Migliori AI per programmare nel 2026: modelli low cost per coding agent

Tra le migliori AI per programmare nel 2026, GPT-5.6 Luna è la scelta economica predefinita per i coding agent: con 10,000 attività al mese, ciascuna da 100,000 token di input e 30,000 di output, il prezzo di listino è $560; DeepSeek V4 Flash va invece da $418 nelle fasce off-peak a $836 nelle ore di picco. La regola d’acquisto non è scegliere il token meno caro, ma ottenere il budget più basso per ogni patch accettata dopo tentativi, test e revisione umana.

Migliori AI per programmare: il verdetto in breve

Usa GPT-5.6 Luna per il lavoro ordinario, DeepSeek V4 Flash per le code pianificabili nelle fasce off-peak, Gemini 3.7 Flash quando attività più complesse o multimodali giustificano un costo per tentativo superiore e Claude Haiku 4.5 se il resto del sistema è già basato su Claude. Questa è la risposta breve che serve davvero.

Un modello e un coding agent non sono lo stesso prodotto. Il modello è il motore di ragionamento; l’agente è l’infrastruttura che legge i file, esegue comandi, modifica il codice, conserva il contesto e chiede autorizzazioni. Cursor, Claude Code, Codex e strumenti simili sono infrastrutture di questo tipo. La classifica isola il livello del modello, perché è lì che si determinano il costo dei token e il comportamento nei tentativi successivi. Se la scelta dell’agente è ancora aperta, consulta il confronto tra i coding agent AI.

Tutti i prezzi riportati di seguito sono stati verificati sulla documentazione online dei fornitori il 22 agosto 2026. I prezzi di input e output si riferiscono a 1 milione di token. Questi modelli sono stati valutati sul piano economico e analizzati, non presentati come se fossero stati provati in produzione durante questa analisi.

La prima posizione non implica che quel modello vinca su ogni attività di ogni repository. Indica che, in assenza di dati di valutazione privati, offre a chi sviluppa il punto di partenza più solido sul piano dei costi. DeepSeek può costare meno o più di Luna a seconda dell’orario. Gemini può risultare più economico per patch accettata se evita un numero sufficiente di cicli falliti. Haiku può essere l’implementazione meno rischiosa in uno stack standardizzato su Anthropic, anche con un costo per token superiore.

Il budget per patch accettata cambia la classifica

Un modello di coding economico fa risparmiare solo se le sue patch superano i test e resistono alla revisione. I token sono il contatore, non il risultato. Un modello che richiede tre tentativi, ripete le chiamate agli strumenti o innesca un lungo ciclo di correzioni può perdere contro un’alternativa più costosa che conclude il lavoro al primo colpo.

La metrica utile è il budget per patch accettata:

Budget per patch accettata = spesa complessiva per il modello divisa per il numero di patch che superano i test richiesti e la revisione.

Non è un benchmark del fornitore, ma il dato operativo che chi gestisce un coding agent può calcolare partendo dall’utilizzo dell’API e dal processo di merge.

Per rendere concreto il divario di prezzo, ipotizziamo che un’azienda esegua 10,000 attività di coding agent in un mese. Ogni attività consuma 100,000 token di input non memorizzati in cache tra contesto del repository, istruzioni e risultati degli strumenti, più 30,000 token di output tra ragionamento, patch, test e turni successivi. Il carico mensile è di 1 miliardo di token di input e 300 milioni di token di output. Cache, sconti batch, strumenti a pagamento, runtime della sandbox e revisione umana sono esclusi, così le quattro voci di costo dei token restano confrontabili.

DeepSeek è l’esempio più chiaro del perché non basti una singola tariffa in evidenza per stilare una classifica. Se tutto il carico viene eseguito off-peak, il mese ipotizzato costa $418, cioè $142 meno di Luna. Se invece ricade interamente nelle ore di picco, costa $836, ovvero $276 in più. La fattura di Luna è inferiore del 33.01% rispetto a quella di DeepSeek nelle ore di picco. Un team che usa agenti interattivi in quelle finestre può quindi spendere di più con DeepSeek ancora prima di considerare la qualità.

I tentativi successivi erodono rapidamente il vantaggio off-peak. In questo modello di calcolo, un tentativo con Luna costa $0.056 e uno con DeepSeek off-peak $0.0418. Se DeepSeek supera in media 1.34 tentativi per ogni singolo tentativo di Luna che produce una patch accettata, il risparmio apparente scompare. La soglia è abbastanza bassa perché pochi cicli aggiuntivi con gli strumenti possano decidere l’intero costo mensile.

Per Gemini vale il ragionamento opposto. Un tentativo alla tariffa Standard introduttiva costa $0.1875, pari a 3.35 tentativi con Luna. Gemini diventa più conveniente solo se un suo tentativo ne sostituisce più di 3.35 con Luna a parità di token, oppure se risolve un’attività che Luna non riesce a completare. Può comunque essere il percorso di escalation corretto, ma non dovrebbe diventare la scelta predefinita dell’intera flotta solo perché offre capacità grezze superiori.

Haiku costa $0.25 per ogni tentativo ipotizzato, quanto 4.46 tentativi con Luna. È quindi un candidato debole se si guarda al solo prezzo. Può però vincere in un’architettura già basata su Claude, dove cambiare fornitore comporterebbe più lavoro di implementazione, valutazione e governance di quanto il risparmio sui token riuscirebbe a compensare.

La cache modifica il costo dell’input, ma nei cicli di coding l’output resta decisivo. Se l’80% dell’input ipotizzato per Luna diventa un cache hit, la fattura per 10,000 attività scende da $560 a $416, prima dei costi iniziali di scrittura della cache. La voce di output da $360 non cambia. Ecco perché un modello capace di scrivere una patch corretta e più breve può batterne uno con una tariffa di input inferiore.

1. GPT-5.6 Luna: la migliore AI economica per il lavoro ordinario dei coding agent

GPT-5.6 Luna è il miglior modello economico complessivo per il lavoro ordinario dei coding agent, perché le tariffe di $0.20 per l’input e $1.20 per l’output si inseriscono oggi in una piattaforma completa per l’uso degli strumenti. OpenAI offre una finestra di contesto da 1,050,000 token, fino a 128,000 token di output, function calling, output strutturati, shell gestita, apply patch, Skills, MCP e ricerca degli strumenti. Non è soltanto un endpoint di testo a basso costo: può svolgere il ruolo operativo in un agente che legge un repository, modifica i file ed esegue le verifiche.

L’impatto per le aziende è arrivato prima che molti confronti tra modelli riuscissero a recepirlo. Il 30 luglio OpenAI ha ridotto dell’80% il prezzo di Luna. Il 19 agosto OpenAI e Replit hanno annunciato che Luna alimentava la modalità gratuita di Replit per milioni di utenti. Replit instrada verso GPT-5.6 Sol il lavoro che richiede un ragionamento più avanzato, quindi torna a Luna conservando il contesto del progetto. È questa l’architettura utile: il modello economico gestisce il percorso comune, quello più costoso interviene sull’incertezza invece di assorbire ogni token.

Le prove d’impiego sono pubblicate dai fornitori e vanno lette come dati attribuiti, non come benchmark indipendenti. Restano comunque insolitamente pertinenti. Ramp dichiara che Luna è diventato il modello predefinito per le automazioni degli agenti in background. Blitzy riferisce che Luna ha portato il riuso della prompt cache dal 24% al 90%, gestito 2.2x più contesto con 8.5x meno token di output e ridotto i costi dell’87% rispetto a GPT-5.4 mini su migliaia di chiamate in produzione. Dust riporta prestazioni più rapide del 40% e meno costose del 40% rispetto al precedente modello predefinito, sulle stesse attività agentiche. Questi esempi confermano una conseguenza importante per il routing: la disciplina dell’output e il comportamento della cache possono contare più della tariffa nominale dell’input.

Ideale per: Implementazione ordinaria, scrittura di test, refactoring circoscritti, processi in background e subagenti ad alto volume

Punto di forza: Un modello attuale attento ai costi, con shell gestita, apply patch, Skills, MCP, output strutturati e una finestra di contesto da 1,050,000 token

Prezzi: $0.20 per l’input, $0.02 per l’input in cache e $1.20 per l’output ogni 1 milione di token

Prova gratuita: Il piano Free dell’API non è supportato; Replit offre separatamente una modalità gratuita basata su Luna

Perché Luna vince sul lavoro ordinario

Ordinario non significa banale. Significa che le condizioni di accettazione sono chiare prima dell’avvio. Un ticket di implementazione ben delimitato, un test fallito entro confini noti, l’aggiornamento di una dipendenza, la correzione del lint o un endpoint standard possono rientrare nel lavoro ordinario anche in una codebase estesa. L’agente può recuperare i file pertinenti, applicare una modifica, eseguire i controlli indicati e restituire un diff per la revisione.

I controlli di ragionamento di Luna consentono all’infrastruttura dell’agente di modulare la spesa restando sullo stesso modello. Si può usare uno sforzo inferiore per le modifiche deterministiche e aumentarlo quando occorre conciliare più vincoli. In questo modo non si paga il prezzo di un modello di frontiera solo perché una singola attività della coda contiene incertezza. Il controllo va comunque valutato: un livello di ragionamento più alto può consumare più output, che è la componente costosa della tariffa di Luna.

Il limite principale è la soglia del contesto lungo. Un prompt oltre 272,000 token di input costa il doppio per l’input e 1.5 volte tanto per l’output sull’intera richiesta. Il modello accetta 1,050,000 token, ma la capacità disponibile non autorizza a incollare un repository intero a ogni turno. Un livello di retrieval che seleziona i file pertinenti può impedire che un solo insieme di file aggiuntivo faccia rincarare tutta la richiesta.

Un test pilota di una settimana con Luna

1. 1

   Definisci il perimetro del lavoro ordinario

   Scegli una categoria di attività con un comando di test e uno standard di revisione chiari. Correzioni circoscritte di bug, generazione di test, aggiornamenti delle dipendenze e refactoring mirati sono buoni candidati. Non iniziare da una riprogettazione dell’architettura.

2. 2

   Mantieni il modello attuale come escalation

   Invia il primo tentativo a GPT-5.6 Luna. Passa al modello superiore solo dopo una validazione fallita, in presenza di contesto mancante o di un’incertezza esplicita. Conserva lo stato dell’attività, così il modello più potente non dovrà ripetere tutto il lavoro di analisi.

3. 3

   Stabilisci i confini di contesto e strumenti

   Recupera soltanto i file pertinenti del repository. Consenti la shell e gli strumenti di patch necessari, subordina all’approvazione le azioni distruttive e segnala ogni richiesta che supera la soglia tariffaria di 272,000 token.

4. 4

   Registra il budget per patch accettata

   Per ogni attività registra input, input in cache, output, tentativi, test, minuti di revisione ed esito del merge. La sola spesa per il modello, senza dati sull’accettazione, non dimostra che il percorso sia economico.

5. 5

   Sposta soltanto la categoria che supera la prova

   Concluso il test pilota, instrada verso Luna la categoria di attività che ha rispettato gli standard di qualità e revisione. Mantieni sul percorso di escalation i lavori falliti, ambigui o ad alto impatto.

Scegli Luna se l’azienda cerca un’API ampiamente supportata, strumenti aggiornati per gli agenti e un percorso comune economico. Non usarlo come unico modello quando le attività richiedono di frequente giudizio architetturale, modifiche critiche per la sicurezza o un contesto del repository superiore alla soglia tariffaria. In questi casi la risposta corretta è un sistema di routing, non una fattura predefinita più alta.

2. DeepSeek V4 Flash: la scelta migliore per il lavoro pianificato off-peak

DeepSeek V4 Flash è il percorso capace più economico del confronto solo quando il lavoro ricade nelle fasce off-peak. Le tariffe correnti sono $0.22 per l’input e $0.66 per l’output off-peak, contro $0.44 e $1.32 nelle ore di picco. Questo calendario lo rende adatto alla generazione notturna di test, alle migrazioni in coda, all’indicizzazione dei repository e alle attività di manutenzione ripetibili. È meno indicato come scelta predefinita per un team globale che usa agenti interattivi seguendo il normale orario di lavoro.

DeepSeek definisce come ore di picco le fasce 01:00-04:00 UTC e 06:00-10:00 UTC; tutte le altre sono off-peak. La pagina dei prezzi indica inoltre che dal 23 agosto 2026, alle 00:00 ora di Pechino, entrerà in vigore la tariffazione off-peak per l’intero fine settimana. La pianificazione diventa così una leva ingegneristica: una coda che può aspettare ha un prezzo diverso da quello pagato per uno sviluppatore in attesa dentro l’editor.

V4 Flash non è un piccolo classificatore. DeepSeek dichiara un contesto da 1,000,000 token, un output massimo di 384,000 token, output JSON, chiamate agli strumenti, Responses API, un’API compatibile con Anthropic e completamento FIM in modalità senza ragionamento. Il fornitore afferma che il ragionamento si avvicina a V4 Pro e lo eguaglia nelle attività agentiche semplici. DeepSeek cita anche le integrazioni con Claude Code, OpenClaw e OpenCode. Sono dichiarazioni del fornitore, ma descrivono la piattaforma corretta da sottoporre a una valutazione per coding agent.

Ideale per: Manutenzione programmata del codice, generazione di test off-peak, trasformazioni dei repository e team che cercano API nel formato OpenAI o Anthropic

Punto di forza: Un modello per agenti da 1,000,000 token, con prezzi off-peak di $0.22/$0.66 e un limite di concorrenza pari a 2,500

Prezzi: Off-peak: $0.007 per cache hit, $0.22 per cache miss, $0.66 per l’output; ore di picco: $0.014 per cache hit, $0.44 per cache miss, $1.32 per l’output

Prova gratuita: La pagina dei prezzi online non indica alcun piano Free permanente

L’orologio fa parte dell’architettura

Un team di piattaforma può pianificare le attività di modernizzazione del codice successive ai merge. Uno sviluppatore che chiede a un agente di riparare una build fallita durante l’orario di lavoro non può farlo. I due carichi non dovrebbero condividere la stessa ipotesi di prezzo.

Il tentativo normalizzato off-peak costa $0.0418, contro $0.056 per Luna. DeepSeek dispone quindi di un margine qualitativo di appena 1.34 tentativi. Se richiede un ulteriore ciclo di analisi o correzione con una frequenza sufficiente a superare in media quella soglia, Luna diventa più economico per patch accettata persino prima del passaggio alle ore di picco. In quelle ore DeepSeek costa già di più sul profilo di token ipotizzato.

Questo non relega DeepSeek al ruolo di curiosità: chiarisce dove può vincere. Inserisci in coda il lavoro ripetibile e non urgente, registra nei dati telemetrici la finestra tariffaria e mantieni Luna o il fornitore attuale come percorso interattivo. L’organizzazione può così cogliere il vantaggio off-peak senza subordinare i tempi di risposta per gli sviluppatori a un calendario dei prezzi.

Il secondo limite è la stabilità dei prezzi. DeepSeek si riserva esplicitamente il diritto di cambiare le tariffe e invita i clienti a consultare la pagina aggiornata. L’avvertenza conta, perché l’architettura di un coding agent può spostare rapidamente una quota consistente di token verso un unico fornitore. Registra nello stesso log l’ID del modello, il provider, la finestra tariffaria e l’esito della patch accettata: un cambio di prezzo potrà così attivare una decisione di routing invece di produrre una fattura inattesa.

Scegli DeepSeek quando una coda asincrona e validatori robusti rendono concreto lo sconto basato sull’orario. Non usarlo come unico percorso se la latenza interattiva, un costo unitario annuale prevedibile o un rapporto di fornitura già definito contano più del risparmio off-peak.

3. Gemini 3.7 Flash: la migliore escalation economica per attività complesse e multimodali

Gemini 3.7 Flash è il modello da aggiungere quando un worker economico continua a fallire su codice complesso, attività design-to-code o materiali multimodali presenti nel repository. Google lo dichiara generalmente disponibile e lo propone per coding complesso, workflow agentici ed esecuzioni affidabili in più passaggi. Accetta testo, immagini, video, audio e PDF e supporta esecuzione del codice, function calling, output strutturati, ricerca nei file e livelli di thinking basso, medio o alto.

Il prezzo è temporaneamente aggressivo. Il piano Standard a pagamento costa $0.75 per l’input e $3.75 per l’output fino al 31 dicembre 2026. Dal 1 gennaio 2027 le tariffe passano a $1.50 e $7.50. La fattura mensile normalizzata sale quindi da $1,875 a $3,750 senza alcuna variazione del traffico. Un budget annuale costruito sulla tariffa introduttiva nasce già sbagliato.

Google afferma che il modello migliora il lavoro reale di ingegneria del software e le attività agentiche, inclusi la risoluzione dei problemi e i cicli falliti degli agenti. Il thinking medio è l’impostazione predefinita e quella raccomandata da Google per codice complesso e impieghi agentici. Il thinking alto può migliorare il ragionamento difficile, ma aumenta il consumo di token e il costo. Gemini si presta quindi bene al ruolo di modello di escalation: entra in gioco solo dopo che un tentativo più economico ha dimostrato che l’attività merita più ragionamento.

Ideale per: Analisi di bug complessi, interfacce multimodali, verifiche di conformità al design, cicli difficili con gli strumenti e un percorso temporaneo più capace ma ancora attento ai costi

Punto di forza: Un modello multimodale generalmente disponibile da 1,048,576 token, progettato per coding e agenti, con esecuzione del codice e thinking regolabile

Prezzi: Piano Free; piano Standard a pagamento $0.75 per l’input e $3.75 per l’output fino al 31 dicembre 2026, poi $1.50 e $7.50

Prova gratuita: Sì, ma i contenuti del piano Free vengono usati per migliorare i prodotti Google; quelli del piano a pagamento no

Usa Gemini per ridurre i cicli falliti

Fino al 31 dicembre, il tentativo ipotizzato con Gemini costa $0.1875, l’equivalente di 3.35 tentativi con Luna. Il modello si guadagna un posto quando una sola esecuzione sostituisce più di 3.35 tentativi economici, quando gestisce una modalità di input non supportata dal percorso ordinario o quando un’attività difficile ha conseguenze aziendali sufficienti a giustificare il costo superiore del primo tentativo.

La correzione della conformità a un design è un caso concreto. L’agente può esaminare uno screenshot o un PDF, leggere l’implementazione, eseguire il codice e restituire un risultato strutturato. Anche Luna accetta immagini in input, quindi la sola multimodalità non basta a decidere. La scelta cambia quando la valutazione mostra che, su quella precisa categoria di attività, Gemini produce più correzioni accettate o un numero sensibilmente inferiore di cicli di revisione.

Il piano Free è adatto a valutazioni con dati sanitizzati, non per impostazione predefinita al codice di repository privati. La pagina online di Google specifica che i contenuti del piano Free vengono usati per migliorare i suoi prodotti, mentre quelli del piano a pagamento no. Il costo zero dei token non rende irrilevanti i vincoli sul trattamento del codice.

C’è anche un ostacolo nella migrazione. Google indica ai team che passano a Gemini 3.7 Flash di rimuovere temperature, top_p, top_k, candidate_count e i turni del modello precompilati, quindi di sostituire thinking_budget con thinking_level. Il modello può costare meno di un’alternativa di frontiera, ma le modifiche all’integrazione vanno comunque conteggiate nel costo del passaggio.

Scegli Gemini quando una categoria specifica, difficile o multimodale, supera la soglia del budget per patch accettata. Non usarlo come scelta predefinita per il lavoro ordinario se Luna o DeepSeek off-peak superano già le verifiche, né usare il piano Free per codice proprietario.

4. Claude Haiku 4.5: il miglior subagente economico per l’ecosistema Claude

Claude Haiku 4.5 è il modello economico giusto quando il sistema di agenti circostante usa già Claude e il lavoro è rapido, lineare e ad alto volume. Anthropic stessa consiglia di partire dall’efficienza con Haiku per implementazioni attente ai costi e attività da subagente. Il modello costa $1 per l’input e $5 per l’output, dispone di una finestra di contesto da 200,000 token, supporta l’extended thinking e, nella matrice attuale di Anthropic, offre la latenza comparativa più bassa.

Haiku non vince la gara generale sul prezzo. Il mese normalizzato costa $2,500, ossia $0.25 per tentativo: l’equivalente di 4.46 tentativi con Luna. Un team che parte da zero non dovrebbe pagare questo multiplo soltanto per scegliere un marchio familiare. Un’organizzazione standardizzata su Anthropic può arrivare a una conclusione diversa, perché potrebbe disporre già di prompt, schemi degli strumenti, valutazioni, osservabilità, contratti cloud e modelli di fallback.

Il ruolo più efficace del modello è quello di worker sotto Claude Sonnet 5 o Opus 5. Haiku si occupa di etichettare i repository, predisporre i test, riassumere le modifiche, eseguire semplici passaggi di revisione e svolgere altri compiti circoscritti. Sonnet o Opus gestiscono l’incertezza architetturale e il lavoro autonomo prolungato. L’attuale listino di Anthropic rende evidente questa scala: Sonnet 5 costa $2/$10, Opus 5 $5/$25 e Fable 5 $10/$50.

Ideale per: Subagenti nell’ecosistema Claude, revisioni rapide, classificazione dei repository, predisposizione dei test e attività lineari ad alto volume

Punto di forza: Il modello attuale più veloce di Anthropic, con extended thinking e un percorso di escalation diretto verso Sonnet 5 o Opus 5

Prezzi: $1 per l’input, $0.10 per i cache hit e $5 per l’output ogni 1 milione di token

Prova gratuita: I nuovi utenti dell’API ricevono un piccolo credito gratuito

La soglia del contesto ne determina il ruolo

Una finestra da 200,000 token è più che sufficiente per file selezionati, una richiesta di modifica, l’output degli strumenti e un ciclo di revisione. È meno adatta a un agente persistente che mantiene nello stesso prompt un intero repository di grandi dimensioni e una lunga cronologia. Questo limite rafforza il ruolo di subagente: fornisci a Haiku i file specifici e la regola di accettazione, invece di affidargli nello stesso contesto analisi, architettura, implementazione e revisione.

Il prompt caching può ridurre il costo delle istruzioni ripetute del repository. Con Haiku, i cache hit costano $0.10 per milione di token; una scrittura in cache di cinque minuti costa $1.25 e una di un’ora $2. Il contesto stabile e riutilizzato può ripagarsi, quello usato una sola volta no. L’applicazione dovrebbe registrare separatamente creazione e letture della cache, senza presumere che a tutto l’input si applichi la tariffa più bassa.

Scegli Haiku per attività worker circoscritte e native dell’ecosistema Claude. Evitalo per l’autonomia sull’intero repository, per una nuova API a basso costo o per qualsiasi carico in cui il contesto da 200,000 token obblighi a ricostruire ripetutamente le informazioni.

Quale modello scegliere in ogni scenario

La scelta è una regola di routing, non un vincitore eterno. Assegna a ogni modello il compito più piccolo sul quale riesce a produrre con regolarità una patch accettata.

Il fondatore finanziato che sviluppa un prodotto basato su agenti dovrebbe partire da Luna. Mantiene il percorso comune a $0.056 per tentativo ipotizzato e offre una piattaforma completa per gli strumenti. Aggiungi Gemini soltanto per una categoria di attività il cui tasso di cicli falliti giustifica il costo per tentativo di 3.35x.

Il CTO di un’azienda mid-market con una coda notturna dovrebbe valutare DeepSeek. Sposta migrazioni, generazione di test e manutenzione ripetibile nelle fasce off-peak. Per l’uso interattivo degli sviluppatori, metti a budget le tariffe di picco; poi valuta se un solo fornitore o due producano il sistema operativo più lineare.

Il professionista senior che combina screenshot, PDF e codice dovrebbe aggiungere Gemini. Gli input multimodali e l’esecuzione del codice lo rendono un candidato più solido quando l’attività include prove visive dell’interfaccia o tipi diversi di evidenze. Il brusco aumento di gennaio deve restare nel business case.

Un gruppo di ingegneria standardizzato su Claude dovrebbe mantenere Haiku nel livello worker. Riutilizzare il contratto Claude esistente può compensare la differenza di costo dei token per attività circoscritte. La familiarità con il provider non deve però spingere Haiku verso compiti ad alta autonomia o con contesti lunghi per i quali non è stato scelto.

Chi sviluppa da solo dovrebbe evitare un’architettura con quattro fornitori fin dal primo giorno. Conviene partire da Luna e dal fallback di frontiera già in uso. Aggiungi DeepSeek solo quando esiste una coda pianificabile, Gemini quando fallisce una categoria difficile ben definita o Haiku quando lo strumento richiede già Claude.

La regola che fa cambiare percorso è semplice: mantieni il worker più economico finché rispetta gli standard di revisione e delle patch accettate. Procedi con l’escalation quando tentativi falliti, carico di revisione, limiti del contesto, modalità o rischio rendono il modello successivo più conveniente sul risultato finale.

Come sono stati scelti questi modelli

La classifica premia un budget difendibile per i coding agent, non il singolo token dal prezzo più basso. Sono entrati quattro modelli perché ciascuno presidia una decisione distinta e dispone di informazioni dirette e aggiornate sufficienti per definirne prezzo, contesto, strumenti e limite principale.

Il metodo usa cinque criteri:

• Economia delle patch accettate: la spesa in token viene normalizzata sullo stesso carico di 10,000 attività e poi confrontata con la soglia di pareggio dei nuovi tentativi.
• Piattaforma per gli agenti: chiamate agli strumenti, output strutturati, operazioni sui repository e API compatibili contano più della sola qualità in chat.
• Prezzo del contesto: la dimensione massima della finestra e la soglia tariffaria per usarla sono considerate separatamente.
• Compatibilità operativa: pianificazione, migrazione, familiarità con il provider, condizioni sulla privacy e percorsi di escalation possono ribaltare una scelta basata soltanto sui token.
• Durata del prezzo: tariffe legate all’orario e aumenti già programmati fanno parte della classifica attuale, non sono note a piè di pagina da affrontare in seguito.

Le pagine sono state verificate il 22 agosto 2026. Nessun modello viene descritto come se fosse stato testato durante questa analisi. I risultati di produzione dei fornitori restano attribuiti alle aziende che li hanno pubblicati. Il contributo originale consiste nel carico normalizzato, nel budget per patch accettata e nella soglia di pareggio dei nuovi tentativi calcolati sui prezzi online.

La lista si ferma volutamente a quattro modelli. Chi acquista il livello del modello ha bisogno di prezzi completi, condizioni di fallimento e regole di routing, non di un catalogo che confonda motori e infrastrutture per agenti. Quattro decisioni d’acquisto complete sono più utili di una fila più lunga di nomi.

Sono esclusi anche i modelli con pesi eseguiti in locale. Un download locale sostituisce la spesa per token con hardware, energia, manutenzione e gestione delle richieste simultanee. La guida ai modelli di coding locali tratta la parte hardware, mentre l’analisi più ampia delle API AI più economiche esamina carichi diversi dal coding e la scelta dei gateway.

Le scelte da evitare

Evita DeepSeek senza un piano per le fasce tariffarie

DeepSeek non ha un’unica tariffa economica e fissa. Metti a budget $0.22/$0.66 off-peak e $0.44/$1.32 nelle ore di picco. Se l’applicazione non può spostare il lavoro, valutalo prima sulla tariffa di picco. Un foglio di calcolo che applica i prezzi off-peak al traffico interattivo non è un budget.

Non considerare permanente il prezzo introduttivo di Gemini

Il 1 gennaio 2027 Gemini 3.7 Flash passa da $0.75/$3.75 a $1.50/$7.50. La fattura mensile normalizzata raddoppia da $1,875 a $3,750. Approva il percorso solo se resta sostenibile con il prezzo successivo o dispone di un sostituto documentato.

Non usare un piano gratuito per codice sorgente privato

Google dichiara che i contenuti del piano Free di Gemini vengono usati per migliorare i suoi prodotti, mentre quelli del piano a pagamento no. Per la valutazione gratuita usa input generati, pubblici o sanitizzati. Prima della produzione, sposta il codice proprietario su un percorso a pagamento con condizioni approvate.

Evita un modello di frontiera come worker predefinito

Claude Sonnet 5 costa $2/$10, Opus 5 $5/$25 e Fable 5 $10/$50. Possono essere l’escalation corretta per i lavori più difficili. Pagare queste tariffe per ogni test lineare, riepilogo o modifica circoscritta spreca l’opportunità di routing creata da modelli economici e capaci.

Non riempire ogni finestra di contesto

Luna accetta 1,050,000 token, ma una richiesta oltre 272,000 token di input fa rincarare l’intera richiesta. Anche Gemini e DeepSeek offrono finestre da circa 1,000,000 token. Qualità del retrieval e dimensione del contesto non sono la stessa cosa. Aggiungi materiale del repository perché una patch fallita ne ha dimostrato l’assenza, non soltanto perché il modello può accettarlo.

Non misurare soltanto successo o fallimento

Una patch può superare i test e richiedere comunque una revisione lunga o nascondere una scelta progettuale rischiosa. Oltre ai test, registra minuti di revisione, numero di tentativi, rollback ed escalation. Il modello più economico è quello che riduce l’intero budget per patch accettata senza abbassare gli standard di ingegneria.

Cosa fare lunedì

La prossima settimana, instrada 100 attività rappresentative attraverso una piccola scala di modelli reversibile. L’obiettivo non è un benchmark universale, ma una decisione operativa su un repository e una categoria di attività.

1. 1

   Scegli una categoria di attività ripetibile

   Usa una categoria circoscritta, come generazione di test, aggiornamenti delle dipendenze, piccole correzioni di bug o riepiloghi del repository. Definisci test obbligatori, standard di revisione e azioni vietate prima della prima chiamata.

2. 2

   Usa Luna come worker di riferimento

   Invia ogni attività a GPT-5.6 Luna con il minimo contesto pertinente e gli strumenti necessari. Mantieni il modello attuale più potente come escalation che conserva lo stato dopo una validazione fallita o un’incertezza esplicita.

3. 3

   Aggiungi un concorrente per un motivo preciso

   Usa DeepSeek per una coda off-peak pianificabile, Gemini per attività difficili o multimodali oppure Haiku come subagente nell’ecosistema Claude. Non aggiungere ogni modello soltanto perché l’API è disponibile.

4. 4

   Misura il budget per patch accettata

   Registra input, input in cache, output, tentativi, latenza complessiva, test, minuti di revisione, escalation, merge e rollback. Dividi la spesa totale per il modello soltanto per le patch accettate e solo dopo aver concluso la revisione.

5. 5

   Instrada il vincitore e conserva una via d’uscita

   Sposta soltanto la categoria che ha superato la prova. Conserva fallback, log del contesto e identificatore del modello, così un cambio di prezzo, una regressione o una nuova versione potranno essere valutati senza ricostruire il workflow.

Questa è la conseguenza dei modelli più economici per gli agenti: un’azienda non deve più affidare ogni attività a un unico modello costoso. L’azione da compiere lunedì è trasformare lo stack in una scala di lavoro misurata, composta da un worker economico, una regola di escalation precisa e un budget per patch accettata che il team finanziario possa verificare.

Domande frequenti

Qual è il modello AI più economico per programmare?

In questo gruppo di quattro modelli, DeepSeek V4 Flash è il più economico off-peak: $0.22 per l’input e $0.66 per l’output ogni milione di token. Sul carico normalizzato di un coding agent, GPT-5.6 Luna costa meno nelle ore di picco di DeepSeek; la risposta dipende quindi dall’orario e dal tasso di nuovi tentativi.

Qual è il miglior coding agent AI per chi ha un budget limitato?

Separa l’infrastruttura dell’agente dal modello. Usa un’infrastruttura capace con GPT-5.6 Luna come worker ordinario, conserva un modello più potente per le escalation e misura il costo per patch accettata invece di scegliere un agente soltanto in base al prezzo mensile per postazione.

Quale AI è completamente gratuita per programmare?

Gemini 3.7 Flash offre un piano Free e Replit propone separatamente una modalità gratuita basata su Luna. Anche le offerte gratuite prevedono quote, confini del prodotto e condizioni sui dati; i contenuti del piano Free di Google vengono usati per migliorare i suoi prodotti, quindi il codice proprietario va affidato a un percorso a pagamento approvato.

Qual è il miglior modello AI locale per programmare nel 2026?

Questa classifica riguarda API ospitate e a basso costo. Per una configurazione locale, il confronto dedicato ai modelli di coding locali esamina hardware e compromessi sulle capacità. I pesi locali non generano una fattura per token, ma richiedono comunque memoria, energia, manutenzione e un’infrastruttura sicura per l’agente.

Scarica la checklist per l’audit dei workflow AI aziendali e trasforma questa scala di modelli in una valutazione di routing di una settimana.