I prezzi di GPT-5.6 scendono a meno di un mese dal lancio della nuova famiglia di modelli OpenAI. Dal 30 luglio 2026, Luna costa l’80% in meno, mentre Terra beneficia di una riduzione del 20%. Il cambiamento riguarda soprattutto gli sviluppatori e le aziende che utilizzano i modelli attraverso le API.
Il taglio è particolarmente rilevante per i servizi che elaborano grandi quantità di testo: assistenti virtuali, sistemi di classificazione, motori di ricerca interni, automazioni e strumenti di analisi documentale. Per questi prodotti anche pochi centesimi risparmiati su un milione di token possono diventare migliaia di dollari su scala aziendale.
Quanto costano ora GPT-5.6 Luna e Terra
Secondo l’annuncio ufficiale di OpenAI sui nuovi prezzi, GPT-5.6 Luna passa da 1 dollaro a 0,20 dollari per un milione di token in input. Il prezzo dell’output scende invece da 6 a 1,20 dollari per un milione di token.
GPT-5.6 Terra passa da 2,50 a 2 dollari per un milione di token in input e da 15 a 12 dollari per un milione di token in output. Il modello di fascia più alta, GPT-5.6 Sol, non riceve riduzioni e conserva le tariffe precedenti.
- GPT-5.6 Luna input: da 1 dollaro a 0,20 dollari per milione di token
- GPT-5.6 Luna output: da 6 dollari a 1,20 dollari per milione di token
- GPT-5.6 Terra input: da 2,50 dollari a 2 dollari per milione di token
- GPT-5.6 Terra output: da 15 dollari a 12 dollari per milione di token
- GPT-5.6 Sol: prezzo invariato
La riduzione non modifica il prezzo degli abbonamenti ChatGPT e Codex, né i relativi budget di utilizzo. OpenAI precisa però che Luna e Terra consumano ora meno crediti nei servizi in cui l’accesso ai modelli viene misurato attraverso quote interne.
Quanto si risparmia con il nuovo prezzo di GPT-5.6 Luna
Per comprendere l’effetto del taglio conviene immaginare un’applicazione che, in un mese, invii 100 milioni di token e ne generi 20 milioni. Con il vecchio prezzo di Luna, l’input sarebbe costato 100 dollari e l’output 120 dollari, per un totale di 220 dollari.
Con le nuove tariffe, la stessa attività costa 20 dollari per l’input e 24 dollari per l’output. La spesa mensile scende quindi a 44 dollari, con un risparmio di 176 dollari. Su un volume cento volte superiore, il vantaggio teorico raggiungerebbe 17.600 dollari al mese.
Luna diventa così una scelta più interessante per operazioni frequenti e relativamente standardizzate, come moderazione, estrazione di dati, generazione di etichette, riassunti brevi e gestione delle richieste iniziali di un chatbot. Non significa però che possa sostituire automaticamente Terra o Sol nei compiti più complessi.
Il risparmio con GPT-5.6 Terra è più contenuto
Applicando lo stesso esempio a Terra, con 100 milioni di token in ingresso e 20 milioni in uscita, il vecchio costo sarebbe stato di 550 dollari: 250 dollari per l’input e 300 per l’output. Con i nuovi prezzi si scende a 440 dollari, pari a 200 dollari di input e 240 dollari di output.
Il risparmio è di 110 dollari, esattamente il 20%. Terra resta sensibilmente più costoso di Luna, ma OpenAI lo presenta come il modello bilanciato per il lavoro quotidiano, destinato ai casi in cui la qualità della risposta, l’uso degli strumenti e la capacità di seguire istruzioni articolate contano più del prezzo minimo.
La distinzione è importante anche per le aziende che stanno cercando di trasformare gli investimenti nell’intelligenza artificiale in ricavi concreti. Come abbiamo visto analizzando il modo in cui Microsoft monetizza l’IA mentre Meta aumenta gli investimenti, il costo dell’infrastruttura resta uno degli elementi decisivi per la sostenibilità dei nuovi servizi.
Cache e contesto lungo possono cambiare il conto
Il prezzo nominale per milione di token non racconta tutta la storia. La tabella ufficiale dei prezzi delle API OpenAI distingue infatti tra elaborazione standard, modalità più rapide, input memorizzato nella cache, scrittura della cache e richieste con contesti particolarmente lunghi.
Gli input già presenti nella cache possono costare molto meno rispetto ai token inviati per la prima volta. Questo favorisce applicazioni che riutilizzano frequentemente lo stesso prompt di sistema, le stesse istruzioni aziendali o una base documentale stabile. Al contrario, richieste molto lunghe o modalità di elaborazione più veloci possono aumentare il costo effettivo.
Anche la quantità di output pesa spesso più dell’input. Un servizio che richiede risposte di poche righe può spendere poco, mentre un agente incaricato di produrre relazioni, codice o documenti completi genera molti più token e rende decisiva la tariffa di uscita.
Perché OpenAI ha ridotto i prezzi dopo poche settimane
OpenAI attribuisce il taglio ai miglioramenti nell’efficienza dei propri sistemi. La decisione arriva però in un mercato nel quale il rapporto tra qualità e costo è diventato un campo di competizione centrale. Le imprese non valutano più soltanto quale modello ottenga il risultato migliore nei benchmark, ma quanto costa completare con successo ogni attività.
La pressione arriva anche dai modelli open weight e dai servizi concorrenti più economici. Nvidia, Microsoft e Meta continuano a sostenere ecosistemi più aperti, pur con problemi di sicurezza e controllo che abbiamo esaminato nell’approfondimento sui rischi reali dei modelli di intelligenza artificiale aperti.
Rendere Luna molto più economico permette a OpenAI di competere nei carichi di lavoro ad alto volume senza abbassare il prezzo del modello Sol. Terra, invece, viene spinto come soluzione intermedia per chi considera Luna insufficiente ma non ha bisogno della capacità massima disponibile.
Quale modello conviene scegliere dopo il taglio
Luna è ora il candidato più evidente per classificazioni, assistenza di primo livello, elaborazioni ripetitive e applicazioni nelle quali velocità e costo hanno la precedenza. Terra rimane più indicato per flussi di lavoro articolati, analisi, uso di strumenti e automazioni che richiedono maggiore affidabilità.
La scelta corretta non dovrebbe comunque basarsi soltanto sul prezzo del token. Un modello economico che produce più errori, richiede controlli umani o deve ripetere più volte la stessa operazione può costare più di un modello inizialmente caro. Il dato realmente utile è il costo per attività completata con successo.
Il taglio rende quindi GPT-5.6 più accessibile, ma non elimina la necessità di effettuare test sui propri dati. Per molte aziende la strategia più efficiente sarà utilizzare Luna come modello predefinito, passare a Terra quando la richiesta supera una certa complessità e riservare Sol soltanto ai compiti nei quali la maggiore capacità produce un vantaggio misurabile.
