Claude Sonnet 5 vs Haiku 4.5

Fra Claude Sonnet 5 e Claude Haiku 4.5 il prezzo raddoppia, ma cambia anche qualcosa di più strutturale: la finestra di contesto passa da 200.000 token a un milione, e l'output massimo si dimezza scendendo di fascia.

È il confronto giusto da fare quando i volumi sono alti e il compito è ripetitivo, perché è lì che la differenza di costo diventa decisiva. Dati verificati sulla documentazione ufficiale Anthropic il 19 agosto 2026.

I dati a confronto

A differenza dei confronti fra le fasce alte, qui le caratteristiche strutturali non coincidono. Sono tre le differenze che possono escludere Haiku 4.5 a prescindere dalla qualità: contesto, output massimo e data limite.

Vale la pena verificarle prima di qualunque considerazione sulla capacità, perché sono vincoli tecnici assoluti. Se il tuo documento tipico supera i 200.000 token, il confronto è già chiuso.

Le tre soglie da verificare per prime

La lunghezza dell'input. Duecentomila token sono molto: nell'ordine di alcune centinaia di pagine di testo. Per la stragrande maggioranza dei compiti aziendali è abbondante. Diventa stretto quando devi passare interi archivi, contratti molto voluminosi o conversazioni lunghissime con tutto lo storico.

La lunghezza dell'output. Sessantaquattromila token restano tanti per una risposta, ma se il tuo caso prevede di generare documenti lunghi — report estesi, traduzioni integrali, riscritture complete — la soglia si può incontrare.

La data limite. Febbraio 2025 è oltre un anno più vecchia di quella di Sonnet 5. Su compiti in cui l'informazione arriva dai tuoi documenti non cambia nulla. Su compiti che dipendono dalla conoscenza interna del modello, la differenza è sostanziale e va considerata seriamente.

Cosa fa bene il modello leggero

La tentazione è di considerare il modello economico una versione depotenziata da usare solo per risparmiare. È una lettura sbagliata: su una classe precisa di compiti fa il lavoro esattamente come le fasce superiori, in meno tempo e a metà prezzo.

Quella classe è composta dai compiti di riconoscimento e 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.

Sono compiti che nella pratica costituiscono la maggioranza del traffico di un sistema aziendale. Pagarli come se fossero analisi complesse è lo spreco più diffuso nei progetti AI.

Quanto si risparmia

Su volumi alti la differenza si vede subito. Ipotizziamo 200.000 richieste al mese, con 1.500 token di input e 300 di output ciascuna.

Settemiladuecento dollari all'anno, a parità di risultato se il compito è di quelli che il modello leggero gestisce bene. Su volumi più alti la proporzione resta la stessa e la cifra assoluta cresce.

C'è poi un secondo risparmio, meno visibile ma reale: la velocità. Un modello più veloce riduce i tempi di attesa negli scenari interattivi e accorcia le elaborazioni in blocco. Nei flussi agentici, dove ogni passaggio paga la propria latenza, l'effetto si moltiplica per il numero di passaggi.

La strategia a due livelli

L'impostazione che dà i risultati migliori nella pratica non sceglie fra i due modelli: li usa entrambi.

Haiku 4.5 riceve tutto il traffico. Per ogni caso produce un esito e un'indicazione di quanto sia sicuro. I casi che superano la soglia di confidenza si chiudono lì; quelli sotto passano a Sonnet 5, che li tratta con più attenzione.

• Definisci una soglia esplicita per il passaggio di livello
• Misura la percentuale reale di casi che salgono
• Verifica che il modello leggero ammetta di non sapere
• Controlla a campione i casi chiusi al primo livello
• Rivedi la soglia dopo qualche settimana di dati
• Registra tutto per poter tarare nel tempo

Il terzo punto è la condizione che rende possibile l'intera impostazione. Un modello leggero che chiude con sicurezza casi che non ha capito rende inutile il secondo livello, perché quei casi non arrivano mai al modello capace. Va verificato esplicitamente sui casi difficili prima di mandare il sistema in produzione.

Esempi pratici

Assistenza clienti di primo livello. Migliaia di messaggi al giorno, quasi tutti riconducibili a una decina di intenti ricorrenti. Haiku 4.5 li gestisce bene ed è il più veloce, che in chat conta. I casi fuori schema salgono di livello.

Estrazione da fatture fornitori. Documenti strutturati, campi prevedibili, volumi alti. Haiku 4.5 come base, con passaggio a Sonnet 5 sui documenti scansionati male o con campi mancanti.

Analisi di contratti lunghi. Documenti che possono superare la finestra di Haiku 4.5 e che richiedono di collegare clausole distanti fra loro. Qui il modello leggero è escluso a monte, per un vincolo tecnico prima che di qualità.

Errori da evitare

• Escludere il modello leggero per principio. Su molti compiti fa lo stesso lavoro.
• Sceglierlo senza verificare le tre soglie di contesto, output e cutoff.
• Non controllare se ammette di non sapere. È la condizione del sistema a due livelli.
• Confrontarlo solo su casi facili. La differenza è sui casi limite.
• Ignorare il vantaggio di velocità negli scenari interattivi.
• Usare un modello solo quando il traffico è disomogeneo.

Perché il cutoff più vecchio non è un difetto

La data limite di Haiku 4.5 — febbraio 2025 secondo la documentazione — è la caratteristica che fa storcere il naso più spesso. Vale la pena spiegare perché in molti casi non significa nulla.

Ogni modello ha il proprio ciclo di addestramento. Un modello leggero che resta in catalogo perché continua a svolgere bene il suo compito conserva la data della propria epoca: non viene riaddestrato solo per aggiornare l'orologio. Che sia più vecchia non lo rende meno preciso nel classificare un messaggio o nell'estrarre una data da una fattura, perché quelle capacità non dipendono da quanto sa del mondo.

La domanda giusta è sempre la stessa: l'informazione della risposta viene dal documento o dal modello?

Le prime tre righe coprono la maggior parte del traffico aziendale, e in tutte e tre la data limite è irrilevante. Le ultime due descrivono compiti che comunque non andrebbero affidati alla conoscenza interna di nessun modello, per le ragioni spiegate in knowledge cutoff: cosa significa in pratica.

La finestra da 200K, in proporzione

Duecentomila token di contesto sembrano pochi accanto al milione dichiarato dagli altri modelli della famiglia, ma vale la pena tradurli in qualcosa di concreto.

Nell'ordine di grandezza, corrispondono a diverse centinaia di pagine di testo in una singola richiesta. Un contratto, un bilancio, un manuale tecnico di media lunghezza ci stanno comodamente. Ci sta anche una conversazione con parecchie decine di scambi precedenti.

Il limite si incontra in due situazioni: quando devi passare un intero archivio senza selezione preventiva, e quando lo storico di una conversazione cresce senza controllo. Entrambe, però, sono situazioni in cui la finestra grande è più una toppa che una soluzione.

Vale anche la pena ricordare che il contesto si paga a ogni chiamata: una finestra ampia non fa risparmiare, semmai il contrario. Riempirla è una scelta di costo, non una capacità gratuita.

Come applicarlo in azienda

Il percorso pratico comincia da una verifica che dura dieci minuti e che può chiudere il confronto prima ancora di iniziare: le tre soglie tecniche.

Il tuo documento tipico supera i 200.000 token? La risposta che devi generare supera i 64.000? Il compito dipende dalla conoscenza interna del modello invece che dai documenti che fornisci tu? Se una sola risposta è sì, la fascia leggera è esclusa a monte e il confronto è finito.

Se tutte e tre sono no — ed è il caso più comune — allora si passa alla prova. Dieci casi reali, tre difficili, uno a cui manca l'informazione richiesta. Quest'ultimo è la prova decisiva: un modello che dichiara «il campo non è presente» è utilizzabile, uno che inventa un valore plausibile non lo è a nessun prezzo.

L'impostazione che funziona meglio nella pratica non sceglie fra i due: usa Haiku 4.5 come primo livello e Sonnet 5 come riserva. Serve una soglia esplicita di passaggio, un controllo a campione settimanale sui casi chiusi automaticamente e la registrazione degli esiti per poter tarare nel tempo. Il dettaglio è in strategia a modello misto.

Un'ultima raccomandazione sui volumi alti: se il tuo sistema manda documenti interi invece di selezionare gli estratti pertinenti, il problema non è la finestra del modello ma l'assenza di selezione. Risolverlo fa risparmiare più di qualunque scelta di fascia, come spiegato in finestra di contesto: quanto conta davvero.

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 quando basta un modello economico. Per il calcolo della spesa reale — quella che comprende contesto ripetuto, tentativi falliti e revisione umana — il riferimento è costo per task o prezzo per token. E quando il traffico è disomogeneo, l’impostazione che dà il miglior rapporto fra qualità e costo è descritta in come si leggono i benchmark AI.

Conclusione

Sonnet 5 e Haiku 4.5 non differiscono solo nel prezzo: cambiano finestra di contesto, output massimo e data limite della conoscenza. Le tre soglie vanno verificate per prime, perché sono vincoli assoluti.

Superata quella verifica, il criterio è semplice: su compiti di riconoscimento e trasformazione semplice ad alto volume, il modello leggero basta e dimezza la spesa. Sui casi che richiedono di collegare, interpretare o gestire eccezioni, conviene salire — meglio ancora, salire solo su quei casi.

Se vuoi progettare un sistema che usi il modello giusto al momento giusto senza sprecare budget, Giallo Studio costruisce automazioni AI su misura per le PMI.

Schema consigliato: Article + FAQPage + BreadcrumbList