OpenAI ha cambiato idea su come generare immagini
OpenAI lancia ChatGPT Images 2.0, un modello di generazione immagini con ragionamento visivo integrato, separato dalla linea DALL·E.
Il nuovo modello integra ragionamento visivo prima della generazione, segnando una discontinuità architetturale rispetto alla linea DALL·E
Fin dal gennaio 2021, quando OpenAI introdusse il primo modello DALL·E, la generazione di immagini da testo ha seguito una traiettoria lineare: ogni versione successiva prometteva più risoluzione, più fedeltà, più realismo. DALL·E 2 arrivò un anno dopo con immagini quattro volte più nitide; DALL·E 3, integrato nativamente in ChatGPT e lanciato a settembre 2023, aggiunse una comprensione del linguaggio naturale decisamente superiore. La scorsa settimana, il 21 aprile 2026, OpenAI ha rotto questa progressione: secondo l’annuncio di ChatGPT Images 2.0, il nuovo modello non porta il nome DALL·E e non è pensato come il suo successore diretto. È qualcosa di architetturalmente separato.
Non chiamatelo DALL·E 4
Il segnale più chiaro arriva da una scelta di prodotto apparentemente secondaria: OpenAI ha deciso di mantenere DALL·E disponibile come GPT separato anche dopo il lancio di ChatGPT Images 2.0. Non è una convivenza temporanea in attesa del deprecation — è una dichiarazione di discontinuità. ChatGPT Images 2.0 è un prodotto distinto dalla linea DALL·E, con una propria identità tecnica. La domanda che resta aperta è: cosa lo rende davvero diverso, al di là del nome?
Il ragionamento visivo sotto il cofano
La risposta sta in una funzionalità che non ha precedenti nella linea DALL·E: “Images with thinking”. Il modello non si limita a tradurre un prompt in pixel — applica un passaggio di ragionamento prima di generare l’immagine. In termini pratici, questo significa che ChatGPT Images 2.0 introduce rendering del testo migliorato, supporto multilingue e ragionamento visivo avanzato, tre capacità che nella generazione tradizionale erano punti deboli strutturali, non risolvibili semplicemente scalando i parametri del modello. La generazione di testo leggibile all’interno di un’immagine, per esempio, è storicamente uno dei problemi più ostici dei modelli diffusion-based, perché richiede una comprensione semantica che va oltre la coerenza visiva locale. Il fatto che il modello possa seguire istruzioni precise per aggiungere testo, inserire dettagli specifici o rendere trasparente uno sfondo suggerisce un’integrazione più profonda tra comprensione del linguaggio e sintesi visiva.
“Images with thinking” è disponibile, secondo la documentazione ufficiale di ChatGPT Images, per gli utenti Plus, Pro e Business, con l’arrivo previsto su Enterprise ed Edu. La versione base di ChatGPT Images 2.0 — senza il passaggio di ragionamento esplicito — è invece accessibile su tutti i livelli di abbonamento. La distinzione non è cosmetic: separare le due modalità significa che OpenAI tratta il ragionamento visivo come una risorsa computazionale premium, non come un semplice filtro aggiuntivo.
Cosa cambia per chi costruisce
Per chi sviluppa sopra ChatGPT, la differenza è sostanziale. Fino a ieri, integrare generazione e comprensione visiva in uno stesso flusso richiedeva di orchestrare modelli distinti: un vision model per analizzare, un generation model per produrre, con tutto il peso architetturale che questo comporta — latenza aggiuntiva, gestione di contesti separati, possibili disallineamenti semantici tra i due step. ChatGPT Images 2.0 comprime questo stack: il ragionamento avviene nello stesso modello che genera, il che è concettualmente simile a quello che i modelli multimodali promettono da anni, ma raramente con questa integrazione operativa all’interno di un prodotto consumer e API-ready.
L’analogia più utile è quella con i compilatori moderni rispetto agli assemblatori: non si tratta solo di fare la stessa cosa più velocemente, ma di sollevare il livello di astrazione. Uno sviluppatore che costruisce un flusso di generazione di contenuti visivi non deve più preoccuparsi di descrivere ogni dettaglio sintattico dell’immagine — può descrivere l’intenzione, e il modello la interpreta. Questo cambia il modo in cui si scrivono i prompt programmatici, il modo in cui si gestisce l’iterazione e, soprattutto, il modo in cui si valida l’output: non più “il testo nell’immagine è leggibile?”, ma “il modello ha capito cosa doveva comunicare?”
Stando a quanto riportato nella pagina di release della ricerca OpenAI, il supporto multilingue non è un semplice layer di traduzione sovrapposto alla generazione: fa parte del modello stesso, il che suggerisce un training dataset e un approccio all’alignment visivo-testuale che va oltre la semplice estensione dei modelli precedenti. Per chi costruisce prodotti internazionali, questo elimina una classe intera di problemi legati alla localizzazione visiva — dalla direzione del testo alla coerenza tipografica in script non latini.
Il vero valore di ChatGPT Images 2.0 non sta nella qualità delle singole immagini, ma nel fatto che il modello ragiona prima di generare. Per chi costruisce, questo si traduce in un’opportunità concreta: integrare generazione e comprensione visiva in un unico flusso, senza orchestrare pipeline separate. Resta da vedere se il mercato riconoscerà questa evoluzione per quello che è — un cambio di architettura, non di estetica — o se la tratterà semplicemente come la prossima versione di DALL·E con un nome diverso.
