Claude Opus 4.8 vs GPT-5.5: benchmark, test e quale scegliere

Se stai scegliendo un modello di punta per lavoro agentico serio in questo momento, Claude Opus 4.8 e GPT-5.5 sono chiaramente due delle scelte migliori, insieme a Gemini 3.5 Flash. Entrambi rappresentano il massimo in produzione dei rispettivi laboratori e mirano a coding a lungo raggio e workflow autonomi.

I numeri di vertice sono abbastanza vicini da non rendere la decisione ovvia solo dai benchmark. Opus 4.8 è in testa su SWE-bench Pro (69,2% vs 58,6%) mentre GPT-5.5 guida su Terminal-Bench 2.0 (82,7% vs 74,6%). La storia più interessante è qualitativa: Anthropic punta su onestà e incertezza calibrata come la prossima frontiera dell’AI in produzione, mentre OpenAI punta su pura capacità agentica ed efficienza in termini di token.

In questo articolo confronterò Claude Opus 4.8 e GPT-5.5 su cinque dimensioni: workflow di coding e agentici, compiti di ragionamento e conoscenza, performance su contesti lunghi, allineamento e affidabilità, e prezzi. Puoi anche dare un’occhiata alle nostre analisi dedicate di Claude Opus 4.8 e GPT-5.5 per approfondimenti su ciascun modello.

Resta aggiornato su tutto ciò che riguarda l’AI. Iscriviti a The Median, la nostra newsletter gratuita del venerdì che spiega le notizie chiave della settimana. Bastano pochi minuti.

Che cos’è Claude Opus 4.8?

Claude Opus 4.8 è l’attuale modello di punta di Anthropic, rilasciato il 28 maggio 2026. Si colloca al vertice della famiglia Claude, sopra Sonnet e Haiku, ed è pensato per i compiti più impegnativi: coding agentico, ragionamento complesso in più passaggi e workflow autonomi di lunga durata. Il miglioramento principale rispetto a Opus 4.7 non sono solo i punteggi nei benchmark, ma anche uno spostamento qualitativo verso l’onestà: il modello ha una probabilità quattro volte inferiore rispetto al suo predecessore di lasciare passare codice difettoso senza segnalarlo.

Opus 4.8 arriva anche con un pacchetto di nuove funzionalità, tra cui workflow dinamici in Claude Code (che possono eseguire centinaia di subagent in parallelo in una singola sessione), controlli dello sforzo in claude.ai e una modalità veloce che ora costa un terzo rispetto ai precedenti Opus. I prezzi per l’uso standard sono di $5 per milione di token in input e $25 per milione di token in output, invariati rispetto a Opus 4.7.

Dai un’occhiata anche alle nostre guide su Claude Fable 5 e Claude Mythos 5, i più recenti modelli di punta di Anthropic.

Che cos’è GPT-5.5?

GPT-5.5 è il modello di punta di OpenAI di aprile 2026, descritto dall’azienda come il suo miglior modello di coding agentico finora. È disponibile in ChatGPT e Codex per utenti Plus, Pro, Business ed Enterprise, con una finestra di contesto da 1M in Codex. L’affermazione principale di OpenAI è che GPT-5.5 eguaglia la latenza per token di GPT-5.4 in serving reale, offrendo al contempo un livello di intelligenza significativamente superiore e utilizzando meno token per completare gli stessi task in Codex.

È disponibile anche una variante GPT-5.5 Pro per lavori ad alta accuratezza, con un prezzo di $30 per milione di token in input e $180 per milione di token in output nell’API. Il prezzo standard dell’API di GPT-5.5 è di $5 per milione di token in input e $30 per milione di token in output.

Claude Opus 4.8 vs GPT-5.5: confronto diretto

Ecco un rapido riepilogo di dove si colloca ciascun modello prima di entrare nei dettagli. Il quadro si divide per dominio, quindi la scelta giusta dipende molto da cosa stai effettivamente costruendo.

Coding e workflow agentici

È la dimensione in cui i due modelli divergono più chiaramente, e la differenza è per ambiente più che per qualità complessiva. Su SWE-bench Pro, che usa repository reali e attivamente mantenuti senza leakage di ground truth pubblico, Opus 4.8 ottiene il 69,2% contro il 58,6% di GPT-5.5. È un divario di 10,6 punti a favore di Opus 4.8 per l’ingegneria software a livello di repository.

Il quadro si ribalta su Terminal-Bench 2.0, dove GPT-5.5 ottiene il 78,2% contro il 74,6% di Opus 4.8. Terminal-Bench testa workflow complessi da riga di comando che richiedono pianificazione, iterazione e coordinamento degli strumenti, quindi se il tuo lavoro è orientato alla shell o al DevOps, GPT-5.5 ha un vantaggio. Un dettaglio dal system card di Anthropic: al livello minimo di sforzo, Opus 4.8 eguaglia già le prestazioni di picco di Opus 4.7 al massimo sforzo su SWE-bench Pro, il che dice molto su quanto margine offrono i controlli dello sforzo.

Il quadro del coding si divide in modo netto: Opus 4.8 per l’ingegneria a livello di repository, dove conta capire la struttura di una codebase; GPT-5.5 per workflow pesanti da terminale e automazione della shell. Se usi Claude Code con workflow dinamici, Opus 4.8 può ora orchestrare centinaia di subagent in parallelo in una singola sessione, una capacità di classe diversa rispetto a ciò che catturano i punteggi grezzi dei benchmark di entrambi i modelli.

Ragionamento e compiti di conoscenza

Su Humanity's Last Exam, un benchmark di domande davvero difficili a livello graduate tra scienze, matematica e discipline umanistiche, Opus 4.8 è in testa sia con sia senza strumenti. Senza strumenti: 49,8% per Opus 4.8 contro 41,4% per GPT-5.5. Con strumenti: 57,9% contro 52,2%. È un divario costante di 7-8 punti a favore di Opus 4.8 nel ragionamento multidisciplinare.

La storia della matematica è particolarmente notevole. All’Olimpiade Matematica degli USA, Opus 4.8 ha ottenuto il 96,7% nella competizione di quest’anno, che si è svolta dopo il cutoff dei dati di training del modello, escludendo contaminazioni. Opus 4.7 ha ottenuto il 69,3% sugli stessi problemi. È un balzo di 27 punti nella matematica dimostrativa in una sola generazione di modello. GPT-5.5 ottiene il 51,7% su FrontierMath Tier 1-3 e il 35,4% sul Tier 4, risultati solidi, ma il confronto USAMO non è disponibile direttamente per GPT-5.5 nelle note di ricerca.

Anthropic non ha pubblicato un punteggio GPQA Diamond specifico per Opus 4.8, probabilmente perché è molto saturo a questo punto e i risultati non sono rilevanti quanto quelli di altri benchmark.

Vale la pena notare che entrambi i modelli sono dietro a Gemini 3.5 Flash (57,9%) nel lavoro di conoscenza finanziaria, come misurato dal benchmark Finance Agent v2 (rispettivamente 53,9% e 51,8%).

Uso di strumenti e interazione con il computer

Opus 4.8 è in testa in entrambi i principali benchmark di uso degli strumenti e uso del computer. Su OSWorld-Verified, che testa la capacità di completare task controllando un desktop reale con mouse e tastiera, Opus 4.8 ottiene l’83,4% contro il 78,7% di GPT-5.5. Su MCP-Atlas, che misura l’uso di strumenti in più passaggi su API reali, Opus 4.8 arriva all’82,2% contro il 75,3% di GPT-5.5.

Il divario su OSWorld è notevole perché Opus 4.7 e GPT-5.5 erano sostanzialmente alla pari su questo benchmark (78,0% vs 78,7%). Opus 4.8 è passato avanti di circa cinque punti, un miglioramento significativo per i team che costruiscono agenti per il browser o automazioni desktop. I primi tester hanno riportato che Opus 4.8 ha ottenuto l’84% su Online-Mind2Web, un benchmark per agenti web, un salto rispetto sia a Opus 4.7 sia a GPT-5.5.

Una nota di cautela sulle performance agentiche: il system card di Anthropic ha segnalato una regressione nella resistenza alle prompt injection. Senza protezioni, un singolo tentativo di attacco ha avuto successo contro Opus 4.8 circa il 7% delle volte, contro il 2,3% per Opus 4.7. Le protezioni implementate riportano questo valore al 2%, ma se stai costruendo pipeline agentiche che elaborano input non fidati, è qualcosa da sapere prima di fare lo switch.

Performance su contesti lunghi

Qui Opus 4.8 ha il vantaggio più netto. Su GraphWalks, che stressa il ragionamento su contesti lunghi incorporando un grande grafo diretto nella finestra di contesto e chiedendo al modello di attraversarlo, Opus 4.8 ottiene l’85,9% sul sottoinsieme BFS 256K contro il 73,7% di GPT-5.5. Sul sottoinsieme da 1M token pieni, il divario si allarga: 68,1% per Opus 4.8 contro 45,4% per GPT-5.5.

Come notato nella nostra recensione di GPT-5.5, GPT-5.4 crollava oltre i 128K token, e GPT-5.5 ha risolto questo problema. Ma Opus 4.8 resta comunque nettamente avanti al livello di 1M. Per workflow ricchi di documenti, pratiche finanziarie dense o qualsiasi compito che richieda ragionamento su un contesto molto ampio, Opus 4.8 è la scelta più solida con un buon margine.

Allineamento, onestà e affidabilità

È la dimensione su cui Anthropic sta competendo più esplicitamente con Opus 4.8, e i risultati sono davvero interessanti. In un test in cui il modello riassume una sessione di coding che conteneva di nascosto dei fallimenti, Opus 4.8 sorvola su quei fallimenti solo nel 3,7% dei casi. È anche il primo modello Claude a ottenere zero in un test in cui deve individuare dati difettosi prima di riportare un risultato.

Il team di allineamento di Anthropic ha inoltre riscontrato che Opus 4.8 ha tassi di comportamento non allineato sostanzialmente inferiori a Opus 4.7 e simili a Claude Mythos Preview, il modello più capace e più attentamente allineato di Anthropic. C’è una nota da segnalare: durante l’addestramento, Opus 4.8 a volte sembrava ragionare su come sarebbe stato valutato piuttosto che su come completare il compito. Anthropic afferma che l’impatto comportamentale è modesto, ma è il tipo di cosa che potrebbe contare in deployment agentici ad alto rischio.

OpenAI non ha pubblicato metriche di allineamento equivalenti per GPT-5.5 nelle note di ricerca disponibili, quindi un confronto diretto su questa dimensione non è possibile. Possiamo dire che Anthropic sta dando priorità a onestà e incertezza calibrata, anche se i risultati recenti sono misti.

Prezzi

Al tier API standard, i due modelli sono vicini ma non identici. Entrambi applicano $5 per milione di token in input. In output, Opus 4.8 costa $25 per milione di token contro i $30 per milione di token di GPT-5.5, una differenza del 17% che incide rapidamente su workload con molto output.

Opus 4.8 ha anche una modalità veloce che gira a 2,5x la velocità, al prezzo di $10 per milione di token in input e $50 per milione di token in output. Anthropic ha ridotto il prezzo della modalità veloce a un terzo rispetto ai precedenti Opus, rendendola un’opzione più pratica per workflow sensibili alla latenza.

GPT-5.5 Pro, per lavori ad alta accuratezza, costa $30 per milione di token in input e $180 per milione di token in output, un premio significativo rispetto a GPT-5.5 standard.

Quando scegliere Claude Opus 4.8 vs GPT-5.5

La decisione non è quale modello sia migliore in assoluto. È quale si adatta alla forma specifica del tuo lavoro. Ecco come la inquadrerei.

Scegli Claude Opus 4.8 se...

• Il tuo lavoro è ingegneria software a livello di repository. Il divario di 10 punti su SWE-bench Pro è un segnale reale, e nei nostri test di code review Opus 4.8 ha individuato bug sottili senza essere sollecitato.
• Stai costruendo pipeline agentiche che elaborano documenti lunghi o grandi codebase. Il divario su GraphWalks 1M (68,1% vs 45,4%) è la differenza di performance più ampia tra i due modelli su qualsiasi benchmark.
• Ti serve un modello che segnali la propria incertezza. I miglioramenti sull’onestà di Opus 4.8 contano di più in esecuzioni agentiche non presidiate, dove non puoi supervisionare ogni passaggio.
• Stai eseguendo agenti per browser o automazione desktop. Opus 4.8 guida OSWorld-Verified di circa cinque punti su GPT-5.5, e i primi tester hanno riportato l’84% su Online-Mind2Web.
• Il costo dei token in output conta su larga scala. A $25 per milione di token in output contro i $30 di GPT-5.5, la differenza si accumula rapidamente su workload ad alto volume.

Scegli GPT-5.5 se...

• Il tuo lavoro è pesante da terminale. GPT-5.5 guida Terminal-Bench 2.0 di otto punti (82,7% vs 74,6%), e quel divario è coerente con quanto visto nei nostri test su GPT-5.5.
• Ti serve un tier Pro per i compiti più difficili. GPT-5.5 Pro è disponibile a $30 per milione di token in input e $180 per milione di token in output per lavori ad alta accuratezza. Opus 4.8 non ha un tier equivalente.
• Sei già immerso nell’ecosistema OpenAI. GPT-5.5 si integra con Codex, ChatGPT e l’ampio toolchain di OpenAI, che ha una community più grande e più esempi di integrazione rispetto all’ecosistema di Anthropic.
• Stai facendo workflow di ricerca scientifica. GPT-5.5 ha mostrato buoni risultati su GeneBench (25,0%) e BixBench (80,5%), e OpenAI lo ha posizionato esplicitamente come co-scienziato per la ricerca biomedica.

Considerazioni finali

Opus 4.8 è il modello più forte per la maggior parte dei compiti che contano per data scientist e ML engineer: coding a livello di repository, ragionamento su contesti lunghi, uso di strumenti in più passaggi e workflow agentici che devono girare senza supervisione. I miglioramenti sull’onestà sono l’aspetto che trovo più interessante, perché un modello che ti dice quando è in difficoltà è più utile in produzione di uno che riporta con sicurezza un successo. Se questo reggerà nella pratica si vedrà, ma la direzione sembra promettente.

GPT-5.5 è la scelta giusta per lavori pesanti da terminale e per team già investiti nell’ecosistema OpenAI. Il divario su Terminal-Bench è reale, e GPT-5.5 Pro offre un’opzione a maggiore accuratezza che Opus 4.8 attualmente non eguaglia con una variante a tier.

Una cosa da tenere d’occhio: Anthropic ha continuato a menzionare Claude Mythos Preview durante l’annuncio di Opus 4.8, descrivendolo come il suo modello meglio allineato e notando che è già in uso limitato per la cybersecurity. È possibile che Opus 4.8 non resti a lungo il tetto massimo. Se vuoi metterti in pari con le basi dell’AI e capire come lavorare con questi modelli nella pratica, ti consiglio di partire dallo skill track AI Fundamentals su DataCamp.