GPT-5.6 Sol, Terra e Luna: quale modello scegliere e perché

GPT-5.6 Sol, Terra e Luna formano una famiglia progettata per coprire esigenze differenti: massima capacità, equilibrio tra qualità e costo, oppure velocità su grandi volumi. La scelta corretta non consiste nell’usare sempre il modello più potente. Consiste nel collegare complessità del compito, rischio, latenza e budget a un livello di servizio misurabile.

OpenAI ha reso la famiglia generalmente disponibile il 9 luglio 2026, descrivendo GPT-5.6 Sol, Terra e Luna come tre livelli durevoli della stessa generazione. Sol è il modello di frontiera, Terra bilancia intelligenza e costo, Luna privilegia efficienza e volume. Questa struttura introduce una possibilità importante: costruire un routing che assegni ogni richiesta al modello adeguato.

GPT-5.6 Sol, Terra e Luna a confronto

I tre modelli condividono una finestra di contesto dichiarata di 1,05 milioni di token, un output massimo di 128.000 token, input testuale e visivo, structured output, function calling e accesso agli strumenti previsti dalla piattaforma. Cambiano soprattutto capacità, prezzo e volume operativo.

• GPT-5.6 Sol: per ragionamento complesso, coding, lavoro professionale e compiti ad alto impatto;
• GPT-5.6 Terra: per applicazioni quotidiane che richiedono qualità forte con un costo più sostenibile;
• GPT-5.6 Luna: per classificazione, estrazione, trasformazioni e flussi ad alto volume sensibili a latenza e budget.

La documentazione ufficiale dei modelli OpenAI suggerisce Sol come punto di partenza per il lavoro complesso, Terra per l’equilibrio e Luna per i carichi economici ad alta frequenza. È una guida iniziale, non una sostituzione delle valutazioni interne.

GPT-5.6 Sol: quando la qualità domina

Sol è destinato ai compiti in cui una risposta mediocre costa più della differenza di prezzo: modifiche estese a software, analisi professionali, ricerca scientifica, orchestrazione di strumenti e flussi con molte dipendenze. Supporta livelli di reasoning da none a max e può usare modalità più avanzate nelle superfici che le rendono disponibili.

Conviene scegliere Sol quando:

• il problema richiede pianificazione lunga e verifica di passaggi intermedi;
• un errore comporta rework, rischio operativo o decisioni costose;
• il modello deve coordinare codice, file, ricerca e strumenti;
• la qualità finale vale più di pochi secondi o centesimi risparmiati.

Non è automaticamente la scelta giusta per ogni richiesta. Se il compito è ripetitivo e ben specificato, una capacità non utilizzata diventa soltanto costo.

GPT-5.6 Terra: il modello generalista equilibrato

Terra occupa la fascia centrale e corrisponde, in termini di posizionamento, al livello “mini” delle generazioni precedenti. È adatto a chatbot professionali, produzione assistita di contenuti, analisi di documenti, automazioni con strumenti e coding ordinario.

Il suo vantaggio è operativo: consente di mantenere un buon livello di ragionamento su volumi considerevoli, senza pagare il prezzo di Sol per ogni passaggio. Può diventare il modello predefinito di un sistema, con escalation verso Sol quando un classificatore rileva complessità, rischio o bassa confidenza.

Terra è particolarmente interessante nei workflow misti. Può preparare dati, eseguire analisi iniziali e produrre una bozza strutturata; Sol interviene soltanto sulla revisione difficile o sull’eccezione.

GPT-5.6 Luna: efficienza e grandi volumi

Luna è il livello più economico e veloce della famiglia. Non va considerato un modello “scarso”: è ottimizzato per trasformare intelligenza sufficiente in capacità disponibile su vasta scala. Esempi adatti includono classificazione di ticket, estrazione da documenti regolari, tagging, normalizzazione, riassunti brevi e generazione di varianti controllate.

Conviene scegliere Luna quando:

• la richiesta è frequente e ha un formato stabile;
• l’output può essere verificato con regole o campionamento;
• latenza e costo unitario influenzano direttamente il prodotto;
• l’eventuale escalation a Terra o Sol è semplice.

È meno adatto quando il problema è ambiguo, richiede conoscenza implicita del dominio o comporta molte azioni collegate e difficili da annullare.

Prezzi API: la differenza tra i tre livelli

Al lancio generale, i prezzi indicati per un milione di token sono:

• Sol: 5 dollari in input e 30 in output;
• Terra: 2,50 dollari in input e 15 in output;
• Luna: 1 dollaro in input e 6 in output.

Il costo non si calcola soltanto moltiplicando i token per la tariffa. Bisogna includere tasso di successo, tentativi, caching, uso degli strumenti, tempo umano e conseguenze degli errori. La metrica utile è spesso costo per task completato correttamente.

Un modello economico che fallisce spesso può risultare più caro. Viceversa, Sol è sovradimensionato quando Luna completa il compito con lo stesso livello di accuratezza richiesta.

Reasoning effort e modalità di lavoro

La famiglia supporta diversi livelli di sforzo di ragionamento. OpenAI consiglia, durante la migrazione, di partire dall’impostazione già utilizzata e confrontarla con un livello inferiore: GPT-5.6 può mantenere la qualità con meno token in alcuni flussi.

L’effort dovrebbe diventare una variabile del routing. Un compito semplice può usare Luna con none o low; una revisione articolata Terra con medium; un problema critico Sol con high, xhigh o max. Aumentare lo sforzo senza un miglioramento misurabile peggiora latenza e costo.

Un albero decisionale pratico

1. Il compito è standardizzato e verificabile automaticamente? Provare Luna.
2. Richiede comprensione professionale, strumenti o contesto ampio? Provare Terra.
3. È ambiguo, lungo, critico o richiede molte dipendenze? Provare Sol.
4. Il primo modello non raggiunge la soglia? Escalare senza ripetere inutilmente tutto il contesto.
5. Sol non migliora l’esito? Correggere dati, istruzioni o processo: più capacità non risolve una specifica sbagliata.

Questo metodo è più solido di una scelta unica a livello aziendale. La stessa applicazione può usare tutti e tre i modelli in punti diversi.

Come costruire un routing tra modelli

Un router può partire da regole trasparenti: tipo di richiesta, lunghezza, strumenti necessari, rischio e livello di servizio. Successivamente può aggiungere un classificatore, mantenendo log e possibilità di override.

Una strategia comune prevede Luna per il primo passaggio, Terra per le eccezioni e Sol per i casi ad alto impatto. L’escalation può essere attivata da output non valido, confidenza bassa, richiesta esplicita di verifica o presenza di dati sensibili. È importante evitare che il modello giudichi da solo la bontà del proprio risultato: servono segnali esterni.

Benchmark e test interni

OpenAI pubblica risultati elevati su coding agentico, lavoro professionale, scienza e cybersecurity. Questi numeri descrivono condizioni specifiche e non predicono automaticamente il risultato su un processo aziendale. Per scegliere occorre un eval con casi rappresentativi.

Il test dovrebbe misurare:

• percentuale di task accettati senza correzioni;
• gravità e tipologia degli errori;
• latenza totale, non soltanto tempo di generazione;
• token e costo degli strumenti;
• stabilità su più esecuzioni;
• qualità dopo escalation.

È lo stesso principio descritto nella guida su come leggere i benchmark AI: il punteggio pubblico orienta la shortlist, il test reale decide.

Contesto lungo, caching e costi nascosti

Una finestra molto ampia non è un invito a inviare tutto. Contesti sovraccarichi aumentano costo, latenza e probabilità che le istruzioni importanti vengano diluite. Occorre selezionare fonti, mantenere prefissi stabili e utilizzare il caching quando il flusso ripete grandi porzioni di prompt.

La guida ufficiale a GPT-5.6 descrive anche il reasoning persistente, che può riutilizzare elementi di ragionamento tra turni. La convenienza dipende dal workflow: va misurata insieme a privacy, retention e riproducibilità.

Sicurezza e controlli

Con l’aumento delle capacità crescono anche i possibili usi impropri. OpenAI indica salvaguardie dedicate a cyber e biologia, con controlli in tempo reale che possono rallentare o bloccare alcune richieste. Le applicazioni devono gestire questi casi senza aggirare le protezioni.

Permessi minimi, ambienti isolati, validazione degli output e approvazione umana restano necessari, specialmente quando il modello scrive codice, usa il computer o modifica sistemi. Un buon routing considera anche il rischio, non soltanto prezzo e qualità.

Checklist di adozione

1. Raccogliere almeno trenta casi reali, inclusi casi difficili e fallimenti.
2. Definire una soglia di qualità e un costo massimo per tipo di task.
3. Testare Luna, Terra e Sol con la stessa struttura di input.
4. Confrontare almeno due livelli di reasoning per ogni candidato.
5. Progettare regole di escalation e fallback.
6. Registrare modello, snapshot, effort, strumenti, latenza e risultato.
7. Rivedere il routing quando prezzi, modelli o distribuzione dei task cambiano.

Domande frequenti

Quale GPT-5.6 conviene usare?

Sol per i compiti più complessi e critici, Terra per il lavoro professionale quotidiano, Luna per flussi standardizzati ad alto volume. La scelta va validata sui propri casi.

GPT-5.6 Terra è il successore dei modelli mini?

OpenAI lo descrive come il livello che corrisponde approssimativamente alla fascia mini delle precedenti famiglie, con un equilibrio tra intelligenza e costo.

I tre modelli hanno lo stesso contesto?

La documentazione API indica per Sol, Terra e Luna una finestra di 1,05 milioni di token e un output massimo di 128.000 token, pur con diverse capacità e tariffe.

È meglio scegliere un solo modello per tutta l’azienda?

Di solito no. Un portafoglio con routing ed escalation permette di riservare la capacità più costosa ai casi che ne traggono davvero beneficio.

In sintesi, GPT-5.6 Sol, Terra e Luna trasformano la scelta del modello in un problema di architettura. Il vantaggio non nasce dall’adottare automaticamente Sol, ma dall’inviare ogni lavoro al livello capace di raggiungere la qualità richiesta con il miglior rapporto tra tempo, costo e rischio.