#Finsubito news dalla rete – GPT-6 Luna a 10x, Sfida Cloud [2026] – Tech Insider Italia

Il 6 ottobre 2026 OpenAI ha aperto a tutti gli sviluppatori la beta pubblica della sua Decisions API, un endpoint che non genera testo ma restituisce risposte vincolate: una probabilità, una scelta tra opzioni predefinite o un punteggio su una scala. Cinque giorni prima, il 1° ottobre, Cloudflare e Amazon avevano già mosso lo stesso passo con due modelli open weight pensati per lo stesso scopo. In meno di una settimana tre colossi del cloud hanno certificato un cambio di rotta nell’industria dell’intelligenza artificiale: non tutta l’AI del futuro dovrà scrivere frasi, molta dovrà solo decidere, e farlo rapidamente, a basso costo e in modo verificabile. Questo articolo analizza numeri, prezzi, architetture e implicazioni di mercato di questa nuova generazione di “modelli decisionali”, con un confronto diretto tra OpenAI, Cloudflare e Amazon e uno sguardo a cosa cambia per le aziende europee sotto l’AI Act.

Cos’è la Decisions API di OpenAI: numeri e specifiche tecniche

La Decisions API è un endpoint dedicato, separato dalla classica Responses API, raggiungibile su POST /v1/decisions. L’idea di base è semplice: lo sviluppatore definisce una domanda e un insieme chiuso di risposte ammesse, il modello valuta le evidenze fornite (testo, immagini o entrambi) e restituisce esclusivamente una risposta tipizzata, non un paragrafo. OpenAI ha annunciato il prodotto al DevDay di fine settembre 2026 come preview limitata, per poi aprirlo in beta pubblica il 6 ottobre. L’azienda prevede la disponibilità generale (GA) “nelle prossime settimane”, senza una data precisa.

Il motore dietro l’endpoint è GPT-6 Luna, il modello più piccolo e più economico della famiglia GPT-6 di OpenAI, qui usato in una modalità operativa diversa da quella conversazionale standard. Secondo la documentazione ufficiale, la Decisions API elabora le richieste fino a 10 volte più rapidamente rispetto a GPT-6 Luna richiamato tramite la Responses API tradizionale. Il prezzo è fissato a 0,10 dollari per milione di token in input, e OpenAI specifica che non vengono addebitati né i token di output né i costi di cache read o cache write, una struttura tariffaria pensata apposta per workload ad altissimo volume e bassa latenza.

I tre formati di output documentati sono: predicates (una probabilità tra 0 e 1 che una condizione sia vera), choices (una scelta tra opzioni predefinite con relativo livello di confidenza) e scores (una valutazione numerica su una scala o rubrica definita dallo sviluppatore). I casi d’uso elencati da OpenAI includono classificazione dei contenuti, instradamento delle richieste verso il modello o lo strumento più adatto, analisi di immagini, navigazione di moduli e rilevamento di chiamate a tool potenzialmente rischiose all’interno di sistemi agentici.

GPT-6 Luna: il modello dietro l’endpoint decisionale

GPT-6 Luna non è un modello nuovo di zecca: fa parte della gamma GPT-6 lanciata nei mesi precedenti, pensata per compiti leggeri e ad alto throughput, in contrapposizione ai modelli di punta come GPT-6 Astra o GPT-6.1 Sol destinati a ragionamento complesso. La scelta di OpenAI di vincolare la Decisions API esclusivamente a questo modello non è casuale: Luna è già ottimizzato per bassa latenza e basso costo, caratteristiche che diventano ancora più centrali quando il modello deve essere chiamato migliaia di volte al secondo all’interno di una pipeline agentica, per esempio per decidere se instradare una richiesta a un modello più costoso.

È interessante notare che, secondo quanto riportato dal changelog ufficiale degli sviluppatori OpenAI, il tavolo degli endpoint del modello non menziona esplicitamente la Decisions API come capacità separata, un dettaglio che diversi osservatori del settore hanno segnalato come segno della rapidità con cui OpenAI sta spingendo nuove funzionalità in produzione prima ancora di documentarle in modo completo. Questo approccio “ship first, document later” è coerente con la cadenza di rilascio del laboratorio nel 2026: solo nell’ultima settimana sono stati osservati più aggiornamenti di prodotto che in intere trimestrali di due anni fa.

Cloudflare risponde con Clef e Clef-flash, open weight su Workers AI

Il giorno prima ancora che OpenAI aprisse la beta pubblica, Cloudflare aveva già pubblicato i pesi di due modelli pensati esattamente per lo stesso scopo: Clef e una variante più leggera, Clef-flash. Entrambi sono stati rilasciati il 1° ottobre 2026 con licenza Apache 2.0, completamente open weight, e resi disponibili direttamente tramite la piattaforma Workers AI dell’azienda, come riportato da DataNorth. La differenza strategica rispetto a OpenAI è netta: dove Decisions API è un endpoint gestito e a pagamento, Clef è un modello che chiunque può scaricare, ospitare sulla propria infrastruttura e modificare liberamente.

Questa scelta riflette il posizionamento storico di Cloudflare come fornitore di infrastruttura edge a basso costo: offrire un modello decisionale open weight ottimizzato per girare vicino all’utente finale, su Workers AI, rafforza l’argomento commerciale dell’azienda contro i grandi provider cloud centralizzati. Secondo alcune analisi indipendenti pubblicate subito dopo il lancio, Clef si comporterebbe meglio nei compiti di instradamento (routing) rispetto al concorrente di Amazon, ma peggio nei compiti di valutazione soggettiva (judgment). Va detto che questi confronti arrivano da fonti secondarie e non da benchmark standardizzati verificati in modo indipendente, quindi vanno presi come indicazioni preliminari piuttosto che come dati definitivi.

Amazon Strands Labs: Strands Decider 2B e la “pointer head”

Sempre il 1° ottobre 2026, il team Strands Labs di Amazon ha pubblicato Strands Decider 2B, anch’esso con licenza Apache 2.0 e, particolare non scontato, accompagnato anche da dati e script di addestramento completi, non solo dai pesi finali. Il modello conta 2 miliardi di parametri ed è costruito sopra Qwen3.5-2B, il modello open source di Alibaba, con una modifica architetturale specifica: al posto della consueta testa di generazione testuale (text head), Strands Decider 2B usa quella che viene descritta come una “pointer head”, cioè un meccanismo che assegna direttamente un punteggio alle opzioni predefinite invece di generare token linguistici da interpretare successivamente.

Questa differenza architetturale non è solo un dettaglio tecnico: significa che il modello non deve “scrivere” una risposta e poi fare il parsing del testo per estrarre la decisione, un passaggio che introduce latenza e margine di errore. La pointer head punta direttamente alla risposta corretta tra quelle disponibili, un approccio concettualmente più vicino ai classificatori neurali tradizionali che ai moderni LLM generativi, pur partendo da un modello linguistico pre-addestrato su larga scala. Secondo un report del sito beri.net, non verificato in modo indipendente, Strands Decider 2B otterrebbe circa il 72% di accuratezza sul benchmark pubblico “JevBench v19”: un dato interessante ma che, in assenza di una definizione completa della metodologia del test, va trattato con cautela.

Tabella comparativa: OpenAI vs Cloudflare vs Amazon

Perché le aziende abbandonano la chat generativa per le decisioni vincolate

Il vantaggio centrale di un modello decisionale rispetto a un chatbot generativo sta nel controllo dell’output. Un modello conversazionale può produrre una risposta plausibile ma difficile da validare in automatico: una frase in linguaggio naturale richiede un ulteriore livello di interpretazione prima che un software possa agire di conseguenza. Un modello decisionale, al contrario, restituisce direttamente un tipo di dato strutturato, utilizzabile dal codice senza passaggi intermedi. Questo riduce almeno quattro variabili critiche per chi costruisce sistemi agentici in produzione: la latenza, perché non serve generare una spiegazione estesa; i costi, perché bastano modelli più piccoli e pochi token; il rischio di output non conforme, perché le risposte sono vincolate a un insieme chiuso di opzioni; e la complessità di integrazione, perché il risultato è consumabile direttamente da workflow e pipeline.

Questo non significa che la decisione sia automaticamente più affidabile di una generata in linguaggio naturale. Una classificazione errata può comunque bloccare un utente legittimo, instradare dati verso il modello sbagliato o, nel peggiore dei casi, autorizzare un’azione pericolosa all’interno di un agente autonomo. Per i casi ad alto impatto, gli stessi fornitori raccomandano soglie di confidenza, revisione umana periodica, logging completo delle decisioni e valutazioni calibrate nel tempo, esattamente come si fa oggi con i sistemi antifrode bancari.

Il mercato dei modelli decisionali: dimensioni e posizionamento

Non esiste ancora una stima di mercato indipendente e verificata specifica per la categoria “decision AI” lanciata in questa forma nell’ottobre 2026, e qualsiasi cifra circolata online andrebbe trattata con sospetto. È però possibile collocare il fenomeno dentro segmenti già noti e misurabili: il software di machine learning per classificazione e scoring, l’intelligenza artificiale inferenziale per contact center e antifrode, il routing e l’orchestrazione per agenti AI, le API di valutazione e guardrail, e il più ampio mercato del software decisionale aziendale. La vera novità non è l’esistenza della classificazione automatica, concetto vecchio di decenni, ma la combinazione inedita di modelli linguistici capaci di comprendere testo e immagini, output tipizzati pronti all’uso, integrazione diretta dentro agenti software e disponibilità sia come API gestita sia come pesi apribili e modificabili.

Il fatto che tre attori di peso come OpenAI, Cloudflare e Amazon abbiano lanciato prodotti concettualmente identici nello spazio di cinque giorni, senza che nessuno sembri averlo copiato dall’altro in tempi così ristretti, è un segnale forte: la domanda di mercato per questo tipo di strumento esisteva già, probabilmente alimentata dalla crescita degli agenti AI che devono prendere micro-decisioni operative migliaia di volte al giorno, e i laboratori stavano lavorando in parallelo sulla stessa soluzione.

Confronto storico: dai classificatori ML del 2015-2020 ai modelli decisionali di oggi

Chi ha lavorato nel machine learning prima dell’ondata dei grandi modelli linguistici riconoscerà in questa architettura un’eco di qualcosa di familiare. Tra il 2015 e il 2020 i classificatori aziendali erano in gran parte addestrati su una tassonomia fissa, spam o non spam, categoria A, B o C, rischio basso, medio o alto, usando regressione logistica, alberi decisionali, gradient boosting, support vector machine o reti neurali specializzate di dimensioni ridotte. Ogni nuova regola richiedeva, nella maggior parte dei casi, un nuovo addestramento o quantomeno un fine-tuning dedicato.

I modelli decisionali del 2026 differiscono per alcuni aspetti sostanziali: possono interpretare istruzioni in linguaggio naturale senza che lo sviluppatore debba addestrare un classificatore separato per ogni nuova regola, possono combinare testo e immagini nello stesso input, accettano domande e opzioni definite dinamicamente a runtime, supportano più formati di output contemporaneamente, e possono essere inseriti direttamente nei loop decisionali di agenti autonomi. Ereditano inoltre, dal pre-addestramento su larga scala tipico degli LLM, una capacità di generalizzazione che un classificatore tradizionale addestrato da zero su un dataset ristretto semplicemente non possiede. La differenza, però, non è assoluta: dal punto di vista statistico, una “choice” con punteggio di confidenza resta comunque una forma di classificazione, e una “score” resta una valutazione supervisionata o basata su rubrica. Il vero cambiamento è nel livello di interfaccia, nella generalità del modello sottostante e nella sua integrazione nativa con il software agentico, non nella sostanza matematica del problema risolto.

Impatto sul mercato enterprise e casi d’uso concreti

I settori più propensi ad adottare rapidamente modelli decisionali sono quelli che già oggi dipendono da regole di classificazione automatica ad alto volume. Nell’antifrode e nei pagamenti, un modello come Decisions API o Clef potrebbe valutare in tempo reale la probabilità che una transazione sia fraudolenta, restituendo un punteggio numerico immediatamente consumabile da un sistema di blocco automatico. Nella moderazione dei contenuti, lo stesso schema si applica alla classificazione di testo e immagini caricate dagli utenti. Nel customer care, i modelli decisionali possono instradare un ticket verso l’agente umano o il bot più adatto senza dover generare una spiegazione testuale del perché. Nei sistemi agentici più complessi, infine, un modello decisionale può fare da “guardia” che autorizza o blocca una chiamata a uno strumento esterno prima che venga eseguita, un uso che diventa sempre più rilevante man mano che gli agenti AI ottengono accesso a sistemi di produzione reali.

Per le aziende che già usano GPT-6 Luna o modelli equivalenti all’interno di pipeline agentiche, il vantaggio economico è diretto: se una parte sostanziale delle chiamate al modello serve solo a prendere una decisione binaria o a scegliere tra poche opzioni, spostare quel traffico sulla Decisions API a 0,10 dollari per milione di token input, senza costi di output, può tagliare in modo significativo la spesa complessiva rispetto all’uso della Responses API standard per lo stesso compito.

Reazioni dei competitor: il silenzio di Google, Microsoft, Meta, Anthropic e Mistral

A oggi, 7 ottobre 2026, non risultano dichiarazioni verificabili da parte di Google, Microsoft, Meta, Anthropic o Mistral che annuncino un prodotto equivalente o che commentino direttamente i lanci di OpenAI, Cloudflare e Amazon. Questo silenzio non significa inattività: è plausibile che ciascuno di questi laboratori stia valutando se e come posizionare un’offerta simile, dato che tutti dispongono già di modelli di piccole dimensioni adatti a un riadattamento in questa direzione, da Gemini Flash di Google ai modelli Mistral Small. La corsa dei prossimi mesi si giocherà probabilmente su due fronti paralleli: chi offre l’endpoint gestito più economico e veloce, e chi offre i pesi open weight più facilmente adattabili alle infrastrutture on-premise delle aziende regolamentate, un fattore che pesa molto in Europa.

L’Europa e l’AI Act: cosa cambia per i modelli decisionali

Per le aziende italiane ed europee, l’arrivo di questi strumenti pone una domanda diretta: un modello che decide se bloccare un pagamento, respingere una domanda di credito o segnalare un contenuto come a rischio rientra tra i sistemi ad alto rischio disciplinati dall’AI Act? La risposta dipende dal contesto d’uso specifico, non dal modello in sé: lo stesso endpoint può essere impiegato per un compito a basso impatto, come instradare una richiesta di supporto, oppure per un compito ad alto impatto, come valutare l’affidabilità creditizia di una persona. In Europa, dove il trattamento dei dati personali e la tracciabilità delle decisioni automatizzate sono già sotto osservazione regolatoria, l’adozione di modelli decisionali di questo tipo richiederà quasi certamente documentazione dettagliata su soglie di confidenza, criteri di fallback e meccanismi di supervisione umana, soprattutto quando l’output del modello influisce direttamente su diritti o opportunità delle persone. Al momento non risultano casi documentati e attribuibili di adozione italiana o europea di Decisions API, Clef o Strands Decider 2B, ma l’interesse potenziale riguarda in particolare i settori bancario, assicurativo e della pubblica amministrazione digitale.

Tabella: licenze, distribuzione e strategia commerciale

Previsioni per i prossimi 12 mesi

• Google e Microsoft risponderanno entro il primo trimestre 2027. Entrambi dispongono già dei modelli compatti (Gemini Flash, modelli Phi) necessari per offrire un prodotto equivalente, ed è probabile che lo trasformino in una funzionalità di piattaforma piuttosto che in un prodotto a sé stante.
• I prezzi degli endpoint decisionali scenderanno ulteriormente. La struttura a 0,10 dollari per milione di token input senza costi di output stabilita da OpenAI diventerà probabilmente lo standard di riferimento che i concorrenti dovranno eguagliare o battere.
• I modelli open weight come Clef e Strands Decider guadagneranno terreno nelle aziende regolamentate europee. La possibilità di eseguire il modello on-premise, con piena tracciabilità dei dati di training, risponde direttamente alle preoccupazioni di conformità che un endpoint gestito negli Stati Uniti non può soddisfare allo stesso modo.
• Emergeranno benchmark standardizzati indipendenti per i modelli decisionali, oggi ancora assenti, man mano che più aziende dovranno scegliere tra OpenAI, Cloudflare e Amazon sulla base di dati comparabili e non di claim di marketing.
• L’AI Act europeo porterà a linee guida più specifiche su come classificare i modelli decisionali usati in contesti ad alto rischio, distinguendoli dai chatbot generativi con cui condividono l’architettura ma non necessariamente il livello di rischio regolatorio.

Rischi e limiti dei modelli decisionali

Nonostante l’entusiasmo del lancio, i modelli decisionali portano con sé rischi specifici che vanno oltre quelli dei chatbot generativi. Primo, l’illusione di oggettività: un numero o una scelta vincolata sembrano più affidabili di una frase, ma restano comunque il prodotto di un modello statistico che può sbagliare, e la forma strutturata dell’output non elimina il rischio di bias nei dati di addestramento. Secondo, la responsabilità in caso di errore: quando un modello decisionale blocca un pagamento legittimo o nega l’accesso a un servizio, stabilire chi risponde dell’errore, se il fornitore del modello o l’azienda che lo ha integrato, resta un terreno giuridico in evoluzione, specialmente in Europa. Terzo, la dipendenza da un singolo modello: la Decisions API di OpenAI funziona solo con GPT-6 Luna, il che significa che un cambiamento di comportamento del modello in un aggiornamento futuro potrebbe alterare silenziosamente le decisioni prese da migliaia di applicazioni che ci si affidano. Infine, la mancanza di benchmark indipendenti e maturi rende oggi difficile per un’azienda scegliere tra le tre opzioni disponibili sulla base di dati solidi piuttosto che di dichiarazioni dei singoli fornitori.

Domande frequenti sui modelli decisionali AI

Cos’è esattamente la Decisions API di OpenAI?
È un endpoint API, separato dalla Responses API, che restituisce risposte vincolate (probabilità, scelte tra opzioni predefinite o punteggi) invece di testo libero, basato sul modello GPT-6 Luna, disponibile in beta pubblica dal 6 ottobre 2026.

Quanto costa usare la Decisions API?
0,10 dollari per milione di token in input. Non ci sono costi per i token di output né per le operazioni di cache read o cache write, secondo la documentazione ufficiale OpenAI.

Cosa sono Clef e Clef-flash di Cloudflare?
Sono due modelli open weight con licenza Apache 2.0 rilasciati da Cloudflare il 1° ottobre 2026, pensati per decisioni strutturate e disponibili tramite la piattaforma Workers AI, con possibilità di self-hosting.

Cos’è Strands Decider 2B di Amazon?
È un modello open weight da 2 miliardi di parametri, sviluppato dal team Strands Labs di Amazon su base Qwen3.5-2B, con una “pointer head” che assegna punteggi direttamente alle opzioni invece di generare testo, rilasciato il 1° ottobre 2026 con licenza Apache 2.0, dati e script di training inclusi.

I modelli decisionali sostituiranno i chatbot generativi?
No, sono complementari. I chatbot generativi restano necessari per conversazioni aperte e output narrativi, mentre i modelli decisionali servono per compiti con un insieme chiuso e definito di risposte possibili, come routing, classificazione o scoring.

Un’azienda europea può usare questi modelli senza problemi di conformità?
Dipende dal caso d’uso. Se la decisione automatizzata influisce su diritti o opportunità delle persone, come l’accesso al credito, è probabile che rientri tra le applicazioni che l’AI Act sottopone a requisiti più stringenti di documentazione, trasparenza e supervisione umana, indipendentemente dal fornitore del modello.

Esistono benchmark indipendenti che confrontano OpenAI, Cloudflare e Amazon su questi modelli?
Non ancora in modo robusto. Alcuni confronti preliminari, come il presunto 72% di accuratezza di Strands Decider 2B sul benchmark JevBench v19 riportato da fonti secondarie, non sono stati verificati in modo indipendente e vanno considerati indicativi, non definitivi.

Quali settori adotteranno prima i modelli decisionali?
Antifrode e pagamenti, moderazione dei contenuti, customer care automatizzato e sistemi agentici che devono autorizzare o bloccare azioni in autonomia sono i candidati più immediati, per via dell’alto volume di decisioni ripetitive che già gestiscono con strumenti meno sofisticati.