasformeremo il nostro predittore di churn addestrato in un’applicazione web live e interattiva che chiunque può aprire e testare.

Incolla questo prompt:

Create a simple interactive web interface inside ChatGPT Work to test the selected customer churn model. 
Include input fields for all customer features and display whether the customer is predicted to stay or exit, along with the churn probability. 
Add input validation and a reset button, and ensure the interface uses the same preprocessing pipeline and model evaluated on the test set.

ChatGPT Work include una funzione chiamata Sites, che ti permette di creare e distribuire applicazioni web direttamente dal tuo progetto. 

Quando invii questo prompt, ChatGPT Work allineerà prima l’output del modello ai requisiti della UI, quindi userà HTML, JavaScript e CSS per creare l’applicazione.

Ti fornirà anche un link per testarla. Questo passo richiede più tempo, perché comporta il collegamento delle previsioni del modello a un’interfaccia rifinita che risponde istantaneamente all’input dell’utente.

Cliccando sul link, l’applicazione web si aprirà dentro l’interfaccia di ChatGPT. Vedrai campi di input per tutte le caratteristiche del cliente, come età, anzianità, saldo del conto e stipendio. 

Puoi testarla inserendo valori diversi e, in millisecondi, otterrai il risultato che indica se il cliente probabilmente resterà o uscirà, insieme alla probabilità di churn.

La risposta è accurata e veloce, dandoti la percezione reale di come il modello si comporta con dati utente effettivi.

In questo modo puoi validare il tuo modello per utenti reali senza scrivere una sola riga di backend né configurare server.

Passo 7: Esportare il progetto finale e i report da ChatGPT Work

Ogni progetto solido merita un riepilogo pulito. In questo passo raccoglieremo tutto ciò che abbiamo costruito in un documento professionale che racconta l’intero percorso, dai dati grezzi alle previsioni live.

Incolla questo prompt:

Create a final project report covering the initial data analysis, data visualizations, model training, model comparison, final evaluation, and key findings. 
Include screenshots of the customer churn web interface, explain how to use it, and demonstrate that the prediction demo works with example customer profiles. 
Present the report in a clear, professional structure with concise explanations.

Dopo l’invio, ChatGPT Work combinerà l’intero progetto in un unico PDF. 

Vedrai aggiornamenti che mostrano come raccoglie l’analisi verificata, i risultati dei modelli, i grafici di valutazione e gli screenshot dell’interfaccia web live. 

Genererà anche due profili cliente di esempio, uno con previsione di permanenza e uno con previsione di uscita, per dimostrare che la demo funziona.

Al termine, il pannello Outputs elencherà il PDF del report finale. 

Il report copre audit dei dati, analisi esplorativa, visualizzazioni, training dei modelli, confronto, valutazione finale, evidenze chiave, limitazioni, istruzioni per l’interfaccia e i due esempi di previsione funzionanti. 

Puoi aprirlo direttamente in ChatGPT Work o scaricarlo per condividerlo.

ChatGPT Work conserva tutti i file del progetto nel pannello Outputs, ma scaricarli uno a uno può essere noioso. 

Il modo più semplice per ottenere tutto in una volta è chiedere a ChatGPT Work di impacchettare tutto in un unico file ZIP con le cartelle appropriate.

Incolla il prompt: 

Create a ZIP file containing all project outputs, including the cleaned dataset, visualizations, model comparison table, evaluation results, final report, web interface files, and screenshots. 
Organize the files into clearly named folders and provide the completed ZIP file for download. 

Dopo l’invio, ChatGPT Work raccoglierà ogni file generato e li organizzerà in cartelle come data, visualizations, reports, modeling, evaluation e web_interface. 

Una volta scaricato, puoi estrarlo in locale e sfogliare ogni artefatto del progetto, dal dataset pulito originale fino all’app di previsione live finale. 

Considerazioni finali

Penso che ChatGPT Work cambi il modo in cui si fa data science.

Tutto avviene nel browser, senza installazioni, setup dell’ambiente o grattacapi di dipendenze. 

Carichi un file, invii un prompt e lo guardi pulire i dati, creare grafici, addestrare modelli e distribuire un’app live in un unico flusso.

È simile a strumenti come Claude Code, ma la differenza sta nella velocità e nella semplicità. Non devi configurare nulla. Non ci sono pacchetti da gestire. Non aspetti che si avviino i kernel. 

Parli e lui costruisce. 

Il modello analizza i tuoi dati, si addestra, si valuta e poi si espone tramite un’interfaccia web che puoi condividere o testare istantaneamente.

Rispetto ai setup locali con VS Code, estensioni e notebook sparsi, mi sembra un altro mondo. Nessuno spazio disco divorato dagli ambienti. Niente conflitti di versione. Niente switch continui tra dieci strumenti diversi. Resti in un posto e il progetto cresce intorno a te.

Per chi vuole passare dai dati grezzi a una demo di previsione funzionante senza toccare il terminale, ChatGPT Work con GPT-5.6 è la strada più veloce.