Quando un’azienda inizia a utilizzare seriamente l’intelligenza artificiale, il costo dei modelli smette rapidamente di essere un dettaglio tecnico.
Finché l’AI viene usata da poche persone per scrivere testi o fare qualche ricerca, la differenza tra un modello più costoso e uno più economico può sembrare marginale. Ma quando entrano in gioco automazioni, agenti, workflow documentali, sistemi RAG e attività eseguite in background, ogni scelta di modello può moltiplicarsi per migliaia di chiamate!
È in questo contesto che va letta la novità annunciata da OpenAI il 24 agosto 2026: la famiglia GPT-5.6 è ora disponibile in Kiro, l’agente di sviluppo software di AWS.
OpenAI rende disponibili in Kiro tutti e tre i modelli della famiglia GPT-5.6 — Sol, Terra e Luna — e insiste soprattutto su un concetto: ottenere più lavoro utile da ogni token e scegliere capacità, velocità e costo in funzione del tipo di attività.
Dal modello più potente al modello più adatto
Per anni il confronto tra modelli AI si è concentrato quasi esclusivamente sulle prestazioni assolute. Ogni nuova release veniva valutata in base ai benchmark, alla capacità di ragionamento, al coding o alla dimensione della finestra di contesto. In un ambiente aziendale, però, questo approccio non è sufficiente.
Il modello più potente è raramente necessario per ogni singola operazione:
- un’attività di classificazione, estrazione di campi, routing di richieste o sintesi semplice può essere gestita in modo efficace da un modello più piccolo e meno costoso;
- un task di analisi complessa, invece, può richiedere maggiore capacità.
L’integrazione tra GPT-5.6 e Kiro rende evidente questa logica. OpenAI descrive Kiro come un ambiente che trasforma intenti di alto livello in requisiti, design tecnici e task eseguibili. Il modello riceve quindi un contesto più strutturato e può lavorare su attività multi-step con checkpoint e verifiche intermedie.
Secondo OpenAI, nei test su Terminal-Bench 2.1 GPT-5.6 Terra ha completato task riusciti in Kiro con circa l’82% di riduzione dei costi. Il dato va interpretato correttamente: riguarda uno specifico benchmark, una specifica configurazione e i task completati con successo. Non significa che ogni azienda possa aspettarsi automaticamente lo stesso risparmio. È però un segnale importante sul valore dell’ottimizzazione congiunta tra modello e workflow.
Il costo dell’AI è un problema di architettura
Un sistema AI aziendale può generare costi in molti punti diversi. Ci sono le chiamate ai modelli, ma anche retrieval, embedding, storage, database vettoriali, orchestrazione, monitoraggio e strumenti esterni. Con gli agenti, il numero di operazioni può crescere ulteriormente perché un singolo obiettivo può tradursi in decine di passaggi intermedi.
Per questo il parametro più utile non è necessariamente il prezzo per milione di token. Un indicatore più vicino al valore aziendale è il costo per task completato correttamente.
Se un modello più economico richiede molte iterazioni, genera errori o necessita di continue correzioni, il risparmio nominale può scomparire. Allo stesso modo, utilizzare sempre un modello frontier per compiti semplici può produrre costi inutili.
La scelta dovrebbe quindi considerare insieme qualità, latenza, costo e criticità del processo.
È qui che emerge il concetto di routing dei modelli: il sistema decide quale motore AI utilizzare sulla base del compito:
- un modello AI locale può occuparsi di classificazione o di attività ripetitive;
- un modello cloud più potente può intervenire su richieste complesse;
- un modello specializzato può essere usato per coding, estrazione dati o ragionamento.
Perché il contesto può valere quanto il modello
L’annuncio di OpenAI sottolinea anche il ruolo del contesto strutturato. Kiro fornisce requisiti, design tecnico, informazioni sul codebase e standard del team. In questo modo il modello non deve ricostruire ogni volta cosa si sta cercando di ottenere.
È un principio estremamente importante anche fuori dallo sviluppo software.
In un sistema RAG aziendale, la qualità della risposta non dipende soltanto dal modello, ma da quali documenti vengono recuperati e da come vengono presentati. Un modello molto potente con un contesto sbagliato può produrre una risposta peggiore di un modello più piccolo con fonti corrette e ben selezionate.
Per questo la knowledge base diventa una parte dell’architettura economica dell’AI. Un retrieval efficace riduce rumore, evita di inviare documenti inutili e può diminuire il numero di token necessari a ogni richiesta.
Lo stesso vale per i prompt e per la progettazione dei workflow. Un processo chiaro, con input ben definiti e verifiche intermedie, può ridurre tentativi ed errori.
L’ottimizzazione dei costi AI non è quindi soltanto negoziare il prezzo dell’API. Significa progettare l’intero sistema in modo da utilizzare la quantità minima di capacità necessaria per ottenere il risultato desiderato.
AI Locale, cloud e architettura ibrida
Questo principio rende particolarmente interessante una strategia ibrida.
💡I modelli open-weight disponibili oggi permettono di eseguire localmente molte attività che in passato richiedevano necessariamente servizi cloud.
✅ Per uno Studio Professionale o una PMI, un server locale può gestire un numero significativo di richieste senza un costo variabile per token.
Il cloud mantiene però vantaggi importanti: accesso immediato ai modelli più avanzati, maggiore scalabilità e nessun investimento iniziale in hardware dedicato. Non è quindi necessario scegliere in modo ideologico tra locale e cloud.
❓ La domanda dovrebbe essere: dove conviene eseguire questo specifico task?
Un’architettura ibrida può mantenere documentazione, knowledge base, database vettoriale e retrieval nell’infrastruttura dell’organizzazione. I task semplici possono essere elaborati localmente; quelli più complessi possono essere inviati a un modello esterno insieme al solo contesto necessario.
In questo modo l’azienda può ottimizzare costi e prestazioni senza trasferire necessariamente l’intero patrimonio informativo al provider del modello.
Gol-IA e il principio del modello giusto per il lavoro giusto
Documenti, knowledge base, retrieval, conversazioni e utenti possono rimanere nell’infrastruttura aziendale. Il sistema può utilizzare modelli locali attraverso tecnologie open source oppure collegarsi, quando necessario, a servizi esterni più potenti.
✅ Questa impostazione permette di ragionare non più in termini di “modello aziendale unico”, ma di portafoglio di modelli.
Un modello locale può essere sufficiente per molte attività quotidiane. Un modello esterno può intervenire quando il valore della maggiore capacità giustifica il costo. In futuro, il routing può diventare ancora più dinamico, selezionando automaticamente il motore in base a complessità, privacy, latenza e budget.
L’annuncio di OpenAI e AWS mostra quanto il mercato stia iniziando a concentrarsi sul rapporto tra prestazioni e costo effettivo del lavoro svolto. Per aziende e studi professionali è un segnale utile: introdurre l’AI non significa necessariamente scegliere il modello più potente disponibile.
Significa progettare un sistema in cui ogni modello venga utilizzato dove produce più valore.
Una corretta Strategia AI può aiutare proprio a costruire questa mappa: quali processi richiedono capacità frontier, quali possono essere automatizzati localmente, quali dati devono rimanere sotto controllo e come misurare il costo reale di ogni attività.
Gol-IA nasce con questa logica: trasformare la scelta del modello da vincolo tecnologico a decisione operativa.
Lascia un commento