Agenti browser: come Asana ha tagliato i costi di 76 volte con caching e screenshot
Se state costruendo un agente che naviga sul web, la voce di costo che vi sorprenderà non è il modello: è la cronologia. Ogni passo aggiunge testo e screenshot, e a ogni richiesta l'agente rimanda tutto indietro. OpenAI ha raccontato come Asana (tramite StackAI) ha affrontato il problema con GPT-6.1 Sol: i numeri sono interessanti, ma la lezione vale più dei numeri.
## Dove si perdevano i soldi
L'agente browser di StackAI metteva già in cache le istruzioni fisse e le definizioni degli strumenti. Non faceva però lo stesso con la parte che cresce di più: la cronologia di navigazione, fatta di testo delle pagine e screenshot. Risultato: a ogni richiesta l'intera storia veniva reinviata a prezzo pieno.
C'era poi un secondo problema, più sottile. Quasi a ogni passo l'agente eliminava i vecchi screenshot e accorciava il testo. Ogni modifica altera la cronologia, e una cronologia che cambia continuamente non beneficia della cache, perché il prefisso non è più identico. In più, buttare via informazioni poteva costringere l'agente a rileggere pagine già visitate, pagando due volte.
Questo è un pattern che si ritrova in molti agenti: si ottimizza il contesto per tenerlo piccolo, ma così si rompe proprio il meccanismo che lo renderebbe economico.
## Le tre correzioni
Il team ha esteso la cache alla cronologia di navigazione, ha aumentato la quantità di testo conservata e ha cambiato il modo di eliminare gli screenshot: a blocchi invece che a ogni passo. La politica migliore è stata accumulare fino a 20 screenshot e ridurli solo allora al più recente, lasciando il prefisso invariato il più a lungo possibile.
Per verificare l'effetto hanno fatto un test sistematico: 144 esecuzioni, due budget di cronologia, sei politiche di cache e screenshot, tre ripetizioni su quattro modelli. Il compito era volutamente semplice: raccogliere sei campi per ciascuno di 32 libri da un catalogo demo pubblico. Un benchmark sintetico, quindi, ma proprio per questo confrontabile.
## I numeri (e come leggerli)
Con il workflow ottimizzato su GPT-6.1 Sol, secondo la fonte, il costo medio stimato è di 0,47 $ per esecuzione e la durata di circa 4 minuti. Rispetto alla configurazione originale in produzione, significa 76 volte meno costo e 5 volte meno tempo. Attenzione però: quel 76x è un confronto cumulativo tra un modello e una configurazione vecchi e quella nuova, e il dato di partenza è un minimo, perché alcune esecuzioni originali si sono fermate al limite di passi senza completare.
Il dato più utile per chi decide è un altro: la sola ottimizzazione su Sol, a parità di modello, ha ridotto il costo di 4 volte (da 1,97 $ a 0,47 $). Qui l'89% dell'input arrivava dalla cache, pagata il 5% del prezzo non in cache. È la parte replicabile sui vostri agenti, indipendentemente dal modello.
Un secondo dettaglio conta: con il budget di cronologia più piccolo Sol ha prodotto una risposta in 3 esecuzioni su 18; con quello più grande in 18 su 18, tutte corrette. Risparmiare sul contesto in modo troppo aggressivo non fa risparmiare: fa fallire.
## Cosa ne penso
Due osservazioni da chi mette in produzione questi sistemi. Primo: il costo di un agente è una proprietà del design del contesto, non solo del listino del modello. Cambiare modello senza guardare cosa si reinvia a ogni passo è ottimizzare il pezzo sbagliato. Secondo: l'approccio di Asana è replicabile, perché hanno registrato le sessioni e le hanno trasformate in ticket e modifiche. Senza tracce misurabili non si ottimizza niente.
Limiti da tenere presenti: il test è su un compito semplice e il risultato dipende dai prezzi della cache e dal comportamento del modello. Su siti reali, con pagine dinamiche, i numeri saranno diversi.
## In pratica
- **Misurate la quota di cache hit** del vostro agente: se la cronologia cambia a ogni passo, il prefisso non è stabile e state pagando prezzo pieno.
- **Potate a blocchi, non a ogni passo**: eliminate screenshot e testo vecchi solo quando serve, così il prefisso resta invariato più a lungo.
- **Testate più budget di contesto** su un compito reale, contando sia il costo sia il tasso di completamento: un contesto troppo piccolo fa fallire l'agente.
Se questo tema vi riguarda, lasciate un commento con la vostra esperienza sui costi degli agenti e condividete l'articolo con chi sta costruendo automazioni; iscrivetevi al blog per i prossimi approfondimenti.
Fonte: OpenAI, "Asana cuts model costs 76x in browser tests with GPT-6.1 Sol", 9 ottobre 2026 – [https://openai.com/index/asana-browser-agent](https://openai.com/index/asana-browser-agent)
## Dove si perdevano i soldi
L'agente browser di StackAI metteva già in cache le istruzioni fisse e le definizioni degli strumenti. Non faceva però lo stesso con la parte che cresce di più: la cronologia di navigazione, fatta di testo delle pagine e screenshot. Risultato: a ogni richiesta l'intera storia veniva reinviata a prezzo pieno.
C'era poi un secondo problema, più sottile. Quasi a ogni passo l'agente eliminava i vecchi screenshot e accorciava il testo. Ogni modifica altera la cronologia, e una cronologia che cambia continuamente non beneficia della cache, perché il prefisso non è più identico. In più, buttare via informazioni poteva costringere l'agente a rileggere pagine già visitate, pagando due volte.
Questo è un pattern che si ritrova in molti agenti: si ottimizza il contesto per tenerlo piccolo, ma così si rompe proprio il meccanismo che lo renderebbe economico.
## Le tre correzioni
Il team ha esteso la cache alla cronologia di navigazione, ha aumentato la quantità di testo conservata e ha cambiato il modo di eliminare gli screenshot: a blocchi invece che a ogni passo. La politica migliore è stata accumulare fino a 20 screenshot e ridurli solo allora al più recente, lasciando il prefisso invariato il più a lungo possibile.
Per verificare l'effetto hanno fatto un test sistematico: 144 esecuzioni, due budget di cronologia, sei politiche di cache e screenshot, tre ripetizioni su quattro modelli. Il compito era volutamente semplice: raccogliere sei campi per ciascuno di 32 libri da un catalogo demo pubblico. Un benchmark sintetico, quindi, ma proprio per questo confrontabile.
## I numeri (e come leggerli)
Con il workflow ottimizzato su GPT-6.1 Sol, secondo la fonte, il costo medio stimato è di 0,47 $ per esecuzione e la durata di circa 4 minuti. Rispetto alla configurazione originale in produzione, significa 76 volte meno costo e 5 volte meno tempo. Attenzione però: quel 76x è un confronto cumulativo tra un modello e una configurazione vecchi e quella nuova, e il dato di partenza è un minimo, perché alcune esecuzioni originali si sono fermate al limite di passi senza completare.
Il dato più utile per chi decide è un altro: la sola ottimizzazione su Sol, a parità di modello, ha ridotto il costo di 4 volte (da 1,97 $ a 0,47 $). Qui l'89% dell'input arrivava dalla cache, pagata il 5% del prezzo non in cache. È la parte replicabile sui vostri agenti, indipendentemente dal modello.
Un secondo dettaglio conta: con il budget di cronologia più piccolo Sol ha prodotto una risposta in 3 esecuzioni su 18; con quello più grande in 18 su 18, tutte corrette. Risparmiare sul contesto in modo troppo aggressivo non fa risparmiare: fa fallire.
## Cosa ne penso
Due osservazioni da chi mette in produzione questi sistemi. Primo: il costo di un agente è una proprietà del design del contesto, non solo del listino del modello. Cambiare modello senza guardare cosa si reinvia a ogni passo è ottimizzare il pezzo sbagliato. Secondo: l'approccio di Asana è replicabile, perché hanno registrato le sessioni e le hanno trasformate in ticket e modifiche. Senza tracce misurabili non si ottimizza niente.
Limiti da tenere presenti: il test è su un compito semplice e il risultato dipende dai prezzi della cache e dal comportamento del modello. Su siti reali, con pagine dinamiche, i numeri saranno diversi.
## In pratica
- **Misurate la quota di cache hit** del vostro agente: se la cronologia cambia a ogni passo, il prefisso non è stabile e state pagando prezzo pieno.
- **Potate a blocchi, non a ogni passo**: eliminate screenshot e testo vecchi solo quando serve, così il prefisso resta invariato più a lungo.
- **Testate più budget di contesto** su un compito reale, contando sia il costo sia il tasso di completamento: un contesto troppo piccolo fa fallire l'agente.
Se questo tema vi riguarda, lasciate un commento con la vostra esperienza sui costi degli agenti e condividete l'articolo con chi sta costruendo automazioni; iscrivetevi al blog per i prossimi approfondimenti.
Fonte: OpenAI, "Asana cuts model costs 76x in browser tests with GPT-6.1 Sol", 9 ottobre 2026 – [https://openai.com/index/asana-browser-agent](https://openai.com/index/asana-browser-agent)
agenti AI, prompt caching, GPT-6.1 Sol, costi AI, automazione