IBM lancia Granite 4.2, i modelli open con ragionamento nativo per gli agenti aziendali

IBM ha scelto la strada dell’apertura per rispondere alla corsa agli agenti AI. Il 25 agosto 2026 l’azienda ha presentato Granite 4.2, una nuova famiglia di modelli linguistici open disponibili in tre taglie, da 3, 8 e 30 miliardi di parametri, pensati per portare a termine compiti e non soltanto per generare una risposta. La differenza rispetto al passato la noti subito: questi modelli ragionano prima di agire, pianificano i passaggi, valutano le alternative e cercano di intercettare gli errori prima che si trasformino in problemi concreti.

C’è un secondo aspetto, e riguarda il modo in cui puoi usarli. Granite 4.2 esce con licenza Apache 2.0, quindi puoi scaricarlo, adattarlo con il fine tuning e metterlo in produzione senza vincoli di licenza, sul cloud come sui tuoi server o direttamente all’edge.

Non è un dettaglio secondario. In un mercato dominato dai grandi modelli di frontiera chiusi e sempre più grandi, IBM punta con decisione sul fronte opposto, quello dei modelli più piccoli, controllabili ed economici da far girare.

Cosa ha rilasciato IBM con Granite 4.2

La famiglia arriva in tre dimensioni pensate per usi diversi. Il modello da 3 miliardi di parametri è il più leggero e serve per i compiti agentici ad alta frequenza, dove contano la velocità e il costo per richiesta. Le versioni da 8 e 30 miliardi salgono di capacità e sono adatte al ragionamento più profondo e ai flussi di sviluppo software complessi. Tutti condividono un’architettura densa, quella che garantisce ampia compatibilità e un comportamento prevedibile quando integri il modello nei tuoi sistemi.

I numeri raccontano bene l’ambizione del progetto. I modelli sono stati addestrati da zero su circa 15.000 miliardi di token e gestiscono finestre di contesto fino a 512.000 token, un valore che ti permette di dare in pasto interi archivi di documenti o basi di codice senza spezzarli in mille frammenti.

Ogni modello supporta il tool calling in formato OpenAI e gira su motori di inferenza diffusi come vLLM e SGLang. Se hai già un’infrastruttura per servire modelli aperti, quindi, Granite 4.2 si inserisce senza costringerti a stravolgere lo stack che usi ogni giorno.

Sul piano delle prestazioni IBM mostra grafici in cui la versione da 30 miliardi guida il gruppo su diversi test dedicati ai compiti agentici e all’uso degli strumenti, misurandosi con modelli di dimensioni paragonabili. È un confronto tra pari, non con i colossi da centinaia di miliardi di parametri, e proprio per questo è utile: fotografa cosa puoi ottenere restando in una fascia gestibile di risorse.

Ragionamento nativo e le modalità di pensiero

Il cuore della novità è il ragionamento nativo. Granite 4.2 integra capacità di pensiero passo dopo passo che aiutano il modello a pianificare prima di muoversi, a soppesare i compromessi e a verificare il risultato invece di eseguire alla cieca. È lo stesso principio che rende efficace la tecnica della catena di pensiero, qui però portato dentro l’addestramento del modello e non affidato solo al modo in cui scrivi il prompt.

La parte interessante è che questo ragionamento si può accendere e spegnere. Attivi la modalità di pensiero quando il compito è complesso, oppure resti sulla modalità diretta per le richieste semplici. C’è anche una modalità a basso sforzo che riduce il consumo di risorse sulle domande banali, così non paghi il costo del ragionamento quando non serve.

Per chi costruisce agenti questo controllo vale molto. Ti permette di dosare la potenza di calcolo in base al valore reale del compito, invece di applicare sempre lo stesso trattamento a tutto.

L’addestramento agentic RL dietro le capacità degli agenti

Le abilità agentiche non nascono dalla sola dimensione del modello. Il team di IBM Research ha ridisegnato il processo di addestramento con un percorso di apprendimento per rinforzo a più stadi, costruito sopra i modelli fondativi di Granite 4.0. Una prima fase, chiamata foundational RL, è stata applicata a tutti i modelli e ha rafforzato matematica, scienze, programmazione, ragionamento e uso degli strumenti, combinando ricompense verificabili e valutazioni basate su un reward model.

Per le versioni da 8 e 30 miliardi il percorso prosegue con una fase di agentic RL dedicata ai compiti tipici delle aziende: ingegneria del software, programmazione da terminale e flussi di ricerca. I modelli imparano così a usare strumenti, scrivere ed eseguire codice e cercare informazioni sul web dentro ambienti sandbox reali. A questo si aggiunge l’allineamento con feedback umano, il classico RLHF, che smussa i comportamenti e migliora la qualità delle risposte.

Ci sono poi tre accorgimenti tecnici che spiegano i progressi su codice e ragionamento. I modelli hanno visto 1.000 miliardi di token di codice sintetico generati con la pipeline CodeAlchemy di IBM, sono passati per una fase intermedia di mid-training che sblocca capacità di ragionamento aggiuntive e montano un livello di decodifica speculativa che accelera la generazione del testo servendo più utenti in parallelo, con un beneficio diretto sui costi di inferenza.

C’è anche un occhio alla sicurezza. IBM ha avviato una collaborazione con Hirundo per ridurre gli output indesiderati dopo l’addestramento, sfruttando tecniche di machine unlearning che colpiscono i comportamenti problematici senza dover riaddestrare il modello da capo.

Perché Granite 4.2 conta per le aziende

La lettura strategica è chiara. Mentre i grandi laboratori inseguono modelli sempre più grandi, molte imprese vogliono l’esatto contrario, cioè sistemi più piccoli che restano sotto il loro controllo, girano sulla loro infrastruttura e offrono costi prevedibili. Granite 4.2 è costruito proprio per questo secondo mercato, con il vantaggio di una licenza aperta che non impone catene.

La scelta dell’open non è un caso isolato. Nei mesi scorsi diversi protagonisti del settore avevano preso posizione a favore dei modelli open weight, segno che l’AI aperta è ormai un tema competitivo e non soltanto ideologico. IBM, dal canto suo, si muove su più fronti allo stesso tempo: pochi giorni fa aveva rafforzato la sua presenza enterprise con l’alleanza con OpenAI per portare i modelli di frontiera dentro le grandi organizzazioni, e ora aggiunge un tassello che quelle stesse organizzazioni possono controllare fino in fondo.

Per te che lavori con l’AI il messaggio è concreto. Puoi costruire agenti capaci di navigare una base di codice, gestire attività di sviluppo in più passaggi e operare in ambienti da terminale, senza inviare ogni dato sensibile a un modello ospitato altrove.

La flessibilità delle tre taglie completa il quadro. Puoi affidare i compiti ad alto volume al modello piccolo e riservare la versione grande al ragionamento più impegnativo, ottimizzando insieme spesa e prestazioni. È una libertà che i modelli chiusi, venduti come servizio a consumo, raramente ti concedono.

Anche la voce: i nuovi modelli Granite Speech 5.0

Insieme ai modelli linguistici, IBM ha presentato due modelli vocali che meritano attenzione, Granite Speech 5.0 Turbo CTC e la sua variante non commerciale. Sono minuscoli, appena 470 milioni di parametri, e rinunciano del tutto a un backbone linguistico per restare leggeri e adatti a laptop, smartphone e dispositivi edge.

La tecnica che li rende veloci si chiama connectionist temporal classification, o CTC, e permette di mappare l’audio in testo imparando direttamente dalla coppia audio e testo. Il risultato è una macchina da trascrizione in streaming molto efficiente: secondo IBM questi modelli trascrivono tre ore di parlato in un secondo.

Il dato che colpisce riguarda proprio la velocità di elaborazione. Sull’Open ASR Leaderboard i leader attuali si fermano attorno a un punteggio di throughput di 6.000, mentre nei test Granite Speech 5.0 Turbo CTC ha raggiunto circa 12.600 su una singola GPU H200. In pratica il doppio della velocità dei modelli di riferimento, con applicazioni che vanno dalla trascrizione in tempo reale di una videochiamata all’analisi su larga scala dei dati di un call center.

Conclusioni

Granite 4.2 racconta bene dove sta andando l’AI aziendale. Non conta più solo la classifica dei benchmark, ma la capacità di un modello di pianificare, chiamare strumenti ed eseguire compiti in modo affidabile restando abbastanza leggero da poter essere usato davvero, senza svuotare il budget.

Se vuoi metterci le mani, i modelli sono già scaricabili dalle principali piattaforme, da Hugging Face a Ollama fino a GitHub, oltre che su watsonx e su diversi provider di inferenza. Il consiglio è di partire dalla taglia più piccola per i tuoi primi agenti e di salire solo quando il compito lo richiede davvero. Per i dettagli tecnici e le scelte di addestramento, la fonte migliore resta l’annuncio ufficiale di IBM Research. Il resto lo decidono i tuoi casi d’uso: prova Granite 4.2 su un problema reale e osserva come si comporta quando gli chiedi non solo di rispondere, ma di agire.