Databricks ha esteso l’accesso a GPT-6 Astra a circa 3.500 ingegneri, portando il modello di OpenAI all’interno dell’intera organizzazione di engineering dopo una fase pilota condotta su circa 200 utenti. Patrick Wendell, vicepresidente Engineering di Databricks, ha spiegato che l’azienda utilizza Unity Gateway per valutare i nuovi modelli attraverso test offline e sperimentazioni online basate su coorti, misurando contemporaneamente qualità e costo prima di procedere con una distribuzione più ampia. Secondo le valutazioni interne condotte da Databricks, Astra ha mostrato un miglioramento particolarmente evidente nei compiti di coding complessi e di lunga durata, soprattutto nelle attività di progettazione di sistemi ad alto livello e nei task orizzontali che richiedono interventi distribuiti su parti differenti di una codebase.
Databricks ha confrontato il modello con quelli di fascia più alta già messi a disposizione dei propri sviluppatori, tra cui Claude Opus 5, GPT-5.6 Sol e GLM-5.3. Nelle valutazioni interne, Astra avrebbe superato questi modelli nei workload più difficili, mentre il vantaggio risulterebbe molto meno evidente nelle attività di coding di complessità media o bassa. L’azienda ritiene che, per questa seconda categoria di compiti, i modelli precedenti abbiano già raggiunto livelli di esecuzione molto elevati e che quindi lo spazio disponibile per ulteriori miglioramenti sia limitato. Databricks non dispone invece ancora di un confronto considerato sufficientemente robusto tra Astra e Claude Fable 5.1, perché quest’ultimo non è stato distribuito ampiamente all’interno dell’organizzazione a causa delle policy relative alla conservazione dei dati.
La fase pilota su circa 200 sviluppatori ha consentito a Databricks di osservare anche l’impatto economico dell’utilizzo del modello. Quando agli ingegneri è stato fornito accesso ad Astra senza particolari limiti di costo, il consumo complessivo legato al coding, misurato attraverso la spesa per token, è aumentato di circa il 60% rispetto alla baseline. L’incremento non viene quindi presentato come una misura diretta della produttività, ma come un’indicazione della quantità di capacità computazionale e di utilizzo aggiuntivo generata dall’accesso a un modello più potente e più costoso. Uno degli ingegneri di Databricks, Yuchen Jin, ha descritto Astra come particolarmente efficace nei task più difficili e di lunga durata, sottolineandone allo stesso tempo il costo elevato.
Per evitare che Astra diventi automaticamente il modello utilizzato per qualsiasi attività, Databricks ha implementato attraverso Unity Gateway un sistema di budget annidati. Ogni sviluppatore dispone di un budget complessivo dedicato agli strumenti di coding AI, all’interno del quale viene definito un sotto-budget specifico per Astra. La struttura serve a incoraggiare l’utilizzo del modello nei task ad alta complessità, per i quali il maggior costo può essere giustificato dalle capacità aggiuntive, mentre per le attività quotidiane e meno impegnative gli sviluppatori possono continuare a scegliere modelli più economici. I budget possono essere modificati attraverso diversi meccanismi interni e vengono rivalutati periodicamente in base ai dati di utilizzo e alle prestazioni osservate.
Gli ingegneri possono quindi combinare strumenti e modelli differenti all’interno dello stesso plafond, invece di essere vincolati a un unico sistema. La scelta attualmente rimane in parte manuale, ma Databricks prevede di inserire Astra nel proprio Unity Gateway Router, che potrà selezionare automaticamente il modello più appropriato sulla base del tipo di attività e dei vincoli di costo. L’obiettivo è spostare progressivamente la decisione dal singolo sviluppatore verso un livello di orchestrazione capace di indirizzare le richieste più complesse verso Astra e utilizzare modelli meno costosi quando le capacità aggiuntive non sono necessarie.
Unity Gateway rappresenta il componente centrale di questa strategia. La piattaforma è il control plane enterprise utilizzato da Databricks per governare costi, sicurezza e accesso ai modelli, agli agenti e ai server MCP utilizzati all’interno di un’organizzazione. Dal 4 settembre 2026 GPT-6 Astra è disponibile su Unity Gateway attraverso le Foundation Model API in modalità pay-per-token e può essere utilizzato per reasoning enterprise, elaborazione strutturata di documenti, coding, agentic search, input multimodali e workload con contesti estesi. L’endpoint disponibile sulla piattaforma è denominato databricks-gpt-6-astra e supporta input testuali e immagini.
La disponibilità del modello in Unity Gateway permette a Databricks di applicare allo stesso tempo policy di accesso, misurazione dei costi e sperimentazioni controllate. Prima di rendere disponibile un nuovo modello all’intera organizzazione, l’azienda può assegnarlo a gruppi limitati di sviluppatori e confrontarne comportamento, qualità e consumo rispetto ai sistemi già utilizzati. La stessa infrastruttura consente poi di trasformare i risultati delle sperimentazioni in regole operative, come i sotto-budget introdotti per Astra o il futuro routing automatico tra modelli.
GPT-6 Astra è stato presentato da OpenAI il 3 settembre 2026 ed è il primo modello dell’azienda classificato al livello Critical per le capacità di cybersicurezza secondo il Preparedness Framework. OpenAI lo posiziona inoltre come modello destinato a workload professionali avanzati, con capacità in software engineering, computer use, navigazione, cybersecurity, scienza e attività aziendali complesse. Databricks aveva già partecipato alle valutazioni preliminari del modello: Ivan Zhou, senior research engineer e technical lead dell’azienda, aveva segnalato miglioramenti nel reasoning sui dati e nella comprensione dei documenti aziendali rispetto alle generazioni precedenti.
L’esperimento interno di Databricks mostra soprattutto un modello di adozione nel quale la disponibilità di un sistema più capace non comporta automaticamente la sostituzione di tutti i modelli precedenti. La differenza di prestazioni viene valutata insieme al costo per workload e utilizzata per costruire regole di allocazione delle risorse. Astra viene quindi destinato principalmente ai problemi nei quali la maggiore capacità osservata sui task complessi può giustificarne il consumo superiore, mentre modelli meno costosi rimangono disponibili per le attività nelle quali il miglioramento qualitativo risulta ridotto o non chiaramente misurabile.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)