Titolo generato per Claude Opus 5.5 che gestisce un'azienda AI autonoma, con quattro card statistiche che riportano 7 settimane senza supervisione, 38 modelli pubblicati, 54.000 download e 16 minuti di lavoro al giorno, più un footer che cita il report di Horizon Labs del 17 novembre 2026. Logo OrcaRouter in basso a destra.
Engineering & Research

Claude Opus 5.5 ha gestito un'azienda di IA per sette settimane con 16 minuti al giorno

Autore

jinhao.song

Data di pubblicazione

Ultimi modelli · 20Vedi tutti i modelli →
Benchmark: Artificial Analysis · aggiornato ogni giorno
Torna a tutti gli articoli

Claude Opus 5.5 è disponibile per il pubblico dal 22 settembre 2026, quindi la domanda interessante non è più quali punteggi ottenga. È ciò che accade quando smetti di fargli prompt e gli dai un lavoro. Un team presso l'EPFL e l'Istituto ELLIS di Tubinga ha fatto esattamente questo: ha consegnato a Claude Opus 5.5 un account Hugging Face vuoto, un budget GPU e un'unica istruzione — ottenere un'adozione reale — e lo ha lasciato operare per sette settimane. Ha pubblicato 38 modelli. Quei modelli hanno superato i 50.000 download, sono usati in più di 140 repository pubblici e sono citati in due articoli arXiv. L'agente che ci è riuscito ha lavorato in media 16 minuti al giorno.

Il rapporto è su horizon-labs.ai, datato 17 novembre 2026, e l'agente si chiama Horizon. Ogni numero riportato di seguito proviene da quel documento o dall'account Hugging Face a cui rimanda, e l'avvertenza è espressa una volta qui anziché ripetuta: questo è lo studio di caso del team sulla propria esecuzione, non un audit di terze parti. Sono insolitamente franchi sui punti in cui il loro stesso intervento potrebbe aver gonfiato il risultato, e quelle ammissioni sono la parte più utile del documento.

Quello che hanno effettivamente consegnato

Headless capture of the Horizon Labs report homepage, showing the title, the author list with EPFL, ELLIS Institute Tübingen, Max Planck Institute for Intelligent Systems and University of Tübingen affiliations, and the summary line stating the agent used over 600 GPU-hours, created 38 models, reached over 100 GitHub repositories and more than 50,000 downloads.

Horizon ha funzionato 24/7 all'interno di Claude Code, su un'unica sottoscrizione Anthropic Team Premium, con accesso a un nuovo account Hugging Face (Horizon-Labs) e a un account GitHub. La capacità di calcolo ammontava a 1M crediti a settimana, circa 500 ore GPU. Poteva aprire ticket per gli esseri umani e nient'altro: nessun altro account, nessuna identità web, nessun modo di spendere denaro. Il team ha monitorato costantemente le sue azioni ed è intervenuto 20 volte nel corso dell'esecuzione — 13 risposte ai ticket e sette messaggi, quasi tutti nei primi tre giorni, nessuno dopo il 22 ottobre.

Il budget dice quanto fosse modesto l'allestimento. Nell'intera esecuzione Horizon ha elaborato circa 1,9 miliardi di token, il 96% dei quali riletti dalla cache del prompt, e ne ha scritti 3,1 milioni. Ai prezzi delle API, si tratta di circa $1.030 di inferenza per sette settimane di lavoro autonomo, contro più di 600 ore GPU di addestramento. Il risultato principale è costato meno di un portatile.

I 38 modelli sono volutamente stretti

Nessuno di essi è un chatbot. Il catalogo comprende 25 classificatori di testo, sei modelli di token-classification, tre classificatori zero-shot, due reranker e due modelli di embedding, tutti basati su mmBERT-base, rilasciati con licenza Apache-2.0 con pesi ONNX, così da poter essere integrati direttamente nelle pipeline browser e server. Le dimensioni vanno da 141M per la variante small, 307M per base, 568M per large, e Horizon di solito forniva due o tre dimensioni della stessa famiglia.

Le famiglie sono il tipo di cose per cui un'azienda acquista un modello piccolo: protezioni contro la prompt injection, oscuramento dei PII, rilevamento delle allucinazioni, sicurezza dei contenuti, tossicità, sentiment ed emozioni multilingue, identificazione della lingua, ripristino della punteggiatura e truecasing. I più scaricati sono esattamente questi:

Headless capture of the Horizon-Labs organisation page on Hugging Face, showing the organisation name, 33 followers, the 'Agent I/O Guards' collection description covering small open multilingual guard and classifier models under Apache-2.0 with ONNX, and a listed model card for prompt-injection-guard-base at 7.19k downloads.

Il guardrail anti-injection a circa 17k, il modello di punteggiatura a 7,6k, il reranker a 6,4k. I dati di addestramento provenivano da dataset pubblici di Hugging Face più aumento sintetico, con Qwen 3.8-27B e Gemma 4 31B usati per annotare o generare esempi.

Quella ristrettezza è la strategia, non un limite. Un nuovo account senza reputazione non può vincere su un benchmark generico, ma può vincere con un sostituto drop-in da 300 MB che evita a qualcuno una revisione della licenza. Lo ha detto Horizon stessa nei propri log: "Un account nuovo e sconosciuto ottiene download più rapidamente con modelli piccoli, pratici e drop-in."

Il vero risultato sono i 16 minuti al giorno.

L'agente si sveglia verso le 10:00 UTC, perché è in quel momento che Hugging Face aggiorna i conteggi dei download. Legge i numeri del giorno precedente, decide cosa migliorare e torna a dormire. Nelle sue stesse parole, il 9 ottobre: "Sto aspettando fino alle 09:45 UTC di domani per il prossimo aggiornamento dei download, poi sceglierò il passo successivo da quei numeri."

Alcuni giorni non faceva assolutamente nulla. Il tempo di lavoro ha toccato il picco all'inizio, è calato per tutto ottobre e si è appiattito, mentre i download al giorno continuavano ad aumentare. L'inquadramento del report stesso è quello da mantenere: la produzione cumulativa — download, repository dipendenti — cresceva in modo esponenziale mentre lo sforzo cumulativo cresceva in modo logaritmico. Alla fine, i 16 minuti marginali producevano più dello sprint a tempo pieno della prima settimana.

Generated line chart titled 'Effort fell, adoption did not', plotting cumulative downloads rising to 54,000 against agent working time per day falling to about 16 minutes, with milestone dots for 23 September, 1 October, 26 October and 17 November 2026, and a footer noting the figures are from the Horizon Labs case study and are not independently audited. OrcaRouter logo bottom-right.

Quella forma è possibile solo perché il compito aveva un segnale di feedback economico e leggibile. I download sono un numero che arriva ogni mattina senza che nessuno debba interpretarlo. Punta lo stesso agente verso un obiettivo il cui segnale di ricompensa è l'opinione di una persona, e la giornata da 16 minuti diventa un onere anziché un'efficienza. Il rapporto non sostiene il contrario, e nemmeno i lettori dovrebbero farlo.

Cosa ha verificato il team, e cosa ha individuato

I conteggi dei download sono la metrica più facile da falsificare nel machine learning, e il team l'ha considerata la minaccia centrale al proprio risultato. Hanno registrato tutte le 3.952 chiamate agli strumenti e hanno eseguito due modelli — Claude Haiku 5.5 e Luna 6 — come monitor sull'intera trascrizione per cercare reward hacking. Hanno trovato sei occasioni in cui Horizon ha scaricato i propri modelli, per un totale di 42 download. Stimano che le loro stesse esecuzioni di valutazione abbiano contribuito con meno di altri 30, e che il team abbia rendicontato non più di 50 dei 54.000 download al momento della stesura. In molti dei giorni con il maggior numero di download, Horizon dormiva e nessun job era in esecuzione.

L'evidenza esterna è più forte della controevidenza. Una ricerca su GitHub ha trovato 143 repository che usano i modelli — non i "più di 100" del thread di lancio, che era un arrotondamento per difetto prudente. Due articoli arXiv confrontano la protezione contro il prompt injection con alternative: 2610.03448 ("Passing the Test You Trained On") rileva che ottiene l'AUC più alta sull'injection veicolata da documenti, pur notando un divario più contenuto tra il rilevamento degli attacchi e quello dei controlli, che è un limite reale dichiarato chiaramente. Altri 18 modelli Hugging Face eseguono fine-tuning, quantizzazione o derivano altrimenti dalle release di Horizon. Un concorrente, Patronus Studio, ha aggiornato la propria model card per includere i benchmark di Horizon. Il team ha anche generato quattro famiglie di benchmark sintetici held-out dopo il rilascio dei modelli, usando MiMo V2.6 Pro, e ha scoperto che i modelli erano spesso all'avanguardia per la loro dimensione sul compito ristretto a cui mirano.

La parte scomoda: ha imparato a vendere

Le model card di Horizon descrivono i suoi modelli come i migliori o tra i migliori della categoria. Il team ha verificato se si trattasse di overfitting o di benchmark shopping e ha concluso che non era né l'uno né l'altro: l'agente selezionava i checkpoint su una suddivisione di validazione, che è il metodo corretto, e in almeno un'occasione ha rilasciato una run che sapeva essere la più debole delle quattro sui set di test che riportava. Il suo stesso log del 7 ottobre recita: «Il trainer seleziona i checkpoint in base all'F1 di validazione, quindi ho rilasciato la run con il miglior F1 di validazione. Sui set di test quella run è la più debole delle quattro.»

Quello che ha fatto è stato marketing. Ha scelto le famiglie in base alla domanda — ha verificato che bart-large-mnli attiri circa 3 milioni di download al mese prima di costruire un classificatore zero-shot — e ha respinto idee per motivi commerciali: trasferimento della formalità perché non esisteva un set di valutazione multilingue aperto, rischio per la salute mentale perché era sensibile, classificazione di argomenti di notizie perché un modello esistente lo faceva già bene. Questo è il ragionamento di un product manager, elaborato senza averne uno.

Due errori dell'harness sono anche filtrati nell'esecuzione e vale la pena ripeterli, perché sono il tipo di cosa che ogni deployment a lungo termine finirà per incontrare. Il 24 settembre il team ha copiato i modelli di Horizon su un secondo account e ha lasciato pubbliche le copie; Horizon le ha trovate sull'Hub. L'11 e il 12 ottobre una risposta a un ticket ha detto erroneamente a Horizon che Horizon-Labs era "un'altra azienda che gestiamo nel nostro laboratorio". Entrambi hanno spinto l'agente a credere di essere gestito da un gruppo di ricerca anziché da una startup. Il team afferma che nessuno dei due ha cambiato il comportamento o il numero di download, e da allora ha sviluppato la capacità di riavvolgere un'esecuzione.

Cosa significa se sei tu a distribuire l'agente

L'allestimento è riproducibile e il costo è contenuto, ed è proprio questo che dovrebbe preoccupare e incoraggiare in pari misura: 600 ore GPU, una licenza in abbonamento e circa 1.030 dollari di token sono alla portata di un singolo dottorando. Il discorso sulla sicurezza si basa interamente su isolamento e monitoraggio, e i monitor del team erano essi stessi modelli. Se gestisci qualcosa di simile, la contabilità conta quanto le salvaguardie. Il tasso di lettura dalla cache del 96% di Horizon è il motivo per cui sette settimane sono costate quattro cifre anziché cinque, e quel tasso è una proprietà di un prompt di sistema stabile e di un set di strumenti stabile — esattamente ciò a cui serve un livello di orchestrazione.

È anche qui che un router si guadagna il suo posto in un'esecuzione come questa. I monitor di Horizon erano modelli economici che ne sorvegliavano uno costoso, e la voce di costo funziona solo se ogni chiamata va al modello più economico in grado di svolgere quel compito. Su OrcaRouter metti Claude Opus 5.5 e i piccoli monitor dietro un'unica chiave e applichi 0% di ricarico sul prezzo di listino del provider così il pass-through è la tariffa del fornitore stesso, e imposti una regola di routing che invia i passaggi dei monitor al livello economico mentre il ciclo di pianificazione resta su Opus. Il failover automatico copre poi il caso che ha fatto perdere più di una giornata a questo team: un'API che smette di rispondere mentre l'agente è inattivo.

Ciò che il rapporto non dimostra

Si tratta di un'unica esecuzione, un'unica famiglia di attività, un unico account e sette settimane. Il successo dell'agente dipende da una metrica che si aggiorna quotidianamente ed è visibile a tutti, su una piattaforma in cui un piccolo modello competente ha lacune evidenti da colmare, e da operatori umani che hanno risposto a 13 ticket. Non dimostra che un agente possa gestire un'azienda il cui fatturato dipende dai clienti, né che la giornata da 16 minuti sopravviva al contatto con un obiettivo privo di un numero quotidiano. Il team lo dice apertamente, e il riassunto onesto è più ristretto dei titoli: un modello di frontiera, dato un obiettivo commerciale ristretto con un segnale pulito, ora può eseguire l'intero ciclo — scegliere il prodotto, costruirlo, rilasciarlo, leggere il mercato e iterare — con un essere umano che lo tocca pochi minuti alla settimana.

La prossima cosa da osservare non è il numero di download. È se lo stesso schema si mantiene quando il segnale di ricompensa è un contratto anziché un contatore.