# Cosa sono i reasoning token

Quello che leggi non è sempre tutto ciò che il modello ha generato. I modelli reasoning possono consumare altri token durante l'elaborazione, aumentando il consumo reale.

[Versione HTML](https://www.tokenometro.it/guide/reasoning-token/)

Un progetto di YADA Digital. Metodo e limiti: https://www.tokenometro.it/metodologia/
Fonti verificate il: 2026-10-03

## Che cosa viene conteggiato

Alcuni modelli generano token di reasoning durante l'elaborazione, oltre al contenuto mostrato all'utente. La documentazione OpenAI precisa che questi token occupano contesto e sono fatturati come output. Il loro numero non si ricava contando le parole della risposta finale.

Il termine «ragionamento» descrive una modalità di elaborazione del modello. Non offre una garanzia di correttezza e non permette di dedurre cosa sia successo internamente dalla sola lunghezza del risultato. Una risposta di tre righe può aver richiesto un lavoro diverso da una risposta altrettanto breve a una domanda semplice. Per valutarla servono sia i dati di consumo sia un controllo sul contenuto prodotto.

## Quanto spazio lasciare alla risposta

Nelle Responses API il limite max_output_tokens comprende reasoning, output visibile ed eventuali token di formattazione non visibili. Se il budget si esaurisce, la risposta può risultare incompleta anche prima di produrre testo utile. Il limite massimo non rappresenta però una prenotazione che viene sempre consumata integralmente.

Supponi di chiedere di trovare un errore in un calcolo e di spiegarne la correzione. Se imponi un tetto troppo stretto, potresti ottenere un risultato inutilizzabile e dover ripetere la richiesta. Per scegliere il limite, osserva più casi della stessa attività, comprese le eccezioni difficili, e controlla il motivo di terminazione oltre al numero di token.

## Scegliere lo sforzo in base al compito

Dove il modello lo supporta, puoi configurare lo sforzo di reasoning. Valori e comportamento dipendono dal modello: verifica le opzioni disponibili prima di copiare un parametro da un esempio. Un livello più alto non implica automaticamente un vantaggio sufficiente a giustificarne tempo e costo.

Organizza una piccola valutazione: estrazione di un campo, confronto di due documenti, soluzione di un problema con vincoli. Per ogni attività stabilisci prima che cosa conta come successo. Confronta configurazioni diverse sulle stesse richieste e registra gli errori rilevanti. Se la configurazione più economica mantiene la qualità necessaria per un compito semplice, puoi riservare quella più impegnativa ai casi che ne beneficiano davvero.

## Come leggere il consumo senza interpretazioni arbitrarie

Il riepilogo di consumo è la base per misurare i token usati. Un eventuale riassunto del ragionamento non coincide necessariamente con la sequenza interna e non deve diventare il tuo contatore. Non valutare neppure l'affidabilità di una risposta dal numero di token di reasoning: il dato misura consumo, non verità.

In un registro operativo salva modello, impostazioni, token totali, dettaglio disponibile ed esito del compito. Quando noti un aumento, verifica se è cambiato il materiale fornito oppure la difficoltà delle richieste. Per ridurre sprechi, chiarisci obiettivo e criteri di completamento: chiedere una soluzione verificabile è più utile che imporre una lunga narrazione. Mantieni infine un controllo umano o automatico adatto alla conseguenza concreta di un errore.

## Fonti

- [OpenAI · Reasoning models](https://developers.openai.com/api/docs/guides/reasoning)

## Letture correlate

- [Token di input e output: cosa cambia?](https://www.tokenometro.it/guide/input-output-token/index.md)
- [Perché i token di output sono più del testo visibile?](https://www.tokenometro.it/guide/perche-token-output-non-coincidono/index.md)
- [Cos'è la context window](https://www.tokenometro.it/guide/context-window-cose/index.md)
