I primi giorni di settembre 2026 hanno segnato una nuova accelerazione nella corsa all’intelligenza artificiale. Il 1° settembre Anthropic ha presentato Claude Fable 5.1 e Claude Mythos 5.1, due modelli pensati per attività di coding, knowledge work e ricerca sempre più articolate. Due giorni dopo, il 3 settembre, OpenAI ha annunciato GPT-6 Astra, con al centro computer use, sviluppo software, cybersecurity e lavoro professionale complesso.
Sono release molto diverse tra loro, ma raccontano la stessa evoluzione: l’AI sta iniziando a diventare uno strumento a cui affidare interi lavori. Ed è probabilmente questo il vero elemento da osservare.
Per anni abbiamo associato l’intelligenza artificiale a una dinamica semplice: una persona formula una richiesta, il modello restituisce una risposta. Scrivere un testo, riassumere un documento, tradurre una pagina, generare codice. Il limite era chiaro: l’AI produceva un risultato, ma il processo restava in larga parte nelle mani della persona.
Con i nuovi modelli il confine si sposta. L’obiettivo non è più una singola risposta, ma portare avanti una sequenza di attività fino a un risultato. È qui che il tema degli AI Agent diventa concreto: l’AI entra nell’esecuzione del lavoro.
Anthropic
Progettato per programmazione agentica di lunga durata, knowledge work e ricerca. Il valore non è la singola operazione difficile, ma tante operazioni eseguite nell'ordine giusto, tenendo conto di ciò che è successo prima.
Anthropic
Stessa base di Fable, ma per contesti che richiedono più controllo: cybersecurity e ricerca biologica. Aumentare le capacità significa anche decidere chi può usarle, in quali contesti e con quali protezioni.
OpenAI
Spinge sull'AI che opera dentro il computer: browser, applicazioni, software engineering, documenti, fogli di calcolo e presentazioni. Una richiesta può non finire con un testo da incollare, ma con un'azione completata.
Nel caso di Anthropic, Fable 5.1 è pensato per attività che richiedono più passaggi e continuità. Il dato interessante non è solo la quantità, 1 milione di token di contesto, fino a 128.000 token di output, ma il tipo di lavoro.
Un’attività complessa raramente è una singola operazione difficile. Più spesso è fatta di tante operazioni semplici da eseguire nell’ordine giusto, tenendo conto di ciò che è successo prima. L’AI deve capire il contesto, usare strumenti, mantenere una direzione e correggersi quando qualcosa non funziona. Deve cioè portare avanti un compito, non solo produrre una risposta.
Accanto a Fable arriva Mythos 5.1, per contesti in cui le capacità del modello richiedono un controllo ancora maggiore, in particolare cybersecurity e ricerca biologica. I due modelli condividono la stessa base, ma Mythos è distribuito con modalità più restrittive: l’accesso resta limitato a un gruppo selezionato di organizzazioni attraverso Project Glasswing.
La scelta mostra un altro lato della competizione: aumentare le capacità significa anche decidere chi può usare quei sistemi e con quali protezioni. Un tema che pesa sempre di più man mano che i modelli entrano in settori dove un errore ha conseguenze ben più serie di una risposta sbagliata in chat. La distinzione tra «modello più potente» e «modello utilizzabile» diventa così sempre meno netta.
Con GPT-6 Astra, OpenAI spinge esplicitamente verso l’AI capace di operare dentro il computer: utilizzo del browser e delle applicazioni, software engineering, cybersecurity, scienza, oltre a documenti, fogli di calcolo e presentazioni.
Per molto tempo abbiamo usato l’AI come una finestra separata dal lavoro: aprivamo un assistente, facevamo una richiesta, poi trasferivamo a mano il risultato. Ora il modello può interagire direttamente con browser e strumenti digitali. Il confine tra assistente e operatore digitale diventa molto più sottile.
La domanda «chi è più forte tra Anthropic e OpenAI?» è probabilmente quella meno interessante per un’azienda.
I modelli cambieranno in fretta, e con loro i confronti sulle prestazioni. Un sistema oggi imbattibile può essere superato in pochi mesi. Per un’organizzazione il problema è diverso: capire quale modello è più adatto a un determinato lavoro.
Un’azienda può aver bisogno di analizzare grandi quantità di documenti. Un’altra di automatizzare attività dentro un CRM. Un team IT può usare agenti per lo sviluppo software; un dipartimento finance per parte della reportistica; un ufficio per gestire flussi documentali e attività amministrative. La tecnologia è la stessa solo in apparenza: il contesto cambia tutto.
Un agente vive nel rapporto tra quattro elementi — non nella potenza del modello
Cosa deve ottenere il sistema, in modo chiaro e misurabile.
Quali applicazioni e sistemi può usare per agire davvero.
Quali dati sono disponibili e con quali permessi.
Dove serve una verifica prima che l'azione diventi definitiva.
Qui il concetto rischia di essere frainteso. Un agente non è semplicemente un chatbot più intelligente. La differenza riguarda come si costruisce il rapporto tra obiettivo, strumenti, informazioni e controllo umano.
Se un sistema deve gestire un processo aziendale, bisogna stabilire quali dati può usare, quali applicazioni può controllare, quali azioni può eseguire in autonomia e quali richiedono una verifica. E soprattutto: cosa succede quando sbaglia. In un flusso reale conta anche sapere come reagire quando qualcosa va storto, il che rende la progettazione del processo importante almeno quanto la scelta del modello.
C’è un equivoco da evitare. L’arrivo di modelli più autonomi non significa che ogni attività vada automatizzata. Anzi: più cresce la capacità di un sistema, più diventa importante decidere dove lasciarlo agire da solo e dove tenere una persona nel processo.
Decisioni sensibili o ad alto impatto
dati critici, conseguenze economiche, reputazionali o normative
Attività ripetitive e verificabili
processi standardizzati, controllabili e a basso rischio
Un’attività ripetitiva, regolata e facilmente verificabile è un ottimo candidato per l’automazione. Una decisione che coinvolge clienti, dati sensibili, aspetti economici o conseguenze difficili da correggere richiede invece molta più supervisione. Non esiste un livello di autonomia giusto in assoluto: esiste quello giusto per quel processo.
Fable 5.1, Mythos 5.1 e GPT-6 Astra mostrano quanto in fretta stia cambiando la tecnologia alla base degli AI Agent. Per le aziende, però, il vero cambiamento arriverà quando queste capacità entreranno nei processi in modo utile, controllato e misurabile.
È un passaggio tutt’altro che automatico. Prima di scegliere un modello serve capire dove si perde tempo, quali attività si possono semplificare, quali informazioni sono disponibili, quali sistemi vanno integrati e quali decisioni devono restare alle persone.
In fondo, la domanda non dovrebbe essere «quale AI dobbiamo usare?», ma «quale lavoro possiamo svolgere meglio, più velocemente o in modo più efficace grazie all’AI?». La risposta viene prima della tecnologia.
Non è un chatbot più intelligente: è un sistema che porta avanti una sequenza di attività per raggiungere un obiettivo, usando strumenti, mantenendo il contesto e correggendo il proprio lavoro.
Condividono la stessa base. Fable 5.1 è pensato per programmazione agentica di lunga durata, knowledge work e ricerca. Mythos 5.1 è distribuito con modalità più restrittive per cybersecurity e ricerca biologica, con accesso via Project Glasswing.
La domanda non è quale AI sia più potente, ma quale lavoro si può svolgere meglio grazie all'AI. Si parte dal processo: dati disponibili, sistemi da integrare e decisioni che devono restare alle persone.
No. Più aumenta la capacità di un sistema, più conta decidere dove lasciarlo agire da solo e dove mantenere una persona nel processo. Il livello di autonomia va calibrato sul singolo processo.