GPT 5.5 arriva in Codex su infrastruttura NVIDIA e, secondo NVIDIA, oltre 10.000 dipendenti lo stanno già usando mentre i sistemi GB200 NVL72 promettono fino a 35 volte meno costo per milione di token rispetto alla generazione precedente.
Per il lettore il punto non è solo che OpenAI abbia rilasciato un modello più forte. Il punto è che l’AI per programmare sta passando dal suggerire righe di codice al lavorare dentro ambienti aziendali controllati, con dati reali, permessi limitati e obiettivi misurabili.
GPT 5.5 in Codex: la notizia in breve
GPT-5.5 viene presentato come il modello più forte per agentic coding, cioè l’uso di agenti AI capaci di pianificare, usare strumenti, correggere errori e portare avanti attività su più passaggi. Nell’annuncio ufficiale di OpenAI</a>, l’azienda dichiara un risultato dell’82,7% su Terminal-Bench 2.0, benchmark che misura flussi complessi da riga di comando, e del 58,6% su SWE-Bench Pro, test costruito su problemi reali di repository GitHub.
La parte più concreta riguarda Codex. OpenAI dice che il modello gestisce meglio refactoring, debugging, test e validazione su codebase grandi. NVIDIA aggiunge che, nei suoi team, cicli di debug che prima richiedevano giorni si stanno chiudendo in ore, mentre esperimenti da settimane passano a progressi “overnight” in codebase multi-file.
“GPT-5.5 delivers the sustained performance required for execution-heavy work.”
— Justin Boitano, VP Enterprise AI, NVIDIA
Qui va mantenuta una distinzione importante: molte misure arrivano da OpenAI e NVIDIA, non da una valutazione indipendente completa. Sono dati primari, utili per capire la direzione del mercato, ma non bastano da soli a definire lo standard reale in ogni azienda.
Come funziona la parte tecnica: GB200, token e agenti
Il nodo tecnico è l’infrastruttura. GPT-5.5 viene descritto da OpenAI come progettato, addestrato e servito su sistemi NVIDIA GB200 e GB300 NVL72. NVIDIA, nel proprio blog, parla di GB200 NVL72 come sistema rack-scale capace di ridurre fino a 35 volte il costo per milione di token e aumentare fino a 50 volte l’output di token al secondo per megawatt rispetto a sistemi precedenti.
Per capire perché conta, bisogna guardare ai token, le unità di testo che un modello legge e produce. Nei prodotti AI aziendali il costo non dipende solo dall’abbonamento, ma da quanti token servono per completare un compito. Un agente che risolve un bug con meno tentativi, meno output inutile e meno passaggi manuali può costare meno anche se il modello di base è più avanzato.
OpenAI sostiene anche che GPT-5.5 abbia aiutato a migliorare la stessa infrastruttura che lo serve: Codex avrebbe analizzato settimane di traffico di produzione e scritto euristiche di partizionamento e bilanciamento del carico, aumentando la velocità di generazione dei token di oltre il 20%. È un dettaglio tecnico, ma segnala un cambio di fase: l’agente non viene solo ottimizzato, partecipa all’ottimizzazione della fabbrica che lo esegue.
La domanda che nessun comunicato affronta fino in fondo è questa: quando un agente scrive codice, propone test e accelera modifiche in autonomia, chi porta davvero la responsabilità dell’errore che arriva in produzione?
Sicurezza aziendale: sandbox, permessi e audit
NVIDIA presenta il rollout interno come un caso d’uso enterprise, non come una prova libera su chatbot. Ogni dipendente riceve una macchina virtuale cloud approvata dall’IT, raggiungibile via SSH, cioè una connessione sicura da terminale. L’agente lavora in una sandbox dedicata, con auditabilità e con una policy di zero data retention per il deployment interno.
Un passaggio chiave è l’accesso ai sistemi di produzione. Secondo NVIDIA, gli agenti hanno permessi in sola lettura tramite interfacce da riga di comando e Skills, il toolkit agentico usato per automazioni interne. Questo riduce il rischio che un agente modifichi direttamente ambienti critici, ma non elimina il problema della supervisione umana.
Per chi costruisce prodotti AI, il messaggio è chiaro: l’adozione degli agenti non passa solo dal modello. Passa da ambienti isolati, log leggibili, permessi granulari e processi di revisione. Senza questi elementi, anche un modello più capace può diventare un moltiplicatore di errori.
Cosa cambia per aziende e sviluppatori italiani
Per le imprese italiane, la lezione pratica è meno spettacolare ma più utile: prima di comprare “più AI”, bisogna misurare il costo per attività completata. Un agente che chiude un ticket, genera test e documenta una modifica deve essere valutato su tempo risparmiato, difetti introdotti, qualità della review e consumo di token.
Per gli sviluppatori, GPT 5.5 sposta il baricentro del lavoro. Scrivere codice resta importante, ma cresce il valore di saper formulare compiti, verificare output, leggere log, impostare test e orchestrare agenti in ambienti sicuri. Chi vuole approfondire i concetti di base può partire dal <a href=”https://aifocusnews.tech/glossario-ai/”>glossario AI</a> di AI Focus News, ma la competenza decisiva sarà pratica: trasformare un agente da assistente generico a collega controllabile.
Il panorama AI cambia perché OpenAI e NVIDIA stanno collegando modello, hardware e workflow aziendale in un’unica catena. Per il lettore italiano la conseguenza concreta è questa: nei prossimi progetti AI non basterà chiedere “quale modello usiamo?”. La domanda corretta sarà “quale processo siamo pronti ad affidargli, con quali permessi e con quale misura del risultato?”.
Immagine usata : NVIDIA Blog / OpenAI Codex — uso editoriale, tutti i marchi appartengono ai rispettivi proprietari.
Fonti primarie sintetizzate: annuncio ufficiale OpenAI, blog NVIDIA, precedente annuncio OpenAI su Codex.