Reasoning AI: quando chiedere ai modelli di ragionare di più

Conviene usare il reasoning AI quando un'inferenza sbagliata costa più dell'attesa di una risposta migliore. Parti dall'impostazione predefinita indicata nella documentazione, poi riduci l'impegno per le attività ordinarie e aumentalo per le decisioni difficili: GPT-6.1 Sol, Claude Opus 5.5 e Gemini 4 Argon hanno tutti medium come valore predefinito.

I controlli descritti qui sono stati verificati sulla documentazione ufficiale dei produttori il 31 ottobre 2026. La distinzione utile è tra quale modello scegli, quanto lavoro gli chiedi di svolgere e quanto output gli permetti di generare. Sono decisioni separate.

Che cosa sono i modelli di ragionamento?

I modelli di ragionamento, o reasoning models, dedicano ulteriore generazione all'elaborazione di un problema prima di fornire la risposta. Restano modelli linguistici di grandi dimensioni, o LLM, che elaborano e generano token: piccole unità di testo e di altri dati del modello. Il ragionamento aggiuntivo può aiutarli a valutare alternative, pianificare una sequenza e risolvere problemi in cui i passaggi dipendono l'uno dall'altro. La guida al ragionamento di OpenAI descrive questo lavoro interno in termini di token di ragionamento.

Pensa a un cartografo che prepara un itinerario. Per un tragitto semplice basta un'indicazione rapida. Uno difficile richiede lavoro preparatorio: controllare gli incroci, escludere i passaggi bloccati e riconsiderare il percorso. Al cliente può comunque arrivare un'istruzione breve. A cambiare è il lavoro che c'è dietro.

Per chi ha fondato un'azienda, è la differenza tra riscrivere un'email a un cliente e decidere come migrare un database mantenendo il servizio disponibile per i clienti esistenti. Entrambe le attività producono testo. Solo la seconda richiede un ragionamento prolungato su vincoli che interagiscono tra loro.

Modelli di ragionamento di grandi dimensioni: capacità e impegno sono scelte distinte

Scegliere un modello più grande o più capace e impostare un livello di impegno maggiore sono due decisioni diverse. Cambiare modello significa cambiare il sistema che svolge il lavoro; aumentare l'impegno significa chiedere al modello scelto di dedicare più lavoro alla richiesta. Nessuna delle due scelte fornisce i dati aziendali mancanti.

Quando confronti i livelli di impegno, mantieni lo stesso modello. Altrimenti non puoi capire se un miglioramento dipende dal modello, dall'impostazione o da entrambi. Per la terminologia di base, consulta la guida su che cosa sono i token nell'AI.

Come funziona il reasoning AI?

Il ragionamento consuma generazione che potrebbe non comparire mai nella risposta finale. Può avvenire prima della risposta e tra una chiamata a uno strumento e l'altra, quando il modello usa il risultato di uno strumento per decidere il passo successivo. Nella sua guida al thinking, Anthropic distingue tra ragionamento iniziale e ragionamento intercalato alle chiamate agli strumenti.

I token di ragionamento vengono fatturati come output da OpenAI, Anthropic e Google per Gemini 4 Argon, anche quando il ragionamento non è visibile.

La conseguenza pratica è che la lunghezza della risposta dice poco sul lavoro svolto. Una raccomandazione sintetica può arrivare dopo un ragionamento approfondito. In genere, aumentare l'impegno significa impiegare più tempo e generare più token in cambio della possibilità di ottenere un risultato migliore; non implica un tempo di attesa o un numero di token prestabiliti.

Il limite massimo di output è un controllo diverso. max_output_tokens di OpenAI, max_tokens di Claude e max_output_tokens di Gemini comprendono sia il ragionamento sia la risposta. OpenAI e Google avvertono esplicitamente che esaurire questo budget durante il ragionamento può lasciare la risposta incompleta, senza alcun testo visibile. Limiti di output di OpenAI, thinking di Claude, limiti dei token di Gemini.

Modelli AI di ragionamento attuali: i parametri esatti

Le API attuali espongono scale diverse e modi diversi per disattivare il ragionamento. Usa i nomi dei campi previsti dall'endpoint che chiami effettivamente.

Questo è un confronto di compatibilità, non una classifica di qualità. La stessa parola in righe diverse non corrisponde a un'unità di calcolo comune.

OpenAI: il livello minimo di GPT-6.1 Sol è low

L'ID del modello OpenAI GPT-6.1 Sol è gpt-6.1-sol. In una richiesta Responses, imposta reasoning su {"effort":"medium"} per dichiarare esplicitamente il valore predefinito. low è il livello più leggero supportato; none e minimal non sono alternative valide. Le chiamate agli strumenti richiedono la Responses API. Documentazione di GPT-6.1 Sol.

Il catalogo attuale di OpenAI include anche GPT-6 Astra, GPT-6.1 Terra e GPT-6 Luna con controlli del ragionamento. Terra e Luna offrono none, oltre a low, medium, high, xhigh e max; la scala di Astra parte da low. La necessità di eliminare del tutto il ragionamento può quindi incidere sulla scelta del modello. Catalogo dei modelli OpenAI.

Se sviluppi software, prova low su una modifica al codice dal perimetro definito e aumenta l'impegno quando il compito richiede di ricostruire le interazioni tra le parti del sistema. Specifica quali condizioni devono restare valide e come verificare il risultato. OpenAI raccomanda istruzioni e vincoli chiari, anziché chiedere al modello di mettere per iscritto la catena di ragionamento. Buone pratiche per il ragionamento.

La guida alla configurazione di GPT-6.1 Sol illustra il workflow dell'agente in cui si inserisce questa scelta. Per l'applicazione, consulta la guida dedicata al cursore di ragionamento di ChatGPT.

Anthropic: il ragionamento di Claude Opus 5.5 non si può disattivare

L'ID del modello Anthropic Claude Opus 5.5 è claude-opus-5-5. Puoi omettere thinking oppure inviare thinking: {"type":"adaptive"}: entrambe le opzioni selezionano il comportamento adattivo sempre attivo. Imposta output_config: {"effort":"medium"} per usare l'impegno predefinito. Inviare thinking: {"type":"disabled"} o una configurazione manuale di budget_tokens restituisce un errore 400. Novità dell'API di Opus 5.5.

Il parametro effort di Claude influisce sull'intera risposta, comprese le spiegazioni e le chiamate agli strumenti. Non è un semplice budget di token nascosti. Ridurlo può cambiare sia il grado di approfondimento con cui un agente usa gli strumenti sia la durata del suo ragionamento. Documentazione di Anthropic sul parametro effort.

La gamma attualmente in evidenza comprende anche Claude Fable 5.1, Claude Sonnet 5.5 e Claude Haiku 5.5, tutti con supporto al ragionamento. Le opzioni per disattivarlo cambiano: Sonnet accetta thinking: {"type":"between_tools"} ai livelli low, medium o high per saltare il ragionamento iniziale; Haiku accetta disabled agli stessi livelli. Non copiare una configurazione di Opus sugli altri modelli della famiglia senza verificarla. Modelli Claude attuali, configurazioni del ragionamento.

Per un agente che opera senza supervisione, controlla che un impegno inferiore consenta comunque di eseguire le verifiche richieste. La guida a Opus 5.5 per agenti e programmazione approfondisce questa scelta di messa in produzione.

Google: Gemini 4 Argon usa livelli, non un budget manuale di ragionamento

L'ID del modello Google Gemini 4 Argon è gemini-4-argon. L'attuale Interactions API di Google accetta generation_config: {"thinking_level":"medium"}. I livelli supportati sono low, medium e high, con medium come valore predefinito. Guida a Gemini 4 Argon.

Se la tua applicazione usa ancora generateContent, il campo REST è generationConfig.thinkingConfig.thinkingLevel; l'SDK Python usa thinking_config con thinking_level. Su Argon, il vecchio campo thinkingBudget è deprecato: se usato da solo viene convertito in un livello e produce un avviso; se inviato insieme a thinkingLevel causa un errore 400. minimal non è supportato. Riferimento di Google per il ragionamento con generateContent.

Google elenca attualmente anche Gemini 3.8 Flash, Gemini 3.6 Flash e Gemini 3.5 Flash-Lite tra i modelli con supporto al ragionamento. I valori predefiniti e i livelli accettati sono diversi: quindi “Flash” non significa “senza ragionamento”. Catalogo dei modelli Gemini, tabella dei livelli di ragionamento.

Se hai fondato un'azienda e stai valutando Argon, parti da un compito rappresentativo e controlla la risposta prima di aumentare il livello. L'approfondimento su Gemini 4 Argon affronta la scelta di adozione nel suo insieme.

DeepSeek: verifica l'alias e la corrispondenza tra i livelli

DeepSeek rende attualmente disponibile DeepSeek-V4.1-Flash-1017 tramite deepseek-flash e DeepSeek-V4-Pro-0813 tramite deepseek-v4-pro. Entrambi supportano modalità con e senza ragionamento. Sono le versioni attuali riportate nella pagina dei modelli del produttore.

In Chat Completions, reasoning_effort accetta none, low, high o max. Se non viene specificato nessuno dei due controlli, il ragionamento è attivo a livello high. Un valore esplicito thinking: {"type":"enabled"} o thinking: {"type":"disabled"} ha la precedenza sull'attivazione o disattivazione determinata dal campo effort. I valori di compatibilità vengono convertiti: minimal diventa low, mentre medium e xhigh diventano high. Riferimento di DeepSeek per Chat Completions.

Questa corrispondenza conta quando un gateway presenta lo stesso menu a tendina per tutti i fornitori. Selezionare medium non crea un livello medio nativo di DeepSeek. Quando usi gli strumenti, conserva anche il reasoning_content restituito, come indicato nella documentazione: ometterlo dalle richieste successive con strumenti abilitati può produrre un errore 400. Guida al ragionamento di DeepSeek.

La guida alla famiglia DeepSeek V4 approfondisce la scelta del modello. Qui, il primo controllo sull'integrazione è verificare che il parametro inviato attivi la modalità desiderata.

Modelli con o senza ragionamento: scegli in base al compito

Aumenta l'impegno quando il compito presenta vincoli che interagiscono, approcci alternativi o errori di ragionamento costosi. Riducilo quando la trasformazione richiesta è chiara e il risultato è facile da verificare. Se mancano elementi essenziali, forniscili prima di aumentare l'impegno.

Per chi guida una startup finanziata: estrarre le azioni concordate dalla trascrizione fornita di una riunione è un'attività adatta a un impegno inferiore. Risolvere un conflitto nella roadmap tra obblighi contrattuali, personale disponibile e vincoli di cassa merita un impegno maggiore. Includi i vincoli reali e chiedi una raccomandazione che espliciti ipotesi e questioni irrisolte. Il vantaggio da cercare è una decisione migliore, non un memo più lungo.

Per un CTO o un responsabile operativo senior di una media impresa: separa la classificazione ordinaria delle richieste di assistenza dalla gestione delle eccezioni. Un ticket con una categoria chiara non dovrebbe ricevere automaticamente la stessa quota di ragionamento di un caso ambiguo che coinvolge diverse policy in conflitto. Valuta con attenzione il percorso delle eccezioni e mantieni i controlli di autorizzazione nell'applicazione. Un livello di impegno elevato non autorizza a emettere un rimborso o modificare un account.

Per chi sviluppa in autonomia: usa il livello più leggero che completa in modo affidabile una modifica circoscritta e ben specificata. Aumenta l'impegno per un bug intermittente che coinvolge più servizi, quando il modello deve distinguere tra spiegazioni alternative. Dove possibile, fornisci i log e un test che fallisce. Se il modello non può osservare il problema, il ragionamento aggiuntivo rischia solo di sviluppare un'ipotesi senza riscontri.

Chi dovrebbe aspettare: i team che non hanno una definizione chiara di risultato corretto dovrebbero formularla prima di rendere l'impegno maggiore l'impostazione predefinita in produzione. Se il workflow a bassa latenza già in uso supera i controlli, il team può mantenerlo e valutare le eccezioni separatamente.

Quali aspettative sul ragionamento sono eccessive?

Più ragionamento non garantisce una risposta corretta e non può sostituire una fonte che il modello non ha ricevuto. Un modello può costruire una giustificazione articolata intorno a una premessa sbagliata. Verifica in modo indipendente gli elementi a supporto, i calcoli o il prodotto del lavoro.

Anche un riepilogo visibile del ragionamento non costituisce una traccia completa per l'audit. Anthropic descrive esplicitamente ciò che mostra come una sintesi, anziché come il ragionamento grezzo; Google espone tramite API sintesi e firme del ragionamento. Valuta la risposta finale e le azioni verificabili, non l'apparente sofisticazione del ragionamento mostrato. Output del ragionamento di Claude, output del ragionamento di Gemini.

Infine, high non è un grado di prestazione trasferibile da un modello all'altro. La tabella mostra scale, valori predefiniti e restrizioni differenti, e DeepSeek converte esplicitamente diverse etichette. Confrontare fornitori a livelli di impegno con lo stesso nome non dimostra che abbiano impiegato lo stesso tempo o le stesse risorse di calcolo.

Chiedere una risposta concisa resta utile: definisce il risultato da consegnare. Non va però confuso con la disattivazione del lavoro che precede la risposta.

I migliori modelli di ragionamento: trova il livello minimo che supera i controlli

L'impostazione migliore è quella meno costosa che produce in modo affidabile un risultato accettabile entro il tempo di attesa che puoi concedere. Confronta i modelli sullo stesso compito e con gli stessi elementi a disposizione, poi regola l'impegno per ciascuno. Il confronto tra i modelli AI attuali aiuta a inquadrare la scelta del modello; è il tuo carico di lavoro a determinare l'impostazione.

1. 1

   Definisci i criteri di riuscita

   Scegli un'attività ricorrente con un esito verificabile: una modifica al codice supera i test di regressione, un'estrazione corrisponde al documento fornito oppure una raccomandazione rispetta tutti i vincoli dichiarati. Includi esempi difficili, non solo il caso più semplice in cui tutto fila liscio.

2. 2

   Confronta i livelli di impegno mantenendo il resto invariato

   Mantieni invariati prompt, elementi disponibili, strumenti e budget di output. Confronta il valore predefinito documentato con i livelli supportati immediatamente inferiore e superiore. Per i compiti con conseguenze importanti, ripeti i casi, così che una singola risposta fortunata non determini la configurazione.

3. 3

   Misura il compito portato a termine

   Registra la riuscita, il tempo totale trascorso, i token generati e gli eventuali nuovi tentativi o interventi di correzione manuale. OpenAI espone usage.output_tokens_details.reasoning_tokens; Gemini Interactions espone usage.total_thought_tokens. Interpreta i campi di utilizzo secondo le regole di ciascuna API, senza presumere che tutti i fornitori contabilizzino i token allo stesso modo. Utilizzo in OpenAI, utilizzo in Gemini.

4. 4

   Aumenta l'impegno solo nei casi che lo richiedono

   Mantieni il livello più basso che supera i controlli. Assegna un impegno maggiore ai casi già noti come difficili e analizza gli insuccessi prima di riprovare: se mancano elementi, servono altri elementi; un'inferenza difficile può invece beneficiare di più impegno. Non aumentarlo per tutte le richieste solo perché un esempio complesso è migliorato.

Da fare lunedì: prendi un workflow ricorrente che oggi usa un unico livello di impegno, definisci il controllo di accettazione e confronta le impostazioni su esempi salvati. Cambia il valore predefinito solo quando i risultati complessivi lo giustificano. Se non migliora nulla, mantieni la configurazione più semplice.

Domande frequenti

Quali sono i 7 tipi di ragionamento?

La domanda riguarda le classificazioni del ragionamento, come la deduzione e l'induzione. È un tema distinto dalla configurazione dei modelli: le principali API non condividono una scala universale di ragionamento a sette livelli. Usa le impostazioni supportate dal modello e dall'endpoint specifici.

Come funziona il ragionamento dell'AI?

Un modello di ragionamento genera passaggi intermedi per elaborare un problema prima di rispondere e può continuare a ragionare tra una chiamata a uno strumento e l'altra. Questo lavoro aggiuntivo può migliorare il risultato di un compito difficile, ma aumenta la generazione e il tempo di attesa.

Quali sono i 5 principali modelli AI?

Non esiste uno standard fisso di cinque modelli. Cinque esempi attuali trattati qui sono GPT-6.1 Sol, Claude Opus 5.5, Gemini 4 Argon, DeepSeek-V4.1-Flash-1017 e DeepSeek-V4-Pro-0813. I produttori documentano controlli diversi: scegli quindi in base al compito, non al numero di modelli.

Quale GPT è migliore per il ragionamento?

OpenAI presenta GPT-6 Astra come il suo modello più capace e GPT-6.1 Sol come un equilibrio tra capacità e costo. È il posizionamento dichiarato dal produttore, non una garanzia per il tuo compito. Confronta risultati e livelli di impegno con i tuoi controlli di accettazione. Catalogo dei modelli OpenAI.

Qual è il miglior modello AI per il ragionamento?

Questa guida non stabilisce un vincitore valido per qualsiasi carico di lavoro. Confronta i candidati attuali usando gli stessi elementi, controlli e requisiti di completamento. Nella decisione considera tempo, nuovi tentativi e token generati.

Quale AI è adatta al ragionamento logico?

I modelli di ragionamento attuali di OpenAI, Claude, Gemini e DeepSeek sono possibili candidati. Per i compiti in cui la logica è centrale, fornisci vincoli espliciti e verifica la conclusione con un calcolo, un test o una fonte indipendente, dove possibile.

ChatGPT è un modello di ragionamento?

ChatGPT è l'applicazione. Il ragionamento è una capacità del modello e della configurazione usati al suo interno. I controlli di thinking dell'app e i campi effort di un'API sono interfacce diverse; per il workflow nell'app, usa la guida al cursore di ragionamento indicata sopra.

Iscriviti alla newsletter per indicazioni pratiche su come scegliere e usare gli strumenti AI.