Artificial Analysis ha aggiornato il proprio Intelligence Index alla versione 5, introducendo una revisione significativa del sistema con cui vengono confrontati i principali modelli di intelligenza artificiale. La notizia non riguarda soltanto una nuova classifica. Riguarda il modo in cui viene misurata l’intelligenza artificiale, soprattutto quando i benchmark pubblici cominciano a perdere la capacità di distinguere i modelli realmente più avanzati.

Il risultato più evidente è il ritorno di Google al vertice. Gemini 4 Carbon ha raggiunto il primo posto con un punteggio di 59, superando Claude Opus 5.5, fermo a 58, e GPT-6 Astra, a 57. OpenAI mantiene una presenza importante nelle posizioni di vertice, mentre Anthropic continua a dimostrare una particolare solidità nelle attività di programmazione. La classifica, tuttavia, racconta una storia meno semplice di quella suggerita dalla successione dei numeri. Il vantaggio di Google emerge soprattutto dalla capacità di affrontare compiti complessi, mentre la programmazione autonoma resta un terreno nel quale Claude conserva un vantaggio competitivo. Artificial Analysis+1

La revisione introduce una modifica metodologica che merita più attenzione del risultato finale. Artificial Analysis ha costruito il nuovo indice distribuendo il peso in quattro aree, ciascuna con una quota del 25%. Il lavoro professionale misura quanto un modello riesca a produrre risultati utilizzabili in attività concrete; la programmazione considera la capacità di intervenire su sistemi software; la scienza valuta compiti di ricerca e ragionamento specialistico; le capacità generali cercano di misurare la conoscenza e l’affidabilità al di fuori di domini circoscritti. L’equilibrio tra queste dimensioni impedisce, almeno in teoria, che una prestazione eccezionale in un singolo settore determini da sola il risultato complessivo.

La versione 5 introduce due nuovi benchmark e aggiorna altri tre strumenti di valutazione. Il cambiamento più importante riguarda la provenienza delle domande. Per la prima volta, il 60% dell’indice si basa su test privati oppure su risposte non utilizzate durante l’addestramento dei modelli. È una scelta che affronta uno dei problemi più delicati dell’intero settore: quando le domande diventano pubbliche, i sistemi possono incontrarle durante il training, direttamente oppure attraverso materiali derivati. Il benchmark continua a produrre un risultato numerico, ma perde progressivamente la capacità di rappresentare una verifica indipendente delle competenze.

Il nuovo FrontierCode 2.0 valuta attività di programmazione reali, considerando un criterio particolarmente interessante: la modifica proposta dall’agente sarebbe accettata da un responsabile della manutenzione del repository? È una differenza sostanziale rispetto ai test che premiano semplicemente la capacità di generare codice funzionante. In un ambiente aziendale, infatti, una soluzione può superare una verifica automatica e risultare comunque inadatta alla produzione. Il codice deve essere comprensibile, integrabile e sostenibile nel tempo. La qualità non coincide con il numero di righe generate né con la capacità di correggere un errore isolato.

Artificial Analysis ha inoltre introdotto Terminal-Bench-Science, dedicato a 70 attività di ricerca scientifica eseguite attraverso un ambiente terminale. La scelta segnala un cambiamento nella concezione stessa delle capacità dei modelli. L’intelligenza artificiale viene valutata sempre meno come un sistema che risponde a domande e sempre più come un agente che deve completare un lavoro. Il modello deve utilizzare strumenti, interpretare risultati intermedi e arrivare a un prodotto verificabile. In questo scenario, la differenza tra una risposta convincente e un risultato scientificamente valido diventa decisiva.

Anche i benchmark precedenti sono stati sottoposti a una revisione. Humanity’s Last Exam è stato sostituito da HLE-Diamond, una versione raffinata con mille domande distribuite tra conoscenza e ragionamento. AA-Omniscience è stato aggiornato eliminando domande ormai troppo diffuse e correggendo quelle ambigue. CritPt è stato invece ridotto a un sottoinsieme privato di 40 problemi particolarmente difficili, verificati attraverso strumenti di esecuzione del codice. Alcuni benchmark sono stati rimossi dall’indice, perché non offrivano più una discriminazione sufficiente tra i modelli. Artificial Analysis+1

La conseguenza è stata immediata. Molti modelli open-weight hanno perso terreno nella nuova valutazione. Kimi K3.1 Pro, che al momento della pubblicazione non aveva ancora rilasciato i propri pesi, ha ottenuto 46 punti, dodici in meno rispetto al modello leader. Nella precedente versione dell’indice, il distacco era di appena tre punti. Tra i modelli con pesi effettivamente disponibili, DeepSeek V4.1 Flash e GLM-5.3 hanno raggiunto 32 punti, rimanendo significativamente distanti dai sistemi proprietari più avanzati. Artificial Analysis+1

Questa differenza non dimostra che i modelli aperti siano diventati meno utili. Dimostra che il nuovo indice misura capacità che richiedono un livello di autonomia particolarmente elevato. I test scientifici e quelli di programmazione agentica sono difficili da affrontare senza una gestione efficace degli strumenti e del contesto. È proprio qui che si manifesta una parte importante del vantaggio dei modelli proprietari, che dispongono di infrastrutture di ricerca e sviluppo molto più costose. Il punto economico è rilevante: l’accesso ai pesi non equivale automaticamente all’accesso alle stesse capacità operative.

La posizione di Meta richiede una precisazione. Muse Wonder Full compare tra i modelli di vertice e ottiene risultati significativi in alcune valutazioni, ma questo non significa che Meta abbia conquistato il podio generale. La presenza di un modello in una singola area non si traduce necessariamente in una posizione equivalente nell’indice complessivo. La nuova metodologia rende più difficile compensare una debolezza strutturale attraverso una prestazione particolarmente brillante in un benchmark specifico.

La classifica, inoltre, non attribuisce un vincitore assoluto in ogni categoria. Claude Opus 5.5 guida tre delle nove valutazioni, mentre GPT-6 Astra prevale in due benchmark scientifici. Gemini 4 Carbon conquista quattro valutazioni, tra cui HLE-Diamond, Terminal-Bench-Science e AA-Omniscience. Il dato suggerisce che il vantaggio di Google non deriva da una superiorità uniforme, ma dalla capacità di ottenere risultati molto elevati in alcune delle prove che pesano maggiormente nell’indice. Artificial Analysis+1

La competizione è dunque tornata a coinvolgere direttamente Google, OpenAI e Anthropic, ma parlare di una gara a tre non significa ignorare gli altri concorrenti. Significa riconoscere che, nella fascia più avanzata del mercato, la differenza si sta spostando verso sistemi capaci di svolgere compiti complessi con un livello crescente di autonomia. La nuova classifica misura questa evoluzione, ma non risolve una questione fondamentale: quanto costa ottenere quelle prestazioni e quanto sono accessibili fuori dai servizi proprietari?

Gemini 4 Carbon, secondo Artificial Analysis, non è ancora disponibile pubblicamente e viene distribuito a un gruppo selezionato di utenti. Il suo primo posto va quindi letto anche alla luce delle condizioni di accesso. La valutazione tecnica è importante, ma per le imprese la disponibilità del modello, il costo per attività completata e la possibilità di integrarlo nei processi aziendali determinano il valore reale della tecnologia.

Il nuovo Intelligence Index introduce una distinzione che il mercato dell’intelligenza artificiale dovrà imparare a rispettare. Un modello può essere il migliore in una classifica e non essere necessariamente la scelta più conveniente per un’impresa. Può ottenere risultati superiori in attività scientifiche e risultare meno efficace nella manutenzione del software. Può dimostrare capacità avanzate e restare accessibile soltanto attraverso un servizio proprietario.

La notizia, quindi, non è semplicemente che Google sia tornata al primo posto. È che Artificial Analysis ha alzato il livello delle prove, rendendo più difficile confondere una buona prestazione su benchmark pubblici con una capacità effettivamente utilizzabile. La nuova classifica premia meno la familiarità con gli esercizi e più la possibilità di completare lavori complessi. Per chi sviluppa, acquista o integra sistemi di intelligenza artificiale, questa è probabilmente la modifica più importante della versione 5. Artificial Analysis+1

Fonti: Artificial Analysis, Intelligence Index v5 · Gemini 4 Carbon raggiunge il primo posto