HAIKU 4.5 vs SONNET 4.5 −90% costo / RAG vs LLM diretto −79% costo · risposta sbagliata / 847 chiamate API tracciate al centesimo / Doc 17KB · Claude Haiku 4.5 · pgvector / PostgreSQL / Ultimo update 02 apr 2026 / HAIKU 4.5 vs SONNET 4.5 −90% costo / RAG vs LLM diretto −79% costo · risposta sbagliata / 847 chiamate API tracciate al centesimo / Doc 17KB · Claude Haiku 4.5 · pgvector / PostgreSQL / Ultimo update 02 apr 2026 /

Esperimenti Progetti Chi sono Corsi — soon Talk — soon

§01 / 08 — Homepage Per CTO, founder e dev senior che decidono cosa fare con gli LLM

Chiarezza
sull'AI.
Numeri, non opinioni.

Esperimenti misurati su casi reali. Quanto costano davvero gli LLM, quando funzionano, quando no. Tutto pubblicato con i numeri sotto, gli errori inclusi.

Vedi gli esperimenti → Sono nuovo, da dove comincio?

§02 — I numeri che mi hanno fatto cambiare idea

Misure pubbliche · log/q1-2026

FIG. 01 — Modello

−90%

costo sostituendo Sonnet con Haiku 4.5 sullo stesso brief.

Stesso prompt · 200 input · output JSON valido. → leggi l'esperimento

FIG. 02 — Architettura

−79%

costo passando a RAG. ma la risposta era sbagliata

Doc tecnico 17KB · chunking a caratteri fissi. Risparmio reale: 0. → cosa è andato storto

FIG. 03 — Metodo

847

chiamate API tracciate al centesimo, su 2 esperimenti.

Ogni grafico nasce da log esportabili. Niente screenshot, niente "abbiamo provato e funziona".

§03 — Storia di copertina · esperimento in evidenza 02 apr 2026 · 4 min · #rag #costi #claude

RAG vs LLM diretto

Ho risparmiato il 79%.
La risposta era giusta sbagliata.

↓ Per chi decide

Il RAG taglia i costi ma può rompere la qualità. Prima di scalare, misura. Tre regole pratiche per decidere quando conviene.

↓ Per chi sviluppa

Chunking a caratteri fissi su un doc 17KB. La parola "migliore" tagliata a metà. Il fix non è ottimizzare l'API, è ottimizzare come entra il contesto.

rag claude costi .net postgres / pgvector

STACK · .NET 10 · Blazor Server · Voyage AI · pgvector Leggi tutto l'esperimento →

Ledger · misura → verdettolive

costo / 1k chiamate$ 0.84−79%

tempo medio risposta1.42 s−31%

qualità (1–5, blind eval)2.1 / 5−54%

token in / out medi412 / 187·

chunk size1.024 charerrore

Verdetto

Il RAG non è la soluzione. È un compromesso consapevole. Saperlo vale più di qualsiasi ottimizzazione API.

§04 — Entry point

Da che problema parti?

Tre domande che mi sento ripetere. Per ognuna ho fatto il test, pubblicato i numeri, e scritto cosa farei oggi.

P · 01 Quale modello AI scelgo? Haiku, Sonnet, Opus sullo stesso brief. Il vincitore non è quello che pensi. 16× differenza di prezzo, stesso output → P · 02 Quanto costa davvero usare l'AI? 847 chiamate tracciate al centesimo. Token in, token out, retry, errori. $ 47.20 budget reale / 30 giorni → P · 03 RAG conviene davvero? Ho risparmiato il 79%. La risposta era sbagliata. Cosa ho imparato. −79% costi · qualità −54% →

VERLOTTA · D43.62°N / 13.51°E

Location
Marche, Italia

Status
Senior · employed

§05 — Chi sono

Domenico Verlotta. Backend da quasi dieci anni, ora misuro cosa fanno gli LLM dentro applicazioni vere.

Quasi 10 anni di .NET e Azure su prodotti in produzione. Da un paio d'anni, parte del mio tempo va a capire cosa succede quando un LLM entra dentro un'app vera: dove risparmia, dove rompe, e dove costa di più di quanto sembri.

Misurare in pubblico è il modo in cui dimostro come penso, non solo cosa so. Niente filtri, niente "abbiamo testato e funziona". I numeri sono nel post, gli errori anche.

LinguaggiC# · TypeScript

CloudAzure · Cloudflare

Framework.NET 10 · Blazor · Astro

AI / LLMClaude API · Semantic Kernel

DataPostgreSQL · pgvector · SQLite

Misuralog custom · OpenTelemetry

§06 — Possiamo lavorare insieme

Tre conversazioni che ha senso fare.

Sono un senior già impiegato. Non è una landing per vendermi: è il modo in cui mostro come penso, in pubblico. Se quello che leggi qui parla di un problema che hai, ne parliamo.

N · 01 — Caso reale

"Hai un caso reale?"

Lo analizziamo insieme con i numeri, costruiamo un prototipo prima di scalare. Per chi non vuole sprecare budget su scelte AI fatte a sentimento.

audit AI prototipo misura

N · 02 — Team che cresce

"Il team è giovane e l'AI accelera tutto?"

I senior non si trovano. Sono disponibile per mentoring tecnico, code review, pair-engineering, formazione su .NET + LLM. Per team che devono crescere veloci senza prendere scorciatoie.

mentoring code review .net + llm

N · 03 — Stai valutando