I modelli di punta a confronto sui prezzi

I modelli di punta dei tre principali fornitori coprono un intervallo di prezzo di cinque volte, e la prima cosa da sapere è che i tre listini non sono costruiti allo stesso modo.

Questa pagina mette i numeri ufficiali uno accanto all'altro e spiega dove il confronto regge. Dati verificati il 19 agosto 2026 per Anthropic e OpenAI, il 3 settembre 2026 per Google.

Il quadro completo

Prezzi in dollari per milione di token. Per Google è indicato il piano Standard.

Tre osservazioni che vale la pena isolare.

Il vertice è allineato. Fable 5.1 e GPT-6 Astra costano esattamente uguale. Su questa fascia il listino non è più una leva competitiva: i due fornitori si sono posizionati sullo stesso punto, e la concorrenza si gioca altrove.

La fascia sotto è affollata. Opus 5 a 5 dollari e GPT-5.6 Sol a 4 si contendono lo stesso spazio, con un divario del venticinque per cento che nella pratica conta poco rispetto alle differenze di comportamento sui casi reali.

Google gioca un'altra partita. Il modello di punta parte da un prezzo molto più basso, ma con una struttura diversa: scaglioni, piani multipli e stato di anteprima. Sono tre condizioni che vanno pesate insieme al numero.

Le tre asimmetrie che rendono il confronto difficile

Gli scaglioni per dimensione del prompt. Sul modello di punta Google la tariffa raddoppia in input superati i 200.000 token. Se il tuo caso prevede documenti lunghi o molto contesto ripetuto, la riga che ti riguarda è la seconda. Anthropic e OpenAI mantengono la stessa tariffa a qualunque lunghezza, il che rende la previsione di spesa più semplice.

I piani di servizio. Google offre lo stesso modello a condizioni diverse secondo la priorità: opzioni sensibilmente più economiche per lavorazioni non urgenti, un'opzione prioritaria più cara. Le tabelle verificate mostrano lo Standard a 2 e 12 dollari, le opzioni economiche attorno alla metà, quella prioritaria attorno all'ottanta per cento in più.

I token di ragionamento nell'output. La documentazione Google specifica che il prezzo di output comprende l'elaborazione intermedia. Su un compito complesso la differenza fra la lunghezza della risposta visibile e quella fatturata può essere sostanziale.

Cosa non c'è in nessun listino

Il prezzo per token è il pavimento della spesa, mai la spesa. Quattro voci lo moltiplicano e nessuna compare nelle tabelle.

• Il prompt di sistema ripetuto a ogni singola chiamata
• I token di ragionamento prodotti prima della risposta
• I tentativi falliti, che si pagano comunque
• Il tempo di revisione umana, spesso la voce maggiore
• Il costo degli errori non intercettati

La quarta voce merita un calcolo esplicito perché è quasi sempre la più grande. Se ogni esito richiede due minuti di controllo umano, su 50.000 casi al mese sono oltre milleseicento ore: nessuna differenza di prezzo per token si avvicina a quella cifra.

Ne discende una conseguenza controintuitiva ma solida: un modello più caro che riduce sensibilmente la revisione necessaria può costare meno in totale, pur costando di più a chiamata. È il calcolo sviluppato in costo per task o prezzo per token.

La domanda che viene prima del prezzo

Prima di confrontare i modelli di punta, vale la pena chiedersi se servano.

La colonna di destra copre la grande maggioranza dei progetti AI aziendali. Ed è anche il motivo per cui questa pagina, pur essendo dedicata ai modelli di punta, consiglia di guardare prima altrove.

Un dettaglio pratico che vale oro: la documentazione Anthropic indica esplicitamente di partire da Opus 5 e salire a Fable 5.1 solo quando il primo, spinto al massimo livello di ragionamento, non basta. È l'ordine corretto, ed è raro trovarlo scritto da chi vende entrambi.

Come stimare la spesa reale

• Prendi cento casi reali del tuo processo
• Eseguili sul modello candidato, senza scorciatoie
• Somma i token effettivamente consumati
• Conta i casi conclusi correttamente
• Dividi: ottieni il costo per compito vero
• Aggiungi il tempo di revisione stimato

Nella pratica il risultato è spesso da tre a dieci volte la stima fatta moltiplicando il prezzo di listino per la lunghezza attesa della risposta. Non è un difetto del listino: è che il listino misura una cosa sola e il progetto ne comprende quattro.

Errori da evitare

• Confrontare prezzi Gemini senza dichiarare il piano.
• Ignorare gli scaglioni se i prompt sono lunghi.
• Preventivare sul listino senza contesto e tentativi.
• Scegliere la fascia di punta per prudenza.
• Trascurare lo stato di anteprima in produzione.
• Non rivedere la configurazione dopo sei mesi.

Cosa costa davvero un progetto, con i numeri

Prendiamo uno scenario concreto: 30.000 casi al mese, prompt di sistema da 1.500 token, contenuto da 3.000 token, risposta da 700 token.

La prima riga è quella che sorprende sempre: il prompt di sistema da solo costa quanto un quinto dell'intero conto, e viene pagato per ripetere le stesse istruzioni trentamila volte al mese.

È anche la leva di risparmio più immediata e più trascurata. Rileggere e accorciare quelle istruzioni è un'ora di lavoro che riduce una voce pagata a ogni singola chiamata, per sempre, su qualunque modello. Nei sistemi in produzione da tempo si trovano quasi sempre correzioni scritte per aggirare comportamenti di modelli che non sono più in uso.

Perché i listini cambiano così in fretta

Chi segue questo mercato da poco resta spiazzato dalla velocità con cui i modelli entrano ed escono dai cataloghi e i prezzi si riposizionano. Ha una conseguenza pratica precisa su come si progetta un sistema.

I fornitori mantengono in catalogo un numero limitato di modelli per fascia. Quando esce una versione successiva, la precedente resta accessibile per un periodo di transizione ma smette di comparire nella documentazione di riferimento. Chi non rifà la verifica si trova su una versione che nessuno consiglia più.

La seconda riga porta più valore di tutte. Capita regolarmente che una fascia inferiore raggiunga in pochi mesi il livello di qualità che prima richiedeva quella superiore. Chi non rimette in discussione la scelta continua a pagare il doppio per una qualità che ormai ottiene a metà prezzo.

Esempi pratici

PMI al primo progetto AI. La tentazione è partire dalla fascia di punta per prudenza. È l'errore più costoso: su un compito di classificazione o estrazione quella capacità non entra mai in gioco, e si paga fino a cinquanta volte il necessario. Il percorso corretto parte dalla fascia più bassa plausibile e sale solo su un fallimento misurato.

Azienda con agenti autonomi su compiti lunghi. Qui la fascia di punta si giustifica: catene di molti passaggi, errori che si propagano, esecuzione senza supervisione. La verifica da fare è comunque quantitativa — quanti compiti arrivano a conclusione senza intervento — e va fatta prima di impegnare il budget.

Studio con analisi documentali ad alto valore. Poche decine di pratiche al mese, costo dell'errore molto alto. Il prezzo unitario è irrilevante rispetto al valore in gioco, e la fascia alta è una scelta ragionevole. Anche qui però vale la prova sulla fascia sotto spinta al massimo livello di ragionamento, che costa la metà.

Come applicarlo in azienda

Il modo di usare questa pagina è come riferimento per una decisione che si prende altrove: sui propri casi.

Il primo passaggio è verificare se ti serve questa fascia. La documentazione Anthropic indica esplicitamente di partire dal modello di fascia sotto e salire solo quando quello, spinto al massimo livello di ragionamento, non basta. È un ordine raro da trovare scritto da chi vende entrambi, e vale la pena seguirlo.

Il secondo è misurare invece di stimare. Cento casi reali, token effettivamente consumati letti dalle risposte, spesa totale divisa per i casi conclusi correttamente. È l'unico numero confrontabile fra fornitori che strutturano i listini in modo diverso, con il metodo di costo per task o prezzo per token.

Il terzo è mettere in calendario una revisione ogni sei mesi. I listini cambiano, i modelli escono dai cataloghi e le fasce si riposizionano: capita regolarmente che una fascia inferiore raggiunga la qualità che prima richiedeva quella superiore. Il criterio è in quando conviene cambiare modello AI.

Se vuoi progettare un sistema AI sostenibile, con una stima dei costi fatta sui tuoi numeri, Giallo Studio può aiutarti a trasformare il problema in un workflow reale.

Il resto del percorso, in tre pagine. Se il compito è ripetitivo e ad alto volume, vale la pena verificare la direzione opposta con quando basta un modello economico. Il metodo di valutazione sui propri casi è in strategia a modello misto: leggero e potente, mentre il calcolo della spesa reale è in come si leggono i benchmark AI.

Conclusione

Al vertice del mercato Anthropic e OpenAI si allineano sullo stesso listino, segno che su quella fascia il prezzo non differenzia più. Google propone il proprio modello di punta a condizioni economiche più favorevoli, ma con una struttura diversa — scaglioni, piani multipli, stato di anteprima — che va letta per intero.

E resta la domanda più utile: ti serve questa fascia? Nella maggior parte dei casi aziendali la risposta è no, e verificarlo richiede mezza giornata di test sui propri casi.

Se vuoi progettare un sistema AI sostenibile, con una stima dei costi fatta sui tuoi numeri e non su un listino, Giallo Studio costruisce agenti e automazioni su misura per le PMI.

Schema consigliato: Article + FAQPage + BreadcrumbList