Agente AI per ricerca aziendale: GPT-6 Astra dimezza tempi e costi

Un agente AI per ricerca aziendale costruito da Parallel ha raccolto 6 statistiche sul mercato del lavoro in 4 stati su un arco di 6 mesi, cercandole su più siti e chiudendo tutto in un unico report. Con GPT-6 Astra ci è riuscito in metà del tempo e con circa il 50% di costo in meno rispetto ai modelli precedenti, a parità di qualità, secondo il caso studio pubblicato da OpenAI. I numeri del modello li abbiamo già messi in fila in GPT-6 Astra: benchmark e prezzi. Qui interessa altro: quanto costa un singolo compito a un agente, e quanto del risultato viene dal modello e quanto da come l’agente è costruito.

In questo articolo scoprirai:

• cosa ha fatto l’agente di Parallel e cosa OpenAI non ha pubblicato del test
• perché meno passaggi e query più mirate abbassano il costo per task
• come si stima quanto costa al mese un agente AI di ricerca
• quali meriti vanno al modello e quali all’agente
• come dividere la ricerca tra sub-agent e misurare il guadagno sul tuo compito

Il test di Parallel sull’agente AI per ricerca aziendale

Parallel è una startup che costruisce infrastruttura web per agenti AI, e ha messo GPT-6 Astra alla prova su un lavoro tipico da analista. Il compito: trovare 6 statistiche sul mercato del lavoro in 4 stati per 6 mesi, consultare più siti e aggregare tutto in un solo report. Secondo OpenAI, Astra l’ha chiuso in metà del tempo e con circa il 50% di costo in meno, con la stessa qualità dei modelli di frontiera precedenti.

Dietro Parallel Web Systems c’è Parag Agrawal, ex CEO di Twitter. Come riportava SiliconANGLE ad aprile 2026, la società ha raccolto 100 milioni di dollari in un round di serie B guidato da Sequoia Capital, a una valutazione di 2 miliardi. Sulla piattaforma lavorano oltre 100.000 sviluppatori.

Il caso però ha dei vuoti, e vanno detti. OpenAI non nomina i modelli usati come confronto, non dice quali stati né quali siti ha consultato l’agente e non spiega con quale metrica ha giudicato la parità di qualità. Nemmeno la ripresa di Complete AI Training aggiunge questi dettagli. Il dato va quindi letto per ciò che è: la misura di un cliente, non un benchmark indipendente. Resta prezioso perché riguarda un compito reale e ripetibile. È lo stesso lavoro che in azienda fa chi prepara un’analisi di mercato, un report per il management o una due diligence.

GPT-6 Astra nell’agente AI di ricerca: meno step, query più mirate

Un agente di ricerca risparmia quando fa meno giri. Ogni step, cioè ogni passaggio del ciclo cerca-leggi-decidi di un agente AI, costa una chiamata al modello, una ricerca sul web e un certo numero di token, le unità di testo su cui si paga l’API. Se il modello scrive query più precise e sa già dove guardare, il ciclo si accorcia, e il conto con lui.

È proprio quello che ha osservato Parallel. Astra ha emesso query più mirate e ha impiegato meno passaggi per arrivare a un risultato utile. Secondo Devin Gupta, Member of Technical Staff di Parallel, il modello si è «concentrato meglio sul compito finale, incorporando la propria conoscenza del mondo rispetto ai modelli precedenti», come riporta Complete AI Training. Nel caso pubblicato da OpenAI la sintesi di Gupta è netta: «Con Astra abbiamo dimostrato che si può ottenere la stessa ricerca di alta qualità molto, molto più velocemente, con meno chiamate di ricerca e meno token».

Per capire perché conta, basta guardare la forma del compito. Sei statistiche per quattro stati per sei mesi fanno fino a 144 valori, se ogni statistica è mensile (il conto è nostro, non di Parallel). Un agente che cerca valore per valore moltiplica le chiamate. Uno che sa che una sola tabella ufficiale può contenere tutti gli stati ne fa una frazione. Ecco dove la world knowledge, la conoscenza generale che il modello si porta dall’addestramento, diventa risparmio: non sostituisce la ricerca, la indirizza.

Quanto costa al mese un agente AI per la ricerca

Il costo mensile di un agente AI di ricerca è una moltiplicazione: numero di task al mese per costo di un singolo task. Il secondo fattore dipende da quante chiamate fa l’agente e da quanti token consuma, ed è quello che Parallel ha dimezzato. Il caso non attribuisce il risparmio a un listino più basso: viene dal fare lo stesso lavoro con meno chiamate di ricerca e meno token.

Come riferimento, la documentazione per sviluppatori di OpenAI fissa GPT-6 Astra a 10 dollari per milione di token in input e 50 in output, con l’input già in cache a 1 dollaro. Batch e Flex costano il 50% della tariffa standard, la modalità Fast il doppio. Sopra i 272.000 token di input in una singola richiesta il prezzo sale. Un esempio con numeri ipotetici, calcolato su quel listino e con i token sommati su tutte le chiamate di un task:

L’ultima riga vale per la ricerca che non serve in tempo reale, come il report del lunedì, e accetta risposte più lente.

Ricerche web e costi nascosti di un agente AI di ricerca

Al conto del modello si sommano le ricerche web vere e proprie, che hanno un loro listino: le API di Parallel partono da 1 dollaro ogni 1.000 richieste, con 5.000 richieste gratuite al mese. E c’è il costo che nessun listino mostra, fatto di integrazione, manutenzione e persone. È lì che si decide il ritorno dell’investimento, ed è il motivo per cui, se l’AI generativa non genera ROI, il problema non è la tecnologia.

La migliore AI per la ricerca aziendale: modello o agente

Non esiste una migliore AI per la ricerca aziendale in astratto: esiste il sistema che fa meglio il tuo compito, a un costo che puoi sostenere. Il caso Parallel lo mostra bene, perché il risultato si divide in due parti che dipendono da cose diverse.

Al modello vanno le query mirate, i passaggi in meno e l’uso della conoscenza del mondo. È la parte che migliora quando si cambia modello, a patto che qualcuno aggiorni l’agente e verifichi che non si rompa nulla. È il tema di chi aggiorna il modello dell’agente.

All’agente va tutto il resto. Parallel offre API pensate per gli agenti, dalla ricerca all’estrazione di pagine, fino a una Task API che, spiega il sito di Parallel, allega a ogni fatto citazioni, estratti delle fonti e punteggi di confidenza calibrati. La stessa API lavora a profondità diverse. Secondo la documentazione della Task API, il livello lite risponde in circa 45 secondi di mediana su un paio di campi, mentre l’ultra impiega circa 4 minuti su una ventina. Scegliere il livello giusto è orchestrazione, non modello. E la parità di qualità del test esiste solo perché Parallel ha un modo per misurarla. Per questo in un agente aziendale il servizio conta più del modello.

I migliori agenti AI per la ricerca: cosa guardare

I migliori agenti AI per la ricerca si riconoscono da come lavorano, non dal modello che montano. Cinque controlli dicono più di qualunque classifica:

• citano la fonte di ogni dato, così un analista può verificarlo in pochi secondi;
• dichiarano quanto sono sicuri di ogni risposta;
• hanno un costo per task misurato, non solo un listino;
• dividono il lavoro e ricompongono i risultati senza doppioni;
• vengono valutati sul tuo compito, con risposte già verificate a mano.

ChatGPT è un’altra cosa: un assistente conversazionale generalista, basato sui modelli linguistici di OpenAI, ottimo per esplorare un tema. Un agente di ricerca invece lavora da solo su processi ripetibili. Le differenze le trovi nella nostra guida completa a ChatGPT.

Come creare un agente AI di ricerca con sub-agent

Un agente di ricerca con sub-agent divide il lavoro tra più agenti secondari che cercano in contemporanea e un coordinatore che ricompone i risultati. Secondo il caso ripreso da Complete AI Training, l’efficienza di Astra ha reso pratica questa divisione ed eliminato il collo di bottiglia delle ricerche in sequenza.

La logica è economica: se ogni agente costa la metà, lanciarne quattro invece di uno diventa sostenibile. Il moltiplicatore è reale: descrivendo il proprio sistema di ricerca multi-agente, Anthropic ha rilevato che gli agenti consumano circa 4 volte i token di una chat e i sistemi multi-agente circa 15 volte. Nel test si potrebbe immaginare un sub-agent per stato, ciascuno con 36 valori da trovare (6 statistiche per 6 mesi), oppure un sub-agent per statistica. Sono ipotesi nostre: Parallel non ha pubblicato come ha diviso il lavoro.

Il punto debole è la ricomposizione. Due sub-agent possono trovare lo stesso dato su siti diversi e contarlo due volte. Possono usare serie non confrontabili, una destagionalizzata e una grezza, o fermarsi a fonti aggiornate a date diverse. Accorgersene è compito dell’agente, non del modello. The New Stack ha dedicato ad Astra un titolo che vale come promemoria: «Astra di OpenAI può fare una settimana di lavoro di un ricercatore. Ed è questo il problema». Per un’azienda la conseguenza pratica è una sola: più il lavoro è autonomo, più serve un controllo a valle. Chi parte da zero trova il metodo in come creare agenti AI su misura.

Misurare tempo, costo e qualità prima di cambiare modello

Per sapere se un modello nuovo conviene, si replica il test di Parallel su un compito fisso dell’azienda, sempre lo stesso, prima e dopo il cambio. Si misurano tre cose: il tempo per chiudere il task, il costo per task letto dai log di chiamate e token, e la qualità, confrontando l’output con un insieme di risposte verificate a mano. Tempo e costo contano solo se la qualità regge.

Da questo caso restano tre lezioni. L’efficienza di un agente di ricerca si misura in chiamate e token per task. Il risultato di Parallel viene in parte dal modello e in parte dall’agente costruito intorno. E prima di cambiare modello si misura sul proprio compito. Chi ha già un agente in produzione e valuta più modelli può partire da quando usare Claude, GPT o Gemini negli agenti aziendali.

Costruire l’agente e misurarlo sul proprio compito è il lavoro che in MIMIR affianchiamo al prodotto: un’assistenza dedicata che segue l’onboarding dell’agente in azienda. Se hai un’esigenza di ricerca o di automazione con agenti AI, puoi parlarne con il team di MIMIR per una consulenza.

Se vuoi seguire ogni giorno casi come questo, ne parliamo anche su MimírCast, il nostro podcast quotidiano sull’AI.

Fonti:

• OpenAI: come Parallel ha dimezzato tempi e costi con GPT-6 Astra
• OpenAI Developers: scheda e prezzi API di GPT-6 Astra
• Complete AI Training: GPT-6 Astra dimezza tempi e costi della ricerca di Parallel
• SiliconANGLE: la startup di Parag Agrawal raccoglie 100 milioni di dollari
• Parallel: API web per agenti AI e prezzi
• Parallel Docs: come scegliere il processor della Task API
• Anthropic: come abbiamo costruito il nostro sistema di ricerca multi-agente
• The New Stack: Astra e gli agenti persistenti di OpenAI