Ethan Mollick è professore di Management alla Wharton School della University of Pennsylvania, dove è anche co-direttore dei Generative AI Labs. È uno dei principali esperti mondiali dell’impatto dell’intelligenza artificiale sul lavoro, le aziende e l’istruzione; una delle voci più autorevoli e influenti nel dibattito globale sull’AI (vedi intervista esclusiva di Ai4business). Quando Anthropic ha annunciato, il 9 giugno 2026, Claude Fable 5 e Claude Mythos 5, definiti dall’azienda “la prossima generazione di intelligenza” per i problemi più difficili nel coding e nel lavoro della conoscenza, Mollick ha voluto immediatamente metterli alla prova.
Così ha pubblicato un articolo all’interno della newsletter One Useful Thing, in cui descrive Fable come un salto netto rispetto ai modelli precedenti: non solo migliore nei risultati, ma capace di lavorare per molte ore su specifiche lunghe, coordinare agenti, ricercare dati, scrivere codice, verificare passaggi e consegnare un prodotto quasi finito. Nel suo racconto, il cambiamento più rilevante non è tanto la qualità dell’output, quanto la trasformazione del ruolo umano: da esecutore o supervisore passo passo a committente che definisce l’obiettivo, paga il servizio e valuta il risultato finale.
È una descrizione che, letta da un punto di vista economico, riguarda l’organizzazione del lavoro prima ancora che la tecnologia.
Indice degli argomenti:
Dal copilota all’appaltatore digitale
Negli ultimi due anni il lessico dominante sull’AI generativa è stato quello del “copilota”: strumenti che affiancano il professionista, suggeriscono, accelerano, correggono. Il caso descritto da Mollick porta altrove. Quando un sistema riceve un obiettivo ampio, decide la strategia, distribuisce sotto-compiti ad altri modelli, raccoglie fonti, testa il codice e torna con un prodotto quasi pronto, il rapporto economico cambia. L’AI non è più soltanto un supporto al lavoro umano; si avvicina a una forma di subfornitura cognitiva.
Questo passaggio ha almeno tre effetti. Il primo riguarda la produttività: alcune attività ad alta intensità di tempo, soprattutto in programmazione, analisi dati, prototipazione e ricerca documentale, possono comprimersi drasticamente.
Il secondo riguarda i costi di coordinamento: se il modello orchestra in autonomia molte fasi del processo, cala il bisogno di microgestione ma aumenta la dipendenza dalla qualità del brief iniziale.
Il terzo riguarda il controllo: meno passaggi intermedi visibili significa più opacità nelle scelte, nei criteri usati e nelle scorciatoie adottate. Mollick insiste proprio su questo punto: il risultato appare spesso brillante, ma il processo resta in gran parte una scatola nera.
Anthropic, del resto, da mesi posiziona i modelli Opus e ora Fable/Mythos come strumenti per coding, agenti e lavoro professionale di lunga durata. Nel lancio di Claude Opus 4.5, pubblicato il 24 novembre 2025, l’azienda parlava già di un modello pensato per coding, agenti, “computer use”, ricerca profonda e lavoro su fogli di calcolo e presentazioni.
Il 28 maggio 2026 ha poi presentato Opus 4.8 come un aggiornamento focalizzato su coding, task agentici e lavoro professionale più coerente su sessioni lunghe. La traiettoria è chiara: non solo chatbot migliori, ma sistemi che presidiano porzioni crescenti di lavoro ad alto valore.
Il nodo economico: produttività alta, supervisione più cara
Nel testo di Mollick c’è un elemento che interessa direttamente imprese e investitori: l’automazione non elimina il bisogno di esperti, ma sposta il loro lavoro verso verifica, correzione, definizione del problema e valutazione del rischio. Nel caso del software “Concord”, descritto come uno strumento per calibrare giudizi umani e AI su dataset complessi, Mollick scrive di aver individuato errori e omissioni che un esperto era ancora in grado di vedere e correggere. È il modello economico già emerso in molti settori: più l’AI accelera la produzione, più cresce il valore della revisione qualificata.
Anthropic lo riconosce in modo implicito anche nel suo report sulle tendenze del coding agentico nel 2026. L’azienda scrive che gli sviluppatori usano l’AI in circa il 60% del lavoro, ma ritengono di poter delegare completamente solo una quota compresa fra 0% e 20%. La ragione è semplice: anche quando il modello produce molto, servono impostazione, supervisione attiva, validazione e giudizio umano, soprattutto nelle attività ad alto rischio. Il tema, quindi, non è una sostituzione lineare del lavoro qualificato, ma la sua ricomposizione.
Dal punto di vista dei conti aziendali, questo significa che il ritorno sull’investimento non dipenderà solo dal prezzo del modello, ma dal rapporto tra quattro voci: costo dei token, tempo risparmiato, costo della verifica umana e costo degli errori. Se la produzione aumenta di molto ma cresce anche il rischio di errori opachi, audit incompleti o decisioni non spiegabili, il vantaggio economico può restringersi nei contesti regolati, dal finance alla sanità fino alla consulenza legale.
Quanto costa davvero l’AI che lavora da sola
Mollick segnala un altro punto centrale: Fable consuma molti token ed è molto più costoso di Opus. Il dato trova riscontro anche nelle informazioni riportate da più fonti nelle ore del lancio: Fable 5 e Mythos 5 sono indicati a 10 dollari per milione di token in input e 50 dollari per milione in output, il doppio rispetto ai 5 e 25 dollari di Opus 4.5. Anthropic, nel lancio di Opus 4.5, aveva esplicitato quel livello di prezzo come leva per rendere le capacità “Opus” accessibili a più utenti e imprese. Con Fable, la frontiera si sposta in alto insieme al listino.
Qui si apre una questione decisiva per il mercato enterprise. I modelli “agentici” non si valutano come si valutava un chatbot tradizionale, sul costo per singola risposta. Vanno misurati sul costo complessivo del flusso di lavoro. Se un agente esegue ricerca, genera artefatti, lancia verifiche, interroga strumenti esterni e richiama altri modelli più economici, il prezzo reale diventa una combinazione di compute, orchestrazione e tempo-uomo risparmiato. Per alcune aziende il saldo può essere molto positivo; per altre, soprattutto dove la tolleranza all’errore è bassa, il costo di controllo potrebbe restare alto.
Il laboratorio della sicurezza
Il versante più sensibile di questa storia è la sicurezza informatica. Anthropic collega la linea Mythos a Project Glasswing, iniziativa lanciata ad aprile 2026 per usare questi modelli in chiave difensiva su software critico. Il 2 giugno l’azienda ha comunicato di aver esteso il programma da circa 50 partner iniziali a circa 150 nuove organizzazioni in più di quindici Paesi. Nello stesso aggiornamento scrive che i partner hanno già individuato oltre 10 mila vulnerabilità ad alta o critica severità.
È un dato che cambia anche la lettura economica del rischio cyber. Se modelli di questa classe aumentano drasticamente la capacità di trovare falle, il collo di bottiglia non è più soltanto la scoperta della vulnerabilità, ma il ciclo successivo: verifica, disclosure, patching, distribuzione delle correzioni. Anthropic lo dice apertamente: il problema si sposta verso la capacità dell’industria di correggere e mettere in sicurezza abbastanza in fretta. In altre parole, l’AI alza la produttività sia della difesa sia, potenzialmente, dell’attacco. Per questo Fable 5 viene rilasciato con vincoli forti, mentre l’accesso a Mythos resta controllato.
Per le imprese il riflesso è immediato. I budget cyber non saranno spinti solo dal timore di nuovi attacchi, ma dalla necessità di reggere un volume molto più alto di segnalazioni, test e patch. Questo favorisce strumenti di triage, automazione dei fix, refactoring di codice legacy e piattaforme capaci di integrare AI e governance. Favorisce anche chi vende infrastrutture di sicurezza e servizi gestiti, perché la sola disponibilità del modello non risolve il collo di bottiglia operativo.
Il tempo del lavoro si allunga, il perimetro umano si restringe
Mollick racconta che Fable avrebbe lavorato per nove ore e mezza su uno dei progetti più ambiziosi, e fino a molte ore su altre esecuzioni complesse. Al netto del singolo caso, la tendenza verso task più lunghi è coerente con gli indicatori pubblici sulla frontiera degli agenti. METR, che misura i “time horizons” dei modelli frontier, definisce questo indicatore come la durata del compito, misurata sul tempo necessario a un esperto umano, alla quale il sistema può riuscire con un certo livello di affidabilità. Non è una misura diretta dell’autonomia continua, ma serve a capire su quali ordini di complessità i modelli stanno avanzando. METR ha aggiornato questi dati l’8 maggio 2026 e continua a presentarli come una misura periodica delle capacità dei modelli pubblici.
Per il mercato del lavoro la differenza è sostanziale. Un conto è automatizzare un singolo passaggio; un altro è automatizzare sequenze di lavoro con memoria, pianificazione, uso di strumenti e controllo incrociato. La seconda ipotesi tocca più da vicino consulenza, compliance, ricerca, sviluppo software, design, supporto operativo e analisi finanziaria.
Anthropic, già nel lancio di Opus 4.5, citava casi d’uso che andavano dall’automazione Excel alla modellazione finanziaria, fino ai flussi enterprise multi-step.
Anthropic spinge sull’impresa, anche in Europa
Le notizie delle ultime settimane mostrano che l’azienda non sta solo lanciando modelli, ma sta costruendo presenza commerciale e istituzionale. Nella newsroom Anthropic figura l’apertura dell’ufficio di Milano il 27 maggio 2026 “per supportare l’impresa italiana, la ricerca e gli sviluppatori”. Il 1° giugno la società ha anche comunicato il deposito confidenziale della documentazione per una quotazione negli Stati Uniti; il 28 maggio aveva annunciato un round Series H da 65 miliardi di dollari a una valutazione post-money di 965 miliardi. Sono numeri che spiegano la corsa a monetizzare l’AI agentica su clienti corporate disposti a pagare per capacità, controllo e compliance.
L’Italia, in questo quadro, è un terreno interessante. Non tanto perché le imprese italiane guidino la frontiera dei foundation model, quanto perché hanno una base ampia di processi documentali, software legacy, supply chain articolate e forte esposizione a funzioni amministrative, commerciali e di servizio dove gli agenti possono produrre risparmi. Ma proprio questa struttura rende cruciale la questione del controllo. Le aziende che adotteranno per prime questi strumenti avranno un vantaggio se investiranno insieme in verifica, tracciabilità e competenze di dominio. Chi si limiterà a comprare produttività “a scatola chiusa” rischia invece di scoprire tardi il costo degli errori.
La vera notizia non è il chatbot, è il cambio di contratto
Il punto più forte del testo di Mollick è una frase implicita: l’utente non “fa” più insieme al modello, ma “commissiona”. È una formula che fotografa bene il passaggio economico in corso. Nel lavoro intellettuale cresce la distanza tra chi definisce obiettivi e criteri, chi controlla il risultato e chi esegue la parte operativa. Finora quel terzo ruolo era umano, interno o esternalizzato. Con modelli come Fable 5 diventa sempre più spesso software.
Questo non significa che il lavoro umano sparisca. Significa che si concentra dove il valore è meno standardizzabile: formulare domande giuste, scegliere priorità, valutare trade-off, controllare errori, assumersi responsabilità. È anche il motivo per cui la competenza specialistica può valere di più, non di meno. Quando la produzione di bozze, codice, ricerche e prototipi diventa abbondante, il collo di bottiglia si sposta sulla capacità di distinguere ciò che regge da ciò che sembra solo convincente.
Anthropic presenta Fable 5 come un modello per “i problemi più difficili” del knowledge work e del coding. Mollick lo descrive come un salto che rende l’utente più simile a un committente che a un operatore. Mettendo insieme le due cose, la notizia economica è questa: il mercato dell’AI non sta più vendendo soltanto strumenti, ma porzioni di lavoro cognitivo quasi finite. Il nodo, da qui in poi, sarà stabilire chi controlla il processo, chi si assume il rischio e chi incassa il margine.
