OpenAI lancia GPT-5.4 con computer use nativo, un milione di token e altro

Cosa è successo

OpenAI ha rilasciato GPT-5.4, il suo nuovo modello di frontiera. Le novità principali: è il primo modello general-purpose con capacità native di computer use (legge screenshot, emette comandi da mouse e tastiera, opera software autonomamente), ha una finestra di contesto da un milione di token (quattro volte il predecessore) e introduce il "tool search", un sistema che permette agli agenti di cercare e caricare gli strumenti giusti al momento giusto invece di averli tutti in memoria, riducendo consumo di token e latenza.
Su GDPval, il benchmark introdotto a settembre per misurare le prestazioni AI su lavoro professionale reale in 44 occupazioni e 9 industrie, GPT-5.4 eguaglia o supera i professionisti umani nell'83% dei confronti. A dicembre, GPT-5.2 era al 70,9%. A novembre, GPT-5.1 al 38,8%. Tre modelli, quattro mesi, dal pareggiare metà dei professionisti a batterli in oltre quattro casi su cinque. Le allucinazioni, intanto, si riducono del 33% a livello di singola affermazione. L'API costa di più ($2,50 per milione di token in input, rispetto a $1,75), ma OpenAI punta sull'efficienza: meno token per completare lo stesso task.
GPT-5.4 Thinking è disponibile da oggi per gli utenti paganti di ChatGPT (Plus, Team, Pro, Enterprise). GPT-5.2 va in legacy e verrà ritirato il 5 giugno.

Perché è importante

La curva GDPval è il dato colpisce maggiormente, per il dato preso singolarmente ma, ancor di più, per la rapidità con cui lo si è raggiunto. Da 38,8% a 83% in quattro mesi, su task che richiedono da 4 a 8 ore di lavoro per un professionista esperto (presentazioni, modelli finanziari, analisi legali, diagrammi manifatturieri, etc.). GDPval misura “lavoro vero”, giudicato da professionisti che non sanno se il risultato sia umano o artificiale.
Ajeya Cotra, ricercatrice di METR (uno dei centri più citati sulla valutazione delle capacità AI), ha pubblicato incidentalmente un'analisi che mette questa accelerazione in prospettiva. METR misura le capacità degli agenti AI attraverso il "time horizon": il tempo che un esperto umano impiegherebbe a completare un task che il modello riesce a risolvere metà delle volte. A novembre, Claude Opus 4.5 era a circa 5 ore. A febbraio — due mesi e mezzo dopo — Opus 4.6 è salito a 12. Le previsioni che Cotra aveva fatto a metà gennaio per l'intero 2026, con una mediana di 24 ore, appaiono già superate a inizio marzo.
La dinamica della evaluation, tuttavia, cambia dopo determinate soglie. Pensiamo al modo in cui noi umani svogliamo dei compiti.
I task brevi (un'ora, due) sono intrinsecamente indivisibili: servono contesto pieno in testa e un flusso continuo di micro-decisioni che non si possono delegare. Ci serve fare un po’ tutto d’un fiato, mantenendo la nostra “finestra di contesto”.
Quelli di media durata si decompongono ma male, con pezzi che si sovrappongono e dipendenze che emergono in corso d'opera.
Progetti più lunghi (da settimane o mesi), invece, si scompongono bene — anzi, devono essere decomposti, con design doc, ticket, team paralleli.
Secondo Cotra, una volta che gli agenti supereranno stabilmente la soglia delle 80 ore su singoli task, la decomponibilità dei progetti più lunghi potrebbe permettere loro di fare progressi continui su una scala arbitraria, con agenti “manager” che coordinano altri agenti che eseguono il lavoro. Una catena continua, in pratica, con livelli di documentazione e tracciamento che nessun team umano ha mai praticato.
La sua stima che la R&D sull'AI possa essere completamente automatizzata entro fine anno (10%) le sembrava troppo alta dopo averla pubblicata. Complici i numeri su GPT-5.4, però, pare nel range giusto.

E adesso?

Da GPT-5.1 a GPT-5.4, OpenAI ha rilasciato quattro modelli in poco più di quattro mesi. Il ritmo è quello, e non accenna a rallentare. La domanda che Cotra lascia aperta non è se gli agenti raggiungeranno i time horizon da 100 ore; e nemmeno quando. La domanda deve cambiare natura: cosa accadrà, tra breve, quando il concetto stesso di time horizon cesserà di essere il metro giusto per misurare questi sistemi?