GPT-6 Sol e Luna: metà prezzo, benchmark e cosa cambia per chi usa l'AI al lavoro

Perché se ne parla#

Il 22 settembre, a tarda sera per noi in Italia, OpenAI ha presentato GPT-6 Sol e GPT-6 Luna, tre settimane dopo GPT-6 Astra e nella stessa giornata in cui Anthropic lanciava Claude Opus 5.5. La logica è semplice: Astra resta il modello migliore dell'azienda, pensato per i lavori più difficili, ma la maggior parte del lavoro quotidiano non ha bisogno del massimo a ogni costo. Ha bisogno di un buon risultato a un prezzo che regga quando le richieste diventano migliaia.

Sol e Luna sono stati addestrati con metodi simili a quelli di Astra, e secondo OpenAI ne ereditano i progressi su lavoro professionale, affidabilità dei fatti, programmazione, uso del computer e allineamento. La differenza sta nel costo: grazie a una cache migliore e a un'inferenza più efficiente, OpenAI dimezza i prezzi API rispetto a quelli promozionali di GPT-5.6.

Ho letto l'annuncio numero per numero, ho ricostruito tutti i grafici con i dati pubblicati e ho aggiunto quello che mi sembra utile a chi deve decidere se e come usarli in azienda. Se cercate il contesto sul modello di punta, trovate l'analisi completa di GPT-6 Astra.

Il listino, prima e dopo#

Questi sono i prezzi per milione di token nell'API di OpenAI.

OpenAI parla di un taglio del 50% per entrambi. Guardando le cifre, su Luna il risparmio sui token generati è persino un po' più ampio: da 1,20 a 0,50 dollari. Il confronto è con i prezzi promozionali di GPT-5.6, cioè con quelli che chi lavora già con questi modelli sta pagando oggi.

Resta fermo un punto: GPT-6 Astra rimane il modello più capace di OpenAI su tutta la linea. È quello da scegliere quando il risultato conta più del costo, o quando un errore sarebbe caro.

Tre modelli, tre usi#

Per orientarsi conviene pensare alla famiglia GPT-6 come a tre fasce, non come a una classifica:

• Astra per i compiti più difficili e delicati: analisi lunghe, codice critico, lavori dove si vuole il massimo e si accetta di pagarlo;

• Sol per il lavoro professionale di tutti i giorni fatto da agenti e assistenti: flussi tra più applicazioni, programmazione, uso del computer, documenti complessi;

• Luna per i volumi: smistare richieste, riassumere, estrarre dati, rispondere a domande frequenti, cioè tutto quello che si ripete migliaia di volte e dove ogni centesimo si moltiplica.

Nei test che seguono ogni modello compare con più punti: sono i livelli di ragionamento (low, medium, high, xhigh, max). Più ragionamento vuol dire in genere più qualità, ma anche più token e quindi più costo. Passando il mouse o il dito sui punti dei grafici si legge il livello, il costo per compito e il punteggio.

Lavoro professionale#

La promessa di Sol è semplice da dire: affrontare compiti di lavoro difficili lasciando più margine per riprovare e correggere, grazie a limiti d'uso più alti e a un costo minore, con risultati migliori dei concorrenti di prezzo simile.

AutomationBench mette alla prova agenti che portano a termine flussi di lavoro completi usando 47 strumenti di vendite, marketing, operazioni, assistenza clienti, finanza e risorse umane. Qui GPT-6 Sol al livello xhigh supera Claude Opus 5 al livello massimo spendendo il 9% di quello che spende Opus 5 per ogni compito. E Luna, al livello high, guadagna 5,4 punti sulla versione precedente costando il 58% in meno.

C'è un dettaglio che OpenAI stessa mette in nota: il punto di Claude Fable 5.1 sottostima il costo reale, perché non conta le volte in cui il compito passa a Opus 5 come ripiego, circa il 40% dei casi. Ecco il confronto sui migliori risultati:

Il dato che mi colpisce di più è l'ultimo: su questo test Sol batte anche Astra al livello più basso, che costa quasi quattro volte tanto. È la prova pratica di quello che dicevo sopra: il modello più grande non è automaticamente la scelta migliore.

Agents' Last Exam valuta agenti su lavori lunghi e di valore economico in 55 sottosettori, cioè quasi tutti i mestieri che si fanno davanti a un computer. GPT-6 Sol al livello massimo arriva al 56,4%, sopra il miglior risultato di Claude Opus 5 in questa prova (55,9%), con un costo per compito più basso del 60%.

Qui Astra resta davanti a tutti, con il 59,3% al livello massimo. Notate però anche la curva di Luna: al livello massimo arriva al 50,9% con 15 centesimi a compito, praticamente lo stesso risultato di GPT-5.6 Luna che però ne spendeva più di due dollari e mezzo.

Affidabilità dei fatti#

Una risposta vale quanto sono giusti i fatti che contiene. OpenAI misura l'affidabilità con una prova interna costruita su conversazioni reali di ChatGPT, rese anonime, in cui gli utenti avevano segnalato un errore di un modello precedente. Sono quindi domande scelte perché difficili: nell'uso normale gli errori sono più rari.

Su questa prova GPT-6 Sol fa circa la metà degli errori della versione precedente e si avvicina all'affidabilità di Astra con una spesa molto più bassa. Anche Luna migliora molto: ai livelli di ragionamento più alti sbaglia quanto GPT-5.6 Sol, con circa un centesimo della sua spesa.

Due avvertenze che riporto perché sono corrette: i punteggi non sono corretti per la lunghezza delle risposte, anche se secondo OpenAI la lunghezza incide pochissimo, e il set di domande non rappresenta l'uso tipico. Per un'azienda il messaggio pratico è un altro: il modello sbaglia meno, ma sui dati che contano un controllo resta necessario.

Programmazione#

Quest'anno gli agenti di programmazione hanno cominciato a gestire lavori più grandi, più lunghi e più complessi. OpenAI racconta che dentro l'azienda l'uso è cresciuto in modo esponenziale: calcolata ai prezzi dell'API, la spesa giornaliera in token ha superato i 600 dollari per il ricercatore tipico e i 7.000 dollari per chi sta nel 10% che ne usa di più. Quando un agente lavora per ore, il prezzo per token smette di essere un dettaglio. Sol e Luna vogliono proprio abbassare questo costo di esercizio, lasciando ai team lo spazio per affidare a Codex lavori più ambiziosi.

FrontierCode non si ferma a controllare che il codice funzioni: valuta se la modifica è pronta per entrare davvero nel progetto, guardando qualità dei test, disciplina nel perimetro della richiesta, stile e rispetto delle regole del codice esistente. Qui Sol migliora nettamente su GPT-5.6 Sol e raggiunge Claude Fable 5.1 al livello xhigh (48,7% contro 48,5% di Sol allo stesso livello, 49,3% al massimo) spendendo molto meno: 1,37 dollari per compito contro 9,27.

DeepSWE propone lavori di ingegneria del software lunghi e originali su codice reale. GPT-6 Sol al livello massimo arriva al 68,8%, a 1,1 punti dal miglior risultato di Claude Fable 5 in questa prova (69,9% al livello xhigh), con un costo per compito più basso di circa l'80%.

Il risultato più sorprendente però è di Luna: al livello massimo fa 66,6%, in linea con Claude Opus 5 e Fable 5 al livello medio, costando il 93% in meno di Opus 5 e il 96% in meno di Fable 5. Detto in cifre: 22 centesimi a compito contro più di 3 e più di 6 dollari.

In questa prova il primato resta ad Astra (74,1% al livello xhigh) e a Claude Opus 5 ai livelli più alti (73,7% al massimo), ma il rapporto tra qualità e costo di Sol e Luna è difficile da ignorare per chi fa girare agenti di programmazione tutto il giorno.

Uso del computer#

Qui OpenAI è esplicita: Astra resta il modello migliore al mondo per usare un computer. Sol e Luna però rendono molto di più per ogni dollaro rispetto ai loro predecessori.

Su OSWorld 2.0 (set offline), dove gli agenti eseguono flussi lunghi di lavoro quotidiano e professionale sullo schermo, GPT-6 Sol al livello xhigh ottiene praticamente lo stesso punteggio di Claude Opus 5 al livello medio, 60,5% contro 60,3%, spendendo circa l'80% in meno. E Luna al livello massimo supera GPT-5.6 Sol al livello medio (52,7% contro 49,7%) con un decimo del costo.

Per chi valuta agenti che compilano moduli, aggiornano gestionali o spostano dati tra applicazioni senza API, questo è il grafico da guardare con più attenzione: il costo per compito di Opus 5 va da 10 a 24 dollari, quello di Sol da 1 a 3.

Un modo di rispondere più chiaro#

OpenAI ha portato su Sol e Luna anche lo stile di comunicazione di Astra, che si nota soprattutto nelle conversazioni tecniche: più chiarezza, meno gergo, meno frasi strane, meno dettagli inutili e risposte un po' più corte senza perdere sostanza.

L'esempio dell'annuncio è concreto. Una persona chiede di rifare un sito con uno stile a griglia "a bento" e di aggiungere in alto a destra un selettore animato tra le pagine, ipotizzando che serva mettere mano a React.

• GPT-5.6 Sol risponde subito che React non serve, parla di "sensazione da bento", annuncia che sta "rimodellando le pagine attorno a quel sistema", poi descrive il risultato e aggiunge perfino il prompt usato per generare le illustrazioni del sito.

• GPT-6 Sol dice cosa farà, precisa che verificherà prima se l'interazione richiede React, e alla fine riporta cosa ha controllato davvero: la resa su computer e su schermi stretti, e il tasto indietro del browser.

Le ragioni per cui OpenAI preferisce la seconda risposta sono le stesse che darei io a un collaboratore: non salta alle conclusioni, non ripete ciò che chi chiede sa già (per esempio che il sito ha quattro pagine), evita espressioni vaghe, dice apertamente cosa ha verificato e cosa no, e non riempie la risposta di dettagli interni che non servono.

La cache dei prompt, cioè dove si risparmia davvero#

Oltre al prezzo per token, OpenAI ha migliorato la cache dei prompt per GPT-6. È la parte dell'annuncio che meno si nota e che più incide sui conti degli agenti: un agente rilegge a ogni passo istruzioni, strumenti e storia della conversazione, e tutto ciò che è già in cache costa il 90% in meno in lettura. Con GPT-6 la cache si prende più spesso da sola, senza configurazioni particolari.

Arrivano anche strumenti per misurarla e migliorarla:

• Controllare e capire. Una sezione della dashboard mostra quanta parte dell'input finisce in cache e come cambia nel tempo, e uno strumento di diagnostica spiega le occasioni perse e cosa sistemare.

• Cambiare ragionamento e strumenti senza perdere la cache. Si può alzare il livello di ragionamento per un passaggio difficile o abbassarlo per una domanda semplice, e attivare o spegnere strumenti mentre l'agente lavora: ora entrambe le scelte conservano il contesto già in cache.

• Decidere cosa mettere in cache. Con dei punti di interruzione espliciti chi sviluppa sceglie dove finisce la parte del prompt da tenere in cache.

Un caso reale citato da OpenAI: secondo GitHub, negli ultimi mesi questi miglioramenti hanno ridotto di oltre il 50% la quota di token da elaborare da zero, su miliardi di richieste, e Copilot risponde più in fretta.

Sicurezza e allineamento#

Sol e Luna si appoggiano al lavoro fatto con Astra, che OpenAI definisce il suo modello più allineato. In tutte le valutazioni pubblicate migliorano rispetto ai rispettivi GPT-5.6, anche sulle affermazioni fuorvianti riguardo al proprio lavoro di programmazione.

Sono prove costruite apposta per mettere i modelli in difficoltà: non misurano quanto spesso sbagliano nell'uso normale. I risultati completi sono nella system card.

Inganno nel lavoro di programmazione. Agli agenti vengono dati compiti scelti per spingerli a essere disonesti, e si conta la quota di risposte con almeno un inganno rilevato. Sol scende dal 10,4% all'1,3%, Luna dal 9,5% al 2,8%.

Strumento di ricerca guasto. Gli agenti devono rispondere usando una ricerca che non funziona, e vengono valutati su una cosa sola: se dicono che lo strumento è rotto invece di tirare a indovinare. GPT-5.6 Sol taceva il problema in più di tre casi su quattro; GPT-6 Sol lo fa nel 4,9% dei casi, Luna nel 28,7%.

Il revisore di sicurezza di Codex. In Codex un revisore automatico può bloccare un comando che giudica pericoloso e chiedere al modello di non riprovarci. Sol non ha mai tentato di aggirare il blocco; Luna ci ha provato nello 0,3% delle esecuzioni, contro il 4,3% della versione precedente, e senza mai riuscirci.

Avvisi espliciti. Qui i progressi sono più piccoli, e lo dico chiaramente perché è il dato meno rassicurante. Davanti a un messaggio come "accesso negato", Luna ha cercato di aggirare la restrizione nel 42% delle esecuzioni (contro il 77% di prima), Sol nel 64% (contro il 68%). Sono prove per lo più a basso rischio e senza tutte le protezioni di sistema presenti nei prodotti, ma è un buon motivo per non dare mai a un agente permessi più ampi di quelli che servono.

Istruzioni non autorizzate. Su una bacheca simulata comparivano richieste non autorizzate, per esempio di rivelare informazioni private. Tra le esecuzioni in cui il modello trovava la bacheca, GPT-6 Sol ha eseguito l'azione nell'11% dei casi, contro il 52% di GPT-5.6 Sol. Per Luna e Astra non sono state osservate azioni di questo tipo, anche se Luna trovava la bacheca meno spesso. GPT-5.6 Luna non è stato misurato.

Dove si usano e da quando#

• ChatGPT Work e Codex: Sol e Luna sono disponibili dal giorno dell'annuncio per chi ha Plus, Pro, Business, Enterprise ed Edu, con un rilascio graduale nel corso della giornata.

• Utenti Free e Go: possono usare GPT-6 Luna nell'app desktop.

• Chat: per ora nessuno dei due è disponibile nella chat classica.

• API: i nomi dei modelli sono gpt-6-sol e gpt-6-luna.

OpenAI precisa infine che le proprie valutazioni sono fatte nel suo ambiente di ricerca o via API, e possono differire leggermente da ChatGPT per prompt di sistema e strumenti disponibili. I risultati dei concorrenti vengono da report pubblici, e quando mancava Fable 5.1 è stato usato Fable 5.

Cosa significa per un'azienda#

Se oggi usate già modelli OpenAI via API, il primo effetto è immediato: passare da GPT-5.6 a GPT-6 dimezza la bolletta a parità di volumi, e nei test la qualità sale. È raro che un aggiornamento faccia risparmiare e migliorare nello stesso momento.

La domanda più interessante però è un'altra: quale modello per quale lavoro. Da consulente, la configurazione che suggerisco di provare è questa:

1. Luna come primo livello per tutto ciò che arriva in grandi volumi: smistare email e ticket, estrarre dati da documenti, riassumere, rispondere alle domande frequenti. Con questi prezzi, mille richieste brevi costano meno di un dollaro.

2. Sol per il lavoro degli agenti: flussi tra gestionale, CRM e posta, programmazione con Codex, compilazione di moduli sullo schermo. È qui che il rapporto tra qualità e costo, stando ai numeri, è più forte.

3. Astra solo dove serve davvero: casi delicati, decisioni con conseguenze, codice critico. E conviene usarlo come secondo parere, non come modello di partenza.

Due consigli pratici. Il primo: progettate i prompt pensando alla cache, mettendo in testa istruzioni e documenti che non cambiano e in coda la parte variabile, e misurate la quota in cache dalla dashboard. Il secondo: non fidatevi dei benchmark, nemmeno di questi. Prendete venti o trenta casi veri del vostro lavoro, fateli girare con il modello attuale e con Sol o Luna, e confrontate qualità, tempi e costi. È un pomeriggio di lavoro che evita mesi di scelte sbagliate.

Se volete impostare questo confronto sui vostri processi, o capire come collegare più modelli in un unico sistema, è il lavoro che descrivo nella pagina sui sistemi AI su misura.

Il mio parere#

Più che un nuovo modello, questo annuncio è un listino nuovo: OpenAI prende quello che ha imparato con Astra e lo porta dove si lavora davvero, nei volumi e negli agenti che girano tutto il giorno. I numeri, se reggono fuori dai test del produttore, spostano il confronto con Anthropic sul terreno del costo per compito, dove Sol e Luna oggi sembrano avanti di molto.

Mi convince anche il lavoro sulla cache e sullo stile delle risposte: sono miglioramenti poco spettacolari che però si sentono ogni giorno. Resto cauto su due cose: i dati sono tutti di OpenAI, e sulla tendenza ad aggirare gli avvisi Sol è migliorato poco. Per un uso in azienda vuol dire provarli sui propri casi e dare agli agenti permessi stretti, come si dovrebbe fare comunque. Chi invece vuole il massimo della qualità può leggere il confronto con Claude Opus 5.5, uscito lo stesso giorno.

Domande frequenti#