GPT-6 Astra contro Claude Fable 5.1: un confronto onesto

La frase più frequente nella copertura attuale suona più o meno così: i benchmark di Anthropic collocherebbero Claude Fable 5.1 davanti a GPT-6 Astra. Questa frase è falsa, e per confutarla basta un calendario.

Anthropic ha pubblicato la propria tabella di benchmark il 1° settembre 2026. La colonna di confronto vi reca la dicitura GPT-5.6 Sol. GPT-6 Astra è entrato in anteprima limitata il 3 settembre e in disponibilità generale il 4 settembre. Anthropic dunque non solo non ha misurato Astra: non poteva misurarla, perché il modello non era pubblico alla data di pubblicazione.

Chi legge la riga su Terminal-Bench 4.0, dove il 55,8% di Fable 5.1 si contrappone al 37,3%, e prende quel 37,3% per Astra, sta confrontando il modello attuale di Anthropic con il predecessore del concorrente. Non è un errore di arrotondamento, è un'altra affermazione. Ed è esattamente la lettura errata che oggi si propaga più rapidamente tra aggregatori e riassunti.

Il valore di questo articolo sta quindi meno nelle cifre e più nella cernita: quali confronti reggono, quali no e da che cosa si riconosce la differenza.

Resta un nucleo piccolo ma pulito. Tutte le righe della tabella seguente provengono dalla documentazione di modello di Anthropic, dalla pagina dei prezzi di Anthropic e dalla documentazione per sviluppatori di OpenAI su gpt-6-astra, consultate il 10 settembre 2026. Sono dichiarazioni di ciascun fornitore sul proprio prodotto, nella stessa unità, senza quadri di misurazione interposti.

Una riserva riguarda la riga sulla scrittura di cache: Anthropic vende due durate di conservazione, cinque minuti e un'ora, mentre OpenAI non pubblica alcuna fascia equivalente. I due importi di 12,50 USD sono vicini, ma non perfettamente paralleli.

La riga economicamente interessante è la lettura di cache. Un fattore quattro a favore di Anthropic sembra una voce secondaria, ma nel lavoro agentico non lo è: lì lo stesso contesto, repository, istruzione di sistema e descrizioni degli strumenti, viene riletto più e più volte lungo centinaia di passaggi. Anthropic quantifica essa stessa il risparmio che ne deriva in circa il 25% rispetto a Fable 5 per carichi tipici e fino a circa il 45% per carichi fortemente agentici. Quella cifra è un calcolo modellistico del fornitore, non un taglio di prezzo: i prezzi di listino di ingresso e uscita sono invariati, e un carico con pochi riscontri di cache non risparmia praticamente nulla.

Altre due voci appartengono a qualsiasi calcolo. La Batch API di Anthropic dimezza entrambe le direzioni, a 5 USD in ingresso e 25 USD in uscita per milione di token. E fissare l'inferenza negli Stati Uniti presso Anthropic comporta, secondo la documentazione di Anthropic sulla residenza dei dati, un moltiplicatore di 1,1 su ingresso, uscita, scritture e letture di cache.

Una riga di benchmark merita qui una fiducia particolare, per una ragione raramente spiegata.

Il 1° settembre 2026 Anthropic indica per Claude Fable 5.1 su Terminal-Bench 4.0 il 55,8%. Nei risultati riportati da OpenAI per GPT-6 Astra, ripresi da DataCamp il 3 settembre 2026 e lì espressamente qualificati come dati del fornitore, Astra si colloca al 57,7% e Fable 5.1 compare con un 55,8% invariato.

Entrambi i fornitori arrivano quindi in modo indipendente alla stessa cifra per il modello dell'altro campo. È il riscontro singolo più solido disponibile in tutto questo confronto. Un fornitore ha scarso interesse a sopravvalutare un concorrente, e quando due parti con interessi opposti riportano la stessa cifra, ciò depone a favore di una cifra che sopravvive all'allestimento invece di essere una misurazione interna.

Restano tuttavia due limiti. Primo, nessuna delle due pubblicazioni indica quale harness, quale scaffold e quale livello di effort siano stati usati. Secondo, il divario di 1,9 punti percentuali è abbastanza piccolo da poter derivare proprio da quei fattori. La lettura difendibile è quindi: su Terminal-Bench 4.0 i due modelli sono vicini secondo i dati di entrambi i fornitori, con un lieve vantaggio di Astra secondo la misurazione di OpenAI.

La parte maggiore delle cifre pubblicate non appartiene a una tabella comune. Non è formalismo, è la differenza tra una base decisionale e un muro di numeri.

• OSWorld 2.0. Anthropic indica per Fable 5.1 due valori, 77,9% con credito parziale e 41,7% con valutazione rigorosa. Sul versante OpenAI compare per Astra un unico valore del 72,6%, senza indicazione della modalità di valutazione. Contrapporre 72,6 a 77,9 è infondato tanto quanto contrapporlo a 41,7. Finché la modalità di valutazione non coincide, qui non c'è un confronto ma solo una selezione.
• Finestra di contesto. Anthropic indica 1.000.000 di token, OpenAI 1.050.000 con un ingresso massimo di 922.000 token. Queste cifre non sono una misura di capacità sulla stessa scala, perché un token significa cose diverse a seconda del tokenizzatore. Anthropic scrive essa stessa che il tokenizzatore attuale produce per lo stesso testo circa il 30% di token in più rispetto al proprio precedente. Non esiste pubblicamente alcun dato tra fornitori sui token per parola, quindi la domanda su quale modello contenga più testo non è risolvibile a partire da fonti aperte.
• AutomationBench. Anthropic pubblica il 31,4% per Fable 5.1. Nel proprio annuncio OpenAI rivendica il primo posto sullo stesso benchmark, ma non vi indica alcuna cifra. Semplicemente non c'è nulla da confrontare.
• Righe in cui la cifra su Claude non proviene da Anthropic. Per ScreenSpot-Pro, FrontierMath Tier 4 v2, ExploitBench, ARC-AGI-3, GPQA Diamond e FrontierCode 1.1 esistono solo valori del versante OpenAI. La cifra su Claude in quelle righe è la misurazione di Claude effettuata da OpenAI e, in più casi, una misurazione di Claude Fable 5 o Claude Opus 5, non di Fable 5.1. Attribuirla ad Anthropic significa citare la fonte sbagliata e, in parte, anche il modello sbagliato.
• Livelli di effort. Entrambi i fornitori consentono un impegno di calcolo variabile per richiesta. In Anthropic già l'impostazione predefinita cambia a seconda della superficie: high in Claude Code, medium in claude.ai e Claude Cowork. Artificial Analysis misura ai livelli «max» e «xhigh». Una cifra di benchmark senza livello di effort dichiarato non è confrontabile con una cifra ottenuta a un livello diverso. Non è una sottigliezza: è la ragione più probabile per cui la stessa classifica mostra tre risultati su tre siti.

Un caso particolare merita un avvertimento: il 99,9% che circola per Astra su ARC-AGI-3 reca nella fonte la precisazione «adapter harness» e si affianca a un 7,8% del modello precedente. Un salto di circa 92 punti attraverso un cambio di harness descrive prima l'harness e solo dopo il modello. Quella cifra non appartiene ad alcun titolo.

Chi diffida delle cifre dei fornitori si rivolge alle classifiche indipendenti. In questo caso non aiuta, perché le classifiche si contraddicono tra loro, e per di più sullo stesso identico indice.

Artificial Analysis, nel proprio articolo del 3 settembre 2026, indica per l'Intelligence Index: GPT-6 Astra 61, GPT-5.6 Sol 61, Claude Fable 5.1 66, quest'ultimo al livello di effort massimo con una configurazione di ripiego che non è l'impostazione predefinita dell'API. BenchLM riporta lo stesso indice in modo diverso a settembre 2026: GPT-5.6 Sol guida con il 58,9% e Fable 5.1 si ferma al 53,7%. llm-stats, consultato il 10 settembre 2026, indica Fable 5.1 a 56,8, Astra a 54,7 e Claude Opus 5 a 54,1.

Tre fonti, un indice, tre ordinamenti. Non possono essere tutti aggiornati. Tra le cause plausibili vi sono date di rilevazione diverse, impostazioni di effort diverse e la confusione tra punti e percentuali. La conseguenza pratica è semplice: un valore dell'Intelligence Index senza l'indicazione del sito, della data e del livello di effort non è un'informazione. Artificial Analysis segnala del resto essa stessa risultati contrastanti, tra cui un calo di circa 80 punti Elo su GDPval-AA v2.

Resta l'arena. Neanche lì c'è qualcosa da ricavare: né Claude Fable 5.1 né GPT-6 Astra hanno una posizione in classifica su LMArena nelle istantanee di settembre 2026 raggiungibili qui, perché l'Elo d'arena richiede volume di voti e accumula settimane di ritardo rispetto alle uscite di frontiera. Anche se quei valori esistessero, sarebbero lo strumento sbagliato per questa decisione. La preferenza umana in confronto cieco misura la qualità percepita delle risposte su prompt scelti da chi vota, reagisce fortemente alla formattazione e alla prolissità e dice poco del lavoro agentico su orizzonti lunghi. Per un agente di programmazione o una piattaforma di lavoro della conoscenza non è il metro su cui allineare un acquisto.

In questo confronto c'è una riga che pesa più delle altre, per una ragione metodologica. Su FrontierCode 1.1 GPT-6 Astra si colloca, secondo i risultati riportati dalla stessa OpenAI, al 53,3%, dunque dietro Claude Fable 5 con il 53,5%.

Due precisazioni sono qui obbligatorie. Il valore di confronto riguarda Claude Fable 5, non Fable 5.1, e Anthropic non ha pubblicato alcun valore proprio per Fable 5.1 su questo benchmark. Il divario è di 0,2 punti percentuali e rientra quindi in qualsiasi dispersione di misura plausibile.

Ciononostante è il tipo di cifra più degno di fiducia che un annuncio di prodotto possa contenere. Un fornitore che pubblica una riga in cui la propria nuova ammiraglia resta dietro a un modello altrui non ha alcun incentivo di marketing a farlo. Chi vuole valutare quanto regga una tabella di benchmark dovrebbe innanzitutto cercare se righe di questo tipo vi compaiano. Una tabella in cui il fornitore che la pubblica vince ogni singola riga non è una misurazione, è una selezione.

Fin qui Anthropic è avanti su prezzo ed economia della cache ed è più o meno alla pari sui benchmark. Sulla governance dei dati il quadro si inverte completamente, e per un'azienda tedesca quella è la colonna che cambia un'architettura.

Sul versante Anthropic questo si legge nella documentazione della stessa azienda. Il parametro inference_geo accetta esattamente due valori, global e us, e come regione di archiviazione di un workspace è selezionabile soltanto us, fissata al momento della creazione. Il versante della conservazione è ancora più esplicito: Anthropic designa Fable 5.1 e Mythos 5.1 (oltre a Fable 5 e Mythos 5) come Covered Models che richiedono una conservazione dei dati di 30 giorni e non sono disponibili in regime di retention zero salvo autorizzazione espressa di Anthropic. Un'organizzazione soggetta a ZDR deve attivare la conservazione di 30 giorni per uno specifico workspace, altrimenti la richiesta viene respinta.

Sul versante OpenAI, la documentazione per sviluppatori sul trattamento dei dati afferma che l'Europa (SEE e Svizzera) supporta sia l'archiviazione regionale sia l'elaborazione regionale tramite eu.api.openai.com, configurata per progetto, con le regioni fuori dagli Stati Uniti che richiedono un'approvazione per i controlli di monitoraggio degli abusi e un addendum di conservazione modificata. La stessa pagina elenca gli endpoint idonei allo ZDR, tra cui /v1/chat/completions e /v1/responses, ed esclude espressamente Assistants, Threads, Vector Stores, il fine-tuning e Batches.

Qui la precisione conta più di una formulazione levigata: nessuna fonte trovata afferma positivamente che GPT-6 Astra sia idonea allo ZDR. Ciò che è documentato è che quegli endpoint supportano lo ZDR e che per gpt-6-astra non è pubblicata alcuna esclusione specifica di modello. L'assenza di una restrizione, però, non è un permesso. Chi vi fonda un'architettura dovrebbe farselo confermare contrattualmente anziché dedurlo da una lacuna documentale. In Anthropic la situazione è inequivocabile nella direzione opposta, perché l'esclusione è scritta nero su bianco.

Va corretta anche una frase molto ripetuta: «Claude ha la residenza dei dati nell'UE perché gira su AWS Francoforte». È vero esattamente quando acquisite Claude tramite un cloud partner come Amazon Bedrock o Google Cloud, dove è il fornitore cloud a fissare la regione e a essere responsabile del trattamento. Per l'API propria di Anthropic non vale. Per un instradamento regionale garantito Anthropic rimanda essa stessa agli endpoint regionali dei cloud partner, con un sovrapprezzo del 10% rispetto agli endpoint globali. Per una verifica GDPR quella distinzione è il punto centrale, perché determina con chi viene stipulato il contratto di trattamento.

Dal 2 agosto 2026 si applicano gli obblighi di trasparenza dell'articolo 50 del regolamento sull'IA, che impongono una marcatura leggibile dalle macchine dei contenuti sintetici. Anthropic dichiara che Fable 5.1 e Mythos 5.1 recano fin dal primo giorno una filigrana invisibile nel testo, e applica tale marcatura in tutto il mondo e non solo nell'UE. Per quanto arrivano le fonti disponibili, è una differenza reale.

Quella frase ha però bisogno di entrambe le metà. Non è stata trovata alcuna fonte che dica se l'output testuale di GPT-6 Astra sia marcato. L'approccio documentato di OpenAI alla provenienza, i Content Credentials C2PA insieme a SynthID, riguarda immagini e audio; le pagine raggiungibili non dicono nulla sul testo. Da questa lacuna non discende che OpenAI non marchi il testo. Per questo non lo affermiamo. OpenAI pubblica separatamente indicazioni per i clienti sul regolamento sull'IA.

E anche la filigrana di Anthropic regge meno di quanto il termine suggerisca. Anthropic scrive nella propria guida che un contrassegno rilevato indica che un contenuto potrebbe essere stato elaborato da Claude, non è pienamente conclusivo e da solo non conferma la provenienza del contenuto. L'API di rilevamento corrispondente è inoltre in anteprima privata per organizzazioni selezionate. Come tassello di un'argomentazione di conformità la filigrana è utilizzabile; come mezzo di prova no.

Se da questo confronto portate via una sola regola, sia questa: con due modelli di frontiera vicini sulle cifre difendibili e con prezzi di listino identici, una riga di benchmark decide raramente. Il divario su Terminal-Bench 4.0 è di 1,9 punti percentuali senza harness dichiarato. Su FrontierCode 1.1 è di 0,2 punti in direzione opposta, contro un modello Claude più vecchio. Divari simili si spostano con la release successiva e non cambiano alcuna architettura.

Ciò che cambia un'architettura sta nella colonna della governance. Un'organizzazione vincolata alla retention zero non può impiegare Claude Fable 5.1 tramite l'API propria di Anthropic senza autorizzazione espressa, per quanto buono sia il modello. Un'organizzazione che esige inferenza all'interno dell'UE trova quella via presso Anthropic solo attraverso un cloud partner, con il relativo sovrapprezzo e un diverso responsabile del trattamento nel contratto. Al contrario, il vantaggio di Anthropic sulla lettura di cache è reale e cresce con la quota di lavoro agentico in cui lo stesso contesto viene letto centinaia di volte.

In pratica: chiarite prima gli obblighi, poi i costi e solo alla fine i benchmark. Nell'ordine inverso costruirete un sistema che misura bene e non regge alla conversazione sulla protezione dei dati. E per ogni cifra che qualcuno vi mostra, verificate tre cose: chi l'ha riportata, quando e a quale livello di effort.

Che cosa abbia cambiato la pubblicazione in sé per un'azienda tedesca lo trattiamo nel nostro articolo su Claude Fable 5.1. Come si comporta il modello nel lavoro di progetto in corso lo trattiamo in capacità nella pratica. E se la risposta alla domanda di governance è che i dati non devono affatto uscire dall'azienda, la strada passa per il bilanciamento tra on-premise e cloud, non per una classifica.