Vai al contenuto principale
Italiano— Scegli una lingua
Menu

Controlla lo sforzo di ragionamento, da ChatGPT alle API

Lezione 8 di 12 Aggiornata il 5 novembre 2026 Intermedio
In questa pagina
  1. Calibrare la riflessione per ogni compito
  2. In ChatGPT: un’impostazione per messaggio
  3. Nelle API: cinque leve
  4. L’impatto sui costi
  5. Tre strategie di ottimizzazione
  6. A te la parola
  7. Punti chiave

Calibrare la riflessione per ogni compito

Le lezioni dalla 1 alla 3 ti hanno fornito la mappa delle impostazioni e le linee guida di OpenAI. Questa lezione passa ai controlli: come regolare lo sforzo mentre lavori, gestirne il costo e automatizzarlo all’interno di un’applicazione. Il principio rimane invariato: il livello di ragionamento è un compromesso, non un cursore di qualità. Influisce simultaneamente su quattro variabili: il numero di token di ragionamento, il tempo di risposta, la profondità dell’analisi e il consumo di quota o il costo.

In ChatGPT: un’impostazione per messaggio

In Chat, il cursore Pensiero per GPT-6 si regola per ogni messaggio: puoi rimanere su Istantaneo per riformulare, passare ad Alto per l’analisi, quindi abbassarlo di nuovo. I livelli più alti attingono a quote specifiche del tuo piano; quando raggiungi un limite, ChatGPT può continuare con un altro modello disponibile e, ove possibile, indica quando la quota si resetta. In Work e Codex, il cursore di potenza svolge lo stesso ruolo, spaziando da Più veloce a Più intelligente, con Max e Ultra tenuti di riserva. La migliore pratica in entrambi i casi: inizia con l’impostazione predefinita e aumentala solo se il risultato non è sufficiente.

Nelle API: cinque leve

Per gli sviluppatori, cinque parametri nelle API Responses ti danno il controllo sul ragionamento:

  • reasoning.effort imposta il livello, da none a max a seconda del modello: GPT-6 Astra e GPT-6.1 Sol partono da low, mentre GPT-6.1 Terra e GPT-6 Luna accettano none.
  • reasoning.mode, standard per impostazione predefinita o pro, fa lavorare il modello più duramente senza cambiare il livello di sforzo; questo lavoro extra viene fatturato alla tariffa standard del modello ma consuma più token.
  • max_output_tokens limita il numero totale di token generati, inclusi quelli di ragionamento. Impostalo troppo basso e otterrai risposte incomplete; OpenAI consiglia di riservare almeno 25.000 token quando inizi a sperimentare.
  • reasoning.summary richiede un riepilogo del processo di ragionamento, poiché il ragionamento grezzo non viene mai esposto.
  • configuration_update, un elemento inserito tra due risposte, cambia il livello di sforzo a metà conversazione sui modelli GPT-6 compatibili senza toccare le impostazioni della richiesta iniziale: il prefisso del prompt rimane intatto e la cache del prompt continua a servire.
Sei leve sul ragionamento Sei riquadri: reasoning.effort imposta il livello, da none a max a seconda del modello; reasoning.mode sceglie standard o pro; max_output_tokens limita i token, incluso il ragionamento; reasoning.summary richiede un riepilogo; configuration_update cambia lo sforzo senza rompere la cache; in Chat, un livello per messaggio, entro le quote. CONTROLLO DELLO SFORZO Sei leve sul ragionamento 1 reasoning.effort Il livello, da none a max a seconda del modello. 2 reasoning.mode standard o pro, indipendente dallo sforzo. 3 max_output_tokens Il limite, incluso il ragionamento. 4 reasoning.summary Un riepilogo, mai il ragionamento grezzo. 5 configuration_update Cambia lo sforzo senza rompere la cache. 6 In Chat Un livello per messaggio, entro le quote. Escalation: inizia dal livello predefinito, aumenta solo se il risultato non è sufficiente.
Basato sulla guida ai modelli di ragionamento delle API OpenAI e sul Centro assistenza OpenAI (novembre 2026).

Ecco come appare quest’ultimo elemento, inserito prima del prossimo messaggio dell’utente:

{
  "type": "configuration_update",
  "reasoning": { "effort": "high" }
}

Una conversazione iniziata a low passa quindi a high per la risposta successiva e quelle seguenti, fino al verificarsi di un altro aggiornamento.

L’impatto sui costi

I token di ragionamento sono fatturati come token di output e il loro conteggio cresce rapidamente con il livello: da poche centinaia a decine di migliaia per un problema difficile. La scelta del modello conta altrettanto: per token di output, GPT-6 Luna costa venti volte meno di GPT-6.1 Sol, mentre GPT-6 Astra costa cinque volte di più. In ChatGPT, il costo si traduce in quote: il numero di richieste impegnative possibili per periodo.

Tre strategie di ottimizzazione

La prima è l’escalation: non partire dal massimo. Inizia con il livello predefinito, medium nelle API, o inferiore per un compito banale; se la risposta è incompleta o errata, sali di un gradino; riserva xhigh, max, la modalità pro, Max e Ultra per problemi che li giustificano. In un’applicazione, configuration_update rende possibile questa escalation all’interno di una singola conversazione.

La seconda è il triage basato sui compiti, che dovresti prendere l’abitudine di fare: riformulazione e classificazione al livello più basso, stesura e analisi semplici a low, pianificazione e giudizio a medium, debug e problemi difficili a high, ricerca a lungo termine a xhigh e casi estremi a max.

La terza è abbinare il modello giusto al livello giusto. GPT-6.1 Sol a high o superiore, eventualmente in modalità pro, gestisce problemi impegnativi; GPT-6 Astra rimane per i più difficili; GPT-6.1 Terra gestisce scrittura, immagini e orchestrazione di applicazioni; GPT-6 Luna, a low o medium, assorbe volumi a costi inferiori.

A te la parola

Trova il punto dei rendimenti decrescenti. Poni la seguente domanda tre volte, a tre livelli (Istantaneo, Medio, poi Alto in Chat, oppure low, medium, poi high nelle API) e confronta la profondità dell’analisi e, nelle API, i token di ragionamento consumati.

“Un’azienda ha 5 progetti. Progetto A: 100k€, ROI 3,2x, rischio medio. Progetto B: 250k€, ROI 1,8x, rischio basso. Progetto C: 50k€, ROI 5,1x, rischio alto. Progetto D: 150k€, ROI 2,4x, rischio medio. Progetto E: 75k€, ROI 4,0x, rischio alto. Il budget totale è di 400k€. Quali progetti dovrebbero essere finanziati per massimizzare il ROI aggiustato per il rischio? Dichiara esplicitamente la regola di aggiustamento utilizzata.”

Identifica il livello oltre il quale andare più in alto aggiunge poco valore: quella è la tua impostazione per questo tipo di domanda.

Fonti ufficiali: Modelli di ragionamento (API OpenAI: effort, modalità pro, max_output_tokens, riepiloghi, configuration_update, fatturazione) · Modelli (sforzi accettati e prezzi per modello) · GPT-6 e altri modelli in ChatGPT (livelli, quote e fallback in Chat)

Punti chiave

  • Lo sforzo varia token, latenza, profondità e costo insieme: è un compromesso
  • In ChatGPT, il livello si regola per messaggio, entro le quote del piano
  • Nelle API: reasoning.effort, reasoning.mode, max_output_tokens, reasoning.summary e configuration_update
  • Escalation, triage dei compiti e il giusto abbinamento modello-livello sono le tre leve per il risparmio
  • Cambiare lo sforzo a metà conversazione con configuration_update preserva la cache del prompt