Battere Factorio è un progresso reale, ma i giochi sono l'esame facile

Un'IA che lancia un razzo in Factorio è pronta a gestire il tuo back office? Non ancora, e la distanza tra queste due domande è la parte più interessante della storia di questa settimana.

I fatti sono pochi. Lo sviluppatore Ryan Madden riferisce che GPT-5.6 Sol riesce a battere Factorio in modalità pacifica. Secondo i riassunti del suo articolo, il modello girava dentro Codex con un livello di ragionamento basso e ha completato la partita, lanciando un razzo dopo 13,5 ore di tempo di gioco. Una libreria Python imponeva restrizioni simili a quelle umane, come la portata del giocatore e la nebbia di guerra. Il post ha attirato attenzione anche su Hacker News.

La tappa è reale, e il livello di ragionamento basso è il titolo silenzioso

Factorio non è un quiz. Si costruisce un'economia da zero, e ogni scorciatoia iniziale diventa un collo di bottiglia ore dopo. Mantenere un piano coerente per così tanti passaggi è esattamente ciò in cui gli agenti sono sempre stati scarsi. I progetti precedenti di Madden (un tentativo con Claude Code e un ambiente di prova chiamato Faketorio) suggeriscono che sia stata una salita lenta e non un colpo di fortuna, e arrivare in fondo è un indicatore genuino di capacità sul lungo periodo.

Quello che ci colpisce di più è il dettaglio del «livello di ragionamento basso». Suggerisce che la resistenza sia venuta dal ciclo dell'agente, dagli strumenti e dalla perseveranza, non dal bruciare il massimo del ragionamento a ogni mossa. È una buona notizia per chi guarda ai costi, e un segnale più utile del razzo in sé.

La documentazione lascia già intuire dove si rompe

Non saltare la precisazione contenuta nella copertura: i grafici di produzione mostrerebbero problemi di scalabilità dopo la scienza blu. In altre parole, l'agente è arrivato in fondo, ma non è filato liscio. La sua fabbrica ha faticato al crescere della complessità. È da lì che guarderemmo per prima cosa, perché i progetti reali sono soprattutto ciò che viene dopo la fine della scalabilità facile.

Poi c'è l'etichetta «pacifica». Va detto che, secondo le guide all'hosting, la modalità pacifica non elimina del tutto i nemici: compaiono comunque, ma attaccano solo se provocati. Detto questo, la configurazione toglie di proposito la principale fonte di pressione improvvisa che può far finire una partita. È una scelta sensata per un esperimento. Ma ricorda anche che si tratta di un esame generoso.

I giochi lusingano gli agenti: valutali dove gli errori fanno male

La nostra opinione: un gioco è l'ambiente migliore possibile per un agente. Le regole sono fisse e documentate. Lo stato è osservabile tramite API. Il riscontro è immediato e inequivocabile. Una mossa sbagliata fa perdere tempo, non denaro, e di solito ci si può riprendere. Anche il livello Python che impone i limiti «simili a quelli umani» fa molto lavoro: qualcuno ha dovuto progettare l'interfaccia perché il modello potesse agire.

Uffici, codebase e caselle di posta non hanno niente di tutto questo. Le istruzioni sono ambigue, i sistemi cambiano mentre lavori e alcuni errori sono irreversibili: un record cancellato, un pagamento sbagliato, un'email che non puoi richiamare. Un agente brillante quando fallire non costa nulla può comportarsi in modo molto diverso quando costa.

C'è anche una classifica da tenere presente. Un sito di benchmark colloca GPT-5.6 Sol al 12° posto su 132 modelli per uso agentico di strumenti e compiti al computer, con un punteggio di 68,5/100. Prenderemmo quel numero con cautela, perché viene da una pagina senza data, ma è coerente con il quadro: solido, non imbattibile e di certo non definitivo.

Il nostro verdetto

Festeggia la partita a Factorio come prova che gli agenti di lungo periodo stanno arrivando. Poi cambia domanda. Smetti di chiedere «ce la fa a finire?» e comincia a chiedere «quanto costa quando sbaglia, e quanto spesso succede?». Buone valutazioni degli agenti dovrebbero includere input disordinati, nessun pulsante di reset, penalità per le azioni distruttive e una misura di quanto bene l'agente si ferma e chiede aiuto.

Se stai valutando agenti per un lavoro vero, provali prima su una porzione reversibile, metti una persona su tutto ciò che è irreversibile e giudica il tasso di errore, non la demo. Il lancio del razzo è un ottimo trailer. Il film è quel martedì pomeriggio in cui qualcosa va storto e nessuno sta guardando.