Claude Mitos 5: quando l'AI diventa troppo potente per tutti

Anthropic rilascia un modello AI così potente da doverlo censurare per il pubblico. Ti sembra un film distopico? È quello che sta succedendo oggi.

Quando ho letto le specifiche tecniche di Claude Mitos 5 (commercializzato come Fable 5 per gli utenti comuni), mi sono reso conto di una cosa: stiamo entrando in un territorio nuovo. Non parliamo più di strumenti che aumentano la produttività. Parliamo di sistemi che possono trovare vulnerabilità zero-day in Linux, scrivere milioni di righe di codice in autonomia, e progettare farmaci 10 volte più velocemente degli esperti umani.

La domanda che mi faccio da giorni è questa: fino a quando saremo noi a controllare questi strumenti, e non viceversa?

Performance da stato dell'arte: i numeri che contano

I benchmark rilasciati da Anthropic mostrano un salto quantico rispetto a Opus 4.8, già considerato uno dei modelli più potenti sul mercato. Su Genetic Coding, Mitos 5 raggiunge 29.3% contro il 5.7% di GPT-4.5. Distacco simile su SWE-bench Verified: 80.3% contro 69.2% di Opus. Dieci punti percentuali in un benchmark di coding non sono un miglioramento incrementale, sono un cambio di categoria.

Ho testato personalmente Fable 5 su Claude Code per una migrazione infrastrutturale che avevo in cantiere da settimane. Il modello ha gestito refactoring complessi che normalmente mi avrebbero richiesto giorni di lavoro manuale, mantenendo coerenza su contesti di milioni di token. La capacità di lavorare su progetti di grandi dimensioni con memoria persistente basata su file system (gli stessi principi che uso con LLM wiki per i miei agent) è impressionante.

Costi contenuti per prestazioni da frontiera

Mitos 5 costa 10€ per milione di input token e 50€ per milione di output token. Anthropic dichiara che è meno della metà del prezzo di Mitos Preview, il modello precedente che non era nemmeno accessibile pubblicamente. Per un freelancer che lavora con automazioni complesse, questo significa poter utilizzare il modello più potente disponibile senza bruciare budget in pochi giorni.

Il modello che non puoi usare: Mitos 5 vs Fable 5

Ecco dove la storia diventa interessante. Mitos 5 e Fable 5 sono lo stesso modello. Stessa architettura, stesse capacità, stessi pesi. Con una differenza cruciale: Fable 5, la versione che possiamo usare tu ed io, ha una serie di safeguards che lo rendono "sicuro" per il pubblico.

In pratica, Anthropic ha addestrato classificatori specializzati che intercettano le richieste prima che arrivino al modello. Se la query riguarda cybersecurity, biologia sintetica, chimica delle armi o altri domini sensibili, il sistema reindirizza la richiesta a Opus 4.8 oppure blocca completamente la risposta. Su alcuni benchmark di cybersecurity, Fable 5 ha uno score di 0.0%: non risponde affatto.

Mitos 5, invece, risponde a tutto. Ed è disponibile solo per un gruppo ristretto di esperti di cybersecurity e provider infrastrutturali, utilizzato all'interno del progetto Glasswing per proteggere sistemi critici.

Perché questo approccio ha senso

Durante i test, Mitos 5 ha individuato vulnerabilità in sistemi operativi Linux, Firefox, FFmpeg e decine di altre librerie open source che usiamo quotidianamente. Un modello con queste capacità, nelle mani sbagliate, potrebbe automatizzare attacchi su larga scala. Anthropic ha scelto di essere estremamente conservativa: meglio bloccare richieste legittime che lasciare passare una sola richiesta malevola.

Personalmente, trovo questo approccio ragionevole. So già che mi capiterà di ricevere blocchi su query innocue perché triggerano qualche classificatore troppo zelante. Ma preferisco questo alla alternativa: un modello potentissimo senza nessun filtro, disponibile per chiunque.

Multimodalità e visione: il tallone d'Achille che diventa punto di forza

Fino a Opus 4.8, il punto debole di Anthropic era la multimodalità. Gemini dominava su visione e gestione di input multimodali. Con Mitos 5, le cose sono cambiate.

Il modello raggiunge stato dell'arte sui task che includono visione. Durante i test interni, Anthropic gli ha fatto giocare a Pokémon in completa autonomia, completando l'intera Lega Pokémon senza intervento umano. Può gestire CAD, creare simulazioni fisiche, analizzare infografiche complesse, lavorare su presentazioni e documenti con layout articolati.

Questo upgrade nella visione non è casuale: serve a potenziare la computer use, la capacità del modello di controllare desktop e interfacce grafiche. Per chi usa Claude Code o altri framework agentici, significa poter delegare task che prima richiedevano intervento umano ogni volta che c'era da interpretare un elemento visivo.

Long horizon tasks: il vero game changer per freelancer e PMI

La caratteristica che mi entusiasma di più è la gestione dei long horizon tasks, compiti che richiedono ore o giorni di lavoro autonomo senza supervisione continua. Claude Opus 4.8 era già eccellente in questo, ma Mitos 5 alza ulteriormente l'asticella.

Durante i test con Stripe, il modello ha compresso mesi di lavoro ingegneristico in giorni, scrivendo 50 milioni di righe di codice Ruby per una migrazione infrastrutturale. Non si tratta di generare codice boilerplate: si tratta di mantenere coerenza logica su una codebase enorme, gestire dipendenze, refactoring e edge case.

Per un professionista che lavora con Make, n8n o CrewAI, questo significa poter costruire workflow di automazione sempre più complessi, delegando al modello la parte di sviluppo che prima richiedeva settimane. Io stesso sto sperimentando con Claude Code su una serie di automazioni per clienti che integrano OpenRouter per gestire chiamate a modelli diversi in base al task.

Memoria persistente e knowledge graph

Mitos 5 migliora di tre volte rispetto a Opus 4.8 nella gestione di memoria persistente basata su file system. Ho testato questa capacità con LLM wiki e knowledge graph custom: il modello riesce a strutturare informazioni complesse, navigare tra concetti interconnessi e mantenere coerenza su sessioni di lavoro lunghe.

Per chi gestisce progetti multi-cliente o knowledge base interne, questa è una funzionalità cruciale. Significa poter costruire agent che "ricordano" contesto, decisioni, pattern ricorrenti, senza dover riscrivere contesto ogni volta.

La strategia di Anthropic: IPO e accelerazione forzata

C'è un elefante nella stanza: Anthropic rilascia Mitos 5 due settimane dopo Opus 4.8, in piena preparazione per l'IPO. La tempistica non è casuale.

Quando un'azienda si prepara a quotarsi in borsa, deve dimostrare momentum, capacità di innovazione continua, leadership tecnologica. Rilasciare il modello più potente sul mercato proprio ora serve a posizionare Anthropic come leader indiscusso nel settore, aumentando il valore percepito prima dell'offerta pubblica.

Mi chiedo però: questa accelerazione è sostenibile? Ogni due settimane un nuovo modello, ogni volta più potente del precedente. Siamo in una fase di crescita esponenziale dove l'AI stessa contribuisce alla ricerca per migliorare l'AI. È un loop di feedback positivo che nessuno sa dove porterà.

Il paradosso della lettera aperta

Poche settimane fa, diversi laboratori AI (Anthropic inclusa) hanno firmato una lettera aperta chiedendo di rallentare lo sviluppo di modelli sempre più potenti. Due settimane dopo, Anthropic rilascia Mitos 5. Il messaggio implicito è chiaro: rallentare unilateralmente significa perdere la corsa. Se OpenAI, DeepMind e altri continuano a spingere, tutti devono seguire.

Questo è il classico dilemma del prigioniero applicato all'AI: la scelta razionale individuale (continuare a innovare) porta a un outcome collettivo subottimale (rischi sistemici crescenti).

Come valutare davvero questi modelli

I benchmark sono utili, ma non raccontano tutta la storia. Mitos 5 domina su SWE-bench, Genetic Coding, MMLU-Pro. Ma questo significa che è il modello giusto per il tuo caso d'uso?

La risposta è: dipende. Quando devo scegliere un modello per un progetto cliente, costruisco un dataset di test personalizzato. Prendo 10-15 task reali che rappresentano il tipo di lavoro che il modello dovrà svolgere, li eseguo su 3-4 modelli diversi (Claude, GPT-4, Gemini), e confronto output, accuratezza, costo per task.

Spesso scopro che il modello "migliore" sui benchmark non è il migliore per il mio specifico workflow. Ad esempio, su task di analisi dati con NotebookLM, Gemini può performare meglio di Claude. Su automazioni complesse con Make, Claude tende a essere più affidabile.

Fable 5: quando ha senso usarlo

Fable 5 (disponibile fino al 22 giugno incluso nei piani Pro, Max, Team ed Enterprise, poi solo via API) ha senso per:

• Sviluppo di applicazioni complesse con codebase grandi
• Migrazioni infrastrutturali e refactoring massicci
• Automazioni che richiedono ragionamento su contesti lunghi
• Task di ricerca scientifica o analisi dati avanzate
• Computer use e workflow che integrano visione e coding

Non ha senso per task semplici dove Opus 4.8 o anche Sonnet 4.6 sono più che sufficienti (e più economici). Come sempre, il modello più potente non è sempre il più efficiente per il problema specifico.

Se stai iniziando a esplorare Claude Code o framework agentici come CrewAI, il mio consiglio è di partire con Opus 4.8 per capire i pattern di utilizzo, poi passare a Fable 5 quando hai task che richiedono davvero quella potenza in più. Pagare 50€ per milione di output token ha senso solo se l'output che ottieni giustifica il costo.

Stiamo vivendo un momento straordinario. Un freelancer con gli strumenti giusti può comprimere mesi di lavoro in giorni. Ma ogni volta che un nuovo modello esce, mi fermo a riflettere: quanto controllo stiamo delegando? E soprattutto, quanto controllo abbiamo davvero?