Perché “Copilot” non equivale sempre a “Copilot”

Microsoft ha trasformato deliberatamente il nome Copilot in un marchio ombrello, come fanno altri gruppi con marchi per intere famiglie di prodotti. Dietro la superficie, però, le varianti si differenziano notevolmente: nella base di dati a cui hanno accesso, nel modello linguistico utilizzato e nelle garanzie di sicurezza e protezione dei dati che valgono in ciascun caso.

Copilot in Windows

La variante integrata nella barra delle applicazioni è in primo luogo una chat generica per domande quotidiane, ricerche e semplici compiti di scrittura. Non ha accesso diretto a documenti o email aziendali e per questo, dal punto di vista funzionale, è più vicina a un chatbot classico che a un vero assistente d’ufficio.

Microsoft 365 Copilot (Business ed Enterprise)

Questa variante è la vera versione business. È collegata, tramite la cosiddetta interfaccia Microsoft Graph, ai documenti, alle email, agli appuntamenti in calendario e alle chat a cui l’utente in questione ha comunque accesso. Grazie a ciò può, ad esempio, creare un riassunto che si basa realmente sui file di progetto effettivi di un team, invece di riprodurre soltanto conoscenze generali. Questo collegamento rappresenta la differenza tecnica decisiva rispetto a tutte le altre varianti di Copilot.

Microsoft 365 Premium (successore di Copilot Pro)

Il livello pensato per utenti privati e liberi professionisti porta funzioni Copilot complete nelle applicazioni Office personali, ma senza il profondo collegamento a una rete aziendale con molti utenti, come offre la variante Business. È destinato a singole persone, non a team.

GitHub Copilot: una linea di prodotti a parte

Per completezza va menzionato che GitHub Copilot è un prodotto autonomo per sviluppatori software, che assiste nella scrittura di codice. Condivide con le altre varianti di Copilot soltanto il nome del marchio e parte della tecnologia sottostante, ma si rivolge a un pubblico completamente diverso e viene qui citato solo a titolo di inquadramento.

Quali modelli IA ci sono davvero dietro

Per lungo tempo praticamente tutta la famiglia Copilot ha funzionato esclusivamente con modelli di OpenAI. Nel 2026 la situazione è cambiata. Nel luglio 2026 Microsoft e OpenAI hanno annunciato che il nuovo modello GPT-5.6 diventerà il modello preferito per Microsoft 365 Copilot in Word, Excel, PowerPoint e nei nuovi spazi di lavoro Copilot. Il modello è ottimizzato specificamente per il lavoro di conoscenza e dovrebbe operare in modo più efficiente dei suoi predecessori nei compiti più complessi e articolati su più fasi.

Allo stesso tempo Microsoft ha ampliato la propria strategia e offre dal 2025, in Microsoft 365 Copilot, anche modelli di Anthropic. In pratica, in molti ambienti aziendali gli amministratori possono ormai scegliere o limitare quale modello viene utilizzato per quale applicazione. Questa è una differenza importante rispetto ai fornitori con un unico modello: Copilot funziona tecnicamente più come un quadro di comando che smista in background tra più modelli, piuttosto che come un singolo modello linguistico immutabile.

Chi chiede “quale modello usa Copilot” nel 2026 non ottiene più una risposta semplice. La domanda più corretta è: quale modello usa Copilot in questo momento per questo specifico compito, e questo si può modificare nelle impostazioni?

Tabella comparativa delle varianti di Copilot

Esempi pratici di applicazione dalla vita d’ufficio

Esempio 1: gestire il flusso di email in Outlook

Un impiegato torna da un’assenza di due settimane e trova oltre 200 email non lette. Copilot riassume lunghi scambi, segnala le email che richiedono un’azione diretta e propone bozze di risposta già pronte per le richieste di routine. Invece di aprire ogni messaggio singolarmente, il collaboratore si fa un’idea complessiva in pochi minuti.

Esempio 2: riassunto di una riunione in Teams

Dopo una riunione di progetto di un’ora, Copilot crea automaticamente un riassunto con le decisioni principali, le domande aperte e un elenco di compiti concreti, incluso il responsabile di ciascuno. Chi non ha potuto partecipare non deve guardare una registrazione, ma può leggere il riassunto in pochi minuti.

Esempio 3: costruire una tabella di rendimento in Excel

Un esempio legato al settore immobiliare: un amministratore vuole calcolare, per una palazzina plurifamiliare, il rendimento lordo da locazione per diversi possibili prezzi di acquisto. Descrive a Copilot in Excel, in linguaggio naturale, quali colonne gli servono, ad esempio prezzo di acquisto, canone annuo, spese accessorie e rendimento in percentuale calcolato da questi dati. Copilot costruisce una struttura di base con le formule adeguate, che l’amministratore adatta poi ai numeri effettivi del proprio immobile. È importante sottolineare: Copilot fornisce un modello di calcolo utile, ma la verifica del contenuto delle formule e dei valori utilizzati resta comunque compito dell’amministratore stesso.

Esempio 4: rielaborare un testo di presentazione in Word

Un’agenzia immobiliare ha redatto un testo descrittivo di un immobile corretto nei contenuti ma molto asciutto nello stile. Copilot in Word può, su richiesta, rendere il testo più amichevole e scorrevole, proporre frasi più brevi o eliminare le ripetizioni, senza modificare i fatti effettivi relativi all’immobile. La persona resta responsabile della correttezza dei contenuti delle informazioni, Copilot si occupa soltanto della rifinitura linguistica.

Esempio 5: prima scaletta di diapositive in PowerPoint

Per una presentazione interna sui risultati trimestrali, Copilot fornisce, sulla base di un breve testo con parole chiave, una prima scaletta delle diapositive con proposte per tipi di grafico adeguati. Ciò fa risparmiare soprattutto la faticosa mezz’ora iniziale dedicata alla strutturazione, mentre l’effettiva elaborazione dei contenuti resta ancora lavoro manuale.

Cosa significa concretamente il cambio di modello per gli utenti

Per il lavoro quotidiano in Word, Excel o Outlook, la maggior parte degli utenti nota a malapena il passaggio da un modello all’altro, poiché Microsoft gestisce la selezione del modello per lo più automaticamente in background. Il tema diventa rilevante soprattutto per i responsabili IT delle aziende, che nelle impostazioni di amministrazione possono stabilire quali modelli siano consentiti per la propria organizzazione, ad esempio per motivi di protezione dei dati. Per gli utenti privati resta di norma solo la scelta del livello di abbonamento, non quella del singolo modello.

Domande frequenti sui modelli Copilot

GPT-5.6 è disponibile in ogni variante di Copilot?

No. GPT-5.6 è impiegato soprattutto in Microsoft 365 Copilot e in Microsoft 365 Premium. La variante gratuita di Windows utilizza in parte versioni di modello semplificate o più vecchie.

Posso scegliere personalmente quale modello utilizza Copilot?

Negli ambienti aziendali gli amministratori possono limitare o abilitare la scelta del modello. Gli utenti privati di norma non hanno una scelta diretta del modello, ma solo la scelta del livello di abbonamento.

Perché Microsoft utilizza, oltre a OpenAI, anche modelli Anthropic?

Dal 2025 Microsoft persegue deliberatamente una strategia con più fornitori di modelli, per poter impiegare i modelli più adatti a ciascun compito e non dipendere da un unico fornitore.

GitHub Copilot è lo stesso prodotto di Microsoft 365 Copilot?

No, GitHub Copilot è un prodotto autonomo per lo sviluppo software, con modelli propri e una struttura di prezzi propria, che condivide con la versione per l’ufficio solo il nome del marchio.

I risultati di calcolo di Copilot in Excel sono attendibili?

Copilot fornisce una buona struttura di base e proposte di formule adeguate, ma il controllo del contenuto dei valori e delle formule deve comunque essere effettuato da una persona, in particolare per calcoli aziendalmente rilevanti.

Una panoramica sui singoli livelli di prezzo, sulle questioni relative alla protezione dei dati e sull’inquadramento generale di Microsoft Copilot è disponibile nella pagina del fornitore Microsoft Copilot in sintesi. Chi desidera invece vedere a confronto gli altri otto fornitori, trova la panoramica nella pagina principale Confronto di tutti i modelli IA.

Il principio di base: ricerca web più modello linguistico invece di risposta a memoria

Perché un modello linguistico puro da solo non basta

Un grande modello linguistico, come quello alla base dei chatbot classici, è stato addestrato in un determinato momento con enormi quantità di testo. Da quel momento possiede sì moltissime conoscenze generali, ma non ha un accesso automatico a eventi nuovi, dati aggiornati o studi appena pubblicati. Se si chiede a un modello di questo tipo il tasso di interesse attuale o una modifica normativa approvata il giorno prima, esso può dire onestamente di non saperlo, oppure – nel caso peggiore – inventare qualcosa di falso ma plausibile. Perplexity risolve esattamente questo problema con una procedura in due fasi.

L’interazione: il retrieval incontra la generazione di testo

Nella prima fase, chiamata retrieval, Perplexity consulta pagine web aggiornate, articoli di attualità, portali specializzati e in parte anche banche dati scientifiche in cerca di contenuti pertinenti alla domanda posta. Questi risultati vengono filtrati, ordinati per pertinenza e attendibilità e trasmessi come base a un modello linguistico. Solo nella seconda fase il modello linguistico riassume questi risultati in una risposta comprensibile e coerente, aggiungendo a ogni affermazione una nota che rimanda alla relativa fonte. Si può immaginare come un assistente di ricerca molto veloce che legge prima dieci articoli specialistici e poi detta un riassunto con le fonti indicate – solo che questo processo dura pochi secondi.

Non è il modello linguistico a “sapere” la risposta a una domanda attuale, ma la legge in tempo reale da fonti appena trovate e la traduce in un linguaggio comprensibile.

Quali modelli si trovano concretamente dietro le quinte?

Modelli Sonar proprietari per le richieste standard

Per la maggior parte delle richieste quotidiane, Perplexity utilizza modelli propri, sviluppati internamente, della cosiddetta serie Sonar. Questi sono addestrati specificamente per elaborare in modo efficiente i risultati della ricerca web e trasformarli rapidamente in una risposta chiara e corredata di fonti. Il vantaggio dei modelli propri sta soprattutto nella velocità e nell’efficienza dei costi: per semplici domande fattuali non è necessario impiegare il modello più sofisticato disponibile.

Accesso a modelli esterni di punta in base all’abbonamento

Per domande più complesse, analisi più estese o su richiesta esplicita, Perplexity fa ricorso anche a modelli linguistici esterni di grandi fornitori – a seconda della disponibilità e del livello di abbonamento, ad esempio i modelli attuali delle famiglie OpenAI (GPT), Anthropic (Claude) e Google (Gemini). Perplexity stessa non sviluppa questi modelli, ma li integra tramite interfacce di programmazione e li combina con la propria tecnologia di ricerca. Gli utenti Pro possono spesso scegliere, nelle impostazioni avanzate, quale modello deve formulare una risposta, mentre la versione gratuita effettua questa scelta automaticamente in background.

Model Council: confrontare più modelli di punta contemporaneamente

Per gli abbonati Max esiste una funzione speciale, spesso chiamata “Model Council”: Perplexity elabora la stessa domanda in parallelo con più modelli linguistici leader contemporaneamente, confronta i risultati e riassume dove i modelli concordano, dove si differenziano tra loro e quali aspetti ogni modello ha saputo evidenziare meglio. Per l’utente medio si tratta spesso di uno sforzo superfluo, ma per chi vuole fondare in modo solido una decisione davvero importante e complessa, il confronto tra modelli può offrire prospettive aggiuntive di valore.

Deep Research: ricerca autonoma e su più livelli

A completamento dell’offerta esiste una modalità chiamata Deep Research, in cui Perplexity non effettua una singola ricerca, ma pianifica autonomamente più fasi di ricerca in sequenza: prima si acquisisce una panoramica generale, poi vengono approfondite in modo mirato singole sotto-domande, e alla fine si ottiene un report più lungo e strutturato con numerosi riferimenti alle fonti. Questa modalità richiede molto più tempo di una richiesta normale, ma offre risultati più solidi anche su temi complessi come le analisi di mercato.

Modalità e livelli a confronto

Esempi di applicazione dalla vita quotidiana e dal lavoro

Esempio 1: domanda fattuale rapida nella vita quotidiana

Un’utente vuole sapere quale sia l’attuale tasso di inflazione in Italia. La ricerca standard fornisce nel giro di pochi secondi una risposta breve con il valore attuale e il riferimento alla relativa comunicazione dell’istituto nazionale di statistica – molto più rapido che scorrere personalmente diverse pagine web.

Esempio 2: ricerca sui tassi di interesse per mutui con indicazione delle fonti

Un impiegato che si occupa di finanziamenti immobiliari vuole farsi un’idea generale sull’andamento attuale dei tassi sui mutui per una nota interna. Formula la domanda sul livello approssimativo dei tassi per mutui decennali e si fa mostrare le fonti sottostanti, ad esempio report attuali di portali finanziari o statistiche sui tassi. È importante sottolineare: Perplexity fornisce un buon primo orientamento con prove verificabili, ma non sostituisce una consulenza finanziaria vincolante né una verifica delle condizioni bancarie aggiornata al giorno. Per un inquadramento rapido basato su fonti prima di un colloquio di consulenza, però, l’utilità è reale.

Esempio 3: riassunto di un lungo report di mercato o di un contratto di locazione

Un amministratore di condominio che carica in uno Space un lungo report di mercato o un contratto di locazione di più pagine in formato PDF può poi porre domande mirate al riguardo, ad esempio sui punti principali, sui termini di preavviso o su determinati parametri. Perplexity si basa in questo caso sia sul documento caricato che, in aggiunta, sulla ricerca web attuale per inquadrare le affermazioni – una verifica legale da parte di un esperto, tuttavia, non viene sostituita.

Esempio 4: preparazione a un colloquio tecnico con più prospettive

Prima di una decisione importante, ad esempio una scelta strategica all’interno della propria attività, la modalità Model Council può essere utile: tre diversi modelli di punta elaborano la stessa domanda, e il riassunto mostra dove le valutazioni coincidono e dove divergono. Questo non sostituisce una consulenza specialistica, ma offre una prospettiva più ampia rispetto a un’unica risposta IA.

Esempio 5: traduzione rapida e inquadramento di fonti in lingua straniera

Poiché molti articoli specialistici e studi sono disponibili solo in inglese, Perplexity può far confluire fonti in lingua straniera direttamente nel riassunto in italiano, includendo il riferimento all’originale. Ciò evita spesso il passaggio tramite uno strumento di traduzione separato.

Cosa significa questa tecnologia per l’attendibilità delle risposte?

La combinazione di ricerca web e modello linguistico riduce notevolmente il rischio di affermazioni inventate, poiché idealmente ogni asserzione può essere ricondotta a una fonte reale. Un errore, tuttavia, non è del tutto escluso: anche le fonti web sottostanti possono essere obsolete, incomplete o semplicemente errate, e un modello linguistico può perdere delle nuance nel riassumere. La regola d’oro resta quindi: le fonti indicate rappresentano un enorme alleggerimento nella verifica, ma non sostituiscono uno sguardo critico personale, soprattutto per decisioni rilevanti dal punto di vista aziendale o finanziario.

Più importante è la decisione, più conviene dare un’occhiata alla fonte originale dietro la nota, non solo al riassunto dell’IA.

Domande frequenti (FAQ)

Quale modello IA usa esattamente Perplexity?

Non esiste un unico modello fisso. Perplexity combina modelli Sonar propri con modelli esterni di punta di vari fornitori e seleziona automaticamente, o su richiesta, la combinazione adatta in base alla domanda, alla modalità e al livello di abbonamento.

Qual è la differenza tra Pro Search e Deep Research?

Pro Search risponde a una domanda in un unico passaggio, mentre Deep Research pianifica autonomamente più fasi di ricerca in sequenza e alla fine fornisce un report più dettagliato e strutturato.

Conviene la modalità Model Council per i privati?

Per semplici domande quotidiane, in genere no, poiché lo sforzo aggiuntivo porta a malapena un valore aggiunto. Per questioni davvero importanti e di ampia portata, però, la prospettiva di più modelli può essere utile.

Posso fidarmi ciecamente delle fonti indicate?

No. Le note facilitano notevolmente la verifica, ma non sostituiscono una valutazione personale della fonte, in particolare quando una decisione ha conseguenze finanziarie o legali.

Perché Perplexity a volte risponde in modo diverso alla stessa domanda?

Poiché in background, a seconda del carico, del livello di abbonamento e delle fonti trovate, possono entrare in gioco modelli e risultati di ricerca diversi, sono normali leggere differenze nella formulazione o nell’enfasi.

Una panoramica su Perplexity AI come prodotto complessivo, i prezzi e l’inquadramento sulla protezione dei dati è disponibile nella pagina dedicata al fornitore: Perplexity AI: il motore di ricerca IA con indicazione delle fonti in sintesi. Un confronto con gli altri grandi fornitori di IA nel cluster è disponibile nella pagina di panoramica: Modelli IA a confronto.

La famiglia di modelli in sintesi

Claude Haiku 4.5 – rapido ed economico

Haiku è il modello più piccolo e rapido della generazione attuale. Risponde quasi istantaneamente ed è, nell’uso tramite API, decisamente più economico dei suoi fratelli maggiori. In compenso, nei compiti di ragionamento molto complessi e articolati su più fasi non è altrettanto accurato. Haiku è particolarmente indicato per compiti che si ripetono spesso e in cui velocità e costi contano più di ogni minima sottigliezza.

Claude Sonnet 5 – il giusto equilibrio

Sonnet è il modello con cui la maggior parte delle persone lavora quotidianamente quando usa Claude tramite la chat standard. Combina una buona qualità di risposta con costi accettabili ed è adatto alla stragrande maggioranza dei compiti d’ufficio e quotidiani, dalle bozze di testo ai riepiloghi di documenti più lunghi.

Claude Opus 5 – per compiti impegnativi

Opus è il modello per questioni più complesse: analisi su più livelli, considerazioni strategiche più lunghe o compiti in cui vanno valutate più informazioni tra loro. La qualità delle risposte è in media più alta, ma anche decisamente più costosa e un po’ più lenta rispetto a Sonnet.

Claude Fable 5 – il nuovo vertice della famiglia di modelli

Fable è il modello di punta introdotto nell’estate 2026 per progetti particolarmente ambiziosi, spesso articolati su più fasi ed eseguiti in autonomia, ad esempio ricerche estese con molti passaggi intermedi o flussi di lavoro automatizzati complessi. Per l’uso privato occasionale è di norma sovradimensionato e anche l’opzione più costosa in termini di prezzo.

Cosa distingue i modelli dal punto di vista tecnico – spiegato in modo semplice

Velocità contro qualità

Si può immaginare il principio come in cucina: un modello rapido come Haiku fornisce in pochi secondi un solido piatto pronto, un modello accurato come Opus o Fable richiede più tempo, ma il risultato con ingredienti impegnativi è spesso più raffinato. Per una semplice domanda sull’orario di apertura di un ufficio nessuno ha bisogno del modello più sofisticato; per la verifica di un contratto di più pagine lo sforzo aggiuntivo può valere la pena.

“Ragionare” – cosa si intende con Extended Thinking

Nei compiti complicati Claude può inserire una sorta di passaggio intermedio interno prima che appaia la risposta vera e propria – paragonabile a una persona che, prima di dare una risposta difficile, si prende brevemente degli appunti invece di rispondere d’impulso. Questa funzione si chiama, nei modelli attuali, “ragionamento adattivo”: Claude decide automaticamente quanto tempo di ragionamento aggiuntivo richieda probabilmente una richiesta, senza che l’utente debba impostarlo manualmente. Per una domanda semplice il modello salta questo passaggio, per un calcolo o una valutazione complessa si prende più tempo.

La finestra di contesto – quanto testo Claude riesce a “tenere a mente” contemporaneamente

La cosiddetta finestra di contesto descrive quanto testo Claude può considerare contemporaneamente in un’unica conversazione. I modelli attuali Sonnet e Opus arrivano fino a circa un milione di cosiddetti token, corrispondenti approssimativamente a diverse centinaia di pagine di testo. In pratica ciò significa: si può dare a Claude un documento molto ampio, ad esempio un intero contratto di locazione con tutti gli allegati, in un’unica volta, senza che informazioni importanti vengano “dimenticate”.

Multimodalità – non solo testo

Tutti i modelli Claude attuali possono comprendere, oltre al puro testo, anche immagini, screenshot e molti formati di documento come i file PDF. Si può quindi, ad esempio, caricare la foto di un modulo compilato a mano e chiedere a Claude di riportarne il contenuto in forma testuale.

Capacità agentive – quando Claude svolge autonomamente più passaggi

Tramite funzioni come “Computer Use” e “Claude Cowork”, Claude non si limita a rispondere, ma può anche eseguire autonomamente più passaggi di lavoro in sequenza, ad esempio aprire più file, raccogliere informazioni da essi e inserirle in un nuovo documento. Si parla in questo caso di un “agente” di IA, perché il programma agisce in un certo senso come un assistente che lavora in autonomia, invece di rispondere solo a singole domande. Questa capacità è più marcata in Opus e soprattutto in Fable.

Tabella comparativa dei modelli Claude

Nota bene: non il modello più potente è automaticamente la scelta migliore, ma quello che si adatta alla dimensione del compito specifico – una qualità che nessuno richiede costa comunque denaro.

Esempi concreti di applicazione nella vita quotidiana e professionale

Esempio 1: creare il testo di un annuncio per un immobile

Per una prima bozza del testo di un annuncio, Claude Sonnet è di norma del tutto sufficiente. Si inseriscono i dati principali – posizione, superficie, anno di costruzione, particolarità – e Claude fornisce una proposta di testo strutturata e ben leggibile, che dovrebbe poi essere verificata e adattata da un professionista del settore.

Esempio 2: riassumere un contratto di locazione e segnalare clausole inusuali

Caricando un contratto di locazione di più pagine, Claude può riassumere i punti principali in parole semplici e segnalare formulazioni che si discostano da una clausola standard usuale. Per contratti standard semplici basta Sonnet, per contratti molto estesi o formulati in modo insolito, Opus offre spesso una valutazione più affidabile grazie a una considerazione più approfondita. È importante sottolineare: un simile riassunto non sostituisce una consulenza legale, ma aiuta solo per un primo orientamento.

Esempio 3: pre-smistare grandi quantità di richieste dei clienti

Un’azienda che riceve ogni giorno molte richieste email simili tra loro può usare Claude Haiku per assegnare automaticamente ogni messaggio a una categoria, ad esempio “richiesta di appuntamento”, “reclamo” o “domanda generica”. Poiché qui il volume è alto ma il singolo compito è semplice, il modello più economico e rapido è la scelta economicamente più sensata.

Esempio 4: realizzare un’ampia analisi finanziaria o territoriale

Se Claude deve valutare tra loro diverse serie numeriche, tendenze di mercato e condizioni generali per fornire una valutazione fondata su una decisione d’investimento, conviene usare Opus con il ragionamento adattivo attivato. Il modello si prende quindi automaticamente più tempo per i singoli passaggi intermedi dell’analisi.

Esempio 5: automatizzare una ricerca su più fasi tra diverse fonti

Chi deve regolarmente riunire informazioni da documenti e fonti diverse, ad esempio per un rapporto trimestrale, può far automatizzare gran parte della compilazione con Claude Fable e le funzioni agentive come Claude Cowork. Questo conviene soprattutto per flussi di lavoro ricorrenti, ben definiti e di dimensioni maggiori.

Nota bene: più una decisione basata sulla risposta dell’IA è sensibile o carica di conseguenze, più importante diventa una successiva verifica umana – Claude fornisce bozze e valutazioni, non giudizi vincolanti.

Domande frequenti sui modelli Claude

Quale modello Claude dovrei scegliere come principiante?

Per iniziare e per la maggior parte dei compiti quotidiani, Claude Sonnet è la scelta giusta. Nella chat standard è di norma già preimpostato e copre bene la stragrande maggioranza dei casi d’uso.

Devo impostare io stesso il “ragionamento” dei modelli?

No. I modelli attuali decidono automaticamente, tramite la funzione di ragionamento adattivo, quanto tempo di elaborazione aggiuntivo serva per una richiesta. Nella chat normale ci si accorge in genere solo di un tempo di risposta un po’ più lungo per le domande più complesse.

Conviene Claude Opus o Fable per usi privati?

Per richieste puramente private e quotidiane, nella maggior parte dei casi non è necessario e risulta inutilmente costoso. Questi modelli mostrano il loro punto di forza soprattutto in compiti professionali, complessi o molto estesi.

Claude può comprendere anche immagini o documenti scansionati?

Sì, tutti i modelli attuali possono leggere e valutare nel contenuto immagini, foto e la maggior parte dei formati di documento comuni come i file PDF, non solo il testo puro.

Un modello Claude sostituisce una consulenza professionale, ad esempio per i contratti?

No. Anche il modello più accurato fornisce una prima valutazione o un riassunto utile, non una consulenza legale, fiscale o finanziaria vincolante. Per le decisioni importanti, i risultati dovrebbero sempre essere verificati da un professionista.

Una panoramica sull’azienda dietro questi modelli, la struttura dei prezzi degli abbonamenti e l’inquadramento sulla protezione dei dati per l’Europa è disponibile nella pagina dedicata al fornitore Anthropic e Claude. Un confronto con i modelli di altri grandi fornitori di IA è disponibile nella pagina panoramica del cluster sui modelli di IA.

Come si differenziano fondamentalmente i modelli di ChatGPT

Velocità contro profondità di ragionamento

La differenza più importante tra i modelli disponibili non sta in “più conoscenza”, ma nel rapporto tra velocità e accuratezza. I modelli rapidi ed economici rispondono quasi istantaneamente e sono adatti a compiti semplici e ben definiti, come brevi riepiloghi o rapidi aiuti nella formulazione dei testi. I cosiddetti modelli di ragionamento, o “di pensiero”, si prendono invece deliberatamente più tempo: scompongono un compito in più passaggi intermedi, verificano la propria logica interna e forniscono così risultati molto più affidabili su questioni complesse – ad esempio calcoli su più fasi, valutazioni giuridiche o l’analisi di documenti lunghi. Il prezzo da pagare è un tempo di risposta più lungo e un maggiore carico computazionale.

La finestra di contesto: quanto un modello riesce a “tenere a mente”

Un’altra differenza decisiva è la cosiddetta finestra di contesto, cioè la quantità di testo che un modello può considerare simultaneamente in un unico passaggio. I modelli attuali di OpenAI offrono una finestra di contesto fino a un milione di unità testuali (i cosiddetti token), corrispondenti approssimativamente a diverse centinaia di pagine di testo. In pratica ciò significa: un modello potente può ad esempio leggere contemporaneamente un intero contratto di locazione con i conguagli delle spese accessorie di più anni e rispondere a domande su quel materiale, mentre un modello più vecchio o più semplice potrebbe elaborare solo estratti.

Multimodalità: testo, immagine e voce in un unico modello

I moderni modelli di ChatGPT sono multimodali, cioè elaborano non solo testo, ma anche immagini e linguaggio parlato all’interno dello stesso modello. Una foto di una fattura o di una piantina può essere caricata direttamente e discussa nella stessa conversazione, senza bisogno di strumenti separati.

La famiglia di modelli attuale: GPT-5.6 con i livelli Sol, Terra e Luna

Da luglio 2026 OpenAI adotta un nuovo concetto di modello: invece di rilasciare ogni anno intere nuove generazioni di modelli con un nome proprio, con GPT-5.6 esistono tre livelli di prestazioni permanenti, chiamati Sol, Terra e Luna, che possono evolversi in modo indipendente l’uno dall’altro senza che il nome di base cambi nuovamente.

Sol – l’ammiraglia per i compiti più esigenti

Sol è il livello più potente e al tempo stesso più costoso. È adatto a compiti in cui conta la massima accuratezza: analisi testuali complesse, calcoli su più livelli o la verifica di contratti lunghi in cerca di contraddizioni. Sol può inoltre lavorare con diversi “livelli di ragionamento”, da un’impostazione molto rapida a una particolarmente approfondita, in cui il modello si prende decisamente più tempo per la risposta.

Terra – il compagno equilibrato per la vita quotidiana

Terra è la scelta più sensata per la maggior parte dei compiti quotidiani. Questo livello offre un buon compromesso tra qualità, velocità e costi e costa circa la metà di Sol. Per compiti standard come scrivere email, riassumere documenti o fare ricerche generiche, Terra offre nella pratica risultati appena inferiori a Sol, ma molto più velocemente.

Luna – rapido, economico e sufficiente per compiti semplici

Luna è il livello più rapido ed economico della famiglia e si rivolge a richieste molto semplici e ben definite, in cui conta soprattutto la velocità, ad esempio brevi proposte di formulazione o traduzioni semplici. Per analisi più approfondite Luna è meno indicato.

La selezione automatica (modalità Auto)

Per gli utenti che non vogliono occuparsi di questi dettagli, ChatGPT offre negli abbonamenti a pagamento una selezione automatica: il software decide autonomamente, in base alla domanda, quale livello di modello sia adeguato in quel momento. Per l’uso quotidiano questa automazione è di norma del tutto sufficiente; chi risolve regolarmente compiti molto complessi può però anche scegliere il modello in modo mirato.

Le versioni dei modelli in sintesi: da GPT-4o a GPT-5.6

Nota bene: non serve conoscere nel dettaglio la storia dei modelli – l’importante è solo che “più tempo di ragionamento” significa di norma “risposta migliore per domande complesse”, e che un “modello più rapido” è del tutto sufficiente per le semplici domande quotidiane.

Esempi pratici di applicazione nella vita quotidiana e professionale

Esempio 1: verificare un testo di annuncio immobiliare per completezza e chiarezza

Chi desidera vendere o affittare un immobile può inserire la bozza di un annuncio in ChatGPT e chiedere in modo mirato se manchino informazioni importanti, se il linguaggio sia comprensibile per i non esperti o se ci siano formulazioni ripetitive. Un modello di livello intermedio è di norma più che sufficiente, trattandosi di un compito testuale gestibile e ben definito.

Esempio 2: riassumere e spiegare in modo comprensibile un conguaglio delle spese accessorie

Un conguaglio delle spese accessorie di più pagine, con molte voci, può essere caricato e riassunto in parole semplici: quali voci sono aumentate, quali diminuite, ci sono scostamenti insoliti rispetto all’anno precedente. Con più anni di conguagli e allegati, qui conviene una finestra di contesto ampia, in modo che il modello consideri davvero tutte le pagine contemporaneamente e non solo l’ultimo estratto inserito.

Esempio 3: prima valutazione di un’offerta di finanziamento

Un’offerta di credito con tasso d’interesse, piano di rimborso e opzioni di rimborso anticipato può essere elaborata con ChatGPT come primo orientamento non vincolante e spiegata a parole proprie, ad esempio come cambia la rata mensile con un determinato rimborso anticipato. Per un calcolo affidabile con più condizioni conviene qui il livello di ragionamento più approfondito, ma una decisione definitiva va sempre concordata anche con la banca o con una consulenza indipendente.

Esempio 4: pianificazione di un viaggio e organizzazione quotidiana

Per pianificare una gita di fine settimana, creare una lista delle cose da portare o formulare una lettera di disdetta, il livello di modello rapido ed economico è del tutto sufficiente – qui conta soprattutto una risposta veloce, non la massima profondità di ragionamento.

Esempio 5: comunicazione multilingue con partner commerciali

Per la traduzione e l’adattamento stilistico della corrispondenza commerciale in più lingue è adatto bene il livello di modello intermedio, poiché richiede sia sensibilità linguistica che una certa affidabilità, senza però necessitare di un tempo di ragionamento particolarmente lungo.

Tabella comparativa: quale livello per quale compito

Domande frequenti sui modelli di ChatGPT

Quale modello dovrei usare come principiante?

Per iniziare è generalmente sufficiente la selezione automatica in modalità Auto: sceglie autonomamente tra i livelli di prestazione in base alla domanda e fornisce buoni risultati per la maggior parte dei compiti quotidiani.

Cosa significa “reasoning” nei modelli di ChatGPT?

Il reasoning descrive la capacità di un modello di scomporre mentalmente un compito in più passaggi intermedi, invece di formulare subito una risposta. Ciò aumenta l’affidabilità su domande complesse, ma richiede più tempo e potenza di calcolo.

Perché i nomi dei modelli di OpenAI cambiano così spesso?

OpenAI pubblica miglioramenti a intervalli brevi e ribattezza i salti di versione più importanti. Da GPT-5.6, tuttavia, l’azienda punta deliberatamente su nomi di livello permanenti come Sol, Terra e Luna, destinati a evolversi in modo indipendente senza che la denominazione di base cambi di nuovo.

Posso risolvere compiti complessi anche con un modello semplice?

In linea di principio sì, ma con compiti complessi e articolati su più fasi, usando un modello semplice aumenta il rischio di errori di ragionamento o di dettagli trascurati. Per le decisioni importanti è consigliabile il livello di modello più approfondito.

Quanto può essere grande un documento da dare a ChatGPT?

I modelli di punta attuali elaborano simultaneamente fino a circa un milione di unità testuali, corrispondenti a diverse centinaia di pagine di testo. Per la maggior parte degli usi privati, come contratti, conguagli o annunci immobiliari, è più che sufficiente.

Una panoramica su OpenAI come fornitore, i prezzi attuali degli abbonamenti e l’inquadramento sulla protezione dei dati per gli utenti europei è disponibile nella pagina dedicata al fornitore OpenAI. Un confronto con i modelli di IA di altri grandi fornitori è disponibile nella nostra pagina panoramica. Chi, per applicazioni immobiliari aziendali, vuole puntare fin dall’inizio su un hosting tedesco trova in Lukinski AI un’alternativa specializzata.