In questo articolo Indice dei contenuti 2 sezioni
Il sorpasso che nessuno si aspettava porta un nome preciso, GPT-6 Astra, il modello con cui OpenAI ha appena strappato ad Anthropic il primato sulla spesa aziendale, ribaltando un equilibrio che reggeva da circa due anni e mezzo. I dati di OpenRouter parlano chiaro, la scorsa settimana gli utenti hanno speso più sui modelli di OpenAI che su quelli della rivale, cosa che non accadeva da oltre trenta mesi. Un segnale piccolo nei numeri assoluti, ma pesante nel significato.
A rafforzare il quadro arrivano i numeri di Ramp, che fotografano una quota del 13 per cento della spesa aziendale in intelligenza artificiale finita su Astra, contro l’8 per cento dei modelli di classe Fable firmati Anthropic. La partita, va detto, resta aperta su altri fronti, perché sul tasso di adozione complessivo Anthropic mantiene ancora la testa. C’è poi il sondaggio preliminare ETR, ancora in fase di raccolta, che racconta una storia più sfumata, un anno fa Anthropic inseguiva OpenAI di 10 punti tra le aziende del Global 2000, oggi guida di 25, mentre sui conti di piccole e medie dimensioni ha perso 8 punti. I budget più profondi si approfondiscono, la coda si ritira.
Cosa rende GPT-6 Astra diverso dagli altri modelli
Il punto tecnico è interessante e spiega buona parte dell’entusiasmo delle imprese. GPT-6 Astra è stato addestrato su un cluster da 100.000 GPU, con un costo stimato per il training che oscilla tra i 450 milioni e i 900 milioni di euro. Ma la vera novità non sta nella potenza bruta, sta nel modo in cui il modello lavora. Invece di pretendere che gli sviluppatori preparino API dedicate per ogni singola applicazione che un agente deve toccare, Astra naviga il software come farebbe una persona in carne e ossa, generando agenti che si muovono tra browser, fogli di calcolo, siti web e applicazioni desktop.
Il risultato non è un elenco di istruzioni su come completare un’attività, ma documenti finiti, presentazioni pronte, flussi di lavoro a più passaggi portati a termine. Il motore di ragionamento si appoggia a una struttura multi agente nativa, con un agente principale che formula un’ipotesi e distribuisce sotto agenti incaricati di testare varianti e validare i risultati in parallelo. Questa delega incorporata rende il sistema molto più resistente ai cosiddetti doom loops, quei cicli di errore ripetitivo in cui i modelli restano incastrati. Astra, in teoria, riesce a fare debug del proprio codice e a cambiare strategia da solo.
Il sospetto sull’architettura a transformer ciclico
Secondo le analisi di settore è molto probabile che sotto il cofano ci sia una architettura a transformer ciclico. Vale la pena spiegarla senza tecnicismi. Un modello è fatto di blocchi, ciascuno con due componenti. Il livello di attenzione osserva come le parole di una frase si legano tra loro, quindi se arriva un prompt del tipo Parigi è la capitale della Francia, quel livello collega capitale a Francia e individua Parigi come risposta, salvando gli appunti nella KV cache che cresce insieme al contesto. Il secondo componente, la Feed Forward Network, custodisce invece la conoscenza del modello sotto forma di pesi e va a cercare il significato dietro ogni parola.
Nei modelli tradizionali il token attraversa il livello uno, poi il due, fino all’ultimo, e ogni livello ha pesi propri. Nell’architettura ciclica, invece, lo stesso blocco viene attraversato più volte, e a ogni passaggio l’output si affina. Il vantaggio è evidente, risposte più precise senza gonfiare il numero di parametri. Il prezzo da pagare è una KV cache decisamente più ingombrante. Non a caso la domanda più insistente di memoria a bassa capacità arriva proprio dai laboratori, indizio che le dimensioni dei parametri non stanno più crescendo granché.
Intanto Sam Altman ha anticipato qualcosa di grosso per questa settimana, con la settimana successiva che dovrebbe portare lanci multipli, sulla falsariga del DevDay 2025 quando OpenAI mise sul tavolo sette tra prodotti e aggiornamenti di piattaforma.
