Asana cuts model costs 76x in browser tests with GPT-6.1 Sol
Aggiunta all'archivio di AIChronos il (numero del 9 ottobre 2026 ricostruito)· fonte del · OpenAI
Asana ha ottimizzato il suo agente browser utilizzando GPT‑6.1 Sol e GPT‑6 Astra in Codex per ridurre i costi dei modelli di 76 volte e aumentare la velocità di esecuzione di 5 volte rispetto alla configurazione originale. Lo studio, condotto tramite esperimenti automatizzati guidati da agenti AI invece che manualmente, ha identificato inefficienze nella gestione della cache delle istruzioni e dello storico del browsing (testo e screenshot). L'ottimizzazione finale include l'estensione dei budget storici fino a 480k caratteri e una politica di caching degli screenshot che mantiene i dati precedenti più a lungo prima di rimuoverli. Questo approccio ha permesso di abbattere il costo medio per esecuzione da oltre $36 a soli $0,47 mantenendo la correttezza delle risposte.
- Utilizzo di GPT‑6 Astra in Codex per automatizzare lo studio e ridurre i tempi di ricerca da 1-2 mesi a circa una settimana.
- Ottimizzazione del workflow che passa dal costo originale (Model B) a $0,47 con GPT‑6.1 Sol, rappresentando un risparmio totale di 76x.
- Gestione dello storico: aumento dei budget da 120k a 480k caratteri e caching degli screenshot per evitare la perdita di contesto necessaria al completamento del task.
- Miglioramento delle performance: riduzione del tempo medio per run da oltre 22 minuti a circa 4 minuti grazie all'efficienza dell'inference ottimizzata.
- Integrazione dei risultati nello strumento Command di Asana per trasformare le scoperte degli agenti direttamente in pull request e deployment.
Perché conta. Per uno sviluppatore che lavora con LLM e agenti, questo caso dimostra come l'automazione della ricerca (Human-in-the-loop) possa identificare inefficienze nascoste nel costo dell'inference e nella gestione del contesto. È fondamentale per chi gestisce sistemi multi-agente capire che la semplice ottimizzazione dei parametri non basta; è necessario analizzare il flusso di dati in ingresso (input tokens vs cache) per ridurre drasticamente i costi operativi senza sacrificare l'accuratezza.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.