# Claude Fable 5: l’ho provato su una codebase reale. > Fonte: https://francescogruner.it/claude-fable-5-test-reale-costi-claude-code/ Non perché “risponde meglio” alle domande. Quella ormai è la parte meno interessante. Il punto vero è un altro: **Claude Fable 5 sembra progettato per lavorare su task lunghi, complessi e agentici**, cioè attività in cui il modello non deve solo generare testo, ma deve osservare, ragionare, usare strumenti, modificare codice, verificare risultati e portare avanti un lavoro tecnico reale. Io l’ho provato con **Claude Code** su una codebase vera. Non una demo da conferenza. Non il solito progettino “fammi una landing page moderna”. Non un test costruito per fare bella figura. Una sessione reale, lunga, sporca, con problemi di **UI, layout, widget, migrazioni, refactor e controlli da fare**. Il risultato è stato molto interessante. Ma mi ha anche fatto capire una cosa importante: **quando questi modelli vengono usati come agenti operativi, la potenza va gestita con metodo.** Perché Fable 5 può produrre molto lavoro. Ma se lo usi in sessioni lunghe, con tanto contesto e molti subagenti, può diventare anche molto costoso. In pratica, ci stiamo spostando da: **prompt → risposta** a: **obiettivo → piano → azione → verifica → correzione → risultato** Ed è un passaggio importante. Perché quando l’AI non si limita più a suggerire, ma inizia a **lavorare dentro un ambiente**, cambiano anche le responsabilità di chi la usa. Indice dei contenuti [Toggle](#) - [Cos’è Claude Fable 5](#Cose_Claude_Fable_5) - [I benchmark: Fable 5 spinge sul coding agentico](#I_benchmark_Fable_5_spinge_sul_coding_agentico) - [Ti sta piacendo?](#Ti_sta_piacendo) - [Più potenza, più costo da controllare](#Piu_potenza_piu_costo_da_controllare) - [Agentic coding: la parte più interessante](#Agentic_coding_la_parte_piu_interessante) - [Il mio test, in breve](#Il_mio_test_in_breve) - [La cache non è il nemico](#La_cache_non_e_il_nemico) - [Le demo ufficiali: non solo codice](#Le_demo_ufficiali_non_solo_codice) - [Simulazioni e ragionamento lungo](#Simulazioni_e_ragionamento_lungo) - [VibeCAD: quando l’AI costruisce strumenti che poi usa](#VibeCAD_quando_lAI_costruisce_strumenti_che_poi_usa) - [Quando ha senso usare Fable 5](#Quando_ha_senso_usare_Fable_5) - [Come lo userei meglio la prossima volta](#Come_lo_userei_meglio_la_prossima_volta) - [Cosa significa per sviluppatori e aziende](#Cosa_significa_per_sviluppatori_e_aziende) - [La mia opinione finale](#La_mia_opinione_finale) - [FAQ](#FAQ) - [Fonti](#Fonti) - [Claude Fable 5 and Claude Mythos 5](#Claude_Fable_5_and_Claude_Mythos_5) - [Claude Fable 5](#Claude_Fable_5) - [Introducing Claude Fable 5 and Claude Mythos 5](#Introducing_Claude_Fable_5_and_Claude_Mythos_5) - [Models overview](#Models_overview) - [Pricing](#Pricing) - [Claude Code overview](#Claude_Code_overview) - [Manage costs effectively](#Manage_costs_effectively) - [Monitoring usage](#Monitoring_usage) - [Prompt caching](#Prompt_caching) - [Rate limits](#Rate_limits) ## Cos’è Claude Fable 5 **Claude Fable 5** è uno dei nuovi modelli di Anthropic pensati per portare le capacità della famiglia **Mythos** a un pubblico più ampio. Anthropic lo presenta come un modello adatto a progetti ambiziosi e di lunga durata, soprattutto quando viene usato dentro ambienti agentici come **Claude Code** o altri sistemi in grado di far usare strumenti, file, terminale e subagenti. Questa è la differenza principale rispetto alla classica esperienza da chatbot. Fable 5 non nasce solo per rispondere bene a una domanda. Nasce per lavorare su attività più lunghe: → analizzare una codebase → pianificare più passaggi → usare strumenti → delegare sotto-attività → controllare il proprio lavoro → correggere errori → iterare fino a un risultato È la stessa direzione che avevo già raccontato parlando di [Claude Opus 4.8 e dei workflow dinamici in Claude Code](https://francescogruner.it/claude-opus-4-8-workflow-dinamici-claude-code/): l’AI non è più solo un assistente che suggerisce codice, ma inizia a comportarsi come un ambiente operativo. E questo cambia parecchio le regole del gioco. ## I benchmark: Fable 5 spinge sul coding agentico Nei benchmark pubblicati da Anthropic, Fable 5 mostra risultati molto forti soprattutto nel **coding agentico**. ![Tabella benchmark che confronta Claude Fable 5 e Claude Mythos 5 con Claude Mythos Preview, Claude Opus 4.8, GPT-5.5 e Gemini 3.1 Pro su coding agentico, computer use, ragionamento, cybersecurity, health e altre attività AI.](https://francescogruner.it/wp-content/uploads/2026/06/Evaluating-Claude-Fable-5-and-Claude-Mythos-5-928x1024.webp) Nei benchmark ufficiali, Claude Fable 5 mostra risultati particolarmente forti nel coding agentico, nel ragionamento multidisciplinare e in diversi task complessi rispetto a Opus 4.8, GPT-5.5 e Gemini 3.1 Pro. Su **SWE-Bench Pro**, Fable 5 arriva all’**80,3%**, superando Claude Opus 4.8, GPT-5.5 e Gemini 3.1 Pro. Su **FrontierCode**, un benchmark più duro e orientato ai task di sviluppo agentico, Fable 5 raggiunge il **29,3%**, contro il **13,4%** di Claude Opus 4.8 e il **5,7%** di GPT-5.5. Questi numeri non vanno letti come una verità assoluta. I benchmark sono utili, ma non raccontano tutto. La parte interessante è la direzione: **Fable 5 non sembra pensato per piccoli prompt veloci, ma per task lunghi, complessi e ad alto effort**. E questo si vede ancora meglio nel rapporto tra prestazioni e costo. ## Ti sta piacendo? Ricevi una guida pratica ogni settimana. AI, tool e automazioni. Iscriviti gratis Perfetto, sei dentro. ## Più potenza, più costo da controllare ![Grafico FrontierCode Accuracy vs Cost che confronta Claude Fable 5, Claude Opus 4.8 e GPT-5.5 in base al punteggio percentuale e al costo medio per task in dollari.](https://francescogruner.it/wp-content/uploads/2026/06/Claude-Fable-5-accuratezza-e-costo-su-FrontierCode-1024x576.webp) Su FrontierCode, Claude Fable 5 mostra un forte aumento di accuratezza al crescere dell’effort, ma anche un costo medio per task più alto. È il classico compromesso dei modelli agentici avanzati: più potenza, più metodo necessario. Questa immagine è forse la più importante. Perché mostra una cosa semplice: **i modelli agentici più potenti possono produrre più valore, ma richiedono anche più attenzione nella gestione dei costi**. Quando lavori con un modello come Fable 5, il costo non dipende solo dal prompt iniziale. Dipende da tutto il processo: → quanto contesto deve leggere → quanti file analizza → quanti strumenti usa → quanti subagenti vengono avviati → quanto output genera → quante iterazioni fa → quanto dura la sessione → quanto spesso viene riutilizzato contesto tramite cache Questo è il cambio mentale. Non stai pagando una risposta. Stai pagando una sessione operativa. E se il task è importante, può avere senso. Ma se il task è banale, rischia di diventare solo un modo molto elegante per bruciare budget. ## Agentic coding: la parte più interessante ![Grafico a barre che confronta Claude Fable 5, Claude Opus 4.8 e GPT-5.5 nei benchmark di agentic coding SWE-Bench Pro e FrontierCode, mostrando il vantaggio di Claude Fable 5.](https://francescogruner.it/wp-content/uploads/2026/06/agentic-coding-1024x576.webp) Nei benchmark di agentic coding, Claude Fable 5 supera Claude Opus 4.8 e GPT-5.5 sia su SWE-Bench Pro sia su FrontierCode, confermando il focus del modello sui task di sviluppo complessi e multi-step. La parola chiave qui è **agentico**. Un modello agentico non si limita a generare una risposta. Deve tenere insieme più passaggi: → capire l’obiettivo → esplorare il contesto → scegliere una strategia → modificare file → verificare errori → correggere → riprovare È molto diverso dal classico uso di ChatGPT o Claude per scrivere una funzione isolata. Nel coding reale, il problema non è quasi mai “scrivere codice”. Il problema è capire dove intervenire, cosa non rompere, come mantenere coerenza e come verificare che la modifica abbia davvero funzionato. È qui che modelli come Fable 5 diventano interessanti. ## Il mio test, in breve Ho usato **Claude Fable 5 dentro Claude Code** su una codebase reale. Non lo considero un benchmark scientifico. Lo considero una prova sul campo utile per capire cosa succede quando si usa un modello agentico potente in una sessione lunga, con molti strumenti e molto contesto. Il report finale della sessione mostrava questi dati: ``` Total cost: $525.45 Total duration API: 7h 31m 49s Total duration wall: 2d 0h 28m Total code changes: 21.218 lines added, 4.906 lines removed ``` In pratica: → **525,45 dollari** di costo totale → **7 ore e 31 minuti** di tempo API effettivo → circa **2 giorni** di sessione reale aperta → **21.218 righe aggiunte** → **4.906 righe rimosse** → oltre **26.000 righe di codice toccate** Il dato può sembrare forte, ma va letto bene. Non significa che “Fable 5 costa sempre così”. Significa che, in una sessione lunga e pesante, con molti subagenti e tanto contesto, **i costi possono crescere rapidamente**. Il dettaglio più importante del report era questo: ``` 100% of your usage came from subagent-heavy sessions 47% of your usage was at >150k context 33% of your usage came from subagents under "general-purpose" ``` Questo cambia completamente la lettura. Il costo non dipendeva solo da Fable 5. Dipendeva da come era strutturata la sessione: → molti subagenti → contesto sopra i 150.000 token → sessione lunga → tanto output → uso pesante della cache → Fable 5 usato per quasi tutto Quindi la lezione non è: **“Fable 5 costa troppo.”** La lezione è: **“Fable 5 va usato con metodo, soprattutto quando lo trasformi in un agente operativo.”** ## La cache non è il nemico Guardando i numeri, si potrebbe pensare che il problema sia stato la cache. Secondo me no. La cache non è il nemico. Anzi, probabilmente ha evitato costi ancora più alti, perché ha permesso di riutilizzare molto contesto già processato. Nel mio caso il report mostrava: → **247,8 milioni di token letti da cache** → **12,8 milioni di token scritti in cache** → **1,8 milioni di token di output** Sono numeri enormi. Ma non li leggerei come “errore della cache”. Li leggerei come il segnale di una sessione molto pesante. Il problema nasce quando una sessione diventa lunga, il contesto cresce troppo, i subagenti si moltiplicano e non si separano bene i task. In quel caso bisogna iniziare a gestire il contesto come una risorsa tecnica. Come la RAM. Come lo storage. Come il budget cloud. Se lo lasci crescere senza controllo, prima o poi paghi. Letteralmente. ## Le demo ufficiali: non solo codice Le demo pubblicate da Anthropic aiutano a capire perché Fable 5 non è semplicemente “un modello per programmare”. Una delle più curiose mostra Claude Fable 5 che completa **Pokémon FireRed** usando solo la visione. La parte interessante non è il gioco. La parte interessante è che il modello deve: → osservare → interpretare → ricordare → decidere → correggere → continuare per molto tempo È un esempio di comportamento agentico in un ambiente visuale. E si collega al tema più ampio del **computer use**, di cui ho parlato anche nell’articolo su [GPT-5.4, agenti, tool search e computer-use](https://francescogruner.it/gpt-5-4-agenti-tool-computer-use/). ## Simulazioni e ragionamento lungo Un’altra demo mostra Fable 5 mentre costruisce una simulazione del sistema solare e la usa per prevedere eclissi. Qui il punto non è solo il risultato finale. Il punto è il processo: → ragionamento fisico → codice → simulazione → visualizzazione → verifica → iterazione I modelli non stanno diventando solo più bravi a scrivere testo o codice. Stanno diventando più bravi a **costruire sistemi**, testarli e usarli. Ed è una differenza enorme. ## VibeCAD: quando l’AI costruisce strumenti che poi usa La demo su **VibeCAD** è forse la più interessante per chi lavora su prodotti digitali. Fable 5 progetta un modello 3D stampabile dentro un editor CAD nel browser. Ma la parte davvero interessante è che anche l’editor, incluso il copilota AI integrato, è stato creato da Fable 5. Questo è un passaggio importante. Non parliamo più solo di AI che produce un output. Parliamo di AI che può: → costruire uno strumento → usare quello strumento → migliorarlo → produrre nuovi risultati attraverso quello strumento Prima chiedevamo all’AI di scrivere una funzione. Poi le abbiamo chiesto di creare un’app. Ora iniziamo a chiederle di creare ambienti, interfacce e workflow che permettono di produrre altre cose. È lo stesso territorio del **vibe coding**, tema che ho approfondito nella [guida ai tool AI, local e CLI per sviluppare in sintonia](https://francescogruner.it/guida-vibe-coding-piu-di-20-tool-ai-local-e-cli-per-sviluppare-in-sintonia/). ## Quando ha senso usare Fable 5 Secondo me Fable 5 ha senso quando il task è abbastanza complesso da giustificare costo e attenzione. Lo userei per: → refactor importanti → analisi di codebase complesse → debug difficili → migrazioni → sviluppo di feature articolate → sistemazione profonda di UI e componenti → workflow multi-step → revisione tecnica ampia Non lo userei invece per: → piccole modifiche CSS → snippet semplici → micro-task da pochi minuti → cambi testuali banali → richieste senza contesto chiaro → sessioni lunghe senza obiettivo preciso Fable 5 non è il modello da usare per tutto. È uno strumento potente. E proprio perché è potente, va usato con criterio. ## Come lo userei meglio la prossima volta La lezione principale del mio test è semplice: **i modelli agentici vanno gestiti come processi, non come chat**. La prossima volta imposterei una sessione Fable 5 così. Prima preparerei un brief tecnico con: → obiettivo preciso → file o aree coinvolte → vincoli → cosa non deve essere modificato → criteri di accettazione → limite massimo di costo → quando usare subagenti → quando usare modelli più economici Durante la sessione controllerei: → costo → dimensione del contesto → uso dei subagenti → file modificati → necessità di fare compact → coerenza delle modifiche A ogni cambio di task farei: → riepilogo tecnico → lista file modificati → stato del lavoro → eventuale nuova sessione pulita Meno improvvisazione. Più metodo. Lo so, sembra meno romantico. Ma quando un modello può consumare centinaia di dollari in poche ore, un po’ di metodo diventa improvvisamente molto poetico. ## Cosa significa per sviluppatori e aziende Fable 5 non va letto come “il modello che sostituisce gli sviluppatori”. Questa è la lettura più banale. La lettura più utile è un’altra: **Fable 5 aumenta la leva operativa di chi sa già cosa sta facendo.** Se hai esperienza, metodo e capacità di review, può aiutarti ad accelerare molto. Se lo usi senza controllo, può solo aiutarti a creare confusione più velocemente. Il valore dello sviluppatore si sposta sempre più da: **scrivere ogni singola riga di codice** a: **definire bene il lavoro, guidare l’agente, controllare l’output e validare il risultato.** Per le aziende il tema diventa ancora più serio. Se un agente può leggere e modificare codice, servono regole: → chi può usarlo → su quali repository → con quali permessi → con quali dati → con quali limiti di spesa → con quali procedure di review → con quale tracciabilità Qui non parliamo più del dipendente che usa ChatGPT per scrivere una mail. Parliamo di agenti che possono operare su asset tecnici reali. È un tema IT, non solo un tema AI. Ed è anche il motivo per cui stanno diventando importanti framework, policy e architetture per agenti, come raccontavo nella guida sui [documenti ufficiali Google sugli AI Agents](https://francescogruner.it/google-ai-agents-la-guida-completa-ai-5-documenti-ufficiali-250-pagine/). ## La mia opinione finale Claude Fable 5 è uno dei segnali più chiari di dove sta andando l’AI applicata allo sviluppo software e al lavoro digitale. Meno prompt isolati. Più agenti. Meno risposte singole. Più workflow lunghi. Meno “scrivimi questa funzione”. Più “porta avanti questa parte di progetto”. La cosa interessante non è solo la potenza del modello. È il cambio di paradigma. Fable 5 può lavorare su task lunghi, usare strumenti, delegare sub-attività, ragionare su contesto ampio e produrre molto lavoro. Ma proprio per questo va usato con metodo. Il mio test lo ha mostrato bene: una sessione lunga, subagent-heavy e con contesto enorme può diventare molto costosa. Non perché la cache sia “sbagliata”. Non perché Fable 5 sia “da evitare”. Ma perché questi strumenti non sono più semplici chatbot. Sono ambienti operativi. E gli ambienti operativi vanno governati. La conclusione, per me, è questa: **Fable 5 non è economico, ma può essere conveniente.** Sono due cose diverse. Economico significa che costa poco. Conveniente significa che produce più valore di quanto costa. E con i modelli agentici questa distinzione diventa fondamentale. L’AI non elimina il bisogno di competenza. Lo amplifica. Nel bene e nel male. ## FAQ Claude Fable 5 è pensato solo per scrivere codice? No. **Claude Fable 5 è interessante soprattutto nei task agentici**, cioè attività lunghe in cui il modello deve pianificare, usare strumenti, modificare file, verificare risultati e correggere errori. Il codice è uno degli ambiti più evidenti, ma non l’unico. Perché nel test il costo è stato così alto? Il costo non dipende solo dal modello, ma da come è stata strutturata la sessione. Nel test sono entrati in gioco **molti subagenti, contesto molto ampio, tante iterazioni, cache e una sessione lunga**. In questi casi non stai pagando una singola risposta, ma un vero processo operativo. La cache è stata il problema? No. La cache non va vista automaticamente come un errore. In una sessione lunga può aiutare a riutilizzare contesto già elaborato. Il problema nasce quando **contesto, subagenti e durata della sessione crescono senza controllo**. Quando ha senso usare Claude Fable 5? Ha senso usarlo per task abbastanza complessi da giustificare costo e attenzione: **refactor importanti, analisi di codebase, debug difficili, migrazioni, feature articolate, revisione tecnica ampia e workflow multi-step**. Quando invece è meglio evitarlo? Non è ideale per micro-task, piccole modifiche CSS, snippet semplici, cambi testuali banali o richieste senza contesto chiaro. Per attività brevi può essere più sensato usare modelli più economici o sessioni molto più controllate. Claude Fable 5 sostituisce gli sviluppatori? No. La lettura più utile è che **aumenta la leva operativa di chi sa già cosa sta facendo**. Lo sviluppatore diventa ancora più importante nella definizione del lavoro, nella guida dell’agente, nella revisione e nella validazione del risultato. Qual è la lezione principale del test? La lezione principale è che i modelli agentici vanno gestiti come processi, non come semplici chat. Servono **brief chiari, limiti di costo, controllo del contesto, gestione dei subagenti e verifiche regolari**. ## Fonti Per la stesura dell’articolo sono state consultate fonti ufficiali Anthropic relative a Claude Fable 5, Claude Code, pricing API, gestione dei costi, monitoraggio e prompt caching. [Anthropic News ### Claude Fable 5 and Claude Mythos 5 Annuncio ufficiale di Anthropic sui nuovi modelli Claude Fable 5 e Claude Mythos 5, con contesto su capacità, posizionamento e miglioramenti rispetto alle generazioni precedenti. Apri fonte](https://www.anthropic.com/news/claude-fable-5-mythos-5) [Anthropic ### Claude Fable 5 Pagina ufficiale del modello Claude Fable 5, utile per contestualizzare l’uso su progetti di coding complessi, migrazioni, implementazioni articolate e sessioni agentiche di lunga durata. Apri fonte](https://www.anthropic.com/claude/fable) [Claude Docs ### Introducing Claude Fable 5 and Claude Mythos 5 Documentazione ufficiale Anthropic dedicata all’introduzione di Claude Fable 5 e Claude Mythos 5, con dettagli tecnici sul posizionamento dei modelli e sugli scenari d’uso consigliati. Apri fonte](https://platform.claude.com/docs/en/about-claude/models/introducing-claude-fable-5-and-claude-mythos-5) [Claude Docs ### Models overview Panoramica ufficiale dei modelli Claude, incluse disponibilità, identificativi modello, piattaforme supportate e differenze tra Claude Fable 5, Mythos 5 e gli altri modelli Anthropic. Apri fonte](https://docs.anthropic.com/en/docs/about-claude/models) [Claude Pricing ### Pricing Pagina ufficiale dei prezzi API Anthropic, utile per collegare il test reale ai costi per milione di token, ai token di input/output e al peso economico delle sessioni lunghe. Apri fonte](https://docs.anthropic.com/en/docs/about-claude/pricing) [Claude Code ### Claude Code overview Documentazione ufficiale di Claude Code, l’ambiente agentico da terminale usato per lavorare su codebase reali, eseguire comandi, modificare file e gestire workflow di sviluppo. Apri fonte](https://docs.anthropic.com/en/docs/claude-code/overview) [Claude Code ### Manage costs effectively Guida ufficiale alla gestione dei costi in Claude Code: uso del comando /usage, controllo del contesto, scelta del modello, riduzione dei token, subagenti e gestione dei costi nei team. Apri fonte](https://docs.anthropic.com/en/docs/claude-code/costs) [Claude Code ### Monitoring usage Documentazione sul monitoraggio di Claude Code tramite OpenTelemetry, utile per tracciare costi, uso degli strumenti, metriche operative e attività degli agenti in ambienti aziendali. Apri fonte](https://docs.anthropic.com/en/docs/claude-code/monitoring-usage) [Claude Docs ### Prompt caching Guida ufficiale al prompt caching, utile per spiegare come la cache possa ridurre costi e latenza nelle attività ripetitive o nei workflow con contesto stabile. Apri fonte](https://docs.anthropic.com/en/docs/build-with-claude/prompt-caching) [Claude API ### Rate limits Riferimento ufficiale sui limiti API, spend limits, rate limits e uso della cache, utile per contestualizzare sessioni lunghe, consumo token e gestione operativa dei costi. Apri fonte](https://docs.anthropic.com/en/api/rate-limits)