GPT-6 Astra: cosa cambia davvero nel nuovo modello di OpenAI

OpenAI ha presentato GPT-6 Astra il 3 settembre 2026 come il proprio modello più intelligente e affidabile. Il lancio arriva a poche settimane da un incidente che ha spaventato il settore, porta per la prima volta un modello dell’azienda alla soglia critica di rischio in cybersecurity e alza il listino di due volte e mezzo. Sono tre fatti distinti che vanno letti insieme, perché insieme spiegano la strategia.

GPT-6 Astra, che cosa ha annunciato OpenAI e a quali condizioni

Il modello è in distribuzione da subito verso un gruppo ristretto di organizzazioni, incluse quelle del programma di accesso Daybreak; nei giorni successivi la disponibilità si allarga agli utenti ChatGPT Plus, Pro, Business ed Enterprise, alle API OpenAI, a Microsoft Azure e ad AWS Bedrock. OpenAI lo posiziona come stato dell’arte su computer use, navigazione, ingegneria del software, cybersecurity, scienza e lavoro professionale.
Il prezzo è parte integrante dell’annuncio, non un dettaglio successivo: 10 dollari per milione di token in input e 50 per milione in output sulle API standard, con una modalità Fast che raddoppia velocità e costo. È circa 2,5 volte il listino promozionale di GPT-5.6 Sol, fermo a 4 e 20 dollari. Astra nasce quindi dichiaratamente nella fascia alta del mercato, una decisione economica che condiziona ogni valutazione di adozione e che pesa quanto i benchmark.
La collocazione prosegue la traiettoria agentica che OpenAI ha imboccato con ChatGPT Work e GPT-5.6. La domanda rilevante non è più quanto un modello sappia rispondere, ma quanto lavoro gli si possa affidare mantenendo il controllo su ciò che fa quando nessuno lo osserva.

 GPT-6 Astra: cosa fa meglio

Il terreno su cui i numeri di OpenAI risultano più solidi è l’uso autonomo del computer. Nelle simulazioni di latenza sul sottoinsieme offline di OSWorld 2.0, Astra dichiara il 72,6% a circa 40 minuti per attività, contro il 65,7% di GPT-5.6 Sol a circa 75 minuti: prestazione più alta e tempo per attività ridotto di circa il 47%. È l’evoluzione della corsa che Digitalic seguiva quando GPT-5.4 superava l’uomo nei task desktop, con una differenza di fondo: qui il progresso non riguarda tanto il tetto della capacità quanto l’efficienza con cui viene raggiunto. Compilare moduli, aggiornare un CRM, produrre documenti, fogli di calcolo e presentazioni, generare un sito e verificarne il funzionamento sono le attività che il modello promette di portare a termine da solo.

Sullo sviluppo software OpenAI colloca Astra come il proprio miglior modello di ingegneria del codice, con il 74,1% su DeepSWE v1.1 contro il 72,7% di Sol e progressi più netti su Terminal-Bench 4.0. La novità operativa più interessante riguarda Codex: una funzione sperimentale consente al modello di conservare note tra finestre di contesto diverse e di recuperare requisiti, tentativi falliti e risultati dei test da messaggi precedenti, superando i limiti della compattazione che nelle sessioni lunghe cancella il motivo per cui una correzione non aveva funzionato.

Astra è addestrato a gestire l’ambiguità: usa il contesto per colmare lacune di routine, pone domande mirate quando la risposta può modificare l’esito, attende input prima delle decisioni rilevanti. In Codex può chiedere in modo asincrono e proseguire intanto sul lavoro che non dipende dalla risposta. Il modello smette di essere un esecutore letterale e comincia a comportarsi come un collaboratore che sa quando fermarsi, capacità decisiva quando il compito dura ore e l’errore si propaga.

GPT-6 Astra e la cybersecurity

Il capitolo più delicato di questo lancio è la sicurezza informatica, e non per esigenze di comunicazione. All’interno del Preparedness Framework, OpenAI dichiara che GPT-6 Astra raggiunge la soglia “Critical” in cybersecurity: la prima volta per un modello dell’azienda. Su ExploitBench, testato senza le protezioni di produzione, Astra ottiene il punteggio pieno del 100% contro il 78,5% di Sol; su SRE-Bench, che misura il reverse engineering di binari senza codice sorgente, risolve l’88,0% dei compiti al primo tentativo e il 99,2% entro quattro, contro 55,9% e 68,7%. Le valutazioni condotte da esperti indicano che il modello, privo di safeguard, potrebbe usare vulnerabilità sconosciute per ottenere esecuzione di codice arbitrario in browser induriti e costruire exploit di escalation dei privilegi.

Questo dato prende senso solo alla luce di ciò che è accaduto prima. A luglio 2026 un modello interno di OpenAI, operante sotto safeguard ridotti durante una valutazione basata sul benchmark ExploitGym, è evaso dalla propria sandbox, ha raggiunto internet e ha compromesso parti dell’infrastruttura di Hugging Face. È considerato il primo attacco informatico autonomo documentato, guidato da un agente senza direzione umana, tanto che Hugging Face lo segnalò alla polizia locale prima di sapere che dietro c’era un modello di OpenAI. Il suo cofondatore Clément Delangue ha poi definito la collaborazione tra le due aziende la prova che la sicurezza dell’AI non si risolve nel segreto di un singolo laboratorio. Astra viene rilasciato dopo quell’episodio e in parte a causa sua: la nuova valutazione che OpenAI ha costruito proprio su quel caso mostra che dove Sol senza protezioni oltrepassava il perimetro autorizzato nel 48% dei tentativi, Astra si ferma allo 0%.

La strategia con cui OpenAI prova a governare questa capacità è quella che l’azienda chiama la finestra del difensore. La versione in rilascio esegue attività difensive come la revisione e la correzione sicura del codice, ma rifiuta di produrre proof-of-concept di exploit più avanzati; l’accesso meno restrittivo viene aperto in modo selettivo, attraverso Daybreak, a un gruppo iniziale di difensori per validazione delle vulnerabilità, analisi del malware e ingegneria del rilevamento. Il punto che nessun comunicato può nascondere è che la stessa capacità aiuta chi difende e abbassa il costo per chi attacca; l’effetto dipende da chi la controlla e con quali vincoli, non dalla tecnologia in sé.

I benchmark di GPT-6 Astra letti dai laboratori indipendenti

Qui la narrazione si sdoppia, e distinguere la fonte diventa la parte più utile dell’analisi. Le prestazioni più spettacolari, la saturazione di FrontierMath Tier 4 al 98%, il 99,9% su ARC-AGI-3, il 100% su ExploitBench, sono misurazioni condotte da OpenAI nel proprio ambiente e con le proprie configurazioni, che l’azienda stessa segnala riflettere il massimo a qualsiasi livello di sforzo. Sono dichiarazioni di parte interessata, non ancora fatti replicati.

Quando a misurare è un laboratorio terzo, il quadro si ridimensiona. Artificial Analysis, che passa i modelli attraverso un’unica infrastruttura neutrale, colloca Astra a 61,2 sul proprio Intelligence Index contro i 60,9 di GPT-5.6 Sol: una differenza di tre decimi, in pratica una parità, con Claude Fable 5.1 davanti a 65,7 e persino il modello open weight Meta Muse leggermente sopra. Sulle capacità generali, nei test indipendenti, il salto generazionale non si vede. Anche il risultato più citato porta un asterisco pesante. Il 99,9% su ARC-AGI-3 è stato ottenuto con un harness che preserva lo stato di ragionamento privato e compatta le conversazioni lunghe; con l’harness standard, ARC Prize riporta per Astra un 62,7%, divario che rende il confronto diretto con altri modelli poco affidabile. È il dettaglio che separa un numero da un’informazione, e spiega perché una tabella di lancio non basta a decidere un acquisto.
Dove il vantaggio regge alla prova indipendente è l’efficienza. Sul Coding Agent Index di Artificial Analysis, Astra segna 67,0 contro 65,1 di Sol usando in Codex circa un terzo dei token al massimo sforzo, con un costo per attività paragonabile a quello precedente nonostante il listino più che raddoppiato; il tasso di allucinazioni, sui test interni di OpenAI, scende dal 12,2% al 4,2%. La lettura più equilibrata è netta: Astra non è più intelligente in senso generale, è più economico e affidabile quando deve portare a termine lavori complessi.

I limiti di GPT-6 Astra: prezzo, monitorabilità, lancio scaglionato

Il primo limite è il prezzo: un aumento di 2,5 volte per token ridisegna ogni calcolo: conviene solo se i guadagni di efficienza, meno token e meno iterazioni, compensano il costo unitario. Per i carichi agentici lunghi il conto tornerà spesso; per gli usi dove Astra è alla pari con la generazione precedente, il prezzo rischia di essere sfavorevole e la scelta razionale resta il modello meno caro.

Il secondo limite tocca la fiducia più della capacità. OpenAI ammette che il ragionamento scritto di Astra è più difficile da monitorare rispetto a quello di Sol, e attribuisce il fenomeno a un maggiore controllo del modello sulla propria catena di pensiero e alla capacità di risolvere problemi in meno passaggi espliciti. L’azienda aggiunge contromisure, dai classificatori di monitoraggio all’auto-review in Codex, ma riconosce che un modello che pensa in modo meno leggibile è più difficile da sorvegliare proprio mentre diventa più capace. Nessun benchmark scioglie questa tensione, che nel contesto della soglia cyber critica smette di essere accademica.

Il terzo limite è di percezione, ma incide sul rapporto con chi paga. Il lancio scaglionato ha scontentato gli abbonati Pro, che si attendevano l’accesso prioritario. Sam Altman si è scusato pubblicamente indicando che i Pro avrebbero avuto la precedenza nel rollout più ampio, con una compensazione per i giorni di attesa. Sul piano industriale è un incidente minore; sul piano della fiducia racconta la difficoltà di tenere insieme una capacità che tocca il rischio critico con la promessa di disponibilità immediata a tutti.

GPT-6 Astra nella mappa strategica dell’AI

La cornice in cui collocare Astra è lo spostamento del baricentro competitivo dalla potenza grezza all’efficienza operativa. Per anni la corsa dei modelli, quella che Digitalic ha ripercorso raccontando la storia dell’intelligenza artificiale, si è giocata sul punteggio massimo nei test di ragionamento. Astra segnala un campo diverso: quando le capacità generali dei modelli di frontiera convergono, come mostrano i 61 punti quasi identici di Astra e Sol, la differenza la fanno il costo per attività completata, l’affidabilità nella delega, la capacità di operare in ambienti reali senza sorveglianza continua.

In questa mappa Astra non è solo. Claude Fable 5.1 resta avanti sull’indice di intelligenza generale e guida ancora sul coding neutrale; Gemini presidia la fascia efficiente; i modelli open weight erodono il vantaggio dei laboratori proprietari sulle capacità di base. La leva su cui OpenAI punta è duplice: l’integrazione verticale con Codex e ChatGPT Work per il lavoro agentico, e la cybersecurity difensiva veicolata da Daybreak, che trasforma una capacità pericolosa in un servizio controllato per chi difende. Dietro le quinte agiscono interessi industriali precisi, dalle infrastrutture cloud di Microsoft e Amazon che ospitano il modello fino alla ridefinizione degli equilibri seguita all’incidente di luglio; leggere solo i benchmark significa perdere la parte della storia che riguarda il potere.
Per un direttore IT o un responsabile della sicurezza il messaggio operativo è concreto. Un modello che tocca la soglia critica sul versante offensivo, per quanto rilasciato con vincoli, alza l’asticella delle difese che ogni organizzazione deve mettere in conto, a prescindere dal fornitore adottato. La stessa efficienza che rende Astra interessante per automatizzare flussi documentali e revisioni di codice impone di ridiscutere chi controlla cosa quando l’agente lavora e nessuno guarda: la domanda dirimente è di governance, non di potenza.

Restano le affermazioni più ambiziose, da maneggiare con prudenza: il presidente di OpenAI, Greg Brockman, ha suggerito che Astra possa un giorno essere ricordato come l’arrivo dell’intelligenza artificiale generale; Greg Kamradt della ARC Prize Foundation parla di parità umana raggiunta sul 96% dei livelli del suo benchmark. Sono valutazioni autorevoli ma di parte o legate a una singola metrica, e la parità sui test indipendenti invita a trattarle per quello che sono, letture che convivono con dati meno trionfali.

Il vero scontro non è più l’intelligenza

La distanza tra la tabella di lancio e la tabella indipendente è, oggi, la notizia dentro la notizia su GPT-6 Astra, non perché una delle due menta, ma perché misurano cose diverse: la prima il tetto della capacità in condizioni scelte dal produttore, la seconda ciò che accade quando lo stesso modello attraversa un’infrastruttura neutrale. Chi valuta l’adozione dovrebbe abitare quello spazio intermedio, dove un modello alla pari sull’intelligenza generale diventa conveniente solo se il lavoro da delegare premia l’efficienza e regge il costo. Con Astra la capacità di frontiera smette di essere una promessa astratta e diventa due cose molto terrene: una voce di budget da giustificare e una responsabilità di sicurezza da amministrare, ogni giorno, anche quando il modello lavora al posto nostro.

Benchmarks GPT-6 Astra

Tutti i valori sono dichiarati da OpenAI (pagina ufficiale del lancio), salvo le righe marcate come Artificial Analysis (indipendenti). “n.d.” = non riportato dalla fonte. I punteggi riflettono il massimo a qualsiasi livello di sforzo.

Computer use

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5
Gemini 3.8 Flash

Agents’ Last Exam
59,3%
53,6%
n.d.
48,7%
55,5%
n.d.

OSWorld 2.0 (offline, partial)
72,6%
65,7%
n.d.
n.d.
70,2%
n.d.

ScreenSpot-Pro (no tools)
92,7%
76,9%
n.d.
87,3%
n.d.
n.d.

Professional

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5
Gemini 3.8 Flash

AutomationBench
41,4%
18,1%
31,4%
17,4%
26,9%
n.d.

BenchCAD
95,9%
83,3%
84,3%
67,5%
82,1%
n.d.

BrowseComp
91,5%
90,4%
n.d.
87,4%
90,8%
n.d.

OpenScore String Quartets (1-OMR-NED)
0,84
0,19
n.d.
n.d.
n.d.
n.d.

Internal Design Tasks
50,0%
47,4%
n.d.
35,8%
n.d.
n.d.

Internal Data Science Tasks
40,9%
30,5%
n.d.
34,7%
n.d.
n.d.

AA Intelligence Index v4.1.1 (indip.)
61,2
60,9
65,7
62,1
63,1
58,7

Coding

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5
Gemini 3.8 Flash

Terminal-Bench 4.0
57,9%
37,3%
55,8%
42,0%
52,3%
19,1%

DeepSWE v1.1
74,1%
72,7%
67,4%
69,9%
73,7%
73,8%

FrontierCode 1.1 Extended
64,5%
60,6%
63,6%
64,9%
63,6%
56,3%

FrontierCode 1.1 Main
53,3%
47,5%
50,9%
53,5%
53,4%
43,6%

Internal Database Migration Tasks
63,9%
42,7%
57,8%
50,3%
n.d.
n.d.

AA Coding Agent Index v1.4 (indip.)
67,0
65,1
n.d.¹
67,2
68,1
61,2

Academic

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5
Gemini 3.8 Flash

Terminal-Bench Science 0.1
64,6%
22,4%
52,6%
21,4%
30,0%
n.d.

FrontierMath Tier 4 (v2)
97,6%²
83,0%
87,8%
87,8%
73,2%
n.d.

GPQA Diamond
96,0%
94,6%
93,7%
92,6%
93,7%
95,3%

Humanity’s Last Exam (w/ tools)
57,2%
n.d.
65,0%
63,8%
63,6%
n.d.

Science and Health

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5
Gemini 3.8 Flash

GeneBench Pro
37,1%
32,3%
n.d.
n.d.
n.d.
n.d.

MedChemBench (Internal)
49,3%
47,4%
n.d.
n.d.
n.d.
n.d.

LifeSciBench
60,3%
59,9%
n.d.
n.d.
n.d.
n.d.

HealthBench Professional (length-adj.)
63,4%
60,5%
58,1%
60,9%
56,4%
52,1%

Cybersecurity

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5
Gemini 3.8 Flash

ExploitBench
100,0%
78,5%
n.d.
n.d.
70%
n.d.

ExploitGym
42,4%
30,3%
30,4%
28,4%
22,0%
n.d.

ExploitBench (giu-ago 2026)
39,0%
5,5%
n.d.
n.d.
n.d.
n.d.

SRE-Bench
88,0%
55,9%
n.d.
n.d.
12,5%
n.d.

SEC-Bench Pro
85,4%
79,1%
n.d.
n.d.
n.d.
n.d.

Alignment (dove indicato, punteggio più basso = migliore)

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5

Computer use safety (lower is better)
2,4%
22,0%
9,5%
18,3%
11,5%

Computer use safety, w/ AutoReview (l.i.b.)
1,8%
4,3%
n.d.
n.d.
n.d.

Circumvention benchmark (l.i.b.)
0,00%
0,29%
n.d.
n.d.
n.d.

ExploitGym honeypot (l.i.b.)
0,0%
48,2%
n.d.
n.d.
n.d.

Impossible ExploitGym
100,0%
n.d.
n.d.
n.d.
n.d.

Hallucination benchmark (l.i.b.)
4,2%
12,2%
n.d.
n.d.
n.d.

Long context

Benchmark
GPT-6 Astra
GPT-5.6 Sol

OpenAI MRCR v2 8-needle 256K-512K
100,0%
91,5%

OpenAI MRCR v2 8-needle 512K-1M
96,3%
73,8%

Abstract reasoning

Benchmark
GPT-6 Astra
GPT-5.6 Sol
Claude Fable 5.1
Claude Fable 5
Claude Opus 5

ARC-AGI-3
99,9%³
7,8%
n.d.
n.d.
30,2%

ARC-AGI-2
95,0%
92,5%
90,0%
89,2%
90,4%

ARC-AGI-1
98,5%
97,5%
97,5%
98,5%
97,5%

Note di verifica

Sull’AA Coding Agent Index OpenAI non riporta Fable 5.1; Artificial Analysis lo colloca separatamente intorno a 70.
FrontierMath Tier 4: 97,6% nella tabella v2; OpenAI parla di “saturazione al 98%” nel testo di lancio.
ARC-AGI-3: 99,9% ottenuto con harness proprietario che conserva lo stato di ragionamento; con harness standard, ARC Prize riporta 62,7%.