Claude Fable 5.2: cosa cambia per le automazioni di una PMI e quanto costa

Se gestisci un'azienda o un reparto marketing, il rumore di questa settimana sui nuovi modelli AI ti arriva così: «è uscito il più potente di sempre, devo cambiare tutto?». La risposta breve è no. La risposta utile è capire cosa è stato annunciato davvero, cosa cambia in una automazione da PMI e come si fa una prova che costa poco prima di toccare ciò che funziona.

#Cosa ha annunciato Anthropic il 9 novembre

Nel post ufficiale del 9 novembre 2026 Anthropic descrive Claude Fable 5.2 e Claude Mythos 5.2 come lo stesso modello di base con protezioni diverse. Fable ha filtri forti su sicurezza informatica e biologia ed è disponibile a tutti. Mythos è per le organizzazioni verificate tramite i programmi Life Sciences e Cyber Verification. Per chi lavora in marketing, siti e servizi la parte che interessa è Fable.

• Disponibilità: Fable 5.2 è su tutte le piattaforme, inclusi Amazon Web Services, Google Cloud e Microsoft Azure. L'identificativo per l'API è claude-fable-5-2.
• Prezzo standard: 8 dollari per milione di token in ingresso, 40 in uscita. Modalità veloce opzionale: 16 e 80 dollari, con generazione fino a 2,5 volte più rapida.
• Velocità: l'output è fino al 30% più veloce di Fable 5.1.
• Consumi: a effort medio, l'impostazione predefinita nelle app Claude e in Claude Code, Fable 5.2 usa meno token di Fable 5.1.
• Uso consigliato: secondo Anthropic, Fable e Mythos servono per il lavoro tecnico più ambizioso e aperto. Per la maggior parte dei compiti di programmazione e conoscenza consiglia di cominciare da Claude Opus 5.5.

Nella stessa pagina Anthropic scrive che Fable 5.2 può fare da «Advisor» a modelli più piccoli o da «Orchestrator» che delega i compiti più semplici. È uno schema che ci interessa, e ne parliamo sotto, perché è quello che tiene i costi bassi.

#I numeri che contano per un'automazione

La tabella dei benchmark nel post ufficiale ha quindici righe, in gran parte tecniche (vulnerabilità, progettazione di molecole, robotica). Ne abbiamo tenute tre che parlano di lavoro d'ufficio e di agenti che usano un computer. Sono risultati dichiarati da Anthropic, misurati con il livello di sforzo massimo del modello nella maggior parte dei casi, non verificati da terzi.

• AutomationBench: Fable 5.2 51,4%, Fable 5.1 31,4%, Opus 5.5 42,5%, GPT-6 Astra 41,4%, Gemini 4 Carbon 53,9%. Qui Fable 5.2 non è primo: lo supera il modello di Google.
• OSWorld 2.1 (agente che usa un computer): Fable 5.2 89,3%, Opus 5.5 87,2%, Gemini 4 Carbon 81,5%. Il vantaggio su Opus 5.5 è di circa due punti.
• Remote Labor Index (lavori a distanza completi): Fable 5.2 41,3%, Opus 5.5 21,3%, Fable 5.1 17,9%. È il salto più grande della tabella.

Come si legge: rispetto a Fable 5.1 il salto è grande, rispetto a Opus 5.5 è più contenuto e dipende dal compito. Anthropic dice anche che su FrontierCode 2.0 a effort alto Fable 5.2 raggiunge Opus 5.5 a effort massimo (45,3% contro 45,5%) con circa metà del costo per compito. Un benchmark non è la tua email di preventivo: quello che vale è la prova sui tuoi casi.

#Quanto costa far girare un processo

Con i prezzi ufficiali il conto si fa a mano. Prendiamo un esempio inventato, ma realistico: un'automazione che legge la richiesta di un nuovo lead, la confronta con le tue schede servizio e scrive una bozza di risposta per una persona. Supponiamo 3.000 token in ingresso (istruzioni, scheda servizio, messaggio) e 400 in uscita. Sono ipotesi nostre, non dati di un cliente.

• Ingresso: 3.000 token × 8 $ per milione = 0,024 $.
• Uscita: 400 token × 40 $ per milione = 0,016 $.
• Totale: circa 0,04 $ per lead. Con 500 lead al mese, circa 20 $. In modalità veloce, il doppio: circa 40 $.
• Attenzione: se il modello ragiona a lungo prima di rispondere, i token di uscita possono salire molto. Il costo reale lo leggi nel pannello di consumo del fornitore dopo i primi giorni di prova.

Il costo del modello, in questo esempio, è la voce più piccola. Pesano di più la progettazione, i test e il tempo di chi controlla le bozze. Per questo lo schema che Anthropic chiama Orchestrator ha senso: un modello grande decide e delega, uno piccolo e più economico fa il lavoro ripetitivo, e la persona rivede ciò che conta. Per capire come si impostano questi flussi, trovi il quadro generale nel nostro articolo su AI, automazioni e n8n.

#Cosa fare adesso, passo per passo

1. Elenca le automazioni che usano già un modello AI: bozze di risposta, classificazione dei lead, sintesi di recensioni, descrizioni prodotto. Se non sai quali modelli stanno usando, chiedilo a chi le ha costruite. (Fase Analisi del Metodo +Click.)
2. Scegli una sola automazione da provare, quella con un esito facile da giudicare. Una bozza di risposta si legge e si valuta in un minuto.
3. Raccogli 30 casi reali già archiviati, anonimizzati se contengono dati personali, e salva a parte la risposta che avrebbe dato una persona.
4. Fai girare lo stesso lotto con il modello attuale e con Fable 5.2 (e, se vuoi un termine di confronto, con Opus 5.5). Annota per ciascuno: bozze da correggere, errori gravi, costo totale, tempo di risposta.
5. Decidi con tre numeri: percentuale di bozze accettate senza modifiche, errori che avrebbero fatto danno, costo per esecuzione. Se la differenza è piccola, non cambiare.
6. Se cambi, fallo su una sola automazione per due settimane e con la revisione umana attiva. Poi guarda il consumo reale e confrontalo con la stima. (Lancio e Report.)

#Errori da evitare

• Cambiare modello in produzione il giorno dell'annuncio. I benchmark sono del produttore e misurano compiti che non sono i tuoi.
• Giudicare dal costo per milione di token e basta. Conta il costo per esecuzione, che dipende da quanto il modello «ragiona» e da quanti token consuma.
• Togliere la persona che controlla perché «ora il modello è migliore». Un modello migliore sbaglia meno, ma sbaglia ancora, e un errore in un preventivo o in una risposta a un cliente lo paghi tu.
• Dimenticare le restrizioni. Anthropic spiega che le richieste ad alto rischio in cybersicurezza e biologia vengono bloccate e girate a modelli più vecchi. Per un uso aziendale normale non dovrebbe incidere, ma se il tuo settore è la sicurezza informatica o la ricerca, leggi bene quella parte.
• Confrontare il modello con le tue aspettative invece che con la prova sui tuoi 30 casi.

#Dati e privacy: cosa chiedere al fornitore

Se l'automazione tratta dati di clienti o lead, questa settimana è il momento giusto per una domanda in più. Nel post ufficiale Anthropic scrive che Enterprise Frontier Safeguards, un sistema di monitoraggio nell'infrastruttura del cliente compatibile con la conservazione zero dei dati, è in beta privata, e che per gli altri clienti c'è una conservazione di 30 giorni per il monitoraggio di sicurezza. La pagina non dice in quale regione risiedano i dati. Se il modello gira tramite AWS, Google Cloud o Azure, le condizioni dipendono anche dal contratto con quel fornitore.

Cosa chiedere a chi gestisce la tua automazione: quale fornitore e quale piano usa, per quanto tempo vengono conservati i messaggi, se l'accordo sul trattamento dei dati è firmato, e dove stanno i dati. Il quadro normativo europeo e italiano lo abbiamo riassunto nell'articolo su AI in azienda a Roma e Rieti, con AI Act e legge 132/2025. Non è una consulenza legale: per i casi con dati sensibili serve un parere di chi se ne occupa.

#Dove entra +Click

Questa è la parte del lavoro che facciamo con le automazioni e gli agenti AI su misura: capire quale processo vale la pena automatizzare, collegarlo agli strumenti che hai già (email, gestionale, WhatsApp, social), scegliere il modello in base a una prova e non al titolo di un annuncio, e mettere il controllo umano nel punto giusto. Non diciamo che usiamo Fable 5.2: abbiamo letto la fonte ufficiale e ti diamo il metodo per decidere.

#Domande frequenti