Un annuncio, il giorno in cui esce, non si può giudicare: c'è solo quello che dice chi lo ha fatto. Trenta giorni dopo c'è dell'altro — qualcuno ha provato a usarlo, qualcuno lo ha misurato, e il prodotto successivo è già uscito. Trenta giorni sono il filtro più economico che esista, perché non costa niente aspettare e nel frattempo il lavoro lo fanno gli altri.
È lo stesso metodo che questo sito applica alle fonti — risalire a chi lo afferma, e dichiarare quando nessuno lo afferma — applicato alle notizie invece che agli studi.
Che il numero giusto sia trenta e non sessanta, però, è una scelta mia e non poggia su niente: a sessanta giorni si vedrebbe di più, e ci si accorgerebbe più tardi delle poche cose che vale la pena non perdere. Sta fra le affermazioni non documentate, come tutto ciò che su questo sito è ragionamento e non misura.
È cambiato qualcosa
Se stai valutando un agente, la domanda utile non è più «quale modello»
La cosa che cambia per te è dove metti l'attenzione quando qualcuno ti propone di far fare a un agente un lavoro che oggi fa una persona. Fino a ieri la conversazione era sul modello: quale, quanto è bravo, chi lo fa. Adesso c'è un motivo concreto per spostarla altrove.
Il motivo è che sono usciti i conti. Un agente che usa un computer al posto di una persona costa, per ora di lavoro svolto, fra 6 e 8 dollari. Lo stesso lavoro affidato a un fornitore esterno all'estero costa intorno ai 10 dollari l'ora; tenuto dentro, in un ufficio amministrativo statunitense, fra 30 e 45.
Il numero che conta però non è nessuno di questi tre. È l'osservazione che li accompagna: «il modello stesso è raramente il fattore decisivo». A decidere se la cosa funziona sono l'infrastruttura su cui gira, il modo in cui i passaggi vengono orchestrati, e che cosa succede quando uno di quei passaggi fallisce.
Serve a questo: la domanda da portare al prossimo incontro non è quale AI scegliamo, ma quale nostro processo regge se dentro ci mettiamo qualcosa che a volte sbaglia. È una domanda a cui puoi rispondere tu, e a cui il fornitore non può rispondere al posto tuo. Su come si sceglie dove innestarlo e dove mettere la soglia oltre la quale serve una firma umana, c'è la pagina sui processi.
Fonte primaria: a16z, Can Agents Use a Computer Yet? We've Got the Data, 10 agosto 2026 — a16z.com. Chi pubblica questi dati è un investitore del settore, e quindi una parte interessata: i numeri sui costi vanno letti sapendo che a diffonderli è chi ha investito in chi li produce.
Sembrava cambiare, non è cambiato
Se qualcuno ti mostra una percentuale su «OSWorld», chiedi quale delle due
La cosa che cambia per te è una domanda da fare, e costa cinque secondi. Lo stesso nome di misura, in giugno, ha prodotto due letture opposte: «hanno superato l'uomo» e «completano un compito vero su cinque». Sono vere tutte e due, e si riferiscono a due prove diverse con lo stesso nome.
Giugno è stato il mese degli agenti che usano il computer — cioè programmi che pilotano schermo, tastiera e mouse come farebbe una persona, invece di limitarsi a scrivere testo. In due settimane sono usciti Holo 3.1 di H Company, l'uso del computer dentro Gemini 3.5 Flash, Devin Desktop, Hermes Desktop, e Codex Computer Use è stato aperto all'Europa.
A luglio è arrivata la misura seria. OSWorld 2.0 mette insieme 108 compiti reali e lunghi: in media 1,6 ore di lavoro umano ciascuno, e circa 318 chiamate a strumenti per portarli a termine. Il migliore fra i modelli provati, Claude Opus 4.8 con il ragionamento al massimo, completa il 20,6% dei compiti. Sui più lunghi le prestazioni scendono verso lo zero.
Sulla prova precedente, OSWorld-Verified, il miglior modello sta invece all'85%, contro una soglia umana del 72%.
La differenza non è nei modelli: è in che cosa si misura. La prima prova guarda azioni brevi, che cominciano e finiscono. La seconda guarda compiti lunghi, in cui bisogna tenere a mente uno stato che sullo schermo non è scritto da nessuna parte.
Ed è lì che si rompono, in quattro modi che il lavoro elenca: perdono di vista i vincoli ricevuti all'inizio, non vedono l'informazione che arriva a metà strada, tirano a indovinare invece di chiedere, e saltano la verifica finale. Sapere quali sono i quattro serve a scegliere che cosa affidargli davvero: i lavori corti e con un esito visibile funzionano già bene oggi, e sono la parte da cui conviene cominciare. È la stessa distinzione fra allenarsi e giocare una partita che sta nella decima tappa, ed è il motivo per cui un agente non è un assistente più bravo.
Fonte primaria: XLANG Lab, OSWorld 2.0: Benchmarking Computer Use Agents on Long-Horizon Real-World Tasks, 15 luglio 2026 — arxiv.org. Da qui vengono i 108 compiti, le 1,6 ore, le 318 chiamate, il 20,6% e i quattro modi di fallire.
Fonte primaria: per l'85% e per la soglia umana del 72% su OSWorld-Verified, l'articolo a16z citato nella voce qui sopra.
Se a giugno hai scelto un fornitore guardando il modello, hai scelto su una cosa che è durata sei settimane
La cosa che cambia per te riguarda i criteri con cui firmi. Non è che i modelli di giugno siano peggiorati: è che due dei più citati sono già stati sostituiti, e chi aveva costruito la scelta su quale fosse il migliore in quel momento si ritrova ad aver deciso su una cosa con la vita di sei settimane.
Gemini 3.5 Flash, uscito a giugno, è diventato 3.8 Flash il 2 settembre. Kimi K2.7 Code, del 18 giugno, è stato seguito da K3, che Nvidia distribuisce già in versione quantizzata — cioè alleggerita per girare su macchine meno costose.
Serve a spostare il peso della decisione su ciò che dura più a lungo del modello: quanto costa cambiare fornitore fra sei mesi, che cosa succede ai tuoi dati e ai tuoi processi quando lo fai, e quanto del lavoro che hai costruito resta utilizzabile. Sono domande che si possono mettere in un contratto; «è il più bravo oggi» no.
Nello stesso mese è successa una cosa che a settembre significa ancora qualcosa, e non riguarda la capacità: riguarda da chi dipendi. Anthropic pubblica Claude Fable 5 e Mythos 5 il 9 giugno; il 12 giugno, in applicazione di un provvedimento di controllo sulle esportazioni del governo statunitense e non potendo verificare in tempo reale la nazionalità di chi usa il servizio, sospende l'accesso a tutti nel mondo; il 30 giugno i controlli vengono rimossi e il 1º luglio l'accesso è ripristinato. Nel verificare, Anthropic ha trovato che ogni modello provato produceva la stessa dimostrazione, compresi quelli dei concorrenti.
Fonte primaria: Anthropic, Claude Fable 5 and Claude Mythos 5, 9 giugno 2026 — anthropic.com; Statement on the US government directive to suspend access to Fable 5 and Mythos 5, 12 giugno 2026 — anthropic.com; Redeploying Claude Fable 5, 30 giugno 2026 — anthropic.com.
Non si è ancora capito
Il 72,6% dichiarato da OpenAI: non c'è ancora niente da farne
La cosa che cambia per te, per ora, è niente — ed è un'informazione anche quella. Se qualcuno ti porta questo numero come motivo per rifare un processo, la risposta è che è presto: aspetta che lo misuri qualcun altro.
Il 3 settembre OpenAI dichiara per GPT-6 Astra il 72,6% su OSWorld 2.0. Il lavoro di luglio, sulla stessa prova, dava 20,6% al miglior modello disponibile allora. Un salto del genere in sei settimane non è impossibile, e non lo escludo.
Ma restano tre cose non risolte. È un numero dichiarato dal produttore, non una misura fatta da altri. Nessuno lo ha ancora replicato. E non è chiaro che sia la stessa metrica: il lavoro di luglio distingue il completamento del compito — quello che vale 20,6% — dal punteggio parziale, che vale 54,8%, e OpenAI non dice a quale dei due si riferisce.
Finché non lo verifica qualcun altro resta una voce aperta, e la ritroverai qui il mese prossimo — con la risposta, se nel frattempo sarà arrivata.
Fonte primaria: OpenAI, GPT-6 Astra, 3 settembre 2026 — openai.com.
Nessuna fonte primaria trovata: quale delle due metriche del lavoro di luglio corrisponda al numero dichiarato. OpenAI non lo specifica, e non ho trovato nessuno che lo abbia chiarito.
A che cosa serve tenerle separate
Le tre intestazioni di questa pagina non sono un modo di ordinare le notizie: sono tre reazioni diverse.
Quello che è cambiato davvero merita che tu cambi una domanda, un criterio, a volte un contratto. Quello che sembrava cambiare merita di essere riconosciuto e messo da parte, e la fatica che risparmi lì è la ragione per cui questa pagina esiste. Quello che non si è ancora capito merita di essere tenuto d'occhio senza farci niente sopra.
La ragione pratica è una sola: non puoi riprogettare il tuo lavoro a ogni annuncio, e se ci provi non finisci mai niente. Ma non puoi nemmeno smettere di guardare, perché ogni tanto qualcosa cambia sul serio e accorgersene con sei mesi di ritardo costa più di tutto il resto.
Distinguere le due categorie è quello che permette di stare fermi con tranquillità quasi sempre, e di muoversi in fretta quando serve. Che le cose che cambiano davvero siano una piccola minoranza è quello che ho visto in vent'anni di lavoro, non una misura: non ho contato niente, non ho una percentuale da darti, e sta anche questo fra le affermazioni non documentate. Questo numero, per quel che vale, ne ha trovata una su quattro.