Velocità e prezzo ridisegnano la competizione tra LLM

OpenAI ha tagliato dell’80% il prezzo di GPT‑5.6 Luna e, in parallelo, ha introdotto Ultrafast per GPT‑5.6 Sol con output fino a 750 token al secondo. La tesi è semplice: la gara si sposta da pura qualità a throughput e costo operativo, con listini più bassi e modalità più veloci come leva per trattenere e riconquistare clienti sensibili al prezzo.

Il nuovo asse della competizione: costo per token e token al secondo

OpenAI definisce GPT‑5.6 Luna “più veloce e più economico” e ne riduce il prezzo dell’80% per frenare la fuga verso alternative a basso costo. Anthropic presenta Claude Opus 5 come “frontier intelligence… a metà prezzo” rispetto a Fable 5, mettendo il listino al centro del messaggio. Non sono ritocchi simbolici. Secondo l’indice del prezzo per token di Silicon Data, a partire da metà luglio il prezzo effettivo pagato dai clienti per i modelli dei leader statunitensi è calato di quasi un quarto.

Le aziende guardano alle bollette dell’AI e riducono l’uso o scelgono modelli meno costosi. Per chi firma contratti conta il prezzo per token. Per chi scala servizi conta anche il flusso in uscita. Le metriche operative entrano nella scelta: costo per token, token al secondo, latenza. I punteggi di benchmark restano utili, ma non bastano più a determinare un TCO sostenibile quando l’uso cresce.

La pressione non arriva solo dai listini USA. Sviluppatori cinesi come Moonshot e DeepSeek guadagnano utenti dalla Silicon Valley all’Europa grazie a prezzi più bassi e al passaparola su risparmio e accessibilità. Questo sposta una parte della domanda verso alternative dove il costo pesa più della massima performance.

Velocità come leva commerciale: Ultrafast e Gemini 3.7 Flash

OpenAI introduce Ultrafast per GPT‑5.6 Sol con due numeri chiave: fino a 14× più veloce e fino a 750 token al secondo. L’azienda parla di “più lavoro utile per secondo” e inquadra Ultrafast come accelerazione del throughput, senza modificare il perimetro delle capacità del modello. Il messaggio operativo è chiaro: più testo generato sulla stessa linea di prodotto, senza cambiare modello. Gli esempi d’uso elencati sono incident response, customer service e analisi dei mercati finanziari, contesti che premiano continuità di risposta e volume di output.

DeepMind, con Gemini 3.7 Flash, agisce su entrambi i fronti: dimezza il prezzo per milione di token rispetto a 3.6 Flash e dichiara un focus su coding, agenti e sviluppo web. Nei test interni l’azienda riporta progressi in debugging, risoluzione di issue e accuratezza al primo passaggio; sui benchmark citati, FrontierCode 1.1 Main sale al 43,6% rispetto al 34,4% di 3.6, e DeepSWE v1.1 passa al 65,3% da 49,0%. Sono numeri dell’editore del modello e riflettono la sua metodologia, ma danno la direzione: riduzione del costo e maggiore efficienza nel codice “production‑ready” secondo la valutazione interna.

Nel web development, 3.7 Flash genera layout funzionali e app complete con meno prompt, secondo la descrizione fornita. Nel disegno competitivo, velocità e prezzo diventano messaggi primari. Ultrafast promette throughput più alto a parità di modello. Gemini 3.7 Flash mira a tagliare i costi e a ridurre il numero di prompt nei flussi per il web, con il dimezzamento del prezzo per token rispetto a 3.6.

Impatto sull’ecosistema tecnico e sull’integrazione

L’adozione si misura anche da quanto velocemente l’ecosistema integra le novità. llm‑gemini 0.33, uscito il 13 agosto 2026, aggiunge il supporto a Gemini 3.7 Flash e introduce due nuovi modelli di embedding. Il plugin è compatibile con LLM 0.32, mostra reasoning traces e abilita strumenti lato server seguendo il pattern indicato nel post. L’autore pubblica un comando d’esempio per attivare l’esecuzione di codice e interrogare il nuovo modello: llm -m gemini-3.7-flash -T CodeExecution 'use python to calculate (factorial of 13) * 3'

Dettaglio operativo non marginale: nella generazione di immagini, 3.7 Flash rimuove l’opzione “minimal” del “thinking effort” presente in 3.6; restano alto, medio e basso. Per chi governa budget e latenza questa scelta toglie un gradino di regolazione. Va adeguato il prompt o la selezione di modalità, perché salta un profilo di spesa/tempo di inferenza che alcuni flussi potevano sfruttare.

La spinta al throughput orienta anche le architetture applicative. I team dovranno bilanciare token al secondo, caching e controllo dei costi per conversazione. Nei piani di prova, misurare degradazione sotto carico, coerenza del token rate e costo per risultato replicabile diventa parte del collaudo, specie nei flussi real‑time.

Concorrenti low‑cost e segnali di riposizionamento

Moonshot e DeepSeek crescono in USA ed Europa spinti da listini più bassi, mentre aziende riducono l’uso dei modelli più cari o migrano verso alternative economiche. La reazione dei fornitori USA “chiusi” è visibile: tagli di prezzo, nuove modalità di accelerazione e focus su casi d’uso dove il rapporto output/costo è centrale.

Sul fronte Gemini, Latent.Space sintetizza il momento con “Down, but not out!” e mostra un’immagine in cui Gemini 3.7 Flash “riporta GDM in prima linea” rispetto alle serie 3.5 e 3.6, e ai riferimenti esterni Claude 4.8+ e GPT 5.5+. L’anteprima non include numeri, metodi o compiti valutati; indica la direzione del cambiamento, non la misura. Come messaggio pubblico, però, consolida la narrativa del recupero: 3.7 segna un’inversione rispetto al ritardo accumulato da 3.5 e 3.6, con l’obiettivo di riallineare GDM ai concorrenti citati.

Per i clienti, l’effetto netto è un trade‑off più esplicito. Un modello “meno forte” in alcuni benchmark interni può risultare migliore per throughput e costo per token in produzione. La scelta si lega al carico specifico, alla tolleranza per la latenza e al budget. In questo contesto, metriche comparabili e condizioni contrattuali chiare sul prezzo per token sono essenziali, come suggerisce il ruolo dell’indice usato nei contratti.

La prossima finestra competitiva si gioca sulla somma di tre cose: listini aggressivi, accelerazioni misurabili e integrazioni pronte all’uso. Le mosse viste — taglio dell’80% su GPT‑5.6 Luna, Ultrafast fino a 14×, 3.7 Flash a metà prezzo di 3.6 con progressi dichiarati nel coding, supporto operativo in llm‑gemini 0.33 con rimozione di “minimal” — puntano tutte lì.

Chi progetta piattaforme dovrà quindi portare nel capitolato metriche come token al secondo e costo per token accanto alla qualità sul caso d’uso; i team di risposta agli incidenti e di customer service, indicati da OpenAI come target per Ultrafast, avranno margine per ripensare SLA e soglie di backpressure con parametri operativi più stretti.