Venti centesimi per milione di token in ingresso, un dollaro e venti in uscita. È il listino con cui OpenAI ha rimesso in vendita GPT-5.6 Luna, il modello più economico della famiglia, tagliandone il prezzo dell’80%. Nello stesso annuncio Terra scende del 20%, a 2 dollari in input e 12 in output, mentre Sol resta dov’era, 5 e 30, e i nuovi prezzi valgono anche dentro Codex e ChatGPT Work, dove Terra e Luna consumano ora una quota minore del credito incluso negli abbonamenti.
Il numero che circola meglio è quello grosso, meno 80%. Chi porta l’AI in produzione paga però il costo di un task completo, non quello di un milione di token, e le due grandezze si muovono su curve diverse: un modello che costa un quinto e consuma il triplo dei token per arrivare allo stesso risultato non ha fatto risparmiare niente. OpenAI lo dice in modo esplicito quando scrive che l’equilibrio tra intelligenza, velocità, affidabilità e costo cambia da un passaggio all’altro dello stesso flusso di lavoro, e che la strada per capirlo passa dalle valutazioni interne, non dal listino.
Indice degli argomenti:
Il nuovo listino e la sostituzione di Priority Processing
Il taglio riguarda due dei tre livelli della famiglia. Luna passa da un dollaro a 20 centesimi per milione di token in ingresso e da 6 dollari a un dollaro e 20 in uscita, Terra da 2 e 50 a 2 in ingresso e da 15 a 12 in uscita. Sol conserva il prezzo di lancio, e la scelta ha una sua logica industriale, visto che il livello di punta è quello dove la capacità di calcolo scarseggia davvero.
Cambia anche il modo di comprare velocità. Fast mode sostituisce Priority Processing nell’API e su Sol arriva fino a due volte e mezzo la velocità dello standard al doppio del prezzo, senza differenze di intelligenza fra le due modalità. Le richieste già marcate come priority continuano a funzionare e vengono instradate sulla nuova modalità, quindi non serve toccare il codice esistente. Il rollout è partito lo stesso 30 luglio, con i prezzi in arrivo su AWS nelle ore successive e il listino API completo aggiornato in pari data.
Agents’ Last Exam: 50,3 per Luna contro 40,5 di Fable 5
La tesi commerciale di OpenAI si appoggia su Agents’ Last Exam, una valutazione costruita su flussi di lavoro professionali lunghi in cinquantacinque ambiti. Nelle tabelle pubblicate con il lancio della famiglia, Sol segna 52,7, Terra 50,4 e Luna 50,3, sopra GPT-5.5 a 46,9, sopra Claude Opus 4.8 a 45,2 e sopra Claude Fable 5 a 40,5.
Un modello che costa venticinque volte meno di Sol e perde due punti e quattro decimi è una notizia vera per chiunque gestisca volumi. OpenAI la spinge oltre, sostenendo che Luna raggiunge prestazioni paragonabili ai modelli di frontiera di un anno fa a circa sei centesimi per dollaro speso per task e a quasi nove volte la velocità, e che su Agents’ Last Exam supera Fable 5 con un costo stimato per task inferiore di quasi il 99%.
Quelle cifre di costo meritano una lettura prudente, e a dirlo è la nota metodologica dell’azienda stessa: latenza e costo per task sono stimati simulando offline il comportamento dei modelli in produzione, tenendo conto di chiamate a strumenti, token campionati e token in ingresso, con l’avvertenza che i risultati reali possono variare in modo sostanziale.
Nello stesso pacchetto di materiali il punteggio di Sol su Agents’ Last Exam compare come 53,6 nel testo discorsivo e come 52,7 nella tabella, scarto minimo che segnala quanto sia sensibile alla configurazione una misura di questo tipo. Chi costruisce un business case su percentuali di risparmio dichiarate da un fornitore lavora su una simulazione, e la sola verifica che conta resta la misura sul proprio traffico.
Il divario con Sol si apre sul contesto lungo e sulla scienza
Le stesse tabelle raccontano una storia meno lineare quando si esce dal lavoro agentico. Mettendo il punteggio di Luna in rapporto a quello di Sol, benchmark per benchmark, il modello economico resta oltre il 90% su SWE-Bench Pro, Terminal-Bench 2.1, Agents’ Last Exam, l’indice Artificial Analysis sugli agenti di codice e BrowseComp, poi la curva cede.
Su OSWorld 2.0, che misura l’uso del computer, Luna si ferma al 73% del punteggio di Sol. Su SEC-Bench Pro scende al 69%, su ExploitBench al 45%. Il crollo più netto arriva sul recupero di informazioni in contesti lunghi, dove il test MRCR a otto aghi fra 256K e 512K token vede Luna al 41,3% contro il 91,5% di Sol, meno della metà. Su GeneBench Pro, genomica e biologia quantitativa, il rapporto scende al 38%, su KernelGen al 37%, e su ARC-AGI-3, ragionamento astratto, Luna segna 0,18% contro 7,78%, praticamente zero.
La linea di separazione passa fra due famiglie di compiti. Classificazione di interazioni, implementazione di modifiche già specificate, esecuzione di test e automazioni notturne stanno dalla parte buona della curva, dove Luna lavora vicino alla frontiera a un venticinquesimo del prezzo di Sol.
Analisi documentale su interi contratti o codebase, revisione di vulnerabilità e ricerca in ambito life science stanno dall’altra, dove la sostituzione degrada il risultato in modo che nessuna riduzione di prezzo compensa, perché un task fallito va rifatto e il secondo tentativo costa più del primo risparmio.
I kernel riscritti da Sol e il 20% di serving in meno
Il margine che finanzia il taglio non nasce da una scelta di posizionamento, arriva da tre strati che OpenAI ha ottimizzato insieme e ha descritto in un post di ingegneria dedicato: il modello, addestrato a percorrere una strada più diretta dentro il compito, l’inferenza e l’orchestratore agentico scritto in Rust che alimenta Codex e ChatGPT Work.
Sul secondo strato il dettaglio merita attenzione da parte di chi pianifica budget pluriennali. Dentro Codex, e all’interno di un processo guidato da persone, GPT-5.6 Sol ha riscritto e ottimizzato in autonomia i kernel di produzione, il codice che esegue le operazioni matematiche del modello sulle GPU, in Triton e Gluon, e l’insieme di quegli interventi ha ridotto del 20% il costo end-to-end di erogazione. Sempre Sol ha progettato e fatto girare centinaia di esperimenti sul modello di bozza usato per il decoding speculativo, monitorando l’addestramento e intervenendo da solo su guasti hardware e instabilità, con un guadagno superiore al 15% sull’efficienza di generazione dei token.
Sul terzo strato il lavoro è più prosaico e altrettanto redditizio: la cronologia visibile al modello viene trattata come append-only per non rompere il prefisso della cache, gli strumenti vengono presentati in ordine deterministico, l’output di ogni strumento è tagliato a diecimila token salvo richiesta diversa.
Ne esce un anello di retroazione che stringe: il modello migliora lo stack che serve il modello, e il ciclo successivo parte da una base più efficiente. Per chi costruisce un piano a tre anni la conseguenza è che il costo unitario non sta scendendo lungo una retta prevedibile, sta scendendo lungo una curva la cui pendenza cambia, e vincolare l’architettura ai rapporti di prezzo di oggi significa consegnare al fornitore la libertà di ridisegnarli.
Dalla scelta del modello alla scelta del passaggio
Le testimonianze raccolte nell’annuncio descrivono tutte lo stesso movimento. Blitzy racconta di essere passata da una singola chiamata a output strutturato a un anello agentico completo con chiamate a strumenti, portando il riuso della cache dal 24% al 90% e gestendo 2,2 volte più contesto con 8,5 volte meno token in uscita, a un costo inferiore dell’87% rispetto a GPT-5.4 mini.
Notion riferisce su Terra una qualità paragonabile a GPT-5.5 a metà del costo per task e con il 60% di tempo in meno.
Dust misura Luna al 40% più veloce e al 40% più economica del modello che usava prima a parità di compiti agentici.
Nessuno di questi numeri arriva da un cambio di listino. Arrivano da una riprogettazione del flusso attorno al nuovo rapporto prezzo-prestazioni, con il modello grande che risolve l’incertezza e definisce il piano e quello piccolo che esegue, scrive i test e ne valuta l’esito. La leva vera è la valutazione interna, l’unico strumento che dice dove l’intelligenza aggiuntiva migliora davvero il risultato e dove invece si sta pagando un sovrapprezzo per un compito che un modello da un dollaro e venti chiude ugualmente bene.
Le metriche da strumentare cambiano di conseguenza. Il costo per milione di token dice poco, il costo per task completato con successo dice quasi tutto, e accanto vanno tenuti il tasso di riuso della cache di prompt, i token in uscita per risultato utile e il numero di tentativi necessari a chiudere il compito. È su questa strumentazione, più che sulla scelta del fornitore, che ho visto inciampare il maggior numero di progetti. Senza dubbio il taglio dell’80% sposta la soglia di convenienza di parecchie automazioni rimaste finora sulla carta. Quante organizzazioni ci arriveranno con un impianto di misura capace di dire, passaggio per passaggio, quale modello merita il proprio prezzo?
Partecipa alla community