Claude o ChatGPT per il business: l'asse su cui li confrontavi non esiste più

Per due anni il confronto tra Claude e ChatGPT si è deciso su un numero solo: quanto testo ci sta dentro. Chi lavorava su contratti, codebase o analisi lunghe sceglieva in base a quello, e il divario era largo al punto da rendere la scelta ovvia.

Quel numero oggi è quasi identico da entrambe le parti. Il modello di punta di Anthropic e quello di OpenAI hanno finestre di contesto nell'ordine del milione di token. L'asse che decideva la partita si è chiuso, e chi continua a confrontarli su quello sta usando una mappa vecchia.

Uso entrambi ogni giorno su lavoro B2B reale. Questo è dove passa la differenza adesso, con i numeri che ho verificato alla documentazione oggi invece che a memoria.

I due listini, oggi

Comincio dai fatti verificabili, perché è la parte che invecchia più in fretta e che quasi tutti gli articoli su questo tema riportano sbagliata.

Lato Anthropic i modelli correnti sono quattro. Opus 5 è il modello per lavoro agentico complesso e coding, finestra da un milione di token, fino a 128.000 token in uscita, 5 dollari per milione di token in ingresso e 25 in uscita. Sonnet 5 è il cavallo da carico ad alto volume, stessa finestra, 3 e 15 dollari con un prezzo introduttivo ridotto in corso. Haiku 4.5 è il modello veloce ed economico, finestra da 200.000 token, 1 e 5 dollari. Sopra tutti c'è Fable 5, per il ragionamento più esigente, a 10 e 50 dollari.

Lato OpenAI la famiglia di punta è divisa in tre tagli. Il modello per lavoro professionale complesso ha finestra da 1,05 milioni di token, 128.000 in uscita, 5 dollari in ingresso e 30 in uscita. Sotto ci sono una variante bilanciata a 2,50 e 15 dollari, e una ottimizzata sul costo a 1 e 6 dollari, entrambe con la stessa finestra.

Guarda le due colonne per un minuto. Capienza sostanzialmente pari, tetto di output identico, prezzi che si sovrappongono quasi ovunque. Su questi tre parametri non c'è una scelta da fare: c'è un pareggio.

Questi numeri li ho presi dalle due pagine di documentazione ufficiale, la panoramica modelli di Anthropic e il riferimento modelli di OpenAI, e li ho scritti qui con la data addosso perché è materiale che cambia ogni pochi mesi. Se stai leggendo questo articolo molto dopo la data di pubblicazione, quelle due pagine restano vere e questa tabella no: vai lì.

Se ti serve il quadro dei piani a consumo dal lato Claude, con i limiti reali per piano, sta in Claude Free, Pro e Max. Il calcolo di quanto costa davvero un'automazione a token, che è la domanda vera quando passi all'API, l'ho fatto in Claude API: prezzi e limiti.

Perché la finestra di contesto non decide più

Non basta che il testo ci stia dentro. Serve che il modello lo usi.

Ho fatto la stessa prova su entrambi, con documenti da qualche centinaio di migliaia di token: un fatto specifico nascosto a metà, e una domanda che si risponde solo trovandolo. Entrambi lo trovano. La differenza che vedo non è nel recupero del fatto singolo, è nella coerenza quando la domanda richiede di tenere insieme tre punti distanti tra loro.

La cosa più utile che ho imparato è che il collo di bottiglia si è spostato a monte. Con una finestra da un milione di token la tentazione è caricare tutto, e caricare tutto peggiora le risposte su entrambi i sistemi: il segnale si diluisce, il costo per domanda cresce, e la latenza pure. Il lavoro vero è decidere cosa entra, che è un problema di progettazione del contesto e non di capienza. Ne ho scritto in context engineering con Claude.

Il criterio pratico che uso: se stai scegliendo tra i due in base alla dimensione della finestra, stai ottimizzando la variabile sbagliata.

Dove passa la differenza adesso

Restano quattro assi su cui i due sistemi si comportano in modo diverso. Li ordino per quanto pesano nel mio lavoro.

Aderenza alle istruzioni e voce

Questo è il motivo principale per cui Claude è il mio sistema primario, e vale la pena spiegarlo bene perché è il criterio meno misurabile e più decisivo.

Ho un documento di regole di scrittura lungo e pignolo: vieta certe parole, impone una forma specifica per le liste, proibisce un segno di punteggiatura, obbliga a verificare le affermazioni temporali contro una tabella. Su Claude quel documento viene rispettato riga per riga, incluse le regole controintuitive. Il tono predefinito è più asciutto e meno entusiasta, il che per contenuto professionale è un vantaggio: parti da più vicino a dove vuoi arrivare.

ChatGPT tende ad aggiungere. Struttura non richiesta, riepiloghi, un tono più caldo e conversazionale. Per uso consumer è un pregio, e su brainstorming e contenuto informale lo trovo spesso più vivace. Per un report che deve uscire con il mio nome sopra è rumore da togliere, e toglierlo costa tempo.

Il verdetto onesto: Claude per documentazione, report, email professionali, contenuto che deve rispettare regole scritte. ChatGPT quando ti serve volume e varietà e la revisione umana è comunque prevista.

Codice e lavoro agentico

Qui la differenza non è nel modello, è nell'attrezzo che ci sta attorno.

Claude Code opera nel terminale: legge il codebase, esegue comandi, modifica file, concatena operazioni. Per lavoro su progetti veri, non su frammenti isolati, è una categoria diversa dall'incollare codice in una chat. Richiede un piano Pro, Max, Team, Enterprise o Console: il gratuito non lo include. Il quadro completo sta in Claude Code: guida completa, e l'agente desktop equivalente per lavoro non tecnico in Claude Cowork.

Dall'altra parte gli strumenti di esecuzione di codice sono forti sull'analisi dati: prendi un file, chiedi una statistica, ottieni un grafico. Per prototipazione veloce e analisi esplorativa li trovo comodi e li uso.

Il verdetto: se il tuo lavoro tocca file e terminale, l'ecosistema Claude ha oggi un vantaggio strutturale. Se il tuo lavoro è analisi su file singoli, il vantaggio si annulla.

Ecosistema e integrazione

Qui il quadro è cambiato parecchio nell'ultimo anno, e non nella direzione che mi aspettavo.

Il catalogo di plugin ufficiali per l'ecosistema Anthropic è passato da una manciata a oltre novanta voci nel marketplace pubblico, di cui diciassette firmate direttamente e il resto costruite da partner e da terzi. Sono pacchetti di procedure e connettori installabili, in Markdown e JSON, che leggi prima di installare. Il protocollo che li tiene insieme è aperto e sta diventando il modo standard di collegare strumenti a un modello, indipendentemente da chi lo produce.

Questo è il punto che sposta il ragionamento: l'integrazione sta smettendo di essere un fossato competitivo. Un connettore scritto per un sistema tende a funzionare anche sull'altro. Ne ho scritto in MCP e Claude.

Dove OpenAI resta avanti è nell'ampiezza dell'offerta attorno al testo: generazione di immagini, trascrizione, il numero di integrazioni di terze parti già pronte. Se hai già flussi costruiti lì, il costo di migrazione è un fattore reale e va messo nel conto.

Dove finiscono i dati

Questo asse non compare quasi mai nei confronti e per un'azienda europea è spesso quello che decide.

Le domande da fare sono le stesse per entrambi: i miei dati vengono usati per addestrare, per quanto tempo restano, dove sono fisicamente, che impegni contrattuali ci sono sul piano che sto comprando. Le risposte cambiano per piano, non per fornitore, e cambiano nel tempo. Il piano gratuito e quello business dello stesso prodotto possono avere trattamenti diversi.

Non ti do una risposta in un articolo che invecchia. Ti do il metodo, che ho scritto in prima di adottare uno strumento AI, la domanda giusta non è quanto costa. La regola: leggi le condizioni del piano specifico che stai per comprare, non della pagina marketing del prodotto.

Cosa uso io, e i numeri veri

Uso Claude come sistema primario per la maggior parte del lavoro: scrittura, codice, analisi, automazioni. ChatGPT resta nello stack per la generazione di immagini e come secondo parere quando un output non mi convince e voglio vedere se il problema è mio o del modello.

I numeri di cosa ci ho costruito, perché un confronto senza proof density vale poco. Ho una sessantina di automazioni in produzione distribuite su cinque ambienti di esecuzione diversi, tra task locali sul Mac, job su cloud e routine schedulate. Non tutte producono valore: quando le ho contate a luglio, circa metà erano automazioni che sorvegliano le altre. È un numero che dico volentieri perché è il tipo di dato che di solito nessuno pubblica.

Il risultato più misurabile è sul sito che stai leggendo. A fine marzo faceva 510 impressioni e 10 click ogni 28 giorni. La misura di oggi, presa dall'API di Search Console, è 98.026 impressioni e 1.050 click sullo stesso intervallo, con posizione media 5,52. La crescita è concentrata: una singola pagina fa da sola l'82 per cento delle impressioni, che è insieme un successo e un problema di dipendenza da una keyword.

Il motivo per cui è Claude e non l'altro non è una preferenza di brand. È che il mio lavoro richiede che un documento di regole scritte venga eseguito alla lettera su decine di esecuzioni non presidiate, e su quella dimensione specifica ho misurato meno deriva.

La domanda che conta più di "quale dei due"

C'è una scelta che pesa più di quella tra i due fornitori, e quasi nessuno la fa: quale modello dentro la famiglia che hai scelto.

Guarda di nuovo i listini di sopra. Dentro la stessa casa, il modello di punta costa cinque volte quello economico in ingresso e cinque volte in uscita. Se mandi tutto al modello più capace stai pagando cinque volte per compiti che il taglio piccolo risolve identico: classificare una richiesta in arrivo, estrarre tre campi da un testo, decidere se una mail è un lead o una fattura.

Il modo giusto di ragionare è instradare. Il compito facile e ad alto volume va al modello economico. Il compito difficile e raro va al modello di punta. In mezzo c'è il taglio bilanciato, che nella mia esperienza copre la maggior parte del lavoro reale. Su una singola automazione la differenza è invisibile; su decine di esecuzioni al giorno diventa la voce di costo dominante.

Questa scelta la fai identica su entrambi i fornitori, perché entrambi hanno tre tagli con lo stesso rapporto di prezzo. È il motivo per cui la considero più importante del confronto tra le due case: cambia il costo di un ordine di grandezza, mentre passare da un fornitore all'altro lo cambia di qualche punto percentuale. I criteri di scelta per taglio li ho scritti in quale modello scegliere per le automazioni.

C'è anche il caso in cui la risposta onesta è "entrambi". Non nel senso di pagare due abbonamenti per indecisione, ma nel senso di assegnare a ognuno il pezzo in cui è più forte. Nel mio stack la divisione è netta: la produzione di contenuto e le automazioni stanno da una parte, la generazione di immagini e il controllo incrociato dall'altra. Costa due abbonamenti consumer, che sul totale del mio conto operativo è rumore rispetto al tempo che risparmio.

Il costo che non è nel listino

Quando confronti due sistemi guardando il prezzo per milione di token, stai guardando la voce meno importante.

La voce che pesa è il contesto che accumuli. I file di istruzioni, le procedure scritte, le regole di voce, le integrazioni configurate: tutto quel materiale è specifico del sistema in cui l'hai costruito. Cambiare fornitore non è cambiare una chiave API, è riscrivere e ritestare quel materiale.

Questo non è un argomento per restare dove sei. È un argomento per essere deliberato su dove costruisci, e per tenere il materiale in un formato leggibile e versionato invece che dentro una chat. Le mie procedure sono file di testo in un repository git: se domani devo spostarle, sposto file, non ricordi.

Come decidere in due settimane

Il confronto teorico non serve. Serve un test con il tuo lavoro dentro.

1. Scegli tre compiti che fai davvero e spesso. Non compiti dimostrativi: i tre che ti occupano più tempo questa settimana.
2. Scrivi le istruzioni una volta sola, in un file, e usa lo stesso file su entrambi i sistemi. Se le istruzioni sono diverse, il test non misura niente.
3. Esegui ogni compito su entrambi per due settimane e tieni traccia di una cosa sola: quanto tempo hai passato a correggere l'output.
4. Alla fine guarda il totale delle correzioni, non la qualità percepita della singola risposta. La qualità percepita è rumore, il tempo di correzione è il costo vero.

Nella mia esperienza la differenza emerge intorno al decimo giorno, e quasi sempre riguarda la coerenza su compiti ripetuti, non la brillantezza del singolo output.

Se vuoi partire da flussi già testati invece che da zero, ho raccolto quelli che uso quotidianamente nella guida gratuita ai cinque workflow. Se vuoi il metodo completo, con i template di istruzioni e i quattro casi studio, sta in Claude Mastery a 19 euro.

E se il tuo dubbio non è quale modello scegliere ma quale processo automatizzare per primo, quella è una domanda diversa e migliore. La call di scoping dura trenta minuti e serve esattamente a rispondere a quella.