GPT-6.1 Sol: prestazioni da modello top a un quinto del costo
Quando esce un nuovo modello, la domanda utile per chi lavora non è "quanto è intelligente", ma "quanto mi costa far girare un agente tutto il giorno". Con GPT-6.1 Sol OpenAI prova a rispondere proprio qui: prestazioni vicine al modello di punta GPT-6 Astra, a circa un quinto del prezzo. Vediamo cosa significa davvero in un flusso di lavoro.
## Cosa cambia rispetto a GPT-6 Sol e Astra
GPT-6.1 Sol è un aggiornamento di GPT-6 Sol focalizzato su tre ambiti: coding complesso, uso del computer (agenti che usano applicazioni) e lavoro professionale. Secondo i dati pubblicati da OpenAI, su DeepSWE v1.1 pareggia Astra a circa un quinto del costo e supera il precedente Sol di 6,4 punti percentuali. Su OSWorld 2.0 resta a 2,1 punti da Astra con un settimo del costo.
C'è un numero che rende bene l'idea dell'economia dei compiti lunghi: su Terminal-Bench Science 0.1 il costo medio per compito dichiarato è di 5,47 dollari, contro i 23,21 di Opus e i 23,80 di Astra. Va però ricordato che sono benchmark scelti e pubblicati dal fornitore: prima di fidarsi, conviene misurare sul proprio codice e sui propri documenti.
Un dato che ai sistemisti piace di più di molti punteggi: la fattualità a basso sforzo di ragionamento migliora, con errori che scendono dall'11,4% al 7,7%. Non elimina le allucinazioni, ma riduce il lavoro di revisione.
## Prezzi e disponibilità
Sull'API il modello si chiama `gpt-6.1-sol`. I prezzi indicati sono 2 dollari per milione di token in input, 0,10 per l'input in cache e 10 per l'output. Il prezzo dell'input in cache è il dettaglio più interessante per chi costruisce agenti: prompt di sistema lunghi, documentazione e contesto di repository si ripetono a ogni chiamata, e lì il risparmio è strutturale.
Il modello è disponibile in ChatGPT Work e Codex per i piani Plus, Pro, Business, Enterprise ed Edu; al momento non è nella chat standard. È annunciata anche una variante Ultrafast, fino a 8 volte più veloce in Codex.
## Dove ha più senso usarlo
In un progetto tipico i candidati migliori sono i compiti ripetitivi e verificabili: correzione di bug con test già scritti, migrazioni di script, generazione di report da dati strutturati, revisione di configurazioni. Sono attività in cui un risultato sbagliato si nota subito e il costo per compito pesa davvero sul totale. Dove invece l'errore è silenzioso, come in un'analisi legale o in una modifica a un sistema di produzione, il risparmio non giustifica l'assenza di una revisione umana, qualunque sia il modello.
## Pro e contro
Il vantaggio principale è il rapporto qualità-prezzo: task agentici che con un modello di punta erano troppo costosi da lasciare in esecuzione (revisione di codice, triage di ticket, riconciliazioni) diventano sostenibili. Un secondo punto a favore è la maggiore trasparenza: OpenAI dichiara che quando uno strumento di ricerca non funziona il modello lo ammette meglio (fallimenti di trasparenza al 2,1% contro il 4,9% di GPT-6 Sol).
Sul fronte dei limiti: resta "near-Astra", non Astra, quindi per i casi più difficili il modello superiore può servire ancora. Le valutazioni di sicurezza, inoltre, testano situazioni volutamente estreme e non rappresentano l'uso quotidiano. E un agente che usa il computer va sempre confinato: permessi minimi, ambienti isolati, log delle azioni.
## In pratica
- **Fai un test A/B sul tuo lavoro reale**: prendi 20-30 compiti ricorrenti (bug, report, script) e confronta costo per compito e tasso di correzioni tra il modello attuale e `gpt-6.1-sol`.
- **Sfrutta la cache**: struttura i prompt mettendo in testa le parti fisse (istruzioni, documentazione) così da beneficiare del prezzo ridotto dell'input in cache.
- **Delimita gli agenti**: se abiliti l'uso del computer, parti da un ambiente isolato, permessi di sola lettura e approvazione umana per le azioni irreversibili.
Se stai valutando come inserire modelli di questo tipo nei tuoi processi, scrivimi nei commenti cosa vorresti automatizzare: ne parliamo. Condividi l'articolo con chi gestisce i costi AI in azienda e iscriviti al blog per i prossimi approfondimenti.
Fonte: OpenAI, [Introducing GPT-6.1 Sol](https://openai.com/index/introducing-gpt-6-1-sol), 29 settembre 2026.
## Cosa cambia rispetto a GPT-6 Sol e Astra
GPT-6.1 Sol è un aggiornamento di GPT-6 Sol focalizzato su tre ambiti: coding complesso, uso del computer (agenti che usano applicazioni) e lavoro professionale. Secondo i dati pubblicati da OpenAI, su DeepSWE v1.1 pareggia Astra a circa un quinto del costo e supera il precedente Sol di 6,4 punti percentuali. Su OSWorld 2.0 resta a 2,1 punti da Astra con un settimo del costo.
C'è un numero che rende bene l'idea dell'economia dei compiti lunghi: su Terminal-Bench Science 0.1 il costo medio per compito dichiarato è di 5,47 dollari, contro i 23,21 di Opus e i 23,80 di Astra. Va però ricordato che sono benchmark scelti e pubblicati dal fornitore: prima di fidarsi, conviene misurare sul proprio codice e sui propri documenti.
Un dato che ai sistemisti piace di più di molti punteggi: la fattualità a basso sforzo di ragionamento migliora, con errori che scendono dall'11,4% al 7,7%. Non elimina le allucinazioni, ma riduce il lavoro di revisione.
## Prezzi e disponibilità
Sull'API il modello si chiama `gpt-6.1-sol`. I prezzi indicati sono 2 dollari per milione di token in input, 0,10 per l'input in cache e 10 per l'output. Il prezzo dell'input in cache è il dettaglio più interessante per chi costruisce agenti: prompt di sistema lunghi, documentazione e contesto di repository si ripetono a ogni chiamata, e lì il risparmio è strutturale.
Il modello è disponibile in ChatGPT Work e Codex per i piani Plus, Pro, Business, Enterprise ed Edu; al momento non è nella chat standard. È annunciata anche una variante Ultrafast, fino a 8 volte più veloce in Codex.
## Dove ha più senso usarlo
In un progetto tipico i candidati migliori sono i compiti ripetitivi e verificabili: correzione di bug con test già scritti, migrazioni di script, generazione di report da dati strutturati, revisione di configurazioni. Sono attività in cui un risultato sbagliato si nota subito e il costo per compito pesa davvero sul totale. Dove invece l'errore è silenzioso, come in un'analisi legale o in una modifica a un sistema di produzione, il risparmio non giustifica l'assenza di una revisione umana, qualunque sia il modello.
## Pro e contro
Il vantaggio principale è il rapporto qualità-prezzo: task agentici che con un modello di punta erano troppo costosi da lasciare in esecuzione (revisione di codice, triage di ticket, riconciliazioni) diventano sostenibili. Un secondo punto a favore è la maggiore trasparenza: OpenAI dichiara che quando uno strumento di ricerca non funziona il modello lo ammette meglio (fallimenti di trasparenza al 2,1% contro il 4,9% di GPT-6 Sol).
Sul fronte dei limiti: resta "near-Astra", non Astra, quindi per i casi più difficili il modello superiore può servire ancora. Le valutazioni di sicurezza, inoltre, testano situazioni volutamente estreme e non rappresentano l'uso quotidiano. E un agente che usa il computer va sempre confinato: permessi minimi, ambienti isolati, log delle azioni.
## In pratica
- **Fai un test A/B sul tuo lavoro reale**: prendi 20-30 compiti ricorrenti (bug, report, script) e confronta costo per compito e tasso di correzioni tra il modello attuale e `gpt-6.1-sol`.
- **Sfrutta la cache**: struttura i prompt mettendo in testa le parti fisse (istruzioni, documentazione) così da beneficiare del prezzo ridotto dell'input in cache.
- **Delimita gli agenti**: se abiliti l'uso del computer, parti da un ambiente isolato, permessi di sola lettura e approvazione umana per le azioni irreversibili.
Se stai valutando come inserire modelli di questo tipo nei tuoi processi, scrivimi nei commenti cosa vorresti automatizzare: ne parliamo. Condividi l'articolo con chi gestisce i costi AI in azienda e iscriviti al blog per i prossimi approfondimenti.
Fonte: OpenAI, [Introducing GPT-6.1 Sol](https://openai.com/index/introducing-gpt-6-1-sol), 29 settembre 2026.
GPT-6.1 Sol, OpenAI, agenti AI, Codex, costi API