Migliore AI per programmare? Quale modello per ogni compito

Quali modelli sono di fascia alta, media e d’ingresso nei tre provider?

Quando scegli il modello di un agente di programmazione, scegli due cose insieme: il modello stesso e quanto ragiona. La seconda, l’effort, l’abbiamo trattata nell’articolo precedente, e come leggere i punteggi dei benchmark nell’articolo su SWE-bench. Questo articolo guarda al modello: quanto è bravo a programmare, quanto costa per compito e come si sceglie in cinque strumenti. Abbiamo diviso i modelli di ogni provider in tre fasce:

Fonte: le pagine dei modelli e dei prezzi dei tre provider (Anthropic, OpenAI, Google), 20 ottobre 2026. Prezzi per MTok in input / output, livello standard; in OpenAI per prompt fino a 272K token, in Anthropic per i prompt di Haiku 5.5 fino a 100K token. La seconda frase di ogni cella è la descrizione del provider stesso.

Anthropic ha un altro modello sopra Opus: Fable 5.1. Anthropic lo presenta come il suo modello più capace aperto a tutti i clienti; il prezzo è di $10 in input e $50 in output per MTok. Nella tabella abbiamo comunque messo Opus 5.5 nella fascia alta di Anthropic, perché Anthropic consiglia di iniziare con Opus la maggior parte del lavoro.

Nei prezzi di listino salta all’occhio una parità: Sonnet 5.5, GPT-6.1 Sol e Gemini 4 Argon chiedono oggi tutti e tre $2 in input e $10 in output per MTok, e anche Haiku 5.5 e GPT-6 Luna costano uguale. Invece ogni prezzo per token di Opus 5.5 è il doppio di quello di Sonnet 5.5, e quelli di Astra sono cinque volte quelli di Sol. Ma lo stesso prezzo per token non vuol dire lo stesso costo per compito: un modello può metterci più passaggi a finire lo stesso lavoro. Lo mostriamo con le misurazioni nella prossima sezione.

Nelle sessioni lunghe di un agente, tre soglie cambiano il prezzo. Su Haiku 5.5, ogni richiesta il cui prompt supera 100K token costa 5 volte tanto ($0,50 / $2,50), e anche i token letti dalla cache contano in quel numero. In OpenAI, una richiesta oltre 272K token costa il doppio in input e 1,5 volte tanto in output. In Google la soglia è una data: il prezzo di Argon raddoppia il 1° dicembre, quello di 3.8 Flash il 1° gennaio 2027.

In una sessione di un agente, la maggior parte della fattura sono token letti dalla cache; anche Anthropic scrive che sono la parte più grande del costo del lavoro agentico e di programmazione. Per la lettura dalla cache, Opus 5.5 chiede $0,20 per MTok, Sonnet 5.5 $0,10 e Haiku 5.5 $0,01. Quando il prompt supera 100K token, quello di Haiku sale a $0,05, e la distanza da Sonnet scende da dieci volte a due. Per questo il vantaggio di prezzo della fascia d’ingresso si scioglie man mano che la sessione si allunga.

Quanto è bravo ogni modello a programmare e quanto costa?

I listini sono scritti per token, ma quello che conta per te è il costo di un lavoro finito. Anche la documentazione di Anthropic consiglia di confrontare i modelli per costo per compito completato, non per token. Per questo abbiamo guardato due tipi di misurazione: un indice indipendente che misura ogni modello dentro il suo strumento di programmazione, e le misurazioni dei produttori stessi. I risultati dichiarati da un produttore sono segnalati come tali.

Il Coding Agent Index di Artificial Analysis misura un modello non da solo, ma dentro uno strumento di programmazione: i modelli Claude girano in Claude Code, quelli di OpenAI in Codex, quelli Gemini in Antigravity. Ha 303 compiti presi da tre benchmark, e ogni compito viene tentato 3 volte. Il costo è calcolato con i prezzi delle API, non con un abbonamento. Di ogni famiglia abbiamo scelto le righe dei modelli di fascia alta, media e d’ingresso; per Anthropic abbiamo aggiunto anche la riga di Fable 5.1:

Il grafico non è una classifica: le righe sono state misurate a livelli di effort diversi, e l’indice ha misurato alcuni modelli a un solo livello. Leggendolo, guarda tre cose:

• In due famiglie la fascia media si avvicina alla fascia alta. In Codex, GPT-6.1 Sol ha preso 61,4 punti in medium e GPT-6 Astra 61,6 in max; per compito $0,70 e $7,47, con 11 e 29 minuti. In Claude Code entrambi i modelli sono stati misurati in max: Sonnet 5.5 ha preso 68,4 punti e Opus 5.5 66,0, a $14,19 e $13,04 per compito. Anche Fable 5.1, che sta ancora sopra Opus, in max non è andato davanti a nessuno dei due, con 62,2 punti.
• Token economici non vogliono dire compiti economici. Il prezzo per token di Sonnet 5.5 è la metà di quello di Opus, ma in max ha chiuso un compito in media in 266 passaggi e 87 minuti; Opus in 155 passaggi e 64 minuti. Succede anche il contrario: i prezzi di input e output di Fable 5.1 sono due volte e mezzo quelli di Opus, ma in max ha chiuso un compito in media in 37 passaggi e 35 minuti e, a $12,39 per compito, è costato un po’ meno di Opus. Gemini 3.8 Flash ha fatto in media 188 passaggi per compito; a $2,47 per compito è costato più di Sonnet 5.5 in high ($1,24).
• L’effort fa una grande differenza anche sullo stesso modello. In high, Sonnet 5.5 ha preso 55,0 punti, a $1,24 e 12 minuti per compito. Abbiamo confrontato i livelli uno per uno nell’articolo sull’effort. Anche la documentazione di Anthropic scrive che regolare l’effort è spesso una leva migliore che cambiare modello.

Il grafico ha due limiti. L’indice ha misurato Opus 5.5 e Fable 5.1 solo in max; in medium, l’impostazione predefinita di Opus in Claude Code, non c’è nessuna misurazione indipendente. Inoltre, quando un modello rifiuta per motivi di sicurezza, un altro modello può completare il tentativo, e il tentativo conta lo stesso: su 909 tentativi, un altro modello ne ha completati 78 nella riga Opus 5.5 max, 74 nella riga Fable 5.1 max e 45 nella riga Sonnet 5.5 max. L’indice aggiunge inoltre alla riga di Fable la nota «with fallback» (con modello di riserva).

Una differenza di pochi punti può anche essere rumore. Nella classifica di Terminal-Bench 4.0 stessa, Opus 5.5 (max) in Claude Code prende il 64,85% ± 3,11 e Sonnet 5.5 (max) il 61,82% ± 2,94; ogni riga viene da 330 tentativi. Nella componente che Artificial Analysis prende dallo stesso benchmark l’ordine è invertito: Sonnet 5.5 66,2, Opus 5.5 63,1. Quindi una differenza di tre punti tra questi due modelli non dice quale sia il migliore. Anche Anthropic scrive che, a questo livello di capacità, i distacchi nei benchmark sono una guida meno affidabile delle differenze reali; Epoch AI, da parte sua, ha giudicato Terminal-Bench 4.0 difettoso. Come leggere un punteggio l’abbiamo spiegato nell’articolo su SWE-bench.

Quando conviene un modello di fascia alta?

In tutte e tre le famiglie la domanda è la stessa: quando il modello di fascia alta ripaga il suo prezzo per token più alto? Nelle misurazioni che abbiamo, la fascia media, a un’impostazione un po’ più alta, raggiunge la fascia alta in due famiglie, e nella terza no. Per ogni famiglia abbiamo messo fianco a fianco le due misurazioni più vicine di fascia alta e fascia media:

La misurazione di Anthropic è l’esempio più chiaro. Secondo il documento, ogni prezzo per token di Opus 5.5 è il doppio di quello di Sonnet 5.5, eppure Opus in low risolve compiti allo stesso tasso di Sonnet all’impostazione predefinita e costa solo il 7% in più per compito risolto. Se fai girare Opus alla sua impostazione predefinita, medium, il tasso di risoluzione sale al 92,8% e il costo a $0,22: per circa cinque punti in più paghi il doppio per compito risolto. È una misurazione del produttore su un sottoinsieme di SWE-bench Pro, e non si può confrontare con la classifica pubblica.

Salire di un gradino sopra Opus non ha portato punti in questa tabella. All’impostazione predefinita di Fable 5.1, high, il tasso di risoluzione in una sola esecuzione è del 92,3% e il costo per compito risolto di $1,19. Anthropic lo considera lo stesso risultato di Opus in medium, entro la variazione da un’esecuzione all’altra; quindi su questo insieme Fable non ha superato Opus ed è costato circa cinque volte tanto per compito risolto. Il documento scrive anche che su questo insieme entrambi i modelli toccano in gran parte il tetto.

Dove guadagna Opus i suoi cinque punti in più? Anthropic e Google danno la stessa risposta: nel lavoro complesso, lungo e in più passaggi. Anthropic consiglia Opus 5.5 per la programmazione autonoma che dura ore e per i grandi refactoring, e Sonnet 5.5 per la programmazione di tutti i giorni; anche l’annuncio di Sonnet 5.5 scrive che Opus resta nettamente più forte nel lavoro aperto che richiede un giudizio prolungato. Anche il percorso che Anthropic consiglia per Fable 5.1 parte da Opus: se Opus non basta nemmeno in xhigh o in max su un ragionamento impegnativo o su un lavoro agentico di lungo respiro, passa a Fable. Google consiglia Gemini 4 Argon per l’ingegneria del software e il ragionamento complessi, e la sua pagina dei prezzi scrive che è fatto per agenti autonomi in più passaggi. OpenAI traccia la linea altrove: presenta GPT-6.1 Sol come il modello che dà prestazioni vicine ad Astra a un costo più basso, e la documentazione di Codex consiglia di partire da Sol anche per il lavoro ambiguo in più passaggi; lascia Astra per quando costo e latenza non contano. Il documento di Anthropic sui costi dà anche un criterio: confronta i modelli non sul compito tipico del tuo lavoro, ma sul suo decimo più difficile, perché la fattura la decidono i compiti in cui il modello più economico fallisce.

Nella famiglia Google il quadro è diverso. Nell’indice indipendente, 3.8 Flash non si è avvicinato al punteggio di Argon; ma i due modelli sono stati misurati in strumenti diversi (Argon in Antigravity CLI, Flash nell’SDK di Antigravity). Anche GitHub Copilot mette 3.8 Flash nello stesso gruppo di Haiku 5.5 e GPT-6 Luna, quello dell’aiuto rapido per compiti semplici o ripetitivi. Guardando queste due fonti, in un agente di programmazione la fascia media di Google sta più vicina alla fascia d’ingresso.

Le impostazioni predefinite degli strumenti non sempre coincidono con questi consigli:

• Claude Code parte con Opus 5.5 sui piani Pro, Max, Team ed Enterprise dal 22 settembre (versione 2.1.280), e anche sull’API parte con Opus 5.5. Eppure la sua stessa pagina sui costi dice che Sonnet fa bene la maggior parte dei compiti di programmazione e che conviene tenere Opus per le decisioni di architettura complesse e il ragionamento in più passaggi; inoltre attribuisce le fatture inaspettatamente alte soprattutto a Opus lasciato come predefinito. Un altro dettaglio: in Claude Code, Opus 5.5, Sonnet 5.5 e Haiku 5.5 partono con effort medium, mentre nella misurazione di Anthropic qui sopra l’impostazione predefinita di Sonnet è high. Se passi a Sonnet, alza anche l’effort a high.
• In Codex il modello predefinito è GPT-6.1 Sol, di fascia media.
• In GitHub Copilot scegli il modello dal selettore o con Auto; Auto lo spieghiamo più sotto.
• In Cursor il piano Plus dà accesso solo ai modelli di Cursor stesso. I modelli Claude, GPT e Gemini li usi da Premium in su, al prezzo di listino delle API e pagando con un credito caricato in anticipo.
• In Antigravity, il piano gratuito e Google AI Plus hanno, tra i Gemini, solo 3.8 Flash; per Gemini 4 Argon, Claude Sonnet 5.5 e Opus 5.5 serve un abbonamento Google AI Pro non di prova, o superiore.

In abbonamento la fascia alta consuma il tuo limite più in fretta. Codex è l’unico strumento che lo scrive come numero di messaggi per modello: secondo la sua pagina dei prezzi, il numero stimato di messaggi locali in una finestra di cinque ore con il piano Plus è 5–45 con GPT-6 Astra, 15–160 con GPT-6.1 Sol e 350–3.000 con GPT-6 Luna. Negli altri strumenti:

• Claude: la pagina dei piani scrive che quanto puoi usare dipende dal modello che scegli, ma non dà un rapporto. Claude Code mostra messaggi di limite separati per Opus e Sonnet; quando ne raggiungi uno, puoi passare all’altra famiglia e continuare a lavorare.
• GitHub Copilot: dal 1° giugno 2026 l’uso si calcola per token al prezzo API di ogni modello. Un modello che costa il doppio consuma anche i tuoi crediti IA due volte più in fretta per lo stesso numero di token.
• Cursor: il pool settimanale copre i modelli di Cursor stesso, e ogni modello attinge al pool a un ritmo diverso; i modelli di terzi li paghi con il credito, non con il pool.
• Antigravity: i modelli Gemini da una parte, quelli Claude e GPT dall’altra attingono a limiti separati, di cinque ore e settimanali.

Si può programmare con i modelli di fascia d’ingresso?

Come agente principale, stando alle prove, no; come aiutante, sì. Lo dice lo stesso annuncio di Haiku 5.5 di Anthropic: per la programmazione agentica complessa Sonnet 5.5 e Opus 5.5 sono la scelta migliore; Haiku 5.5 si abbina bene a loro come subagente nel lavoro di programmazione e svolge in modo affidabile compiti come riassunti, compaction e classificazione. Nella tabella dello stesso annuncio, Haiku 5.5 prende il 39,2% su Terminal-Bench 4.0, Sonnet 5.5 il 70,6% e GPT-6 Luna il 16,4% (secondo Anthropic).

L’indice indipendente mostra anche dov’è il distacco. Nei compiti DeepSWE, in cui il modello scrive codice in Claude Code, Haiku 5.5 è rimasto tra 45,4 e 49,0 a ogni livello di effort, Sonnet 5.5 tra 61,9 e 72,0; alzare l’effort non ha colmato il distacco. In SWE-Atlas-QnA, in cui il modello risponde a domande su una codebase, la differenza è piccola: Haiku 5.5 ha preso 51,6 in xhigh e Sonnet 5.5 44,9 in medium. La fascia d’ingresso resta più indietro quando scrive codice, e meno quando legge il codice e risponde a domande su di esso.

Anche che costi poco per compito è vero solo a metà. In medium Haiku 5.5 è costato $0,23 per compito, ma ha chiuso un compito in media in 14 minuti e 44 passaggi; Sonnet 5.5 in low: $0,48, 6 minuti e 19 passaggi. Anche il punteggio di Haiku è più basso: 33,6 contro 42,1. Il modello più veloce di Anthropic è risultato più lento per compito.

Le altre due famiglie mettono la loro fascia d’ingresso nello stesso posto. La documentazione di Codex consiglia GPT-6 Luna per agenti veloci dal perimetro ristretto che svolgono lavoro chiaro, ripetibile o ad alto volume; nella classifica di Terminal-Bench 4.0, Luna in max in Codex prende il 16,36% ± 2,72. Google presenta Gemini 3.5 Flash-Lite come un modello a bassa latenza e basso costo per compiti da subagente e analisi di documenti.

In Claude Code il subagente integrato Explore, che cerca nella codebase, è arrivato con la versione 2.0.17 (15 ottobre 2025) e girava su Haiku; dalla versione 2.1.198 (1° luglio) gira con il modello della sessione principale. Quindi, se vuoi affidare la ricerca a un modello di fascia d’ingresso, devi impostarlo tu. Ecco come in cinque strumenti:

Fonte: documentazione e note di rilascio di ogni strumento, 20 ottobre 2026.

Un esempio di definizione per Claude Code. Quando il campo name è Explore, prende il posto dell’agente integrato; limitare i suoi strumenti alla lettura tiene anche stretto il suo compito:

---
name: Explore
description: Cerca e legge nella codebase, non modifica file
tools: Read, Glob, Grep
model: haiku
---
Trova il codice richiesto. Scrivi un breve resoconto:
percorso del file, riga e una frase di spiegazione.

Un avvertimento: man mano che un subagente di ricerca legge file grandi, il suo prompt cresce. Su Haiku 5.5 ogni richiesta oltre 100K token costa 5 volte tanto, quindi tieni breve il resoconto del subagente e ristretti i file che legge. Come funzionano i subagenti l’abbiamo spiegato nell’articolo sui subagenti.

La modalità Auto o due modelli insieme servono a qualcosa?

Ci sono modi per lasciare che sia lo strumento a scegliere il modello, o per far lavorare due modelli insieme. La regola che esce dalle misurazioni di Anthropic è breve: prima di aggiungere un secondo modello, regola l’effort del modello singolo, perché la maggior parte del lavoro si chiude lì; costruisci una configurazione a due modelli solo se batte la curva punteggio-costo del modello singolo su tutti i suoi livelli di effort.

L’Auto di GitHub Copilot è disponibile su tutti i piani. In VS Code, in Copilot CLI e nell’app Copilot ha tre livelli: Efficiency, Balance e Intelligence. Il livello cambia il modello a cui va una richiesta; paghi comunque il prezzo del modello scelto da Auto, con uno sconto del 10% sui piani a pagamento. Copilot mostra da quale modello arriva ogni risposta, e la CLI lo scrive nel terminale. Sui piani per singoli, Auto può usare anche modelli in valutazione; puoi disattivarlo.

L’Auto di Cursor dipende dal piano. Secondo la pagina dei prezzi, il piano Plus non ha Auto; gli altri piani per singoli hanno solo la modalità Cost e, qualunque modello risponda, la richiesta attinge al pool settimanale come un modello di Cursor. Le modalità Balance e Intelligence sono su Teams ed Enterprise; lì una richiesta si paga al prezzo di listino del modello a cui è stata instradata, e quale modello ha risposto è nascosto per impostazione predefinita. La pagina del Router di Cursor scrive invece che tutte le modalità Auto si pagano al prezzo di listino del modello instradato; il 20 ottobre 2026 le due pagine non coincidevano.

La documentazione dei modelli di Claude Code, Codex e Antigravity non descrive un Auto che scelga il modello per ogni richiesta. Gemini CLI ha Auto, che sceglie il modello in base alla complessità del compito; il 18 giugno 2026 Google ha sostituito Gemini CLI con Antigravity CLI per gli utenti del livello gratuito e di Google One, e consiglia Antigravity per Gemini 4 Argon.

opusplan è un’impostazione di modello di Claude Code che divide il lavoro tra due modelli: usa Opus in modalità plan e Sonnet nell’esecuzione. Siccome ogni modello tiene la propria cache, ogni volta che entri o esci dalla modalità plan conta come un cambio di modello e la cache riparte da zero; in una sessione lunga si vede in fattura.

Advisor permette al modello di Claude Code di consultare un secondo modello più forte nei momenti chiave: prima di scegliere un approccio, quando si blocca sullo stesso errore, prima di chiudere il lavoro. Funziona sia in abbonamento sia con le API. Nella misurazione di Anthropic con i modelli attuali, l’unica coppia che consultava spesso ha preso 1,7 punti più del modello singolo su un benchmark di programmazione; la differenza è al limite della variazione da un’esecuzione all’altra, e il costo è circa 2,1 volte tanto. Quando il modello consultava di rado, la coppia ha preso quanto il modello singolo o meno.

Un modello locale può sostituire questi modelli?

Con le prove di oggi, nessuna misurazione mostra che possa farlo come agente principale. Le classifiche indipendenti misurano anche modelli a pesi aperti, ma quelli di cui si conosce la dimensione sono di classe server: GLM-5.3-Flash, per esempio, ha 320 miliardi di parametri (di cui 18 miliardi attivi per ogni token) e, su Terminal-Bench 4.0 dentro Claude Code, prende il 35,76% ± 3,54. Non abbiamo trovato nessuna misurazione indipendente come agente di programmazione di un modello che stia chiaramente su un portatile.

Anche l’hardware pone dei limiti. Ollama imposta la finestra di contesto in base alla VRAM: sotto i 24 GiB il contesto predefinito è di 4K token. Per gli strumenti di programmazione, però, consiglia almeno 64.000 token, e la memoria necessaria cresce con il contesto. Google, da parte sua, consiglia per Gemma 4 26B A4B almeno 24 GB di VRAM o di memoria unificata. Ecco come si collega un modello locale in cinque strumenti:

Fonte: documentazione degli strumenti e di Ollama, 20 ottobre 2026. Ollama chiede almeno 64K di contesto anche per Claude Code e Codex.

Scegliere un modello locale non vuol dire che il tuo codice non lascerà la macchina. La nota di GitHub lo dice chiaramente: scegliere un modello locale non attiva la modalità offline e non disattiva la telemetria di GitHub; nella CLI la modalità offline si attiva a parte con COPILOT_OFFLINE=true. In Cursor le richieste passano dai server di Cursor, dove viene costruito il prompt finale. Se il tuo codice non deve lasciare la macchina, controlla tutto il percorso dello strumento, non solo il modello.

Il posto più sensato per provare un modello locale è il lavoro che fanno i modelli di fascia d’ingresso: compiti come cercare nella codebase, riassumere o classificare, che si basano sulla lettura e il cui risultato si può controllare. Anche qui misura sui tuoi compiti; le misurazioni indipendenti qui sopra non coprono modelli di questa dimensione.

Quale modello scegliere per quale lavoro?

Quello che le prove hanno in comune: la fascia media basta per la maggior parte del lavoro, la fascia alta fa la differenza nel lavoro lungo e ambiguo, e la fascia d’ingresso resta economica come aiutante. Per i lavori più comuni, ecco i modelli corrispondenti nelle tre famiglie:

Le ragioni dietro le schede sono qui sopra. La fascia media per il lavoro quotidiano, perché nella misurazione di Anthropic Sonnet all’impostazione predefinita ha risolto compiti allo stesso tasso di Opus in low, e nell’indice indipendente Sol in medium ha raggiunto il punteggio di Astra in max. Nella famiglia Google, Argon anche per il lavoro quotidiano, perché nella misurazione indipendente 3.8 Flash non gli si è avvicinato. Per il lavoro lungo e ambiguo, la fascia alta in Anthropic e in Google, perché entrambi la consigliano per questo lavoro e i punti in più si guadagnano sui compiti difficili; in OpenAI, invece, il consiglio di Codex è restare su Sol e alzare l’effort. In Anthropic, se Opus non basta nemmeno in xhigh o in max, il gradino successivo è Fable 5.1. La fascia d’ingresso va nei subagenti, perché resta indietro quando scrive codice ma si avvicina quando legge il codice e risponde a domande su di esso.

Per il tuo lavoro, la strada più affidabile è una misurazione. I consigli dei produttori si somigliano: Anthropic consiglia di confrontare i modelli sul tuo lavoro, per costo per compito risolto e con i tuoi compiti più difficili, e OpenAI di provare con gli stessi input e tenere l’impostazione più leggera che raggiunge la tua soglia di qualità. In pratica, scegli una manciata di compiti dal tuo lavoro, fai girare ogni modello più volte nel suo strumento e annota il costo per compito risolto e il tempo. Se hai dei test, esegui prima un’impostazione economica e ripeti solo i fallimenti con una più alta; perché questo costa poco l’abbiamo spiegato nell’articolo sull’effort.