Modelli AI economici a confronto

I modelli AI economici sono la fascia meno raccontata e più usata. Gli annunci parlano dei modelli di punta, ma nei sistemi aziendali reali la maggior parte del traffico passa da qui — ed è qui che si decide se un progetto sta in piedi economicamente.

Questa guida mette a confronto i listini ufficiali dei tre principali fornitori e spiega quando questa fascia basta davvero. Dati verificati il 19 agosto 2026 per Anthropic e OpenAI, il 3 settembre 2026 per Google.

I listini a confronto

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

Il divario interno alla fascia è ampio: fra il primo e l'ultimo ci sono cinque volte in input e oltre quattro in output. Su volumi alti è una differenza che pesa quanto quella fra fasce diverse in altri confronti.

Cosa cambia rispetto alle fasce superiori

Vale la pena essere precisi su cosa si perde scendendo, perché la fascia economica non è una versione depotenziata: su una classe precisa di compiti fa esattamente lo stesso lavoro.

Quella classe è il riconoscimento e la trasformazione semplice: capire di cosa parla un messaggio, individuare un campo in un documento strutturato, decidere a chi instradare una richiesta, riformulare un testo breve, verificare la presenza di un'informazione.

Il divario si apre quando il compito richiede di tenere insieme più elementi: incrociare informazioni da fonti diverse, gestire un'eccezione non prevista dalle istruzioni, riconoscere che la richiesta contiene un presupposto sbagliato, concatenare deduzioni dove un errore intermedio rovina il risultato.

I limiti tecnici da verificare per primi

Prima di qualunque considerazione sulla qualità, ci sono vincoli che possono escludere un modello a monte. Vanno controllati subito perché sono assoluti.

La finestra di contesto. La documentazione indica per Haiku 4.5 una finestra di 200.000 token, mentre GPT-5.6 Luna dichiara circa 1,05 milioni come il resto della sua famiglia. Duecentomila token restano molti — alcune centinaia di pagine — ma se il tuo caso passa archivi interi la soglia si incontra.

L'output massimo. Haiku 4.5 dichiara 64K token contro i 128K della famiglia GPT-5.6. Se il tuo sistema genera documenti lunghi, è un limite che si incontra prima della finestra.

La data limite della conoscenza. Qui il divario è ampio: febbraio 2025 per Haiku 4.5 contro il 16 febbraio 2026 per GPT-5.6 Luna. Un anno di differenza, rilevante solo per i compiti che dipendono dalla conoscenza interna del modello.

Quanto si risparmia davvero

Prendiamo 200.000 richieste al mese con 1.500 token di input e 300 di output ciascuna.

Per riferimento, lo stesso volume su un modello di punta a 10 e 50 dollari costerebbe 6.000 dollari al mese: oltre quarantacinque volte la prima riga.

È questo divario a rendere possibili automazioni che con la fascia alta non starebbero in piedi. Un processo che elabora centinaia di migliaia di documenti al mese è sostenibile solo se il costo unitario è nell'ordine dei centesimi.

Perché il prezzo più basso non vince sempre

C'è però un ribaltamento che va messo in conto, ed è il motivo per cui la scelta non si fa sulla tabella.

Se un modello economico richiede in media due tentativi dove un altro ne richiede uno, il divario si dimezza. Se poi il quindici per cento degli esiti va corretto a mano, il costo del tempo delle persone supera in fretta l'intero risparmio.

• Conta i tentativi necessari per chiudere ogni caso
• Misura la percentuale di esiti da correggere
• Stima il tempo di revisione per caso
• Verifica che il modello ammetta di non sapere
• Guarda come sbaglia, non solo quante volte
• Calcola il costo per compito completato

Il quarto punto è la proprietà più importante di un modello economico, più della sua accuratezza media. Un modello leggero che chiude con sicurezza casi che non ha capito è pericoloso proprio perché sembra affidabile — e rende impossibile la strategia mista, perché quei casi non arrivano mai al secondo livello.

La strategia mista, in breve

Nella maggior parte dei processi la difficoltà dei casi non è distribuita in modo uniforme: la grande maggioranza è ordinaria, una minoranza è complessa. Pagare la stessa tariffa per entrambe è lo spreco più diffuso nei progetti AI.

Il modello economico riceve tutto il traffico e chiude i casi che gestisce con sicurezza; quelli che riconosce come dubbi salgono al modello capace. Se i casi difficili sono il dieci per cento, paghi la fascia alta su un decimo del volume.

Il dettaglio dell'impostazione, con i criteri di passaggio e le verifiche da fare, è in strategia a modello misto.

Esempi pratici

E-commerce, smistamento delle richieste clienti. Migliaia di messaggi al giorno riconducibili a una decina di intenti ricorrenti: spedizioni, resi, disponibilità, fatturazione. È il caso d'uso ideale per questa fascia. Il compito è riconoscere l'intento e instradare, e la velocità conta perché il cliente attende. I casi fuori schema salgono al secondo livello.

Studio contabile, estrazione da fatture fornitori. Volumi alti, documenti strutturati, campi prevedibili. La fascia economica gestisce la maggior parte dei documenti; quelli scansionati male o con campi mancanti vanno passati a un modello più capace. La condizione perché funzioni è che il modello leggero dichiari «campo non leggibile» invece di indovinare.

Azienda manifatturiera, arricchimento di un catalogo prodotti. Centinaia di migliaia di schede da normalizzare una volta sola, senza urgenza. Qui la fascia economica non è solo sufficiente: è l'unica che rende il progetto sostenibile. Con un modello di punta lo stesso lavoro costerebbe decine di migliaia di euro invece di poche centinaia.

Il compito che sembra semplice e non lo è

C'è una categoria di lavori che a prima vista appartiene alla fascia economica e che invece la mette in crisi: l'estrazione da documenti fatti male.

Estrarre otto campi da una fattura ben formattata è riconoscimento puro. Estrarre gli stessi otto campi da una scansione storta, con un timbro sopra il numero e una riga di descrizione che va a capo in mezzo a un importo, è tutt'altro compito: richiede di capire cosa manca, cosa è ambiguo e cosa va segnalato.

Cosa misurare prima di scegliere

La terza riga è quella che spesso non viene misurata e che determina se l'intera impostazione a due livelli è possibile. Va provata esplicitamente: si dà al modello un documento a cui manca l'informazione richiesta e si guarda cosa fa. La risposta corretta è dichiarare l'assenza; qualunque altra cosa è un problema.

Errori da evitare

• Escludere la fascia economica per principio. Su molti compiti fa lo stesso lavoro.
• Sceglierla senza verificare i limiti tecnici di contesto, output e data limite.
• Non provare se ammette di non sapere. È la proprietà che conta di più.
• Testare solo su documenti puliti. La differenza è sui casi peggiori.
• Confrontare prezzi Gemini senza dichiarare il piano di servizio.
• Ignorare il tempo di revisione nel calcolo del risparmio.

Il primo errore è più comune di quanto sembri, e nasce da un'intuizione sbagliata: che un modello che costa un cinquantesimo debba essere cinquanta volte peggio. Non funziona così. Su compiti di riconoscimento la differenza è spesso impercettibile, e su compiti di ragionamento è enorme. Il salto non è graduale, è per categoria di compito.

Come applicarlo in azienda

La decisione che vale davvero non è quale modello economico scegliere, ma se il tuo compito appartiene a questa fascia. La differenza fra le due domande è di un ordine di grandezza.

Il criterio è semplice: se la risposta è contenuta nel materiale e va riconosciuta, la fascia economica basta. Se va costruita incrociando fonti o gestendo eccezioni, serve salire. Il ragionamento completo è in quando basta un modello economico.

Verificata la fascia, controlla i tre limiti tecnici prima di ogni considerazione sulla qualità: lunghezza dell'input, lunghezza dell'output e data limite della conoscenza. Sono vincoli assoluti e si controllano in dieci minuti.

Poi la prova, che deve includere i documenti peggiori che hai e un caso a cui manca l'informazione richiesta. Quest'ultimo separa un modello utilizzabile da uno pericoloso, e va fatto prima della produzione.

L'impostazione che dà i risultati migliori usa questa fascia come primo livello e una superiore come riserva sui casi dubbi, secondo lo schema descritto in strategia a modello misto. Se i casi difficili sono il dieci per cento, la spesa resta vicina a quella economica e la qualità sui casi complessi sale.

Infine, ricorda che a queste tariffe ottimizzare il prezzo per token è quasi sempre la cosa sbagliata. Contano di più il prompt di sistema, la selezione del contesto e la percentuale di esiti da rivedere a mano, secondo il calcolo di costo per task o prezzo per token.

Se vuoi progettare un'automazione sostenibile sui tuoi volumi, Giallo Studio aiuta PMI e team a costruire automazioni concrete, misurabili e sostenibili.

Tre letture per chiudere il quadro. Se stai ancora scegliendo la fascia, il criterio operativo è in come si leggono i benchmark AI. Per il calcolo della spesa reale — quella che comprende contesto ripetuto, tentativi falliti e revisione umana — il riferimento è quando conviene cambiare modello AI. E quando il traffico è disomogeneo, l’impostazione che dà il miglior rapporto fra qualità e costo è descritta in perché i benchmark dei vendor non sono comparabili.

Come avviare un progetto ad alto volume senza rischiare

Su questa fascia i volumi sono la ragione stessa del progetto, ma non conviene partire dal traffico pieno. Tre tappe, e le prime due sono l'assicurazione più economica che puoi comprare.

Cento casi con revisione totale. Ogni esito controllato da una persona. Serve a misurare l'accuratezza reale e — soprattutto — a scoprire dove si concentrano gli errori. Nella pratica emerge quasi sempre che non sono distribuiti a caso ma raggruppati su pochi formati o poche categorie identificabili.

Mille casi con soglia di confidenza. Si tara la soglia di passaggio al secondo livello e si misura quanti casi salgono e quanti arrivano a una persona. È la fase in cui si scopre se le percentuali stimate erano realistiche.

Volume pieno con controlli continui. Campione settimanale, controlli di coerenza automatici, monitoraggio delle percentuali nel tempo.

I controlli deterministici, l'alleato dimenticato

Su dati strutturati si possono fare verifiche automatiche che non richiedono AI e che intercettano proprio la categoria di errore più pericolosa: il valore plausibile ma sbagliato.

• Le somme devono tornare: imponibile più imposta uguale totale
• Le date devono essere plausibili e coerenti con il periodo
• I riferimenti devono esistere in anagrafica
• Gli importi devono stare in un intervallo ragionevole
• Gli identificativi non devono risultare già presenti

Sono controlli banali da implementare e catturano ciò che nessun modello garantisce. Un importo inventato passa il controllo di formato ma quasi mai quello aritmetico.

È il motivo per cui un progetto ben fatto su questa fascia non si affida solo al modello: combina l'AI per leggere e regole deterministiche per verificare. Ciascuno fa la parte in cui è forte, e il risultato è più affidabile di quanto sarebbe con un modello molto più costoso senza controlli.

Cosa cambia sui volumi

L'ultima riga descrive i progetti che esistono solo grazie a questa fascia. Normalizzare un catalogo di mezzo milione di schede, classificare anni di archivio, arricchire una base dati: con un modello di punta questi lavori costerebbero decine di migliaia di euro e non verrebbero fatti.

Conclusione

La fascia economica copre un intervallo di cinque volte al proprio interno e arriva a costare un cinquantesimo di quella di punta. È la fascia che rende possibili le automazioni ad alto volume, e su compiti di riconoscimento fa lo stesso lavoro delle fasce superiori.

Ma il prezzo più basso non garantisce la spesa più bassa. Il numero che decide è il costo per compito completato, e si ottiene solo misurando su casi reali — compresi quelli difficili.

Se vuoi progettare un'automazione sostenibile sui tuoi volumi, Giallo Studio costruisce agenti e automazioni AI su misura per le PMI.

Schema consigliato: Article + FAQPage + BreadcrumbList