OpenAI ha appena reso il proprio modello di IA più economico ancora più conveniente

OpenAI ha ridotto i prezzi delle API per tutta la sua linea GPT-5.6, presentando questa mossa come il risultato del lavoro di ottimizzazione dell’efficienza che il modello stesso ha contribuito a promuovere. GPT-5.6 Luna, il livello più veloce e conveniente, è ora più economico dell’80%, mentre GPT-5.6 Terra, il modello equilibrato per il lavoro quotidiano, registra una riduzione del prezzo del 20%. Le modifiche sono entrate in vigore il 30 luglio.

I prezzi degli abbonamenti e i budget a quota per ChatGPT e Codex rimangono invariati, ma l’utilizzo di Terra e Luna comporta ora un consumo minore di crediti nell’ambito di tali piani.

OpenAI ha inoltre introdotto la modalità Fast per l’API, in sostituzione del precedente livello di elaborazione Priority. Per GPT-5.6 Sol, la modalità Fast funziona fino a 2,5 volte più velocemente rispetto all’elaborazione Standard a un costo doppio, senza alcuna variazione nella qualità dell’output, e le richieste esistenti contrassegnate come «priority» vengono trasferite automaticamente.

Dal punto di vista delle prestazioni, OpenAI afferma che Luna è ora alla pari con modelli che un anno fa erano considerati all’avanguardia, con un costo di circa 6 centesimi di dollaro per attività e una velocità quasi nove volte superiore. L’azienda ha inoltre sottoposto Luna a un test comparativo diretto con un concorrente: nel benchmark professionale «Agents’ Last Exam», Luna supererebbe Claude Fable 5 con un costo stimato per attività inferiore di quasi il 99%.

OpenAI attribuisce i miglioramenti ottenuti al lavoro svolto su tre livelli: l’architettura del modello, i sistemi di inferenza e l’interfaccia agentica che collega i modelli agli strumenti. In particolare, l’azienda afferma che lo stesso GPT-5.6 Sol ha contribuito a individuare tali efficienze, riscrivendo in modo autonomo i kernel di produzione ed eseguendo centinaia di esperimenti per migliorare la generazione dei token. Il lavoro di ottimizzazione del kernel ha ridotto del 20% i costi end-to-end di gestione del modello, mentre gli esperimenti hanno aumentato l’efficienza nella generazione dei token di oltre il 15%.