Claude Opus, Sonnet o Haiku: Come Scegliere il Modello Giusto per le Tue Automazioni

Giovanni Liguori

Nella mia esperienza, stima: Sonnet è il default per il 90% delle automazioni in produzione. Haiku per i workflow ad alto volume dove velocità e costo battono la qualità di risposta. Opus per i task che richiedono reasoning complesso e multi-step, e solo per quelli. Con la gamma di fine settembre 2026 vuol dire Sonnet 5.5, Haiku 4.5 e Opus 5.5, con Fable 5.1 sopra Opus per i casi in cui nemmeno Opus basta. La scelta sbagliata non blocca l'automazione: la rende fino a 4 volte più cara del necessario fra Haiku e Opus, fino a 10 volte se si sale a Fable.

L'Errore che Ho Fatto per 3 Mesi

Metà febbraio 2026. Claude lo usavo già da un pezzo, come tutte le AI, con le versioni che si aggiornavano strada facendo. Ma è lì che il mio primo sistema automatizzato di qualificazione lead è andato in produzione: API Anthropic, Python come orchestratore. Ogni lead in entrata veniva analizzato da Claude, il mio Claude, quello potente. Opus. Perché usare qualcosa di meno se puoi usare il meglio?

Tre mesi dopo. La fattura API, numeri a memoria, stima: $127 in 90 giorni su 5 workflow attivi. Non un numero enorme in assoluto, ma stavo analizzando email corte, riassumendo note di call e classificando prospect: task dove Opus non aggiunge nulla rispetto a Sonnet. Me ne sono accorto dopo aver fatto A/B test su 200 output: la qualità era identica. Il costo no.

Ho spento Opus su quei workflow. Ho acceso Sonnet. Il mese successivo: $23. Stesso output, stessa qualità. 82% di risparmio senza modificare un prompt.

Non è un caso isolato. È il pattern che vedo replicarsi ogni volta che qualcuno inizia a lavorare sull'API di Claude: si parte dal modello top e non si scende mai, perché 'non si sa mai'. È una scelta costosa e quasi sempre inutile. I dati lo dimostrano, e in questo articolo ti do il framework per evitare lo stesso errore.

Il Confronto Tecnico tra i Tre Modelli

Opus 5.5, Sonnet 5.5 e Haiku 4.5 non sono versioni 'buona, migliore, ottima' della stessa cosa. Hanno profili tecnici distinti, pensati per use case diversi. Usare il modello sbagliato significa sprecare budget o, nel caso opposto, rinunciare a qualità necessaria. Ecco i parametri che contano per chi automatizza, con Fable 5.1 in fondo alla tabella:

Modello         | Input $/MTok | Output $/MTok | Context | Use case ideale
----------------+--------------+---------------+---------+-------------------------------------------
Haiku 4.5       |    $1        |     $5        | 200K    | Volume, classificazione, riassunti semplici
Sonnet 5.5      |    $2        |     $10       | 1M      | Automazioni generali, analisi, contenuti
Opus 5.5        |    $4        |     $20       | 1M      | Reasoning complesso, decisioni multi-step
Fable 5.1       |    $10       |     $50       | 1M      | Reasoning impegnativo, agenti di lunga durata

ID API: claude-haiku-4-5, claude-sonnet-5-5, claude-opus-5-5, claude-fable-5-1
Haiku 4.5: ritiro provvisorio "non prima del 15 ottobre 2026" (pagina deprecazioni)
Listino consultato il 30 settembre 2026 su platform.claude.com/docs/en/about-claude/pricing

Il rapporto di costo tra Haiku 4.5 e Opus 5.5 è 1:4 sia sull'input che sull'output, e fra Sonnet 5.5 e Opus 5.5 è 1:2: Opus costa il doppio di Sonnet (listino ufficiale, consultato il 2026-09-30). Ogni 1.000 token che mandi a Opus ti costano quanto mandarne quattro sequenze identiche a Haiku. Su un pipeline che elabora centinaia di documenti al giorno, questa differenza non è trascurabile.

Sul context window la situazione è cambiata: Fable 5.1, Opus 5.5 e Sonnet 5.5 arrivano a 1M token a pricing standard, Haiku 4.5 resta a 200K. Fra Opus e Sonnet, quindi, la finestra non è più un criterio di scelta. La differenza reale sta nella capacità di reasoning: Opus è significativamente più robusto su task che richiedono di tenere in mente molte variabili contemporaneamente, costruire ragionamenti a più livelli, e prendere decisioni in scenari ambigui. Su task lineari, Sonnet produce output equivalenti.

I dettagli tecnici aggiornati sono nella documentazione ufficiale dei modelli Anthropic.

Sopra Opus oggi c'è un quarto modello, Fable 5.1: $10 in input e $50 in output per milione di token, due volte e mezzo Opus 5.5 e dieci volte Haiku 4.5. La panoramica dei modelli, consultata il 2026-09-30, lo indica per il reasoning più impegnativo e per il lavoro agentico di lunga durata, e la guida alla scelta del modello lo mette come passo successivo quando i test su Opus 5.5, anche con effort alto, non bastano. La stessa guida suggerisce di provare prima a regolare l'effort, il parametro che dentro lo stesso modello scambia intelligenza con latenza e costo. Nel metodo di questo articolo Fable sta quindi dopo Opus: ci si arriva solo se Opus non passa il test.

Una nota su Haiku 4.5, che negli scenari più avanti ha un ruolo preciso. Al 30 settembre 2026 è attivo ed è l'unico Haiku della gamma corrente, ma la pagina delle deprecazioni, consultata il 2026-09-30, gli assegna una data di ritiro provvisoria «non prima del 15 ottobre 2026» e non indica ancora un sostituto. La stessa pagina prevede un preavviso di almeno 60 giorni prima del ritiro di un modello pubblico. Se hai workflow su Haiku, tieni il nome del modello in una variabile, come nel codice più avanti, e tieni pronto il test descritto nella sezione sul metodo: quando arriva l'avviso cambi modello con i dati, non a sensazione.

Tre Domande per Scegliere il Modello Giusto

Non esiste una risposta universale. Esiste un framework decisionale che applico ogni volta che costruisco un nuovo workflow. Tre domande, in ordine.

Domanda 1: Il task richiede reasoning multi-step? Se implica analizzare più variabili contemporaneamente, costruire un ragionamento in più passaggi, o prendere decisioni in scenari dove i criteri sono in conflitto, valuta Opus. Esempi concreti: analisi legale di contratti, scoring multi-criterio di prospect complessi, debug autonomo di codice. Se il task è lineare (riassumi, classifica, riscrivi, estrai), Sonnet è il punto di partenza.

Domanda 2: Quante volte al giorno viene eseguito? Ordine di grandezza: un task eseguito 10 volte al giorno ha costi API gestibili anche con Sonnet. Un task eseguito 500 volte al giorno richiede ottimizzazione del modello. Regola operativa: se superi le 100 call/giorno su un singolo workflow, testa Haiku sui task più semplici. Il risparmio giustifica l'investimento nel test.

Domanda 3: L'errore ha conseguenze dirette? Se il workflow genera contenuti interni o draft che passano da revisione umana, Haiku è spesso sufficiente. Se gestisce comunicazioni con clienti, decisioni commerciali, o output che entrano in altri sistemi senza supervisione, la qualità di Sonnet o Opus diventa un investimento, non un costo aggiuntivo.

La documentazione ufficiale parte da un'altra posizione: la guida alla scelta del modello, consultata il 2026-09-30, consiglia di cominciare da Opus 5.5 per la maggior parte dei carichi di lavoro, e descrive anche la strada opposta, partire da Haiku 4.5 e salire solo se serve. Per le automazioni di cui parlo qui, cioè task ripetuti e con un prompt stabile, parto dal basso: a listino Opus 5.5 costa il doppio di Sonnet 5.5, e le tre domande servono a capire quando quel doppio si ripaga. Alla domanda 1 la gamma attuale aggiunge un gradino: se Opus 5.5 non passa il test, c'è Fable 5.1.

Cinque Scenari Reali e il Modello Scelto

Nei workflow che gestisco in produzione ho mappato i pattern di scelta che si ripetono. Questi sono i cinque più comuni.

I costi e i test di questo articolo li ho misurati prima dell'uscita di Opus 5.5 e Sonnet 5.5. Le scelte sotto sono per famiglia di modello; le versioni indicate sono quelle correnti al 30 settembre 2026, e il passaggio di versione su un workflow in produzione va verificato con lo stesso test descritto più avanti.

Scenario A. Qualificazione lead da email o form. Task: analizzare testo in entrata (100-300 parole), classificare per budget e urgenza, estrarre dati strutturati. Task lineare, testo breve. Modello: Sonnet 5.5. Se il volume supera le 200 richieste/giorno: Haiku 4.5.

Scenario B. Sintesi di call o meeting. Task: trascrizione audio (tool esterno) + riassunto strutturato + estrazione action items. Input medio: 2.000-5.000 parole. Modello: Sonnet 5.5. Il task è lineare ma il testo è lungo: Haiku perde coerenza su input molto estesi.

Scenario C. Report automatici settimanali per clienti B2B. Task: aggregazione dati + generazione testo narrativo. L'output deve essere di qualità inviabile senza editing. Ho testato Haiku su questo task, stima: il 35% degli output richiedeva revisione manuale, soglia non accettabile su un workflow automatizzato. Modello: Sonnet 5.5.

Scenario D. Analisi contratto con estrazione clausole critiche. Task: analizzare un contratto di 15-40 pagine, identificare clausole che si discostano dagli standard, produrre lista di rischi con raccomandazioni. Ho testato Sonnet su questo task, stima: il miss rate sulle clausole critiche era del 18% rispetto a Opus. Su un use case legale, non è accettabile. Modello: Opus 5.5.

Scenario E. Generazione batch di content (post LinkedIn, bozze email, descrizioni prodotto). Task: generare 20-50 variazioni di testo breve su template. L'output passa da editing umano. Modello: Haiku 4.5. Veloce, economico, qualità sufficiente per contenuti che vengono comunque revisionati.

Come Parametrizzare il Modello nel Codice

La scelta del modello dovrebbe essere una variabile nel tuo codice, non un valore hardcoded. Cambiare modello su un workflow in produzione deve essere un'operazione di un minuto, non un refactoring. Pattern Python che uso in tutti i workflow:

import anthropic
import os

# Centralizza la scelta del modello per tipo di workflow
MODELS = {
    "default": "claude-sonnet-5-5",
    "high_volume": "claude-haiku-4-5",
    "complex_reasoning": "claude-opus-5-5",
    "frontier": "claude-fable-5-1",  # solo se Opus 5.5 non passa il test
}

# max_tokens comprende anche i token di ragionamento: 4096 lascia margine alla risposta
def run_claude(prompt: str, task_type: str = "default", max_tokens: int = 4096) -> str:
    client = anthropic.Anthropic(api_key=os.environ["ANTHROPIC_API_KEY"])
    model = MODELS.get(task_type, MODELS["default"])
    
    message = client.messages.create(
        model=model,
        max_tokens=max_tokens,
        messages=[{"role": "user", "content": prompt}]
    )
    # La risposta può aprirsi con blocchi "thinking": si tiene solo il testo
    return "".join(block.text for block in message.content if block.type == "text")

# Uso pratico nei workflow
lead_score = run_claude(lead_text, task_type="default")            # Sonnet 5.5
batch_copy = run_claude(copy_prompt, task_type="high_volume")       # Haiku 4.5
contract = run_claude(contract_text, task_type="complex_reasoning") # Opus 5.5

Due dettagli del codice dipendono dalla gamma attuale. Su Fable 5.1, Opus 5.5 e Sonnet 5.5 il ragionamento adattivo è attivo senza configurazione, e la risposta può aprirsi con uno o più blocchi di tipo «thinking» prima del testo: per questo il codice raccoglie i blocchi di tipo «text» invece di leggere il primo. I token di ragionamento, poi, contano dentro max_tokens e si pagano come output anche quando non li vedi (documentazione sul thinking, consultata il 2026-09-30): per questo il valore di default sale a 4096.

Con questa struttura, ottimizzare il modello di un intero workflow è modificare una riga nel dizionario MODELS. Per massimizzare la qualità dell'output su qualsiasi modello, leggi 5 pattern per system prompt che funzionano in produzione.

I Miei Costi Prima e Dopo l'Ottimizzazione

Ho ottimizzato la scelta del modello su 5 workflow in produzione nei mesi successivi. Questi sono i numeri, workflow per workflow.

stima: numeri dalle fatture API mensili, non da un report versionato
----------------------------------------------------------------------

Il workflow di analisi contratti è rimasto su Opus perché il downgrade a Sonnet ha alzato il miss rate sulle clausole critiche, stima: 18% in un test su 22 contratti reali. Il costo di un errore legale supera di molto il risparmio API. Tutto il resto (qualificazione lead, sintesi call, content batch) funziona identicamente su modelli meno costosi.

Risparmio totale, stima: $69/mese (-57%) senza alcuna perdita di qualità misurata sui workflow ottimizzati. Per chi vuole portare questa logica a livello di agenti multi-step, dove ogni sotto-task può usare un modello diverso, la guida agli agenti AI con Claude copre l'architettura in dettaglio.

La Logica dell'Ottimizzazione: Test, Non Intuizione

L'errore più comune, oltre a usare Opus per tutto, è fare downgrades basati sull'intuizione invece che sui dati. 'Haiku è troppo debole per questo task' spesso non è verificato. 'Sonnet non capisce i contratti' spesso non è stato testato.

Il processo che seguo per ogni nuovo workflow è sempre lo stesso in 4 step. Primo: definisco la metrica di qualità prima di eseguire il test. Per la qualificazione lead: percentuale di classificazioni corrette su un campione di 30 lead già classificati manualmente. Per i report clienti: percentuale di output inviabili senza editing. Per l'analisi contratti: miss rate sulle clausole critiche. Senza metrica definita, il test non ha valore.

Secondo: testo con Haiku. Se la qualità è sufficiente rispetto alla metrica definita, mi fermo. Haiku vince. Terzo: se Haiku non passa il test, testo con Sonnet. Nella maggior parte dei casi, Sonnet supera la soglia. Quarto: se Sonnet non è sufficiente, uso Opus, ma a quel punto ho dati che giustificano il costo maggiore, non una sensazione.

Risultato pratico: su 12 workflow analizzati con questo metodo, 4 sono finiti su Haiku, 7 su Sonnet, 1 su Opus. Distribuzione che nella mia esperienza riflette la realtà della maggior parte delle automazioni B2B.

Conclusione

La scelta del modello non è estetica. È un'ottimizzazione di sistema che impatta costi, velocità e scalabilità delle tue automazioni. Sonnet 5.5 come default. Haiku dove il volume lo giustifica. Opus dove il reasoning complesso è davvero necessario, e solo lì. Fable 5.1 solo quando anche Opus, alla prova, non basta.

Il criterio non è 'quale modello preferisci', ma 'quale qualità questo task richiede'. Se vuoi mettere in pratica questi principi su workflow già ottimizzati, con la scelta del modello integrata in ogni automazione, Claude Mastery include le architetture complete che uso in produzione.

Domande Frequenti

Claude Sonnet è davvero buono quanto Opus per la maggior parte dei task?

Sì, per task lineari: classificazione, riassunto, generazione testo su template, estrazione dati strutturati. La differenza si vede su task di reasoning complesso con molte variabili e decisioni multi-step. Su quei task specifici, Opus produce output superiori in modo misurabile. Stima: il miss rate del 18% sull'analisi contratti nei miei test.

Haiku 4.5 è adatto per workflow B2B o è solo per uso consumer?

Haiku è ottimo per workflow B2B ad alto volume dove l'output passa da revisione umana: generazione batch di draft, classificazioni semplici, risposta a FAQ standardizzate. Non adatto dove la qualità dell'output è critica senza supervisione: report clienti, comunicazioni commerciali, analisi di documenti complessi.

Come testo quale modello è il migliore per il mio use case?

A/B test su 50-100 output reali. Stesso prompt, stessi input, modelli diversi. Definisci prima la metrica di qualità che conta per il tuo caso (percentuale output utilizzabili senza editing, tasso di errore su classificazioni). Non basarti su impressioni: misura il delta tra modelli su quella metrica specifica.

I prezzi dei modelli Claude cambieranno ancora?

Storicamente i prezzi scendono con ogni nuova generazione di modelli. La raccomandazione è costruire il sistema con la scelta del modello parametrizzata (come nel codice sopra), in modo che qualsiasi ottimizzazione futura sia un cambio di configurazione, non di architettura.

Nel 2026 per Opus e Sonnet è andata così: Opus 5.5 costa $4/$20 per milione di token contro i $5/$25 di Opus 5, e per Sonnet 5 il prezzo di lancio di $2/$10 è diventato listino standard invece di salire a $3/$15. Nella fascia bassa, invece, l'ultima generazione costa di più: Haiku 4.5 costa $1/$5 contro $0,80/$4 di Haiku 3.5 (listino ufficiale, consultato il 2026-09-30).