Agenti AI per computer use: i migliori modelli multimodali del 2026

Nel 2026, GPT-5.6 Sol è il miglior modello in assoluto per gli agenti AI che operano al computer, ma il suo costo normalizzato per il solo modello è di $0.40 per un'attività con 50,000 token di input e 5,000 token di output misurati. Con lo stesso profilo di token, Gemini 3.7 Flash costa $0.05625, mentre DeepSeek V4-Flash-Vision-Exp costa da $0.0143 a $0.0286. La scelta giusta è il percorso che riduce al minimo il costo per completamento accettato, non quello con la tariffa token più bassa.

Agenti AI per computer use: la selezione in breve

Le quattro soluzioni rispondono a esigenze diverse di computer use. GPT-5.6 Sol, Claude Opus 5 e Gemini 3.7 Flash espongono uno strumento dedicato, con un ciclo di azioni definito. DeepSeek V4-Flash-Vision-Exp mette invece a disposizione il modello visivo e il tool calling generico: spetta all'applicazione definire le azioni sul computer, l'esecutore, le approvazioni e la logica di ripristino.

I prezzi sono stati verificati il 22 agosto 2026. Per “prezzo di partenza” si intende il listino API diretto per milione di token, indicato come input/output. Salvo diversa indicazione, non include hosting dell'esecutore, costi degli strumenti, nuovi tentativi e revisione umana.

La classifica:

1. GPT-5.6 Sol è la scelta complessivamente migliore quando un'azione fallita ha un costo elevato e si cerca il risultato dichiarato più solido nel computer use tra i modelli considerati.
2. Claude Opus 5 è preferibile per il controllo in azienda quando struttura del browser, conferma automatica dei prompt injection, gestione dei dati o idoneità per carichi regolamentati contano più del primato in un benchmark.
3. Gemini 3.7 Flash offre il miglior rapporto qualità-prezzo tra le soluzioni native per automatizzare in modo reversibile browser, dispositivi mobili e desktop. Il modello è GA, ma Computer Use è ancora in Preview.
4. DeepSeek V4-Flash-Vision-Exp stabilisce il costo minimo per un team tecnico che dispone già di un esecutore e di uno stack di valutazione. È un nucleo visivo sperimentale, non un sistema di computer use pronto all'uso.

Non si dovrebbe acquistare un modello di computer use solo perché sa riconoscere un pulsante in uno screenshot. Un agente in produzione deve interpretare lo stato, proporre un'azione consentita, eseguirla in un ambiente isolato, osservare il risultato, recuperare dagli errori e fermarsi per ottenere l'approvazione prima di produrre conseguenze. Il “modello migliore” è la soluzione che completa l'intero ciclo con il rischio accettabile più basso.

Il verdetto in un minuto

Conviene partire da GPT-5.6 Sol per attività di valore elevato, nelle quali uno stato non rilevato, una coordinata errata o un ripristino fallito possono consumare diversi minuti di lavoro umano. OpenAI dichiara per Sol un risultato del 62.6% su OSWorld 2.0. È un benchmark comunicato dal fornitore, non la garanzia che un CRM, un portale assicurativo o un'applicazione desktop si comportino allo stesso modo; resta comunque il dato pubblico più forte sul computer use tra queste quattro soluzioni attuali.

Claude Opus 5 è la scelta giusta quando il livello di controllo è parte integrante della decisione. L'attuale toolset di Anthropic offre 17 azioni lato client, può raggrupparne diverse in un solo turno, aggiunge uno strumento specifico per il browser che legge la struttura della pagina e controlla automaticamente gli screenshot alla ricerca di possibili prompt injection. Computer use è ora GA sulla Claude API: viene così meno un'importante obiezione in fase di acquisto, anche se ambiente ed esecuzione delle azioni rimangono responsabilità dell'applicazione.

Gemini 3.7 Flash è adatto ai workflow reversibili in cui servono uno schema di azioni nativo e costi vicini al minimo. Sul carico qui utilizzato, il costo token normalizzato è molto più basso di quello di Sol. Google espone inoltre l'intento dell'azione e le decisioni di sicurezza, segnali utili per approvazioni e registri. Il compromesso riguarda lo stato del prodotto: Gemini 3.7 Flash è GA, mentre Computer Use resta in Preview; Google ne sconsiglia l'impiego su operazioni sensibili o irreversibili senza una supervisione stretta.

DeepSeek V4-Flash-Vision-Exp ha senso soltanto se “costruire il piano di controllo mancante” viene considerato un vantaggio. Anche in fascia di picco, il prezzo token rimane inferiore all'attuale tariffa Standard di Gemini; 100 screenshot alla dimensione massima costano non più di $0.016896 nelle ore di picco, prima di testo e output. Il prezzo basso è concreto. Lo è altrettanto l'assenza di uno strumento proprietario per le azioni sul computer. Per un team privo di un'infrastruttura browser o desktop, ingegneria e sicurezza sono il prodotto, non una semplice fase di configurazione.

Il test dei 22 secondi: perché il prezzo dei token non è il costo dell'attività

Un agente che lavora tramite screenshot funziona come un ciclo, non come una singola inferenza. L'applicazione invia screenshot e stato; il modello restituisce un'azione o una breve sequenza; l'esecutore la porta a termine; l'applicazione acquisisce il nuovo stato e interroga di nuovo il modello. A ogni turno possono aggiungersi token immagine, definizioni degli strumenti, risultati delle azioni, latenza e un'altra occasione in cui dover recuperare da un errore.

Il prezzo di input pubblicato dal fornitore è quindi solo il punto di partenza. La metrica di acquisto è:

Costo per attività accettata = token del modello + costi degli strumenti + runtime dell'esecutore + revisione umana + nuovi tentativi, divisi per i completamenti accettati.

“Accettata” è la parola decisiva. Un'attività non è conclusa solo perché il modello dichiara di averla terminata: l'output deve superare un controllo deterministico o soddisfare uno standard umano esplicito. Per la compilazione di moduli, potrebbe significare che ogni campo corrisponda al record sorgente e che l'invio finale resti subordinato a un'approvazione. Per il QA visivo, potrebbe richiedere il completamento del percorso previsto, la comparsa dell'elemento atteso e la conservazione dello screenshot probatorio.

Per rendere confrontabili i prezzi API, consideriamo una singola attività normalizzata con 50,000 token totali di input misurati e 5,000 token di output. L'input comprende screenshot, definizioni degli strumenti, stato precedente e risultati. Non è una previsione valida per ogni workflow, ma un metro comune.

• GPT-5.6 Sol costa $0.40 in token del modello.
• Claude Opus 5 costa $0.375.
• Gemini 3.7 Flash Standard Paid costa $0.05625 fino al 31 dicembre 2026.
• DeepSeek V4-Flash-Vision-Exp costa $0.0143 fuori picco oppure $0.0286 nelle ore di picco per input senza cache.

Su 1,000 attività inviate, questi valori minimi diventano $400 per Sol, $375 per Opus 5, $56.25 per Gemini e da $14.30 a $28.60 per DeepSeek. Restano esclusi l'esecutore e gli eventuali costi specifici degli strumenti applicati dal fornitore. Il calcolo presume inoltre lo stesso profilo di token misurati, non lo stesso tasso di successo.

Ora aggiungiamo il lavoro umano. Con un costo aziendale dell'operatore pari a $60 l'ora, un minuto vale $1. Il sovrapprezzo di Sol rispetto alla tariffa di picco di DeepSeek, pari a $0.3714, corrisponde a 22.284 secondi di lavoro. Per Claude sono 20.784 secondi; per Gemini 1.659 secondi.

Questo è il test dei 22 secondi: se Sol evita 22 secondi di revisione, rilavorazione o recupero da un ciclo fallito per ogni attività inviata, annulla il proprio sovrapprezzo token rispetto a DeepSeek nelle ore di picco. Su 1,000 attività, Sol costa $371.40 in più in token e deve far risparmiare circa 6.19 ore di lavoro dell'operatore per raggiungere il pareggio. Spesso un singolo intervento dura più a lungo, considerando il tempo necessario per aprire un registro, comprendere lo stato, correggerlo e riavviare l'esecuzione.

Il test non dimostra che Sol farà davvero risparmiare quei secondi. Indica che cosa misurare nella valutazione. Un benchmark può giustificare un progetto pilota; soltanto il registro dei tempi di recupero può giustificarne il budget.

Le voci specifiche dei singoli fornitori modificano il costo minimo:

• Se un'attività OpenAI produce 20 chiamate fatturabili allo strumento computer, l'attuale prezzo di $2.50 ogni 1,000 chiamate aggiunge $0.05 prima dell'hosting dell'esecutore.
• Il toolset computer predefinito di Claude Opus 5 aggiunge circa 4,520 token di input a una richiesta senza cache, per un valore di $0.0226 alla tariffa base di input. I circa 6,610 token del toolset browser valgono $0.03305. Il prompt caching può ridurre l'overhead ripetuto, ma è meglio leggere l'uso effettivamente misurato anziché presumere che ogni turno utilizzi la cache.
• Gemini addebita Computer Use alle normali tariffe token del modello selezionato, inclusi output e thinking token. Una deliberazione lunga può rendere il costo dell'output superiore a quello stimato dal semplice metro dei 5,000 token.
• DeepSeek limita ogni immagine a 384 token di input, ma lo schema di azioni personalizzato, le risposte dell'esecutore, i tentativi ripetuti e i controlli di sicurezza continuano a richiedere denaro e lavoro ingegneristico al di fuori di quella voce.

Per una panoramica più ampia sull'ottimizzazione dei prezzi, il confronto delle API AI più economiche analizza anche i modelli che non devono controllare uno schermo. Il computer use merita un budget separato, perché screenshot, transizioni di stato e recuperi si sommano a ogni turno.

1. GPT-5.6 Sol: la scelta migliore quando gli errori costano

GPT-5.6 Sol è il modello multimodale di frontiera di OpenAI e il punto di partenza complessivamente migliore quando gli errori nel computer use comportano un costo di recupero significativo. L'alias gpt-5.6 indirizza a Sol; il modello accetta immagini in input, supporta una finestra di contesto da 1,050,000 token e può utilizzare l'attuale strumento computer della Responses API.

OpenAI dichiara per Sol un risultato del 62.6% su OSWorld 2.0, contro il 50.2% di Terra e il 45.6% di Luna. OSWorld misura il comportamento di un agente che opera su software desktop, quindi è più vicino a questa decisione di acquisto rispetto a un benchmark generico di chat. Il risultato proviene comunque dalla configurazione di valutazione di OpenAI: è un buon motivo per includere Sol nel progetto pilota, non per saltare i test di accettazione interni.

Dove Sol dà il meglio

Il vantaggio concreto dell'integrazione attuale di OpenAI è la flessibilità. Il modello può esaminare screenshot e restituire azioni tramite lo strumento integrato, oppure lavorare attraverso strumenti personalizzati e un'infrastruttura di esecuzione del codice. Un team tecnico può così iniziare con un browser Playwright e passare a una macchina virtuale completa quando il workflow attraversa applicazioni desktop native.

La guida attuale assegna inoltre la giusta priorità alla sicurezza. Raccomanda un browser o una VM isolati, un ambiente ereditato vuoto, estensioni e accesso al file system locale disattivati quando possibile e un'approvazione esplicita per le azioni con conseguenze. Invita l'agente a fermarsi se il contenuto sullo schermo somiglia a un prompt injection. Sono indicazioni di implementazione, non protezioni automatiche, ma indirizzano il progetto pilota verso impostazioni più sicure.

Il caso d'uso ideale è un workflow prezioso e reversibile, eseguito su interfacce disordinate. Per esempio, un team finanziario di una media impresa potrebbe dover raccogliere dati da tre portali web, riconciliarli con un record sorgente e preparare un inserimento da approvare. Il sovrapprezzo di Sol è giustificato se una migliore gestione dello stato e degli errori evita anche solo una piccola parte del lavoro di correzione. Lo è molto meno per un modulo ordinato, con controlli immobili e dati inviabili tramite API.

Il listino OpenAI

OpenAI offre tre livelli GPT-5.6 attuali che supportano il computer use:

• GPT-5.6 Sol: $5.00 per milione di token di input, $0.50 per milione di token di input in cache e $30.00 per milione di token di output.
• GPT-5.6 Terra: $2.00 per milione di token di input, $0.20 per milione di token di input in cache e $12.00 per milione di token di output.
• GPT-5.6 Luna: $0.20 per milione di token di input, $0.02 per milione di token di input in cache e $1.20 per milione di token di output.

Lo strumento computer può aggiungere $2.50 ogni 1,000 chiamate fatturabili, mentre i token consumati dagli strumenti integrati vengono addebitati alla tariffa del modello selezionato. Per Sol non esiste un livello API Free supportato.

La famiglia crea una scala di instradamento utile. Sol stabilisce il tetto qualitativo; si ripete quindi lo stesso insieme di attività accettate con Terra. Una classe di attività passa a Terra soltanto se completamento e revisione restano entro la soglia definita. Luna è molto più economico, ma il suo risultato OSWorld dichiarato dal fornitore è inferiore. Va destinato ad attività delimitate e reversibili dopo aver dimostrato la regola di accettazione, non scelto automaticamente solo perché i token di input costano molto meno di quelli di Sol.

Un progetto pilota sicuro con Sol

1. 1

   Scegli un workflow ben delimitato

   Individua un'attività con stato iniziale chiaro, verifica finale deterministica e nessuna azione irreversibile prima dell'approvazione. Buoni candidati sono il QA del browser, la raccolta di prove e la preparazione di un record per la revisione. Nella prima valutazione evita acquisti, eliminazioni, pubblicazioni e invii.

2. 2

   Blocca l'ambiente

   Utilizza un profilo browser, un container o una VM isolati. Rimuovi le variabili d'ambiente ereditate, disattiva quando possibile estensioni e accesso al file system locale, limita i domini a quelli necessari ed esponi solo le credenziali richieste dall'attività.

3. 3

   Definisci le approvazioni prima dell'esecuzione

   Elenca le azioni che richiedono sempre una persona, come inviare un messaggio, accettare termini, modificare dati dell'account o assumere un impegno finanziario. La pausa deve essere applicata dall'esecutore, non affidata alle parole del modello.

4. 4

   Registra stato e accettazione

   Conserva stato iniziale, ogni screenshot, azione proposta, azione eseguita, risultato dello strumento, arresto di sicurezza, stato finale ed esito dell'accettazione. Il messaggio conclusivo del modello non è un controllo di accettazione.

5. 5

   Passa ai livelli inferiori solo dopo il successo di Sol

   Usa Sol per definire il riferimento raggiungibile in termini di completamento e revisione. Confronta poi Terra e Luna sulle stesse attività, nello stesso ambiente e con le stesse regole di approvazione. Mantieni Sol come escalation per le tipologie che falliscono sui livelli inferiori.

Ideale per: Attività browser o desktop di valore elevato e articolate, nelle quali il recupero da un errore è costoso.
Punto di forza: OpenAI dichiara il 62.6% su OSWorld 2.0, il miglior risultato attuale reso pubblico nel computer use tra queste quattro soluzioni.
Prezzi: Sol $5/$30, Terra $2/$12 e Luna $0.20/$1.20 per milione di token di input/output, oltre agli eventuali costi per chiamata agli strumenti.
Prova gratuita: Nessun livello API Free supportato per Sol.

Chi dovrebbe evitarlo: Sol non dovrebbe essere il worker predefinito se esiste un'API deterministica, se l'attività è ripetitiva e di scarso valore oppure se Terra, Luna o Gemini soddisfano la stessa soglia di accettazione. Non serve pagare la tariffa di frontiera per fare clic su un controllo stabile che l'automazione tradizionale può gestire con maggiore sicurezza.

2. Claude Opus 5: il migliore per desktop aziendali con governance

Claude Opus 5 è la scelta migliore quando il livello di controllo del computer use conta quanto la qualità grezza del modello. Il 20 agosto 2026 Anthropic ha reso computer use generalmente disponibile sulla Claude API, insieme a un nuovo strumento per il browser. L'attuale computer_toolset_20260801 espone 17 strumenti lato client tramite una sola dichiarazione e non richiede beta header.

La distinzione tra computer use e browser use è concreta. Computer use parte dagli screenshot e controlla l'intero desktop con azioni di mouse e tastiera. Browser use legge anche la struttura della pagina e interviene su elementi specifici, quindi è più adatto ai workflow che rimangono nelle applicazioni web. La struttura permette spesso di individuare un campo o un pulsante con maggiore precisione rispetto alle sole coordinate dello schermo.

Entrambi restano strumenti di esecuzione lato client. Claude non si collega direttamente al desktop: l'applicazione esegue ogni azione in un container, una VM o un browser controllato, restituisce il risultato e richiama il modello. Computer use non è attualmente disponibile in Claude Managed Agents; chi si aspetta che Anthropic ospiti l'intera sessione desktop sta quindi scegliendo il perimetro di prodotto sbagliato.

Perché Claude è la scelta per la governance

Claude può restituire più azioni sul computer in un singolo turno del modello. L'esecutore le esegue in sequenza e si arresta al primo errore. In questo modo si eliminano chiamate ripetute per una sequenza sicura, come fare clic, digitare e osservare. Non significa però che si possa procedere in batch oltre uno stato da verificare: se un clic potrebbe aprire l'account sbagliato, l'agente deve vedere il risultato prima di inserire dati.

Anthropic applica inoltre agli screenshot classificatori capaci di rilevare possibili prompt injection e indurre il modello a chiedere conferma prima dell'azione successiva. I clienti possono contattare il supporto per disattivarli, ma la configurazione predefinita è utile nei workflow che visitano pagine non affidabili. Il classificatore è un ulteriore livello di difesa, non sostituisce allowlist dei domini, separazione delle credenziali o approvazione a livello dell'esecutore.

La gestione dei dati è più chiara rispetto alla fase beta. Il client controlla la conservazione di screenshot, azioni e file; Anthropic afferma che computer use è idoneo alla zero data retention. È inoltre utilizzabile per carichi regolamentati HIPAA ai sensi del BAA di Anthropic. L'idoneità non rende automaticamente conforme un'applicazione, ma può eliminare un ostacolo legato al modello durante la valutazione d'acquisto in ambito sanitario.

Questa combinazione è adatta a workflow assicurativi, finanziari, operativi o di gestione dei sinistri che devono raggiungere software privi di API adeguate e richiedono una prova per ogni azione. Anthropic cita Asteroid, un cliente secondo cui il workflow sinistri più lungo è sceso da 32 minuti a 13 minuti, con una riduzione dei costi di circa 30% e un completamento del 100% senza modifiche ai prompt. È un risultato attribuito a un cliente, non una previsione per una nuova implementazione. Mostra però ciò che vale la pena misurare: meno turni nel ciclo e un targeting migliore possono cambiare il costo operativo, non solo il punteggio del modello.

L'analisi approfondita dei costi delle azioni multiple di Claude spiega quando un batch di azioni fa risparmiare e quando resta obbligatorio osservare lo stato tra un'azione e l'altra.

Il listino Claude

L'attuale toolset supporta Sonnet 5, Opus 5, Fable 5, Mythos 5 con disponibilità limitata e Opus 4.8. I livelli di modello pertinenti sono:

• Claude Sonnet 5: $2 per milione di token di input alla tariffa base e $10 per milione di token di output. Una scrittura nella cache di 5 minuti costa $2.50, una di 1 ora costa $4 e una cache hit costa $0.20 per milione di token.
• Claude Opus 5: $5 per milione di token di input alla tariffa base e $25 per milione di token di output. Una scrittura nella cache di 5 minuti costa $6.25, una di 1 ora costa $10 e una cache hit costa $0.50 per milione di token.
• Claude Fable 5 e Claude Mythos 5: $10 per milione di token di input alla tariffa base e $50 per milione di token di output. Mythos 5 ha disponibilità limitata.
• Modalità Fast di Opus 5: $10 per milione di token di input e $50 per milione di token di output.
• Opus 5 Batch: $2.50 per milione di token di input e $12.50 per milione di token di output. Batch è utile per attività asincrone del modello, ma un ciclo interattivo di computer use deve comunque osservare e agire in sequenza.

I nuovi utenti API ricevono una piccola quantità non specificata di crediti gratuiti. Per una prova estesa, Anthropic invita i clienti aziendali a contattare il reparto vendite.

La voce nascosta è l'overhead della definizione degli strumenti. Il toolset computer predefinito aggiunge circa 4,520 token di input su Opus 5 e 4,590 su Sonnet 5 a ogni richiesta. Disabilitando lo zoom si risparmiano circa 410 token. Il toolset browser è più grande: aggiunge circa 6,610 token su Opus 5 e 6,670 su Sonnet 5, mentre l'attivazione di tutti e quattro i componenti browser opzionali comporta circa 880 token in più.

Alla tariffa base di input di Opus 5, il toolset computer predefinito senza cache costa circa $0.0226 prima di screenshot, contesto dell'attività, risultato dell'azione o output. Il toolset browser costa circa $0.03305 sulla stessa base. In un'attività breve, dichiarare la superficie di controllo disponibile può costare più dei dati aziendali elaborati. Quando il workflow lo consente, conviene mettere in cache istruzioni stabili e definizioni degli strumenti, disabilitare i componenti inutilizzati e affidarsi al consumo misurato nella risposta anziché a una stima.

Ideale per: Workflow aziendali su browser e desktop che richiedono controlli espliciti, prove per l'audit e un percorso di migrazione supportato.
Punto di forza: Computer use GA con 17 azioni lato client, batch sequenziali di azioni e uno strumento browser separato che comprende la struttura della pagina.
Prezzi: Sonnet 5 $2/$10, Opus 5 $5/$25, Fable 5 o Mythos 5 con disponibilità limitata $10/$50 per milione di token di input/output alla tariffa base.
Prova gratuita: Piccoli crediti API per i nuovi utenti, di importo non indicato; per una valutazione aziendale occorre contattare il reparto vendite.

Chi dovrebbe evitarlo: Se l'attività si svolge interamente in una pagina web e browser use è sufficiente, evita il computer use desktop completo. Evita entrambi quando è disponibile un'API stabile. Chi cerca soltanto il ciclo UI reversibile più economico dovrebbe partire da Gemini; chi possiede già tutta l'infrastruttura di esecuzione dovrebbe valutare DeepSeek come nucleo del modello.

3. Gemini 3.7 Flash: il miglior rapporto qualità-prezzo nel computer use nativo

Gemini 3.7 Flash è il modello raccomandato da Google per Computer Use e, tra le opzioni con un ciclo di azioni definito dal fornitore, quella con il miglior rapporto qualità-prezzo. Il modello è GA, con una finestra di contesto da 1 milione di token e un output massimo di 64,000 token. Computer Use resta in Preview.

Google supporta tre ambienti di destinazione: browser, mobile e desktop. L'applicazione invia prompt, ambiente e screenshot. Gemini restituisce una function call per un'azione sull'interfaccia. Il client ridimensiona le coordinate, esegue l'azione, cattura la nuova schermata e la rimanda al modello. Servono comunque una VM o un container sicuri e un gestore delle azioni lato client; gli esempi di Google utilizzano Playwright.

Gemini 3.x aggiunge due segnali particolarmente utili per il livello di approvazione. Ogni azione può includere un intent, cioè una breve spiegazione del motivo per cui il modello l'ha scelta. Una safety decision separata può indicare che l'azione è consentita, richiede conferma o è bloccata. L'intento non prova che l'azione sia corretta, ma offre al motore di policy e al revisore più contesto di una semplice coordinata di clic.

Il sistema di sicurezza è configurabile per categoria di policy e il rilevamento dei prompt injection negli screenshot è opzionale. Per un team di prodotto che costruisce la propria esperienza di approvazione, Gemini è quindi interessante: l'applicazione può mostrare insieme azione proposta, intento del modello, decisione della policy e screenshot corrente, coinvolgendo una persona soltanto dove il rischio del workflow lo richiede.

Quando scegliere Gemini

Gemini è un punto di partenza sensato per attività reversibili su più ambienti. Un team mobile potrebbe usare lo stesso modello per provare un flusso di registrazione su browser e su una build mobile, raccogliere screenshot e segnalare le divergenze nel percorso. Un team di support operations potrebbe impiegarlo per raccogliere informazioni pubbliche da siti approvati e preparare un record senza premere il pulsante di invio finale.

Con il profilo token normalizzato, l'attuale costo minimo di Gemini Standard Paid è di $0.05625 per attività, cioè $56.25 per 1,000 attività. Rispetto a DeepSeek nelle ore di picco, costa $0.02765 in più per attività. Con il lavoro umano a $60 l'ora, a Gemini basta risparmiare 1.659 secondi di tempo ingegneristico o di revisione per compensare il sovrapprezzo del modello. Uno schema di azioni già definito, una decisione di sicurezza o un adattatore personalizzato evitato possono superare rapidamente questa soglia.

L'avvertenza riguarda lo stato del prodotto, non una nota secondaria. Google afferma che Computer Use può contenere errori e vulnerabilità di sicurezza e ne sconsiglia l'impiego per decisioni critiche, dati sensibili o azioni irreversibili importanti senza una supervisione attenta. Un modello GA non rende GA una funzionalità in Preview. Acquisto, valutazione del rischio e perimetro del rilascio devono basarsi sullo stato dello strumento.

Il listino Gemini

Google indica quattro modalità di elaborazione per Gemini 3.7 Flash. Fino al 31 dicembre 2026:

• Standard: $0.75 per milione di token di input, $3.75 per milione di token di output e $0.075 per milione di token in cache.
• Batch: $0.375 per milione di token di input, $1.875 per milione di token di output e $0.0375 per milione di token in cache.
• Flex: $0.375 per milione di token di input, $1.875 per milione di token di output e $0.0375 per milione di token in cache.
• Priority: $1.35 per milione di token di input, $6.75 per milione di token di output e $0.135 per milione di token in cache.

Dal 1° gennaio 2027, Standard passa a $1.50/$7.50 con $0.15 per l'input in cache. Batch e Flex passano a $0.75/$3.75 con $0.075 per l'input in cache. Priority passa a $2.70/$13.50 con $0.27 per l'input in cache.

Il livello Standard Free del modello offre token di input e output gratuiti, ma Computer Use non è disponibile nel livello Free. Sul livello Paid, Google fattura Computer Use come normali token del modello. Questa distinzione deve essere inclusa in ogni piano di prova: sperimentare con il modello base in AI Studio non equivale a testare gratuitamente in produzione il ciclo di computer use.

Un agente interattivo sarà generalmente interessato a Standard o Priority, più che alle economie asincrone suggerite da Batch. Flex può essere vantaggioso per attività programmabili se le sue caratteristiche di servizio si adattano al ciclo. Non basta copiare nel business case la modalità meno costosa senza verificare che l'interazione end-to-end e la latenza funzionino per l'attività.

Ideale per: Automazione reversibile di browser, dispositivi mobili e desktop che richiede uno schema di azioni nativo a un prezzo token basso.
Punto di forza: Un unico modello consigliato per tre ambienti, con intento dell'azione, policy di sicurezza configurabili, decisioni di conferma e rilevamento opzionale dei prompt injection.
Prezzi: Standard $0.75/$3.75 fino al 31 dicembre 2026; Batch e Flex $0.375/$1.875; Priority $1.35/$6.75 per milione di token di input/output.
Prova gratuita: Il modello offre un livello Free, ma Computer Use è disponibile soltanto a pagamento.

Chi dovrebbe evitarlo: Gemini Computer Use non è adatto a un workflow regolamentato o irreversibile in produzione che non può accettare i rischi di una Preview. Va evitato anche quando il solo browser non basta e l'ambiente desktop di destinazione non può essere isolato. Se gli errori qualitativi consumano più di una piccola quantità di tempo umano, confronta Sol e Claude prima di ottimizzare la sola voce token.

4. DeepSeek V4-Flash-Vision-Exp: il migliore per infrastrutture economiche personalizzate

DeepSeek V4-Flash-Vision-Exp è il nucleo di modello meno costoso della classifica, ma anche il prodotto di computer use meno completo. DeepSeek ha pubblicato questo modello multimodale sperimentale il 21 agosto 2026 con l'identificatore API esatto deepseek-v4-flash-vision-exp.

Il modello accetta testo e immagini, supporta chiamate a strumenti generici e funziona tramite Chat Completions API e Responses API compatibili con OpenAI, oltre che con un'interfaccia compatibile con Anthropic. Offre una finestra di contesto da 1 milione di token, un output massimo di 384,000 token, modalità con e senza thinking e un limite di concorrenza dichiarato pari a 2,500.

Sono componenti utili per costruire un agente di computer use, non uno strumento proprietario per le azioni sul computer. DeepSeek documenta l'invio degli screenshot e le chiamate a strumenti generici, ma non presenta uno schema integrato di azioni browser o desktop, un esecutore, decisioni di approvazione o un ambiente operativo. Definirlo nucleo di modello è un'inferenza editoriale basata su questo perimetro del prodotto.

In pratica, il team deve definire strumenti come clic, digitazione, scorrimento, screenshot, attesa e richiesta di approvazione. Deve convalidarne gli argomenti, mappare le coordinate, eseguire le azioni in un browser o una VM isolati, restituire il nuovo stato, individuare i cicli, fermarsi in caso di errore e registrare tutto. Un team esperto di automazione potrebbe apprezzare questo controllo. Per chi acquista il suo primo agente di computer use, è sviluppo applicativo a tutti gli effetti.

Perché il prezzo merita attenzione

DeepSeek applica a V4-Flash-Vision-Exp lo stesso schema di tariffe di picco e fuori picco indicato per la soluzione Flash:

• Fuori picco: $0.007 per milione di token di input recuperati dalla cache, $0.22 per milione di token di input non presenti in cache e $0.66 per milione di token di output.
• Picco: $0.014 per milione di token di input recuperati dalla cache, $0.44 per milione di token di input non presenti in cache e $1.32 per milione di token di output.

Le ore di picco sono dalle 01:00 alle 04:00 UTC e dalle 06:00 alle 10:00 UTC. Tutte le altre fasce sono fuori picco. Dal 23 agosto 2026, in ora di Pechino, le tariffe fuori picco si applicano per l'intera giornata di sabato e domenica secondo l'ora locale di Pechino.

La pagina dei prezzi non pubblicizza un livello gratuito o una prova. Il costo concreto della valutazione rimane comunque minimo. Con il profilo normalizzato da 50,000 token di input e 5,000 di output, il modello costa $0.0143 fuori picco oppure $0.0286 nelle ore di picco. Un team può permettersi un volume sperimentale considerevole prima che i token diventino la voce principale. Questo non rende economici lo sviluppo, la revisione o un'azione sbagliata.

La regola sui token visivi è insolitamente chiara. Le immagini grandi vengono ridimensionate fino a un budget di circa 800 per 800 pixel, con un massimo di 384 token di input per immagine. Alla tariffa di picco per input non presente in cache, 100 screenshot al massimo consentito costano non più di $0.016896 in input immagine. Fuori picco costano $0.008448. Testo, output, cronologia ripetuta, chiamate a strumenti generici e nuovi tentativi restano esclusi dal calcolo.

Questo limite è insieme un vantaggio economico e un vincolo percettivo. Un foglio di calcolo denso, una finestra di dialogo con testo piccolo o una dashboard a più colonne possono perdere dettagli importanti quando vengono compressi nel budget immagine del modello. Quando serve, invia un ritaglio mirato o usa il percorso original documentato, quindi verifica come il servizio ridimensiona l'immagine. Token visivi economici non garantiscono il riconoscimento accurato dei caratteri minuscoli.

DeepSeek accetta JPEG, PNG, GIF e WebP. È possibile inviare dati base64, un URL pubblico o un riferimento della Files API. Il servizio consente fino a 600 immagini per richiesta, con un massimo di 8,192 pixel per lato e di 4,096 pixel per lato quando la richiesta contiene 15 o più immagini. Le immagini base64 e URL possono raggiungere 32 MiB, quelle della Files API 64 MiB, mentre il corpo inline della richiesta può arrivare a 48 MiB.

Questi limiti sono molto superiori alle esigenze di un normale ciclo basato su screenshot: il vero ostacolo non è il numero di upload, ma il piano di controllo personalizzato. Il team deve dimostrare che schema delle azioni, mappatura delle coordinate, approvazioni e logica di ripristino producano risultati accettati. Un modello che vede un pulsante non si è ancora guadagnato il permesso di premerlo.

Per un confronto più ampio, DeepSeek vs ChatGPT analizza i due fornitori anche oltre i workflow che controllano lo schermo.

Ideale per: Team esperti di agenti AI che cercano un nucleo visivo economico da inserire nella propria infrastruttura browser o desktop.
Punto di forza: Fino a 384 token di input per immagine e prezzi fuori picco di $0.22/$0.66 per input non presente in cache/output.
Prezzi: $0.22/$0.66 fuori picco oppure $0.44/$1.32 nelle ore di picco per milione di token di input non presente in cache/output; le cache hit costano $0.007 fuori picco o $0.014 nelle ore di picco.
Prova gratuita: Nessun livello gratuito o prova pubblicizzato nella pagina dei prezzi attuale.

Chi dovrebbe evitarlo: DeepSeek non è indicato se l'acquirente si aspetta un ciclo di azioni pronto, richiede una decisione di sicurezza definita dal fornitore o non dispone di un esecutore isolato e di un sistema di valutazione. Va evitato anche per schermate dense o con testo minuscolo finché screenshot mirati non superano un test visivo rappresentativo.

Quale modello scegliere

Un founder finanziato che vuole automatizzare ricerche competitive reversibili dovrebbe partire da Gemini 3.7 Flash. Offre il ciclo di azioni, copre ambienti browser e desktop e mantiene il costo minimo del modello abbastanza basso da consentire una valutazione ampia. La scelta passa a Sol se revisione e recupero dai cicli falliti richiedono più tempo di quanto suggerisca il test del sovrapprezzo di circa 22 secondi. Passa invece a Claude se i contenuti web non affidabili e la progettazione delle approvazioni diventano il problema più difficile.

Un CTO di una media impresa che sposta dati attraverso un'applicazione regolamentata o legacy dovrebbe cominciare con Claude Opus 5 o Sonnet 5. Computer use è GA sulla Claude API, i classificatori degli screenshot possono chiedere conferma, il client controlla l'ambiente e la funzionalità è idonea alla ZDR. L'idoneità HIPAA ai sensi di un BAA è rilevante per la valutazione del modello, ma il workflow richiede comunque credenziali con privilegi minimi, registri protetti e una persona prima dell'invio. Se tutti i passaggi restano su pagine web, va scelto browser use anziché il computer use completo.

Un operatore senior che automatizza un workflow desktop complesso e di alto valore dovrebbe partire da GPT-5.6 Sol. Il primato OSWorld dichiarato dal fornitore e il ridotto punto di pareggio in termini di lavoro giustificano il costo iniziale per stabilire il tetto qualitativo. Una volta nota la soglia di accettazione, le tipologie stabili possono essere indirizzate a Terra, Luna o Gemini. L'errore è partire dal livello più economico senza mai scoprire quanto lavoro di recupero potrebbe eliminare un modello più forte.

Uno sviluppatore esperto, già dotato di esecutore delle azioni, servizio di policy e suite di valutazione, dovrebbe includere DeepSeek V4-Flash-Vision-Exp. Con questa maturità, lo schema di azioni personalizzato non è un nuovo progetto e la tariffa fuori picco può cambiare i costi delle valutazioni su larga scala e dei carichi batch. Conviene mantenere una soluzione più potente per schermate con testo piccolo, stati ambigui ed errori ripetuti.

Quattro domande possono ribaltare la scelta:

1. Esiste un'API stabile? Usala. Il controllo dello schermo è la soluzione di riserva per interfacce prive di un percorso programmatico affidabile.
2. Un'azione sbagliata è reversibile? Se non lo è, richiedi l'approvazione e preferisci una soluzione il cui stato, i controlli e le condizioni d'acquisto siano adeguati alle conseguenze.
3. L'esecutore è già disponibile internamente? Se manca, il risparmio token di DeepSeek non compra una soluzione completa.
4. Quanti secondi di revisione elimina il modello premium? Scegli tra Sol, Claude, Gemini e DeepSeek usando i registri delle attività accettate, non il solo listino.

Come sono stati scelti questi modelli AI multimodali

La classifica applica cinque criteri legati a una decisione di acquisto:

• Completezza del computer use: il fornitore definisce un ciclo di azioni oppure offre soltanto capacità visive e tool calling generico?
• Evidenze attuali: è disponibile un risultato pertinente sul computer use, uno stato del prodotto o un dettaglio di implementazione verificabile oggi?
• Economia per attività accettata: quanto costa un profilo token comune e quanto tempo umano deve far risparmiare una soluzione premium?
• Ostacoli alla produzione: quali componenti restano a carico dell'acquirente, tra sandbox, esecutore, approvazioni, difesa dai prompt injection e registrazione?
• Durata del prezzo: si tratta di una tariffa standard, limitata nel tempo, legata alle fasce di picco o associata a una funzionalità in Preview?

I prodotti sono stati confrontati usando documentazione, listini, pagine dei modelli e casi nominativi dei fornitori disponibili il 22 agosto 2026. In questa analisi non sono stati eseguiti in un'infrastruttura browser condivisa, quindi la pagina non rivendica risultati di test. Il modello di costo è un'analisi originale basata sui listini bloccati. Il protocollo da 240 esecuzioni riportato più avanti permette all'acquirente di produrre evidenze specifiche per il proprio workflow.

La selezione comprende quattro soluzioni perché ciascuna rappresenta una decisione distinta: massima affidabilità, attività aziendali con governance, elasticità a basso costo o convenienza di uno stack personalizzato. Ogni soluzione inclusa presenta un elemento distintivo attuale, un listino, un percorso di implementazione e un limite dichiarato con franchezza. I modelli precedenti compaiono più avanti solo se un acquirente potrebbe ancora incontrarli durante la migrazione.

Nessun rapporto di affiliazione ha influenzato la classifica e non sono stati inseriti partner commerciali irrilevanti. La disponibilità commerciale non ha fatto salire o scendere alcun modello.

I modelli da evitare

Evita OpenAI computer-use-preview nelle nuove integrazioni

L'attuale formato GA di OpenAI utilizza un modello GPT-5.5 o successivo con tools: [{ type: "computer" }]. Il precedente modello computer-use-preview e lo strumento computer_use_preview adottano un formato di azioni diverso e richiedono impostazioni legacy. Vanno mantenuti soltanto durante la migrazione di un'applicazione esistente. Iniziare un nuovo progetto con il percorso legacy significa creare lavoro che dovrà già essere sostituito.

Evita Gemini 2.5 Computer Use Preview quando è disponibile 3.7

Google definisce Gemini 2.5 Computer Use Preview come modello legacy. Costa $1.25 per milione di token di input e $10 per milione di token di output con prompt fino a 200,000 token, mentre oltre 200,000 passa a $2.50/$15. Gemini 3.7 Flash è il modello consigliato da Google per computer use e costa $0.75/$3.75 fino al 31 dicembre 2026. Mantieni 2.5 soltanto per una dipendenza di compatibilità misurata che non è ancora possibile rimuovere.

Evita le soluzioni DeepSeek solo testo camuffate da proxy visivi

Sull'API ufficiale DeepSeek, soltanto deepseek-v4-flash-vision-exp accetta immagini. Gli altri modelli DeepSeek restituiscono un errore 400 per l'input immagine. Un adattatore di terze parti può chiedere a un altro modello di descrivere lo screenshot e passare il testo a DeepSeek, ma in quel caso si valuta uno stack a due modelli, non il computer use visivo di DeepSeek. Prezzo, latenza, perdita di informazioni e gestione dei dati cambiano. Il proxy va indicato come componente separato, altrimenti occorre usare il modello visivo esatto.

Evita qualsiasi agente che controlla lo schermo senza test di accettazione

“Il modello è arrivato alla fine” non è un risultato aziendale. Un agente browser può finire nell'account sbagliato, digitare nel campo errato o fermarsi dopo il cambiamento di una pagina senza riconoscere il fallimento. Se l'attività non dispone di un controllo deterministico o di uno standard esplicito per il revisore, non è pronta per essere eseguita in autonomia da nessuno di questi modelli.

La checklist di produzione che conta più del nome del modello

Il modello è soltanto un componente di un sistema controllato. Prima di aumentare i volumi, una valutazione per la produzione dovrebbe rispondere a queste domande:

• Ambiente: il browser o il desktop sono isolati da host, account personali, file locali e credenziali estranee all'attività?
• Raggio d'azione: domini, applicazioni e azioni consentite sono limitati al workflow?
• Segreti: ogni attività riceve soltanto le credenziali indispensabili, senza segreti visibili in screenshot o registri?
• Conseguenze: quali azioni richiedono sempre la conferma umana e l'esecutore applica davvero questa regola?
• Injection: che cosa accade quando una pagina, un'immagine, un documento o una finestra di dialogo ordina all'agente di ignorare il compito?
• Stato: prima di agire, il sistema può dimostrare su quale account, record, finestra e fase sta operando?
• Ripristino: un'azione fallita interrompe il batch, conserva le prove e restituisce abbastanza stato per un nuovo tentativo o un'escalation sicuri?
• Accettazione: quale controllo automatico o decisione del revisore contrassegna l'attività come completata?
• Economia: token del modello, chiamate agli strumenti, runtime, tentativi e secondi di revisione sono registrati per ogni completamento accettato?
• Cambiamenti: il team può ripetere lo stesso insieme di attività quando cambiano snapshot del modello, prezzo, browser o interfaccia di destinazione?

Cambiare modello dovrebbe essere ordinaria amministrazione. Interfaccia delle azioni, policy di sicurezza, registri e test di accettazione rimangono stabili, mentre dietro di essi cambia il modello. Se per cambiare fornitore occorre riscrivere l'intero piano di controllo, il sistema ha confuso il formato degli strumenti di un vendor con la propria architettura di prodotto.

La mossa di lunedì: un confronto da 240 esecuzioni

Non programmare un generico “progetto pilota con agenti AI”. Scegli una sola classe di attività e prendi una decisione di instradamento la prossima settimana. Usa 20 attività rappresentative, le quattro soluzioni della classifica e tre tentativi per soluzione: il totale è di 240 esecuzioni. Tre ripetizioni bastano per far emergere alcuni risultati fortunati isolati, senza fingere che il campione sia un benchmark universale.

1. 1

   Lunedì: blocca attività e regola di accettazione

   Seleziona 20 attività da un unico workflow, includendo casi normali, stati con elementi piccoli sullo schermo, pop-up, controlli ambigui e una simulazione sicura di prompt injection. Elimina le azioni finali irreversibili. Scrivi la condizione esatta di superamento e le situazioni che richiedono revisione.

2. 2

   Martedì: mantieni costante l'ambiente

   Esegui ogni soluzione con la stessa viewport, immagine del browser o della VM, allowlist dei domini, stato iniziale, ambito delle credenziali, vocabolario delle azioni, limite di tempo e policy di approvazione. Per DeepSeek, associa gli strumenti personalizzati alle stesse azioni dell'esecutore usate dalle soluzioni native.

3. 3

   Mercoledì: raccogli tutti i costi di esecuzione

   Registra input misurato, input in cache, output, chiamate fatturabili agli strumenti, runtime dell'esecutore, tempo trascorso, tentativi, arresti di sicurezza e secondi di revisione umana. Conserva il primo stato di errore e la prova finale accettata.

4. 4

   Giovedì: calcola il prezzo dei completamenti accettati

   Somma costo del modello, costi degli strumenti, costo dell'esecutore, lavoro del revisore alla tariffa oraria concordata e costo dei nuovi tentativi. Dividi il risultato per i completamenti accettati. Riporta anche le percentuali accettate senza modifiche, accettate dopo una correzione, rifiutate in sicurezza e fallite in modo non sicuro.

5. 5

   Venerdì: instrada una classe e conserva l'escalation

   Scegli la soluzione meno costosa che supera le soglie di accettazione e sicurezza. Conserva il modello più potente come escalation per azioni ripetute, stato incerto, injection sospetta, convalida fallita o passaggi con conseguenze importanti. Registra identificatore del modello e data del prezzo per poter ripetere la decisione.

La mossa del lunedì è volutamente circoscritta. Una sola classe di attività misurata produce una voce di budget difendibile; una demo generica produce una raccolta di screenshot, ma nessuna regola di instradamento.

Domande frequenti

Qual è la migliore AI per il computer use?

GPT-5.6 Sol è il miglior punto di partenza complessivo quando gli errori costano, in base al risultato OSWorld 2.0 dichiarato del 62.6% e al ridotto punto di pareggio in termini di lavoro umano per il suo sovrapprezzo token. Claude Opus 5 è preferibile per attività aziendali con governance, Gemini 3.7 Flash è la scelta di valore e DeepSeek V4-Flash-Vision-Exp è adatto ai team che possiedono già l'infrastruttura delle azioni.

Qual è il miglior modello AI multimodale?

Nel computer use, il miglior modello multimodale è quello che comprende abbastanza bene l'interfaccia di destinazione, funziona con i livelli di azione e approvazione richiesti e riduce al minimo il costo per completamento accettato. Il ragionamento visivo, da solo, non offre un esecutore sicuro, una policy di sicurezza o un controllo di completamento.

Qual è il modello AI più potente in questo momento?

Nessun singolo benchmark dimostra un primato su ogni attività. OpenAI dichiara per GPT-5.6 Sol il 62.6% su OSWorld 2.0; Anthropic posiziona Opus 5 con forza nel computer use e Google consiglia Gemini 3.7 Flash per il proprio strumento. Questi dati servono a creare una shortlist; la classifica finale deve basarsi su completamenti accettati, tempi di recupero e sicurezza nel proprio workflow.

Scarica la Mappa degli strumenti AI per imprenditori e trasforma questa selezione in un confronto sul computer use da completare in una settimana.