GitHub aggiunge GPT‑6.1 Sol a Copilot: più scelta per i task, costi a consumo

GitHub porta GPT‑6.1 Sol in Copilot e lo rende selezionabile per attività di programmazione agentica e terminale. Il modello viene distribuito gradualmente agli utenti Pro+, Max, Business ed Enterprise su più strumenti, da VS Code e Visual Studio fino a Copilot CLI, JetBrains, Xcode ed Eclipse.

La notizia interessa soprattutto i team che delegano al modello modifiche multi-passaggio: GitHub dichiara che nei test iniziali il sistema ha completato compiti usando meno token e passaggi rispetto a modelli precedenti. La fatturazione segue però il prezzo del provider attraverso consumo misurato: il risparmio non è automatico e va calcolato sul lavoro reale.

Che cosa è successo

L’annuncio del 29 settembre aggiunge GPT‑6.1 Sol al catalogo di GitHub Copilot. GitHub lo descrive come adatto alla programmazione agentica e ai flussi da terminale, con rollout progressivo e disponibilità nei piani indicati. Gli amministratori Business ed Enterprise possono gestire l’accesso dalla policy dei modelli; nuove versioni possono essere abilitate per impostazione predefinita se l’organizzazione non ha cambiato i controlli globali.

OpenAI presenta il modello come una versione più economica di GPT‑6 Astra per coding complesso, uso del computer e lavoro professionale. La tariffazione dell’API è a consumo per token; per Copilot il costo effettivo dipende invece dalle regole di consumo applicate al piano. Non è quindi corretto usare il listino API per stimare il prezzo totale di una sessione Copilot.

OpenAI classifica il modello come Critico per la cybersicurezza e Alto per le capacità biologiche e chimiche secondo il proprio Preparedness Framework e dichiara che usa la stessa serie di salvaguardie di GPT‑6 Astra. TechCrunch riporta il lancio e attribuisce all’azienda i paragoni di prestazione: né la scheda GitHub né la presentazione costituiscono una prova indipendente di equivalenza sui repository di un singolo team.

Il punto che rischia di passare inosservato

Il numero di token non coincide con il costo per attività conclusa. Un agente può usare meno token ma richiedere più revisioni, tentativi o tempo del personale; al contrario, un modello più caro per chiamata può risultare conveniente se riduce errori e rilavorazioni. La metrica utile è il costo per modifica accettata, non il listino isolato.

Per un’organizzazione, l’impostazione predefinita dei modelli conta quasi quanto il benchmark. Un modello disponibile non deve essere necessariamente abilitato a tutti i repository o a tutte le persone: policy, licenze, dati esclusi e permessi dell’agente vanno allineati prima del rollout interno.

Un modello più economico per token non garantisce codice meno costoso: misura il prezzo della modifica verificata e accettata.

Che cosa cambia per imprese e professionisti

Gli sviluppatori possono confrontare Sol con l’opzione già in uso su compiti circoscritti: aggiornare test, individuare una regressione o svolgere una modifica che attraversa più file. Un esperimento controllato dovrebbe usare repository comparabili, registrare il tempo di revisione e misurare quante proposte arrivano a una pull request accettata.

I responsabili IT e i team di sicurezza dovrebbero verificare chi può selezionare il modello, come viene conteggiato il consumo e quali regole governano l’agente nei terminali. Le attività automatiche vanno provate in rami isolati, con permessi minimi e revisione umana prima di integrare modifiche o eseguire comandi con effetti persistenti.

La valutazione dovrebbe separare qualità, velocità e costo. I risultati dichiarati da OpenAI e GitHub sono un punto di partenza per un test, non una garanzia: differenze di stack, linguaggio, dimensione del repository e configurazione del modello possono cambiare molto l’esito.

Che cosa osservare adesso

Da osservare nelle prossime settimane: quanto rapidamente il modello arriverà a tutti gli account, quali limiti di uso si applicano ai diversi piani e come GitHub mostrerà il consumo ai team. Le policy di amministrazione e l’eventuale attivazione automatica delle novità meritano una verifica nel workspace aziendale.

Un confronto utile parte da una baseline ripetibile: stesso problema, stessi test, stessi vincoli e criteri espliciti per accettare il risultato. Se GPT‑6.1 Sol riduce i passaggi senza spostare il lavoro sulla revisione, il vantaggio diventa misurabile; altrimenti il prezzo inferiore per token può non tradursi in un costo inferiore per consegna.

Le fonti

GitHub Changelog, 29 settembre 2026 · OpenAI Deployment Safety Hub, 29 settembre 2026 · TechCrunch, 29 settembre 2026

Questa analisi della redazione ANPAI aiuta a leggere fatti e conseguenze operative. Non sostituisce una valutazione tecnica o legale riferita a un caso specifico.