Fra l’8 e il 9 ottobre OpenAI ha pubblicato tre casi cliente che, letti insieme, spiegano dove si recupera denaro e tempo quando un agente passa dalla demo alla produzione. Asana ha ottimizzato un agente che naviga nel browser, LegalOn ha organizzato l’uso di Codex tra gruppi di sviluppo, Sophos ha affidato a un agente l’istruttoria dei casi di sicurezza. I numeri sono dichiarati dalle aziende e dal fornitore, e ciascun caso si riferisce a un contesto preciso. Il loro valore sta nelle tecniche descritte, che un team può riprodurre sul proprio carico di lavoro.
Asana: il costo sta nel contesto che l’agente trascina
Il caso di Asana, pubblicato il 9 ottobre, parte da un agente di produzione che raccoglieva sei campi per ciascuno di 32 libri di un catalogo dimostrativo pubblico. L’impostazione originale costava almeno 36,21 dollari a esecuzione, impiegava almeno 22,5 minuti e in alcuni casi si fermava al limite di passaggi. Dopo l’ottimizzazione, con GPT-6.1 Sol, la stessa attività costa in media 0,47 dollari e dura circa quattro minuti. Asana indica un costo stimato del modello 76 volte più basso e un’esecuzione cinque volte più veloce.
Il lavoro è stato condotto con uno studio da 144 esecuzioni su quattro modelli di frontiera, sei politiche di memorizzazione e di gestione delle schermate e due budget di cronologia, da 120.000 e da 480.000 caratteri. La configurazione vincente ha adottato il budget più ampio, la memorizzazione della cronologia di navigazione e l’accumulo di schermate fino a venti prima di ridurle all’ultima. Su GPT-6.1 Sol da solo, questa politica ha abbassato il costo da 1,97 a 0,47 dollari, cioè quattro volte. Il modello impiegato come riferimento è sceso a 1,24 dollari a esecuzione dopo la stessa cura.
Il dato da trattenere è che una parte rilevante del risparmio nasce dal modo in cui l’agente gestisce la propria memoria di lavoro. Lo studio, diretto dal CTO di StackAI di Asana Frank Hidalgo e condotto con GPT-6 Astra dentro Codex, è durato circa una settimana. Asana stima che una ricerca manuale avrebbe richiesto da uno a due mesi.
LegalOn: il modello giusto per ogni compito e un budget per ogni persona
Il caso LegalOn, dell’8 ottobre, riguarda l’uso di Codex nei gruppi di sviluppo. L’azienda dichiara una spesa giornaliera stimata inferiore di circa il 65 % rispetto a GPT-5.5, e di circa il 20 % nelle aree di business mature. Il titolo parla di costi dimezzati, mentre le cifre pubblicate nel testo sono queste due.
La tecnica è il routing per complessità. GPT-6 Luna, il modello più leggero, esegue implementazioni con requisiti chiari e automazioni di routine, spesso come subagente. GPT-6.1 Sol copre progettazione e analisi ordinarie, documenti e calcoli di routine. GPT-6 Astra, il più capace, è riservato ad analisi complesse, a progetti software articolati e al coordinamento di altri agenti. Le squadre partono dal modello leggero e salgono quando il compito lo richiede. Un centro di competenza interno prova i modelli, monitora i risultati e condivide le evidenze, mentre gli ingegneri scelgono in autonomia.
Accanto al routing, LegalOn ha fissato regole di spesa. Gli amministratori impostano limiti mensili per reparto e per persona, la modalità veloce è limitata per impostazione predefinita e si attiva richiesta per richiesta, alle aree consolidate è chiesto un miglioramento di efficienza fino a circa il 20 % mentre le nuove attività ricevono budget più ampi. L’azienda riferisce di avere mantenuto la velocità di sviluppo, anche grazie all’esecuzione di attività in parallelo.
Sophos: l’automazione cresce dentro confini scritti
Il caso Sophos, del 9 ottobre, riguarda il servizio gestito di rilevamento e risposta (MDR). Con il programma Daybreak, Sophos abbina i modelli di OpenAI alla propria intelligence sulle minacce, ai propri playbook di risposta e alla competenza degli analisti. L’azienda dichiara una riduzione del 96 % del tempo di istruttoria e il 52 % dei casi MDR risolti da punta a punta dall’IA, entro limiti fissati dagli analisti.
Il servizio prevede tre modalità. In Notify agisce il cliente, in Collaborate le decisioni si prendono insieme prima dell’azione, in Authorise Sophos interviene per conto del cliente. Le azioni potenzialmente distruttive richiedono comunque supervisione umana: ciò che l’agente è autorizzato a trattare resta all’agente, il resto passa al giudizio di una persona. La percentuale di automazione è quindi il risultato di un perimetro dichiarato, e il perimetro è la parte progettata dall’azienda.
Cosa dicono i tre casi insieme
Il primo punto riguarda la sequenza. Asana ha misurato prima di scegliere, LegalOn ha scritto regole di accesso ai modelli, Sophos ha definito che cosa l’agente poteva decidere. In tutti e tre i casi la riduzione di costo o di tempo segue una scelta di progetto esplicita.
Il secondo punto riguarda la misura. I tre casi parlano di costo per esecuzione, spesa giornaliera e tempo di istruttoria, indicatori che un team può rilevare anche prima di partire e che permettono di confrontare una configurazione con l’altra. Per le imprese italiane che stanno passando dai progetti pilota alla produzione, il confronto fra due configurazioni dello stesso agente sullo stesso compito costa poco e produce una base decisionale concreta.
I limiti dei dati
I tre casi sono pubblicati da OpenAI e raccontano clienti soddisfatti. I costi sono stime e riferimenti a modelli precedenti, in parte anonimizzati: nel caso Asana il punto di partenza è un “Modello B” anonimo. L’attività di Asana è una raccolta di campi da un catalogo dimostrativo, utile per isolare le variabili e meno rappresentativa di un flusso aziendale reale. Le percentuali di LegalOn si riferiscono a un confronto con GPT-5.5, e nel caso Sophos la quota del 52 % dipende dai limiti scelti dagli analisti. Prima di replicare un risultato, un team deve rilevare i propri valori di partenza.
La domanda aperta
Se la gestione del contesto, il routing e il perimetro valgono ordini di grandezza di costo, quanto di questo lavoro verrà assorbito dalle piattaforme dei fornitori e quanto resterà una competenza interna dei team che mettono gli agenti in produzione? La risposta dei prossimi trimestri dirà se l’ottimizzazione dell’harness diventa una funzione standard del prodotto o un mestiere distinto.
Autore
Pablo Liuzzi
Founder, Synthos Logic