Multi-modello negli agenti AI aziendali: quando Claude, quando GPT, quando Gemini

Chi si chiede quale modello AI per agenti aziendali scegliere sta facendo la domanda giusta con la grammatica sbagliata. Non perché la scelta non conti, conta moltissimo, e sbagliarla si vede in bolletta e in qualità delle risposte, ma perché la domanda presuppone che esista un modello, uno solo, da incastonare nell’architettura e non toccare più. Nel 2026 quella premessa è morta. La leadership sui benchmark è spaccata per tipo di task: chi vince sul codice perde sulla ricerca web, chi costa un sesto degli altri è competitivo su metà dei compiti e inadeguato sull’altra metà. E i prezzi si muovono: il listino introduttivo di Gemini 3.7 Flash raddoppia il 1° gennaio 2027, il che significa che un’architettura congelata oggi diventa più cara fra quattro mesi senza che nessuno abbia toccato una riga di codice. Vediamo come si costruisce un agente multi-modello, cosa si risparmia davvero, e perché la scelta ha una data di scadenza.

In questo articolo scoprirai:

• Perché non esiste un solo modello migliore per gli agenti AI in azienda
• Come funziona il routing per task: scegliere il modello richiesta per richiesta
• Coding e revisione del codice: dove Claude Opus 5 è ancora avanti
• RAG e domande sui documenti aziendali: il caso del modello economico
• Function calling, visione e i task dove il vincitore cambia ancora

Perché non esiste un solo modello migliore per gli agenti AI in azienda

La risposta più onesta alla domanda «qual è il miglior LLM per gli agenti» è che la leadership cambia a seconda del compito, non del fornitore. Non è un’opinione da blog: si vede nei numeri dei benchmark pubblici, dove lo stesso modello passa dal primo posto al quarto a seconda di cosa gli si chiede.

Prendiamo l’ultima generazione con benchmark comparabili pubblicati. Su SWE-bench Verified, che misura la capacità di risolvere issue reali su repository GitHub, Claude Opus 4.7 arriva all’87,6% contro l’80,6% di Gemini 3.1 Pro. Sulla variante più dura, SWE-bench Pro, il distacco si allarga: 64,3% contro il 57,7% di GPT-5.4 e il 54,2% di Gemini. Su MCP-Atlas, che misura l’uso di strumenti su larga scala, di nuovo Claude davanti con il 77,3% contro il 68,1% di GPT-5.4.

Dove la classifica dei modelli per agenti aziendali si ribalta

Poi si cambia compito e la classifica si ribalta. Su BrowseComp, il benchmark della ricerca agentica sul web, GPT-5.4 Pro vince con l’89,3%, Gemini 3.1 Pro segue all’85,9% e Claude Opus 4.7 scende al 79,3% (dati raccolti da Vellum), ultimo dei tre, dopo essere stato primo su tre metriche consecutive. Non è un dettaglio da nerd dei benchmark: significa che un agente che deve navigare, cercare e sintetizzare fonti esterne dovrebbe usare un modello diverso da quello che gli scrive il codice.

Il mercato anglosassone ha già metabolizzato questa conclusione. La sintesi di ibl.ai è netta: «non esiste un solo LLM migliore per l’azienda, esiste il modello migliore per ogni caso d’uso, e la libertà di cambiarlo». Il vero rischio strategico, aggiungono, non è scegliere il modello sbagliato: è costruire un sistema in cui cambiarlo significa ricostruire tutto. Se capire come funziona un large language model aiuta a leggere questi numeri, capire come si incastra dentro un agente AI è quello che serve per decidere.

Come funziona il routing per task: scegliere il modello richiesta per richiesta

Il routing multi-modello è l’idea di non decidere una volta sola. Davanti al modello si mette un componente, il router, che guarda la singola richiesta e la manda al modello adatto: la classificazione di un’email a un modello economico, la revisione di una pull request a quello più forte sul codice, la ricerca su fonti esterne a quello che naviga meglio. L’agente resta uno, i cervelli che usa sono tre o quattro. Sui processi aziendali in cui questo schema è già in produzione abbiamo raccontato i tre casi che funzionano davvero.

Non è una trovata da consulenti: è materia di ricerca peer-reviewed. Il gruppo di Berkeley e Anyscale che ha pubblicato RouteLLM ha addestrato router su dati di preferenza umana provenienti da Chatbot Arena, insegnando al sistema a riconoscere quali richieste hanno davvero bisogno del modello forte. Il risultato misurato su MT Bench, MMLU e GSM8K è netto: fino all’85% di risparmio sui costi mantenendo il 95% della qualità del modello di riferimento. E il costo di far girare il router è trascurabile rispetto al costo dell’inferenza che risparmia.

Quanto si risparmia davvero con il routing multi-modello

Quell’85% è un tetto da laboratorio, non una promessa. Il risparmio reale dipende interamente dal mix di traffico: un bot di assistenza che risponde per l’80% a domande ripetitive risparmia moltissimo, un agente di ricerca legale in cui quasi ogni passaggio richiede ragionamento profondo risparmia poco. Chi vi promette una percentuale prima di aver guardato i vostri log sta indovinando.

C’è però un secondo effetto, meno pubblicizzato e spesso più grosso del primo: la cache di contesto. Se il vostro agente rispedisce a ogni chiamata gli stessi 6.000 token di istruzioni e documenti di riferimento, la cache trasforma quel costo fisso in una frazione. Su Claude Opus 5 la lettura da cache costa 0,50 dollari per milione di token contro i 5 del prezzo pieno: Anthropic dichiara fino al 90% di risparmio con il prompt caching e il 50% con l’elaborazione batch. Su un agente con contesto stabile, la cache vale spesso più del cambio di modello.

Coding e revisione del codice: dove Claude Opus 5 è ancora avanti

Se l’agente tocca codice, genera script, apre pull request, corregge bug, fa migrazioni, questo è il territorio dove il modello più caro si ripaga più facilmente. È anche il caso d’uso in cui la differenza di qualità è più visibile e più costosa: un modello che scrive codice quasi giusto genera lavoro di correzione umano che costa molto più della differenza di prezzo per token.

Anthropic posiziona esplicitamente Claude Opus 5 per «codice pronto per la produzione con supervisione minima» e per lavori lunghi su basi di codice grandi, con una finestra di contesto da 1 milione di token e fino a 128K token di output per risposta. La finestra larga non è un vezzo: serve proprio a tenere in testa un repository intero invece di lavorare a pezzi scollegati. Se volete i dettagli sul modello e sui suoi limiti, la nostra guida completa a Claude AI li copre; sul lato conti, abbiamo confrontato quando conviene l’API rispetto all’abbonamento.

Quando conviene comunque un modello più economico sul codice

Non tutto il lavoro sul codice è uguale. Generare un test unitario da una funzione esistente, convertire un JSON in un tipo TypeScript, formattare una query SQL: sono compiti dove il modello di fascia media chiude il lavoro correttamente nella grande maggioranza dei casi, e mandarli tutti al modello di punta è spreco puro. La regola pratica che funziona: più il compito è locale e verificabile automaticamente, più conviene il modello economico, perché un test che fallisce vi dice subito che serve il modello grosso. Più il compito richiede di tenere insieme parti lontane del sistema, più il modello forte si ripaga. Chi costruisce agenti su questo terreno trova nel Claude Agent SDK l’infrastruttura, ma il problema di quale modello mettere sotto resta intatto.

RAG e domande sui documenti aziendali: il caso del modello economico

Qui cambia tutto. In un’architettura RAG il lavoro difficile, trovare i pezzi di documento giusti, lo fa il sistema di recupero, non il modello linguistico. Al modello resta un compito relativamente semplice: leggere tre o quattro paragrafi già selezionati e scriverne una risposta fedele. È il caso d’uso in cui pagare un modello di punta è quasi sempre denaro buttato.

I numeri lo dicono chiaramente. Il listino ufficiale di Google mette Gemini 3.7 Flash a 0,75 dollari per milione di token in input e 3,75 in output, con la cache di contesto a 0,075 e il batch a metà prezzo. Contro i 5 e 25 dollari di Claude Opus 5, parliamo di un fattore sei o sette sull’input. Su un agente che risponde a diecimila domande al giorno sulla documentazione interna, quel fattore è la differenza fra un progetto che sta in piedi e uno che viene spento dopo il primo trimestre, un tema che abbiamo affrontato in se l’AI generativa non genera ROI.

I limiti del modello economico sui documenti aziendali

Va detto il rovescio: il modello economico sbaglia più spesso quando i documenti recuperati si contraddicono o quando la domanda richiede di mettere insieme informazioni da fonti diverse. Il modo pulito di gestirlo non è tornare al modello caro per tutto, ma misurare: fate girare cento domande reali su entrambi, contate gli errori, e vedete se la differenza giustifica il prezzo. Per un approfondimento sul modello di Google, la nostra guida completa a Gemini copre la famiglia e le sue varianti, mentre il debutto della linea Flash sui task agentici l’abbiamo raccontato quando Gemini 3.5 Flash è arrivato sul mercato.

Function calling, visione e i task dove il vincitore cambia ancora

Il function calling, la capacità del modello di decidere quale strumento chiamare, con quali parametri, e cosa fare del risultato, è il banco di prova vero di un agente, perché è lì che l’AI smette di scrivere testo e comincia ad agire. Ed è anche il punto in cui gli errori costano di più: un modello che sbaglia il parametro di una chiamata API non produce una frase imprecisa, produce un ordine sbagliato.

Sui benchmark di uso strumenti su larga scala Claude resta davanti (77,3% su MCP-Atlas contro il 68,1% di GPT-5.4), ma il divario si stringe man mano che gli strumenti sono pochi e ben descritti. Un agente con sei funzioni documentate bene viene gestito correttamente anche da modelli di fascia media; un agente con quaranta strumenti e schemi ambigui separa i modelli in modo brutale. La qualità della descrizione degli strumenti, che è lavoro vostro, non del fornitore, pesa spesso più della scelta del modello. Se state connettendo strumenti reali, il Model Context Protocol è lo standard su cui questo si sta consolidando.

Visione e lettura documenti: quale modello conviene sui volumi alti

Sulla visione il criterio è diverso ancora: se l’agente legge fatture, DDT, planimetrie o screenshot, il volume è tipicamente alto e il compito ripetitivo, il che spinge di nuovo verso il modello economico multimodale. Le eccezioni sono i documenti mal scansionati e le tabelle complesse, dove la differenza di qualità torna a farsi sentire. Sull’integrazione fra testo e immagini nei modelli OpenAI avevamo raccontato l’arrivo di GPT-4V, ed è da lì che questa capacità è diventata routine.

Quanto costa lo stesso agente su tre modelli diversi: il conto

Le percentuali non convincono nessuno, i numeri sì. Prendiamo un agente aziendale realistico: 100.000 richieste al mese, 8.000 token di input medi (istruzioni più contesto RAG) e 800 token di output. Fa 800 milioni di token in input e 80 milioni in output al mese. Ai listini pubblici di settembre 2026, quello delle API OpenAI, quello di Google e quello di Anthropic, senza cache né batch:

Il routing costa 1.870 dollari al mese contro i 6.000 della configurazione tutta-Opus: il 69% in meno, con il modello di punta ancora disponibile sul 10% di traffico che ne ha davvero bisogno. È il 10% che decide se l’agente è utile o è un giocattolo, e mandare lì il modello migliore costa 600 dollari, non 6.000. Questo è il punto dell’intero articolo, ridotto a una riga di tabella.

Attenzione: il modello più economico non è automaticamente il più veloce

C’è una trappola in cui cadono in molti. «Flash» suggerisce velocità, ma la velocità dipende da quanto ragionamento gli si fa fare. Le misurazioni di Artificial Analysis su Gemini 3.7 Flash in configurazione ad alto ragionamento registrano 10,73 secondi di tempo al primo token e 284,8 token al secondo in generazione, per un totale di 12,52 secondi su una risposta da 500 token. Sono numeri buoni in throughput, ma quei dieci secondi di attesa iniziale sono inaccettabili in un’interfaccia conversazionale sincrona. Costo, qualità e latenza sono tre assi separati e vanno decisi separatamente: per un agente che risponde in chat conviene spesso il modello economico con ragionamento basso, per uno che lavora in background la latenza semplicemente non è una variabile.

Perché il routing dei modelli va rifatto ogni 3-6 mesi

Qui arriva la parte che quasi nessuno mette nel preventivo. Un’architettura multi-modello non è una decisione: è una decisione con scadenza. E le scadenze sono documentate, pubbliche e verificabili.

Prima scadenza: i prezzi. Il listino di Gemini 3.7 Flash che abbiamo usato nella tabella è introduttivo e vale fino al 31 dicembre 2026. Dal 1° gennaio 2027 raddoppia: 1,50 dollari in input e 7,50 in output. Rifacendo il conto sulla stessa configurazione di routing, i 1.870 dollari al mese diventano 2.500, un aumento del 34% senza che nessuno abbia toccato una riga di codice. Chi ha consegnato l’agente a giugno e non lo guarda più se ne accorgerà dalla fattura.

Deprecazioni e benchmark: le altre scadenze del routing multi-modello

Seconda scadenza: i modelli spariscono. La policy pubblica di OpenAI garantisce almeno 6 mesi di preavviso sui modelli generalmente disponibili, 3 mesi sulle varianti specializzate e appena 2 settimane sui preview. Non è teoria: l’11 giugno 2026 sono stati notificati gli snapshot di GPT-5 e o3 con spegnimento all’11 dicembre 2026. Anthropic si impegna ad almeno 60 giorni di preavviso, e nel 2026 ha già ritirato claude-opus-4 e claude-sonnet-4 il 15 giugno e Claude Opus 4.1 il 5 agosto. Esistono tracker open source che seguono questi calendari proprio perché tenerli a mente a mano è impraticabile.

Terza scadenza, la più insidiosa: i benchmark comparabili sono già vecchi. I numeri su SWE-bench e BrowseComp che abbiamo citato riguardano Claude Opus 4.7, GPT-5.4 e Gemini 3.1 Pro, la generazione precedente a quella oggi in listino. Per Claude Opus 5 e Gemini 3.7 Flash i confronti indipendenti sulle stesse metriche non sono ancora disponibili, e lo diciamo apertamente invece di arrotondare: il ritardo strutturale dei benchmark pubblici rispetto ai rilasci è esattamente la ragione per cui l’unica misura che conta è quella che fate sui vostri dati. Elvex arriva alla stessa conclusione raccontando il febbraio 2026, quando OpenAI, Anthropic e Google hanno rilasciato nuovi modelli nella stessa settimana. Chi vuole il quadro della generazione precedente lo trova nel nostro confronto fra modelli frontier.

Prodotto una tantum o servizio continuativo: chi aggiorna il routing

Messe in fila, queste tre scadenze descrivono un problema che non è tecnico ma organizzativo. Il routing multi-modello non è difficile da costruire: è difficile da mantenere. Richiede che qualcuno, ogni tre o sei mesi, riapra i listini, rilegga i preavvisi di deprecazione, rifaccia girare la valutazione sui dati aziendali e sposti il traffico dove conviene. È lavoro ricorrente, poco appariscente, e sistematicamente assente dai preventivi.

Il dato più eloquente su questo lo riporta Dataiku: il 74% dei CIO enterprise dichiara di rimpiangere almeno una scelta importante di fornitore o piattaforma AI fatta negli ultimi 18 mesi, e il vuoto che indicano non è la capacità di costruire, è la governance, cioè proprio la manutenzione nel tempo. Il fallimento non arriva al lancio. Arriva sei mesi dopo, quando il modello scelto è deprecato, il prezzo è cambiato e chi l’aveva costruito ha fatturato ed è andato altrove.

Chi tiene aggiornata la scelta del modello per l’agente aziendale

È la ragione per cui in MIMIR trattiamo il routing come parte del servizio gestito e non come voce di preventivo. Chi adotta il nostro agente non riceve una configurazione congelata al giorno della consegna: riceve un onboarding dedicato in cui si mappano i task reali e si decide insieme quale modello serve dove, e poi un aggiornamento continuo di quella scelta quando cambiano prezzi, modelli e benchmark, senza rinegoziare nulla. È la differenza fra comprare un prodotto e avere un partner, un tema su cui abbiamo scritto per esteso in perché nel software agentico il servizio conta più del modello e in agenti AI custom contro SaaS generalisti.

Se state valutando un agente AI per la vostra azienda e la domanda su quale modello adottare vi sembra il punto più difficile, probabilmente state guardando il problema sbagliato: il punto difficile è chi terrà quella scelta aggiornata fra sei mesi. Se volete ragionarci su casi concreti, parlatene con noi in MIMIR: partiamo dai vostri processi reali, non da un modello deciso in anticipo.

Fonti:

• Vellum: benchmark di Claude Opus 4.7 confrontati con GPT-5.4 e Gemini 3.1 Pro (SWE-bench, MCP-Atlas, BrowseComp)
• La sintesi di ibl.ai è netta
• RouteLLM
• Anthropic dichiara fino al 90% di risparmio con il prompt caching e il 50% con l’elaborazione batch
• Il listino ufficiale di Google
• Listino prezzi delle API OpenAI
• La policy pubblica di OpenAI
• Anthropic: policy e calendario delle deprecazioni dei modelli Claude
• tracker open source che seguono questi calendari
• Le misurazioni di Artificial Analysis su Gemini 3.7 Flash in configurazione ad alto ragionamento
• Elvex arriva alla stessa conclusione
• Dataiku