GPT-6 Astra per documenti e presentazioni

Fra le capacità di GPT-6 Astra ce n'è una meno raccontata e molto concreta per il lavoro d'ufficio: produrre documenti, presentazioni e fogli di calcolo che seguono i template aziendali invece di uscire in un formato generico.

È un problema vecchio dell'AI generativa: il contenuto è buono, la forma non è quella dell'azienda, e riformattare costa più che scrivere. Vediamo cosa cambia. Dati verificati il 4 settembre 2026.

Cosa dichiara di saper fare

L'annuncio descrive Astra come capace di unire l'intelligenza necessaria ai problemi complessi con la capacità di portare avanti flussi multi-passo e produrre documenti, fogli e presentazioni rifiniti.

Tre affermazioni specifiche meritano attenzione.

Aderisce ai template. È indicato come il miglior modello OpenAI per rispettare template esistenti e produrre slide ben impaginate, che trasmettono i punti chiave con una narrazione strutturata.

Segue il tuo stile. Crea documenti, presentazioni, fogli e analisi che seguono i tuoi modelli e corrispondono al tuo stile di scrittura e visivo.

Non riempie. È addestrato specificamente a portare nell'output solo il contesto che conta, invece di ripetere informazioni non necessarie al lavoro in corso.

L'esempio della presentazione

L'annuncio mostra un caso specifico: Astra crea una presentazione su un modello fittizio usando poche slide del template OpenAI come riferimento, mantenendo tono e impaginazione corretti per tutto il documento.

L'affermazione che ne deriva è pratica: puoi aspettarti presentazioni formattate secondo gli standard della tua azienda, non secondo un layout generico.

Per chi produce materiali commerciali o relazioni ricorrenti, questo è il punto che cambia il calcolo. Il tempo speso a riformattare un documento generato è spesso vicino a quello che sarebbe servito per scriverlo — e se quel tempo sparisce, il guadagno diventa reale.

I numeri sul lavoro professionale

AutomationBench è la riga più rilevante per un'azienda: misura la capacità di portare a termine automazioni, e Astra fa più del doppio della generazione precedente e oltre il 30% in più di Fable 5.1.

BenchCAD riguarda la ricostruzione di oggetti 3D generando codice CAD — un compito verticale, ma indicativo della capacità di produrre output strutturati e verificabili. Va letta la nota: i punteggi Claude riflettono tre modifiche alla valutazione.

I due test interni su design e data science mostrano margini più stretti, di pochi punti sulla generazione precedente.

Cosa cambia rispetto a scrivere un testo

Vale la pena distinguere due usi che vengono spesso confusi.

La colonna di destra è quella che copre la maggior parte delle richieste quotidiane in azienda, e per quelle un modello di fascia intermedia produce lo stesso risultato a un quinto del prezzo. Su un modello con l'output a 50 dollari per milione di token, generare testo lungo è la voce che pesa di più.

Esempi pratici

Studio che produce relazioni ricorrenti su template fisso. È il caso d'uso più diretto: il template esiste, la struttura è nota, cambia solo il contenuto. Il valore sta nel non dover riformattare.

Team commerciale che prepara presentazioni per clienti. Qui conta l'aderenza allo stile aziendale. Vale la prova fornendo tre slide del proprio template e verificando se il risultato è utilizzabile senza ritocchi — è il criterio che decide.

Controllo di gestione che produce analisi periodiche. L'unione fra produzione di fogli e uso del computer permette di lavorare dentro gli strumenti esistenti. Ma attenzione: per i calcoli vale la regola generale di far scrivere la query e lasciare il conto al sistema, non al modello.

Errori da evitare

• Usarlo per testo semplice: costa cinque volte una fascia intermedia.
• Non fornire il template e poi lamentarsi del formato.
• Fargli fare i calcoli invece di fargli scrivere la formula.
• Generare documenti lunghi senza controllare il limite di output.
• Non verificare i numeri presenti nei documenti prodotti.
• Accettare la prima versione senza revisione umana.

Il terzo punto merita un chiarimento: quando un documento contiene numeri, la regola è la stessa dell'analisi dati — far produrre al modello la formula o la query, e lasciare il calcolo a chi non sbaglia. Il ragionamento è in miglior modello AI per analisi dati.

Come applicarlo in azienda

Il modo pratico di verificare se questa capacità ti serve richiede un pomeriggio.

Prendi tre documenti reali che la tua azienda produce spesso — una relazione, una presentazione commerciale, un foglio di analisi — e forniscine uno come template. Poi chiedi di produrne uno nuovo con contenuto diverso.

Il criterio di valutazione è secco: è utilizzabile senza ritocchi di formato? Non "è bello", non "è corretto": utilizzabile così com'è. Perché il tempo di riformattazione è esattamente ciò che questa capacità dovrebbe eliminare, e se resta, il guadagno sparisce.

Misura poi i token di output: i documenti lunghi consumano molto, e su questa fascia di prezzo è la voce che cresce più in fretta. Se il volume è alto, verifica se una fascia intermedia produce un risultato equivalente, secondo il criterio di quando basta un modello economico.

La creazione di siti e applicazioni

Accanto ai documenti, l'annuncio descrive una capacità adiacente: Astra porta un giudizio visivo più solido nei siti, giochi, applicazioni e rendering che costruisce.

Con la funzione Sites in ChatGPT, dichiara OpenAI, può creare, ospitare e condividere siti, web app e giochi direttamente da un prompt. Fra gli esempi mostrati ci sono una scena architettonica modellata in Blender e trasformata in un ambiente navigabile in Unreal Engine, e giochi con grafica e movimento coerenti.

Da Higgsfield AI viene riportato un giudizio che tocca il punto economico: Astra esegue i flussi creativi più complessi «usando fino al 20% di token in meno rispetto agli altri modelli testati», con l'effetto principale di una qualità di output più alta per i clienti.

È lo stesso schema che ricorre in tutto l'annuncio: il vantaggio dichiarato non è solo qualitativo ma di efficienza, e su una fascia di prezzo come questa i due si sommano.

Il costo dei documenti lunghi

C'è un aspetto economico specifico di questo caso d'uso che merita un calcolo.

Produrre documenti significa generare molto output, ed è la voce cara: 50 dollari per milione di token contro 10 dell'input. Un documento articolato può richiedere diverse migliaia di token in uscita.

Le cifre per singolo documento sembrano trascurabili, e lo sono. Diventano rilevanti sul volume: mille relazioni al mese sono duecento dollari di solo output, e vanno aggiunti i token di ragionamento, che su compiti strutturati non sono pochi.

Il confronto che conta resta quello con l'alternativa: se produrre quella relazione a mano richiede quaranta minuti, il costo di venti centesimi è irrilevante. È il caso in cui il calcolo del ritorno è semplice e favorevole — a patto che il documento esca utilizzabile, altrimenti il tempo di sistemazione mangia il guadagno.

Attenzione al limite di output

Un vincolo tecnico che in questo caso d'uso si incontra più che altrove: l'output massimo è di 128.000 token.

Sono molti per una singola risposta, ma diventano stretti in tre situazioni ricorrenti quando si producono documenti.

• Tradurre un documento lungo per intero
• Riscrivere o riformattare completamente un testo esteso
• Produrre una tabella con una riga per ogni voce di un elenco lungo
• Generare un documento strutturato molto ampio in un colpo solo

La soluzione è spezzare il lavoro in parti e ricomporlo, con l'accortezza di mantenere coerenza di stile fra le parti. Non è complicato, ma va previsto in progettazione: scoprirlo a metà sviluppo costa più che tenerne conto dall'inizio.

Il quadro completo sui limiti di contesto e output è in GPT-6 Astra e il contesto lungo.

Il vantaggio di lavorare dentro gli strumenti

C'è un elemento che distingue questo caso d'uso da un normale generatore di testo: Astra può operare direttamente nel software che usi.

L'annuncio cita l'analisi di dati con generazione di grafici, l'uso di strumenti di business intelligence, la formattazione di un documento legale e la compilazione di moduli. Non "produce un file che poi importi": lavora dentro l'applicazione.

Per un'azienda la differenza è sostanziale. Un output che arriva già nel formato e nel posto giusto elimina il passaggio manuale che di solito annulla il guadagno dell'automazione. Ed è anche il motivo per cui questa capacità si collega direttamente a quella descritta in GPT-6 Astra e il computer use: sono la stessa cosa vista da due angolazioni.

Il limite resta quello dell'uso del computer in generale: è più fragile e più lento di un'integrazione vera. Dove esiste una API, quella resta la strada corretta.

Tre riferimenti collegati. La panoramica generale è in GPT-6 Astra: cos'è e cosa cambia, i costi reali in GPT-6 Astra: prezzi e come si paga, e la valutazione per caso d’uso aziendale in GPT-6 Astra: tutti i benchmark ufficiali.

Conclusione

Sulla produzione di documenti GPT-6 Astra punta su una cosa specifica e utile: rispettare i template e non riempire l'output di contenuto superfluo. Sono i due difetti che rendono inutilizzabili gran parte dei documenti generati dall'AI.

I numeri di contorno lo supportano — AutomationBench più che raddoppiato, BenchCAD ai vertici — ma il criterio che decide è uno solo, e lo verifichi tu: il documento prodotto è utilizzabile senza ritocchi?

Per generare testo semplice, invece, questo modello è sovradimensionato: esiste una fascia che fa lo stesso lavoro a un quinto del prezzo.

Se vuoi capire quali processi documentali della tua azienda possono essere automatizzati, Giallo Studio aiuta PMI e team a costruire automazioni concrete, misurabili e sostenibili.

Schema consigliato: Article + FAQPage + BreadcrumbList