La guerra dell’IA per programmare è finita. Non ha vinto nessuno.

Le guerre dell’IA per programmare sono arrivate al punto in cui tutti hanno un trofeo e nessuno sa spiegare perché ci siano così tanti podi. Claude Opus 4.6, GPT-5.4 e Gemini 3.1 Pro hanno tutti risultati impressionanti a marzo 2026. La parte frustrante è che quei risultati non producono una risposta unica e netta a “quale abbonamento dovrei tenere?”.

Non prova che i modelli siano identici, né che ogni differenza rientri in un margine d’errore misurato. Significa che scegliere un assistente di programmazione richiede più che trovare il numero più alto in uno screenshot. La concorrenza funziona. Purtroppo non ha abolito i compiti a casa.

I numeri non mentono, ma le etichette contano

SWE-bench Verified valuta la risoluzione di problemi software. Terminal-Bench valuta compiti svolti tramite terminale. ARC-AGI-2 usa rompicapi di ragionamento astratto. Non sono esami intercambiabili, e anche strumenti, istruzioni e impegno assegnato all’agente influiscono sul punteggio.

Alcuni risultati esemplificativi disponibili entro il 25 marzo:

• SWE-bench Verified: la scheda del modello pubblicata da Google a febbraio riporta l’80,6% per Gemini 3.1 Pro e l’80,8% per Opus 4.6. Numeri vicini in questo test sono un’osservazione utile, non la dichiarazione che i modelli siano pari in tutto.
• SWE-bench Pro, insieme pubblico: OpenAI riporta il 57,7% per GPT-5.4. Google riporta il 54,2% per Gemini 3.1 Pro. Sono risultati pubblicati dai rispettivi fornitori, non un nuovo confronto controllato eseguito per questo articolo.
• Terminal-Bench 2.0: OpenAI riporta il 77,3% per GPT-5.3-Codex e il 75,1% per GPT-5.4. La tabella di Google elenca separatamente i risultati con la configurazione dell’agente Terminus-2 e quelli delle migliori configurazioni dichiarate dagli altri fornitori. Mescolare quelle righe in una gara presumibilmente uniforme elimina una precisazione importante.

Le fonti sono la scheda di Gemini 3.1 Pro e l’annuncio di GPT-5.4 di OpenAI del 5 marzo. Considerale prove utili con note a piè di pagina, non un ordine di comprare il vincitore di ogni colonna.

C’è un’altra complicazione: a febbraio OpenAI ha pubblicato una verifica di SWE-bench Verified che individuava problemi di qualità dei test e contaminazione dei dati di addestramento. Raccomandava SWE-bench Pro, riconoscendo che nemmeno Pro è perfetto. È un motivo per esaminare i test, non per sostituire un tabellone sacro con un altro.

E ARC-AGI-2? Un risultato di ragionamento interessante, certo. Una misura diretta di quanto bene un assistente correggerà il tuo bug di autenticazione? No. La vetrina dei trofei ha bisogno di ripiani separati.

Perché non esiste un vincitore universale

Cambiare l’agente attorno a un modello può cambiare come cerca nel repository, modifica file, esegue test e recupera dagli errori. Contano anche impostazioni di ragionamento, limiti di tempo e contesto disponibile. Il nome del modello da solo non descrive l’intero sistema di lavoro.

Una rosa utile a marzo comprende Opus 4.6 per lavori di programmazione impegnativi, GPT-5.4 e GPT-5.3-Codex per codice e flussi con agenti, e Gemini 3.1 Pro come altro candidato serio. È una rosa da valutare, non una spartizione permanente in cui un’azienda possiede l’architettura, un’altra i terminali e una terza il ragionamento.

Una grande finestra di contesto può aiutare, ma inserire più file in un prompt non garantisce la comprensione di ogni interazione in un repository. La domanda pratica è se l’assistente trovi il codice rilevante e produca una modifica corretta e revisionabile. Una finestra da un milione di token è una capacità, non un diploma.

La guerra dei prezzi è un argomento più utile

Al lancio di febbraio, Anthropic indicava per Opus 4.6 5 dollari per milione di token in ingresso e 25 per milione in uscita. Confrontali con la fascia da 2 dollari in ingresso e 12 in uscita per i prompt di Gemini 3.1 Pro fino a 200.000 token nei prezzi API di Google.

Il confronto rende Opus 2,5 volte più caro in ingresso e circa 2,08 volte in uscita. Non dieci volte. Né ingresso e uscita sono intercambiabili: un prompt lungo con risposta breve ha un conto diverso da un prompt breve seguito da pagine di codice generato.

Sono prezzi dei token API, non degli abbonamenti mensili alla chat. Cache, fasce per contesti lunghi, sconti batch, uso degli strumenti e quantità di ragionamento generato possono cambiare il conto. Il numero utile nella pratica è più vicino al costo per risultato accettato: quanto è costato ottenere una modifica che superi i controlli pertinenti e valga la pena conservare?

Un modello economico che richiede vari tentativi falliti può costare caro. Un modello premium usato per ordinare alfabeticamente un elenco può essere una funzione di ordinamento impressionantemente costosa. Nessuno dei due esiti richiede una spiegazione da guerra fra marchi.

I pesi aperti cambiano le opzioni, non la bolletta elettrica

Qwen3-Coder-Next è un modello per programmare con pesi aperti, 80 miliardi di parametri totali e 3 miliardi attivi. Il numero attivo aiuta a descriverne il calcolo; non significa che il modello completo richieda lo spazio di un download da tre miliardi di parametri.

L’annuncio di MiniMax M2.5 riporta l’80,2% su SWE-bench Verified e descrive l’offerta normale e quella più veloce Lightning. Di nuovo, è un risultato pubblicato dallo sviluppatore, con le stesse cautele sui benchmark dei punteggi dei modelli chiusi citati sopra.

Poter eseguire i pesi in proprio è prezioso per controllo e sperimentazione. Non equivale a eseguirli gratis su qualunque computer domestico. Hardware, memoria, elettricità, configurazione software e manutenzione esistono ancora. La GPU non accetta “ma i pesi erano gratis” come pagamento.

L’idea dell’instradamento: scegliere secondo il compito

Una configurazione con più modelli invia lavori diversi a modelli diversi, oppure ne prova un altro quando il primo tentativo fallisce. L’analisi di IDC sull’instradamento prevede che entro il 2028 il 70% delle principali aziende guidate dall’IA userà architetture avanzate con più strumenti per gestirlo. È una previsione su un gruppo specifico, non la prova che il 70% di tutte le aziende lo faccia già.

La logica è semplice: non usi una mazza da demolizione per appendere una cornice. Un esperimento sensato potrebbe assegnare bozze semplici a un modello meno caro e riservare una configurazione più potente alle modifiche difficili. Ma “economico”, “intermedio” e “premium” sono scelte per un carico di lavoro, non qualifiche assegnate per sempre a marchi specifici.

Una piccola dimostrazione di instradamento può essere facile da scrivere. Un sistema affidabile richiede anche valutazioni utili, alternative sensate e un modo per accorgersi quando l’opzione conveniente produce silenziosamente lavoro peggiore. Non c’è un risparmio automatico del 60–85% senza perdita di qualità, né una ragione per cui ogni singolo sviluppatore debba costruire un router.

Che cosa significa per i laboratori di IA

Anche senza una parità universale di capacità, prezzi e prodotto circostante contano. Profondità dell’integrazione. Strumenti per sviluppatori. Assistenza. Quanto bene l’API gestisce picchi alle tre di notte. Quanto l’assistente si adatta al modo in cui un gruppo revisiona e testa il codice. Tutto ciò che non entra ordinatamente in una barra di benchmark.

Tutte e tre le aziende possono trovare risultati da enfatizzare in un annuncio. Questo non rende ogni promessa commerciale altrettanto ampia o ogni modello altrettanto adatto. Rende leggere le note piccole un’abilità sorprendentemente pratica per uno sviluppatore.

Che cosa provare sul tuo lavoro

Se stai scegliendo un assistente per programmare a marzo 2026, parti da qualche lavoro rappresentativo, anziché da una fedeltà di marchio:

• Un bug con causa nota e un test che lo rilevi.
• Una funzionalità che tocchi più file collegati.
• Un compito che coinvolga i tuoi strumenti da terminale e le convenzioni del progetto.
• Un lavoro ordinario per cui potrebbe bastare un’opzione meno costosa.

Confronta correttezza, impegno di revisione, tempo e costo totale. Registra modello e impostazioni dell’agente, così saprai che cosa hai davvero testato. Per altro contesto sugli strumenti specializzati, leggi il nostro articolo sul modello di programmazione di Cursor (in inglese).

Il risultato utile delle guerre dell’IA per programmare non è un vincitore permanente. È il permesso di smettere di discutere su quale modello sia migliore e chiedersi quale funzioni meglio per questo lavoro specifico. Il tuo repository può avere un’opinione diversa da Internet.

Traduzione italiana dell’articolo originale in inglese del 2026-03-25. Tradotto il 30 ottobre 2026 con assistenza IA; i riferimenti temporali restano quelli dell’originale.