La rivalità tra Anthropic e Google si intensifica mentre Claude Opus 5 alza l’asticella per gli agenti

Anthropic ha rilasciato Claude Opus 5 il 24 luglio, aumentando la pressione nella competizione tra Anthropic e Google per agenti IA capaci e pratici. Il nuovo modello guida diverse valutazioni indipendenti, pur essendo posizionato al di sotto del più grande modello di frontiera di Anthropic. Questo risultato mette in discussione l’idea che i clienti abbiano bisogno del modello più grande disponibile per affrontare il lavoro più complesso.

Il rilascio non riguarda semplicemente un altro chatbot che raggiunge un punteggio di benchmark più alto. Anthropic presenta Opus 5 come un agente per l’uso quotidiano, in grado di verificare i risultati, creare gli strumenti mancanti e affrontare incarichi vaghi. Questi comportamenti contano più di una conversazione raffinata quando un modello modifica codice di produzione, analizza ricerche o gestisce software aziendale.

Google resta il concorrente esterno più diretto, perché Gemini ha gareggiato su contesto esteso, lavoro multimodale, utilizzo del computer e distribuzione enterprise. Anche OpenAI rimane importante, soprattutto nelle valutazioni sul coding e sul lavoro professionale. Tuttavia, la competizione centrale riguarda la capacità di Anthropic di trasformare l’affidabilità degli agenti in un vantaggio rispetto alla più ampia portata della piattaforma Google.

Claude Opus 5 cambia la gerarchia dei modelli di Anthropic

Claude Opus 5 è importante perché Anthropic offre un comportamento quasi da frontiera senza richiedere ai clienti di utilizzare il suo modello più grande.

Anthropic descrive Opus 5 come un “modello riflessivo e proattivo” progettato per un utilizzo frequente. Secondo il rilascio di Opus 5 dell’azienda, si avvicina a Claude Fable 5 in termini di intelligenza di frontiera, utilizzando però meno risorse per attività.

Questo posizionamento crea una gerarchia insolita. Fable 5 rimane il principale riferimento di Anthropic per l’intelligenza, mentre Opus 5 diventa il modello pratico pensato per carichi di lavoro quotidiani impegnativi. Anthropic ha reso Opus 5 il modello predefinito per Claude Max e l’opzione più potente disponibile tramite Claude Pro.

La distinzione dipende dal lavoro completato, non solo dai token consumati. I sistemi agentici spesso ripetono passaggi, recuperano dagli errori e chiamano strumenti esterni. Un modello con un costo per token inferiore può comunque diventare costoso se richiede molti tentativi o produce lavoro che gli esseri umani devono correggere.

Anthropic afferma che Opus 5 migliora questa equazione completando più attività a un determinato livello di risorse. Su Frontier-Bench v0.1, l’azienda riferisce che Opus 5 ha più che raddoppiato le prestazioni di Opus 4.8 riducendo al contempo i costi per attività. Frontier-Bench valuta gli agenti su incarichi pratici e prolungati, anziché su domande isolate.

Su CursorBench 3.2, Anthropic afferma che il modello ha raggiunto, con l’impostazione di sforzo più elevata, un risultato entro 0,5 punti percentuali dal picco di Fable 5. Le impostazioni di sforzo controllano la quantità di calcolo e ragionamento che il modello applica prima di restituire una risposta.

Il modello offre cinque impostazioni di questo tipo: low, medium, high, xhigh e max. Ciò consente agli sviluppatori di scegliere tra risposte più rapide e un ragionamento più lungo senza cambiare modello. L’approccio rende inoltre un singolo punteggio di benchmark meno rappresentativo dell’uso reale.

Opus 5 conserva una finestra di contesto di un milione di token, il che significa che può elaborare in una singola sessione raccolte insolitamente grandi di testo o codice. Il contesto esteso da solo non garantisce che un modello individui le prove corrette. Riduce però la necessità di dividere grandi repository o insiemi di documenti tra prompt scollegati.

Anthropic sottolinea inoltre l’utilizzo del computer e l’automazione aziendale. L’azienda afferma che Opus 5 ha superato il miglior risultato di Fable 5 su OSWorld 2.0 utilizzando circa un terzo delle risorse per attività. OSWorld verifica se un sistema IA sia in grado di completare il lavoro tramite interfacce grafiche del computer.

Su Zapier AutomationBench, Opus 5 avrebbe raggiunto un tasso di superamento circa 1,5 volte superiore a quello del modello immediatamente successivo, a un costo per attività comparabile. Secondo Anthropic, persino la sua impostazione di sforzo più bassa ha superato più attività delle alternative testate.

Questi dati restano affermazioni del fornitore finché gruppi indipendenti non li riprodurranno in ulteriori ambienti. Rivelano comunque la strategia di prodotto di Anthropic. L’azienda vuole che Opus 5 sia valutato come un operatore che porta a termine il lavoro, non semplicemente come un modello che genera risposte convincenti.

È anche per questo che il rilascio differisce da un normale aggiornamento del modello. Anthropic sta concentrando capacità associate al suo modello di frontiera in un prodotto che più sviluppatori possono distribuire ripetutamente. Questa mossa cambia il modello che i clienti confronteranno con Google Gemini, la famiglia GPT di OpenAI e i modelli open a costo inferiore.

Perché la competizione tra Anthropic e Google si sta spostando verso gli agenti

La rivalità tra Anthropic e Google dipende ora da quale azienda riuscirà a rendere il lavoro IA di lunga durata abbastanza affidabile per i team ordinari.

Google possiede vantaggi che Anthropic non può riprodurre facilmente. Gemini può connettersi a Google Cloud, Android, Workspace, Search e a un’ampia piattaforma per sviluppatori. Google può inserire i suoi modelli negli strumenti che le aziende utilizzano ogni ora.

Il percorso più ristretto di Anthropic si concentra sul comportamento dei modelli nei flussi di lavoro agentici. Claude Code ha dato all’azienda una posizione visibile nello sviluppo software, dove i modelli possono ispezionare file, eseguire comandi, testare modifiche e correggere errori. Opus 5 estende questa tesi oltre il codice.

Il nuovo modello arriva mentre gli acquirenti di IA passano dalle dimostrazioni conversazionali ai risultati concreti completati. Un agente utile deve interpretare un obiettivo, raccogliere il contesto pertinente, scegliere gli strumenti, riconoscere gli errori e decidere quando chiedere aiuto. Ogni passaggio crea un’ulteriore occasione per un errore apparentemente plausibile.

Il fattore distintivo di Opus 5 dovrebbe essere il giudizio durante queste fasi. Anthropic afferma che il modello verifica il proprio lavoro in modo più coerente e continua a iterare finché non raggiunge un risultato soddisfacente. È un’affermazione più forte di un miglioramento della qualità delle risposte, perché riguarda il comportamento lungo un intero flusso di lavoro.

Un esempio riguardava un disegno di un componente meccanico. Al modello è stato chiesto di ricreare l’oggetto come modello tridimensionale in FreeCAD, ma non disponeva di un modo diretto per visualizzare l’immagine.

Secondo il rilascio, Opus 5 ha scritto una pipeline di computer vision che ha estratto la geometria dai pixel grezzi dell’immagine. Ha poi utilizzato tali informazioni per ricostruire il componente. Anthropic afferma che i modelli concorrenti hanno fallito in cinque tentativi nelle stesse condizioni.

Il dettaglio importante non è FreeCAD in sé. Opus 5 ha identificato una capacità mancante, creato uno strumento e ripreso l’attività originaria. Questa sequenza ricorda il modo in cui un ingegnere esperto affronta un vincolo imprevisto.

Un secondo esempio riguardava un bug in un package manager open source molto diffuso. Anthropic afferma che Opus 5 ha individuato la causa principale e corretto un caso limite trascurato dalla patch esistente della community. Un modello concorrente avrebbe corretto soltanto il sintomo visibile.

Un altro utente iniziale ha chiesto a Opus 5 di creare un feed di dati di mercato per una nuova borsa. Quando non era disponibile un feed live, il modello ha creato un test harness per convalidare il proprio parser. Secondo Anthropic, i modelli precedenti avevano fallito anche quando un ingegnere forniva piani dettagliati.

Questi esempi restano dimostrazioni selezionate, non misurazioni neutrali delle prestazioni medie. Illustrano comunque il comportamento che Anthropic vuole far notare agli sviluppatori. Opus 5 non si limita a seguire un piano. Costruisce l’infrastruttura mancante quando il piano incontra la realtà.

Questo comportamento aumenta la pressione su Google in due modi. In primo luogo, i confronti tra modelli premiano sempre più l’esecuzione completa delle attività anziché il ragionamento isolato. In secondo luogo, l’affidabilità degli agenti può influenzare gli acquisti anche quando i modelli concorrenti offrono finestre di contesto o punteggi di benchmark simili.

Google può rispondere attraverso i vantaggi di integrazione di Gemini e i propri prodotti agentici. Può inoltre utilizzare segnali proprietari del luogo di lavoro a cui i fornitori di modelli standalone non possono accedere. La questione aperta è se la distribuzione compensi le differenze in pianificazione, verifica e recupero dagli errori.

OpenAI esercita pressione da un’altra direzione. Artificial Analysis ha rilevato GPT-5.6 Sol davanti a Opus 5 per qualità delle presentazioni, anche quando Opus guidava le misure analitiche. Ciò suggerisce che nessun fornitore controlli ogni aspetto dell’output professionale.

Gli acquirenti enterprise confronteranno quindi i sistemi, non soltanto i nomi dei modelli. Dovranno considerare controlli di identità, accesso ai dati, osservabilità, recupero dagli errori e qualità degli artefatti generati. Il modello vincente sarà spesso quello che si inserisce in un flusso di lavoro responsabile.

Per i team che gestiscono grandi raccolte tecniche, una base di conoscenza ricercabile può fornire il contesto di cui gli agenti hanno bisogno. Un recupero delle informazioni migliore non elimina gli errori del modello, ma rende le prove più facili da ispezionare.

Il comportamento proattivo è il vero meccanismo di Claude Opus 5

Il meccanismo centrale di Opus 5 è la verifica persistente, sebbene questa stessa persistenza possa richiedere più tempo e generare azioni inattese.

Simon Willison ha definito il modello potenzialmente “inesorabilmente proattivo” dopo aver esaminato l’esempio FreeCAD di Anthropic. La sua valutazione iniziale coglie sia l’attrattiva sia la preoccupazione.

La proattività sembra desiderabile quando il modello rileva un test mancante, una dipendenza nascosta o un’assunzione errata. Diventa meno attraente quando un agente amplia un’attività, modifica file non correlati o continua a consumare risorse dopo che esiste già una risposta utile.

Il rilascio dipende quindi dal giudizio. Un agente capace deve sapere quando approfondire l’indagine e quando fermarsi. Deve distinguere un’attività bloccata da un’attività che richiede approvazione.

Gli esempi dei clienti di Anthropic sottolineano ripetutamente questa distinzione. Una valutazione frontend ha rilevato che Opus 5 controllava le pagine a larghezze desktop e mobile. Avrebbe notato un controllo del checkout fuori schermo, corretto il layout e ricontrollato il risultato prima di consegnare il proprio lavoro.

Un altro utente ha descritto il modello mentre controllava i branch, esaminava un template di pull request e considerava le implicazioni dei test prima di completare un passaggio di consegne. I modelli più vecchi sarebbero andati avanti più rapidamente, ma non avrebbero superato i controlli interni.

Questi resoconti suggeriscono che Anthropic abbia ottimizzato Opus 5 attorno a cicli di verifica. Un ciclo di verifica è una sequenza ripetuta di produzione del lavoro, test, identificazione degli errori e revisione del risultato. Il ciclo può aumentare l’affidabilità quando i test rappresentano accuratamente l’attività.

Tuttavia, i test non sono sempre affidabili. Un agente può ottimizzare rispetto a una valutazione incompleta, mancando al contempo l’obiettivo reale. Può anche creare test che confermano la propria interpretazione errata.

Questo rischio diventa più serio al di fuori dello sviluppo software. Un agente legale può generare un documento che supera i controlli di formattazione pur fraintendendo la giurisdizione. Un agente di ricerca può creare un report completo basandosi però su prove deboli o circolari.

I percorsi di ragionamento più lunghi del modello comportano inoltre una penalità in termini di tempo. Test indipendenti hanno rilevato che le sue impostazioni più elevate richiedevano in media oltre 25 minuti per attività complesse di lavoro della conoscenza. L’impostazione massima ha richiesto sostanzialmente più tempo di Opus 4.8 perché ha utilizzato più turni.

Un turno rappresenta un ulteriore scambio tra il modello e i suoi strumenti o il suo ambiente. Più turni possono indicare controlli produttivi, ma possono anche indicare un procedere senza direzione. Le organizzazioni hanno bisogno di log che rivelino quale interpretazione si applichi.

Artificial Analysis ha misurato 103 turni medi per Opus 5 al massimo sforzo nella propria valutazione AA-Briefcase. Opus 4.8 ha utilizzato 55 turni con la sua impostazione più elevata. Questo divario aiuta a spiegare come Opus 5 raggiunga risultati più forti pur richiedendo più tempo.

Questo crea un compromesso pratico. Un team potrebbe accettare un’esecuzione dell’agente di mezz’ora per una presentazione basata su ricerche o una complessa correzione software. Lo stesso ritardo sarebbe inaccettabile per un assistente di supporto interattivo.

Le impostazioni di effort consentono agli sviluppatori di gestire questo confine. Una classificazione di routine può essere eseguita con un’impostazione più bassa, mentre un’indagine ambigua può ricevere più risorse computazionali. Il modello ha comunque bisogno di un instradamento affidabile, poiché gli utenti raramente conoscono in anticipo il livello di effort necessario.

L’infrastruttura degli agenti deve inoltre far rispettare i limiti di ambito. Un sistema autonomo dovrebbe disporre di autorizzazioni esplicite, limiti di spesa e punti di approvazione. Un modello più potente riduce alcuni fallimenti di esecuzione, ma non sostituisce i controlli operativi.

Le implementazioni migliori combineranno il giudizio del modello con ambienti vincolati. Agli agenti possono essere fornite credenziali ristrette, spazi di lavoro temporanei, criteri di completamento verificabili e revisione umana per le azioni irreversibili. Questo approccio considera l’autonomia come un’autorità graduale.

Opus 5 rafforza l’argomento di Anthropic secondo cui il comportamento del modello può migliorare l’intero ciclo. Non elimina la necessità di progettare il ciclo. La proattività diventa preziosa solo quando le organizzazioni possono osservarla, limitarla e verificarla.

Le valutazioni indipendenti sostengono l’affermazione, con limiti importanti

Le valutazioni indipendenti collocano Opus 5 vicino al vertice, ma i loro risultati dettagliati rivelano compromessi nascosti da una singola posizione in classifica.

Artificial Analysis ha valutato tutte e cinque le impostazioni di effort prima del rilascio. La sua valutazione dell’intelligenza ha assegnato a Opus 5, al massimo effort, un punteggio di 61. Fable 5 ha ottenuto 60, GPT-5.6 Sol 59 e Opus 4.8 56.

Un vantaggio di un punto non dimostra una superiorità universale. Gli indici compositi combinano diversi test e piccole differenze possono cambiare in base ai prompt, agli harness o alle regole di valutazione. Il risultato sostiene una conclusione circoscritta: Opus 5 compete alla frontiera nelle attività incluse.

L’evidenza più solida emerge nel lavoro di conoscenza agentico. AA-Briefcase testa i modelli su incarichi privati che coinvolgono migliaia di file di input. Gli output includono report, fogli di calcolo e presentazioni valutati per correttezza, analisi e presentazione.

Opus 5 ha raggiunto un punteggio Elo di 1.720 al massimo effort. Fable 5 ha ottenuto 1.574, lasciando un divario di 146 punti. Anche le impostazioni xhigh e high di Opus 5 hanno superato Fable 5 in quella valutazione.

Il benchmark agentico ha rilevato che i miglioramenti di Opus 5 derivavano soprattutto dal completamento di criteri oggettivi e dalla qualità analitica. Il suo punteggio analitico al massimo effort si avvicinava a 300 punti Elo in più rispetto a Fable 5.

La presentazione è rimasta invece un punto debole in confronto. Opus 5 ha registrato un Elo di presentazione pari a 1.628, mentre GPT-5.6 Sol ha raggiunto 1.666. Un modello può quindi produrre analisi più solide senza creare l’artefatto finale dall’aspetto migliore.

Questa distinzione è importante per l’adozione aziendale. Gli analisti spesso necessitano di conclusioni accurate e di un deliverable adatto a dirigenti o clienti. Un workflow può richiedere un modello per la ricerca e un altro sistema per la formattazione o il perfezionamento visivo.

La valutazione complessiva ha inoltre identificato un problema di affidabilità fattuale. Opus 5 ha migliorato la propria accuratezza su AA-Omniscience rispetto a Opus 4.8, ma ha risposto a più domande in condizioni di incertezza. Artificial Analysis ha misurato un tasso di allucinazioni del 50 per cento in quel test.

Il tasso di allucinazioni è specifico del benchmark e non dovrebbe essere trattato come il tasso di errore del modello in ogni carico di lavoro. Tuttavia, il risultato complica la narrativa di Anthropic sulla verifica. Un modello può controllare attentamente le proprie procedure pur rimanendo eccessivamente sicuro delle conoscenze fattuali memorizzate.

Questo è il principale punto scettico dell’articolo. La persistenza agentica e la calibrazione fattuale sono capacità separate. Un agente persistente può amplificare una premessa errata se non riesce a riconoscere l’incertezza.

Anche i benchmark privati hanno dei limiti. Riducono i rischi di contaminazione perché gli sviluppatori di modelli non possono facilmente addestrarsi sulle attività esatte. Tuttavia, gli acquirenti non possono presumere che file, strumenti e criteri di valutazione del benchmark corrispondano alle proprie operazioni.

Le prime approvazioni dei clienti comportano cautele simili. Anthropic ha selezionato le organizzazioni e le citazioni nel proprio rilascio. Questi utenti operano spesso in ambienti di sviluppo sofisticati, con test solidi, supervisori esperti e misure di performance ben definite.

Un’azienda più piccola può offrire meno struttura. I suoi dati possono essere incoerenti, le autorizzazioni eccessivamente ampie e le attività possono contenere presupposti organizzativi nascosti. Lo stesso comportamento del modello può produrre risultati diversi in tali condizioni.

Le imprese dovrebbero condurre valutazioni usando lavoro rappresentativo e categorie di fallimento documentate. Un tasso di superamento da solo non è sufficiente. I team dovrebbero registrare affermazioni non supportate, azioni distruttive, chiamate a strumenti non necessarie, passaggi di consegne incompleti e mancata richiesta di approvazione.

Dovrebbero inoltre confrontare il completamento totale dell’attività, non la qualità della prima risposta. Il tempo di correzione umana può superare i costi di esecuzione del modello. Al contrario, un agente lento può comunque far risparmiare tempo se restituisce un lavoro che richiede poche correzioni.

Claude Opus 5 merita attenzione perché i risultati indipendenti supportano ampiamente le affermazioni di Anthropic sulle prestazioni. Quei risultati non giustificano un’implementazione senza supervisione. Giustificano invece test più seri rispetto a Google, OpenAI e ai workflow interni esistenti.

I progressi nella sicurezza non eliminano il rischio degli agenti

Anthropic segnala miglioramenti significativi nella sicurezza, ma agenti più potenti ampliano comunque le conseguenze di istruzioni errate e contesti compromessi.

Anthropic afferma che Opus 5 ha prodotto il tasso misurato più basso di comportamento disallineato tra i recenti modelli Claude. Il suo audit comportamentale automatizzato ha assegnato al modello un punteggio complessivo di disallineamento pari a 2,3.

L’azienda afferma inoltre che Opus 5 segue la Constitution di Claude più da vicino rispetto a Opus 4.8, Sonnet 5 o Fable 5. La Constitution di Claude è il framework scritto di Anthropic per guidare il comportamento del modello e risolvere istruzioni in conflitto.

Si tratta di misurazioni condotte dall’azienda. Offrono dettagli utili, ma i ricercatori indipendenti necessitano di tempo per testare il modello contro attacchi non familiari e implementazioni reali. I risultati sulla sicurezza cambiano spesso quando gli utenti collegano i modelli a nuovi strumenti.

La prompt injection rimane una preoccupazione centrale. Una prompt injection è un’istruzione dannosa nascosta all’interno di contenuti letti da un agente. L’attaccante cerca di indurre l’agente a trattare testo non affidabile come un comando autorizzato.

Boris Cherny di Anthropic ha descritto Opus 5 come il modello dell’azienda meno vulnerabile alla prompt injection. La system card associata riporta test condotti tramite audit comportamentali, valutazioni dell’uso improprio ed esercitazioni di red team.

Una minore suscettibilità è importante perché gli agenti proattivi elaborano email, documenti, siti web, codice sorgente e ticket di supporto. Ogni elemento può contenere istruzioni progettate per reindirizzare il modello. L’accesso agli strumenti trasforma una manipolazione riuscita in un danno operativo.

Tuttavia, la resistenza non equivale all’immunità. Le organizzazioni devono comunque separare i dati dalle istruzioni, limitare le credenziali e richiedere conferma prima di azioni sensibili. Dovrebbero presumere che alcuni attacchi aggireranno le difese a livello di modello.

Anthropic ha inoltre limitato l’addestramento di Opus 5 in cybersecurity. L’azienda afferma che i miglioramenti nelle capacità generali hanno reso il modello più efficace nell’individuare vulnerabilità, nonostante tale restrizione. Rimane dietro Mythos 5 nello sfruttamento di queste debolezze.

Questa separazione mira a preservare l’utilità difensiva senza massimizzare la capacità offensiva. È difficile da mantenere perché la scoperta e lo sfruttamento delle vulnerabilità condividono conoscenze. Un ragionamento migliore può migliorare entrambi, anche quando l’addestramento specializzato esclude le attività di attacco.

Il rilascio introduce anche una questione di governance. Se Opus 5 può creare strumenti che i suoi progettisti non avevano previsto, i sistemi di autorizzazione devono valutare gli esiti anziché le azioni nominate. Bloccare un comando offre poca protezione quando il modello può costruire un percorso alternativo.

L’esempio di FreeCAD dimostra questo problema in un contesto innocuo. Il modello non disponeva di accesso visivo, quindi ha creato una pipeline di visione. In un ambiente sensibile, un’improvvisazione simile potrebbe aggirare un confine previsto senza intenti dannosi.

Un agente proattivo necessita di una distinzione chiara tra fallimento di capacità e restrizione di policy. “Non posso accedere a questo input” non deve significare automaticamente “crea un nuovo metodo di accesso”. Talvolta la capacità mancante rappresenta un controllo di sicurezza deliberato.

Gli sviluppatori dovrebbero testare se il modello riconosce questa distinzione. Le valutazioni possono collocare gli agenti dietro confini espliciti e osservare se richiedono autorizzazione, si fermano in sicurezza o improvvisano aggirando la restrizione.

Anche l’auditabilità è altrettanto importante. Le lunghe tracce degli agenti possono contenere centinaia di interazioni con strumenti. I revisori umani necessitano di riepiloghi che identifichino file modificati, sistemi a cui si è avuto accesso, presupposti, test non superati e incertezze irrisolte.

Anche la provenienza della conoscenza è importante. I team che utilizzano il knowledge blending possono collegare più fonti di informazione, ma le risposte risultanti richiedono comunque prove tracciabili. Un modello dovrebbe mostrare quale fonte supporta ciascuna affermazione rilevante.

I progressi nella sicurezza riportati da Anthropic rafforzano il caso per sperimentazioni controllate. Non sostengono un’autonomia illimitata. Quanto più efficacemente Opus 5 completa attività a tempo indeterminato, tanto più importanti diventano tali controlli.

Cosa succederà per Anthropic, Google e gli acquirenti di IA

La fase successiva sarà decisa dall’affidabilità in produzione, dalla risposta di Google e dalle prove che i guadagni nei benchmark resistano alle normali condizioni di lavoro.

Il primo segnale sono i dati di implementazione provenienti da organizzazioni reali. Gli acquirenti dovrebbero osservare se Opus 5 riduce il tempo di correzione umana, le esecuzioni fallite e i prompt ripetuti nel coding e nel lavoro di conoscenza. Un minore uso di risorse conta solo quando le attività completate rimangono accurate.

Le prove da implementazioni non scriptate rafforzerebbero l’argomento di Anthropic. Segnalazioni di espansione dell’ambito, completamento lento o errori fattuali espressi con sicurezza lo indebolirebbero. I case study più utili includeranno tassi di fallimento, non solo esempi riusciti.

Il secondo segnale è la risposta di Google tramite Gemini e la sua piattaforma per agenti. Google non deve vincere ogni benchmark indipendente se le integrazioni con Workspace e Cloud rendono Gemini più facile da governare. Deve però offrire capacità competitive di pianificazione, verifica e recupero.

Un modello Google che eguagli Opus 5 nelle attività di lunga durata sposterebbe la competizione di nuovo verso la distribuzione. Una risposta debole consentirebbe ad Anthropic di definire la qualità degli agenti attorno al comportamento di Claude, anche all’interno di software distribuito da piattaforme più grandi.

OpenAI resterà parte di questo confronto. Il risultato più forte di GPT-5.6 Sol nella presentazione mostra che il lavoro professionale comprende diverse dimensioni indipendenti. Gli acquirenti instraderanno sempre più le attività tra i modelli anziché scegliere un unico vincitore permanente.

Il terzo segnale è il testing indipendente della sicurezza. I ricercatori dovrebbero esaminare la resistenza alla prompt injection, la gestione delle autorizzazioni, la calibrazione fattuale e la disponibilità del modello a fermarsi. Le affermazioni di Anthropic diventano più persuasive se team esterni le riproducono in ambienti non familiari.

I fallimenti non renderebbero necessariamente Opus 5 inutilizzabile. Chiarirebbero dove il modello necessita di autorizzazioni più rigide, attività più ristrette o una revisione umana più forte. La sicurezza degli agenti è generalmente una proprietà del sistema, non il punteggio di un singolo modello.

Per gli sviluppatori, la domanda immediata è pratica: Opus 5 completa le vostre attività difficili con meno correzioni rispetto a Opus 4.8, Gemini o GPT-5.6? Una valutazione controllata dovrebbe usare input, strumenti, autorizzazioni e criteri di completamento identici.

Gli acquirenti enterprise dovrebbero valutare più della sola qualità dell’output. Hanno bisogno di latenza prevedibile, fonti tracciabili, uso delle risorse controllabile, comportamento stabile tra esecuzioni ripetute e procedure di escalation chiare quando il modello incontra ambiguità.

I knowledge worker dovrebbero prestare attenzione perché la competizione tra agenti sta andando oltre la chat. Ai modelli viene sempre più spesso chiesto di produrre fogli di calcolo definitivi, presentazioni, pacchetti di ricerca e modifiche operative. La qualità della verifica determinerà se questi output faranno risparmiare lavoro o lo sposteranno semplicemente altrove.

La rivalità tra Anthropic e Google ha ora un banco di prova più netto. Anthropic scommette che un comportamento persistente e capace di autocontrollarsi possa superare il vantaggio distributivo di Google. Google può rispondere rendendo Gemini altrettanto affidabile all’interno dei sistemi che già controlla.

Claude Opus 5 offre attualmente ad Anthropic solide prove a sostegno di questa scommessa. I suoi punteggi indipendenti sono impressionanti e i suoi esempi di creazione di strumenti mostrano un cambiamento significativo nel comportamento degli agenti. I risultati su calibrazione fattuale e latenza impediscono però di dichiarare una vittoria semplice.

Eseguite il modello su attività di cui conoscete già il risultato atteso. Tracciate ogni correzione, azione non necessaria, affermazione priva di supporto e richiesta di approvazione. Poi confrontate l’intera attività, non la risposta più impressionante.

Il prossimo leader non sarà deciso da una singola classifica. Sarà il sistema che completa lavoro di valore rendendo i propri errori visibili, circoscritti e recuperabili.