La vittoria di misura di GPT-5.5 di OpenAI su Claude Fable 5 di Anthropic, ottenuta nel nuovo e selettivo test “Agents’ Last Exam”, segna un’inversione di tendenza sulle percezioni di leadership nel settore
[In pillole] La sintesi per chi va di fretta:
Il modello GPT-5.5 di OpenAI ha ottenuto una vittoria di misura su Claude Fable 5 di Anthropic nel nuovo benchmark Agents Last Exam, progettato per testare le capacità degli agenti AI autonomi. Questo sorpasso inatteso segna una inversione di tendenza rimescolando le gerarchie in un settore dove Anthropic era considerata leader per il ragionamento complesso.
Un sorpasso inatteso nella corsa all’intelligenza artificiale
Nel settore dell’intelligenza artificiale, dove i progressi si misurano in mesi e i leader di mercato possono cambiare con il lancio di un nuovo modello, si è verificato un risultato che ha rimescolato le percezioni consolidate. GPT-5.5, un modello di OpenAI, ha ottenuto una vittoria, seppur di misura, su Claude Fable 5, il modello di punta di Anthropic, in un nuovo e particolarmente esigente test di valutazione noto come “Agents’ Last Exam”.
La notizia, come riportato da VentureBeat, segna un’inversione di tendenza rispetto agli ultimi mesi, durante i quali i modelli di Anthropic erano stati spesso considerati il punto di riferimento per compiti di ragionamento complesso e per l’affidabilità.
Il risultato è significativo non tanto per il margine della vittoria, quanto per la natura del test, progettato per misurare una capacità che sta diventando sempre più centrale nello sviluppo dell’intelligenza artificiale: l’autonomia.
A differenza dei tradizionali benchmark, che si concentrano sulla capacità di un modello di rispondere a domande specifiche, risolvere problemi di logica o superare esami standardizzati, l’“Agents’ Last Exam” è stato concepito per essere estremamente difficile, mettendo alla prova i modelli in un ruolo più attivo e dinamico. Si tratta di valutare non più un chatbot statico, ma un “agente” autonomo in grado di portare a termine compiti complessi.
Questo significa che l’esame non si limita a verificare se una risposta è corretta, ma analizza l’intero processo con cui il modello affronta un obiettivo: dalla pianificazione delle diverse fasi all’utilizzo di strumenti software esterni tramite chiamate API, passando per la capacità di memorizzare informazioni, adattarsi a scenari mutevoli e riprendersi da eventuali errori.
È una valutazione che simula più da vicino il modo in cui queste tecnologie verranno impiegate nel mondo reale, per esempio come assistenti alla programmazione, analisti di ricerca o coordinatori di operazioni aziendali. Questo nuovo tipo di esame, quindi, non misura solo l’intelligenza teorica, ma la sua applicazione pratica in flussi di lavoro articolati, che richiedono persistenza e strategia.
Ed è proprio in questo contesto che il sorpasso di GPT-5.5 assume un peso specifico, sollevando interrogativi su quale direzione stia prendendo la competizione tra i principali sviluppatori.
Chi sono i contendenti e perché il risultato sorprende
Per comprendere la portata di questo risultato, è utile soffermarsi sui due protagonisti. OpenAI, con il suo GPT-5.5, ha introdotto un modello che, già dal nome, suggerisce un’evoluzione mirata piuttosto che un salto generazionale completo. La sigla “.5” indica solitamente un aggiornamento intermedio, e in questo caso sembra che l’azienda si sia concentrata proprio sul potenziamento delle capacità di ragionamento, sull’uso di strumenti esterni e sul controllo del modello come agente autonomo.
Negli ultimi tempi, lo sviluppo di OpenAI si è orientato verso il miglioramento dell’affidabilità, la riduzione delle cosiddette “allucinazioni” (risposte plausibili ma inventate) e una stretta integrazione con ambienti di esecuzione del codice e API esterne. La vittoria in un benchmark così specifico sembra confermare che gli investimenti in queste aree, in particolare nella pianificazione e nell’orchestrazione di compiti a lungo termine, stiano dando i loro frutti, posizionando OpenAI in modo vantaggioso proprio nel campo degli agenti autonomi.
Dall’altra parte c’è Anthropic con Claude Fable 5, presentato secondo la stessa Anthropic come il suo modello più potente mai reso disponibile su larga scala. La famiglia di modelli Claude si è costruita una solida reputazione basata su due pilastri: la sicurezza, perseguita attraverso tecniche di “IA costituzionale” che mirano a mantenere il comportamento del modello entro confini etici predefiniti, e le prestazioni elevate nel ragionamento e nella gestione di grandi quantità di testo.
– Leggi anche: Nuovo malware sfrutta la fiducia in Stripe per rubare dati delle carte di credito
I modelli precedenti di Anthropic, come Claude 3 Opus, erano diventati noti per la loro capacità di analizzare documenti lunghi e complessi, come contratti legali o articoli scientifici, con una fluidità spesso superiore a quella dei concorrenti. Per queste ragioni, le aspettative intorno a Claude Fable 5 erano molto alte, specialmente per quanto riguarda la sua abilità nell’affrontare compiti che richiedono un ragionamento profondo e articolato.
Il fatto che sia stato superato da GPT-5.5 proprio su un test che esaspera queste capacità complica una narrazione che sembrava ormai consolidata, quella che vedeva Anthropic come il leader nel campo del ragionamento ponderato e OpenAI più orientata verso prodotti di largo consumo.
Le implicazioni di un sorpasso sui benchmark
Al di là della competizione per il primo posto nelle classifiche, il risultato dell’“Agents’ Last Exam” ha conseguenze concrete. Per gran parte del periodo 2023-2024, erano stati i modelli di punta di Anthropic a essere celebrati per aver superato GPT-4 in diversi test di ragionamento, soprattutto quelli condotti da gruppi di valutazione indipendenti.
Il ritorno di OpenAI in cima a un benchmark di alto profilo, incentrato sugli agenti autonomi, suggerisce che l’equilibrio di forze potrebbe essere di nuovo in discussione. Questo non è solo un dettaglio tecnico, ma un’informazione rilevante per le aziende che devono decidere su quale tecnologia basare i propri servizi, specialmente in settori dove l’automazione di flussi di lavoro complessi è già una realtà. Calato nel concreto, è il terreno su cui le aziende adottano soluzioni di intelligenza artificiale su misura per automatizzare e coordinare i propri processi interni.
Tuttavia, è importante accogliere questi risultati con il giusto scetticismo.
I ricercatori che si occupano di sicurezza e politica dell’intelligenza artificiale avvertono da tempo che nessun singolo benchmark può essere considerato una misura definitiva delle capacità o dei rischi di un sistema. Questi test spesso misurano solo una specifica fetta delle abilità di un modello e, una volta noti, gli sviluppatori possono ottimizzare i loro sistemi per superarli, un fenomeno noto come “overfitting”.
Inoltre, un punteggio elevato dice poco sui possibili fallimenti imprevisti, sui rischi di uso improprio o sulle vulnerabilità di sicurezza.
L’enfasi crescente sui sistemi “agentici”, capaci di perseguire obiettivi nel tempo e interagire con il mondo esterno, se da un lato apre la strada ad applicazioni molto potenti, dall’altro solleva nuove e complesse questioni di governance.
Come si definiscono i limiti di ciò che un agente può fare?
Come si può supervisionare in modo affidabile una lunga catena di azioni automatiche?
Un test come l’“Agents’ Last Exam” è quindi una pietra miliare a doppio taglio: incoraggia lo sviluppo di agenti più robusti, ma rischia anche di accelerare la commercializzazione di sistemi sempre più autonomi, forse più velocemente di quanto le normative e le strutture di controllo riescano a evolvere.
La storia recente dell’intelligenza artificiale è costellata di episodi simili, in cui la supremazia di un laboratorio è stata improvvisamente messa in discussione da un concorrente. Era successo quando Claude 3 Opus di Anthropic aveva superato GPT-4, o quando AlphaGo di DeepMind aveva sconfitto i campioni umani di Go, ridefinendo le aspettative.
In ogni caso, una vittoria su un benchmark importante ha sempre innescato una rapida reazione da parte dei concorrenti e spinto la comunità scientifica a sviluppare test ancora più difficili. È probabile che accadrà anche questa volta.
L’attenzione si sposterà ora sulla capacità di replicare questi risultati in modo indipendente e, soprattutto, sulle prestazioni di questi modelli nei prodotti reali, dove fattori come la latenza, i costi e l’affidabilità quotidiana contano tanto quanto un punteggio su un esame. Il salto dal test al prodotto si gioca proprio qui: portare questi modelli in applicazioni reali e performanti richiede uno sviluppo di applicazioni su misura capace di governare latenza, costi e affidabilità.
Per ora, la vittoria di GPT-5.5 fornisce a OpenAI un vantaggio significativo nella corsa per la costruzione di agenti intelligenti affidabili, mettendo Anthropic nella posizione di dover rispondere per riconquistare il terreno perduto.
