Il 27 gennaio 2025, un laboratorio cinese sconosciuto alla maggior parte degli investitori ha bruciato 589 miliardi di dollari di capitalizzazione a Nvidia in una sola seduta. È stata la peggior perdita giornaliera nella storia di Wall Street. Il responsabile era DeepSeek, e la sua “colpa” era l’apertura.
Perfino Bitcoin (BTC) ha vacillato mentre il mercato assorbiva un messaggio semplice: l’AI di frontiera non è più monopolio di pochi laboratori chiusi.
Punti chiave
- I modelli a pesi aperti pubblicano i parametri addestrati, scaricabili e riutilizzabili da chiunque, a differenza del vero open source, che include anche dati e codice di training.
- Il divario di qualità tra i migliori modelli aperti e chiusi sulle leaderboard pubbliche è crollato in un anno da circa l’8% a meno del 2%, mentre i prezzi d’inferenza sono crollati di centinaia di volte.
- Dispiegamento a basso costo, spinte alla sovranità nazionale, regolazione più favorevole e un vasto ecosistema di sviluppatori danno ormai ai pesi aperti un vantaggio strutturale contro i player solo-API.
Cosa significa davvero AI a pesi aperti
Il termine viene usato con leggerezza, quindi la precisione conta. “Pesi aperti” significa che lo sviluppatore rilascia i parametri finali di una rete neurale addestrata, i numeri che codificano ciò che il modello ha imparato. Puoi scaricarli, eseguirli sulla tua infrastruttura e riaddestrarli.
Pesi aperti non è sinonimo di open source. La Open Source Initiative ha pubblicato il 28 ottobre 2024 la sua Open Source AI Definition, fissando un’asticella più alta. Per rientrare nella definizione servono: pesi, codice di training e sufficienti dettagli sui dati usati da consentire a un esperto di ricreare sostanzialmente il sistema.
Gran parte dei modelli oggi venduti come open source non supera questo test. Llama di Meta, Qwen di Alibaba e DeepSeek distribuiscono i pesi, ma non la “ricetta” completa dei dati.
La Open Source Initiative è esplicita nella distinzione, sottolineando che i soli pesi aperti non garantiscono le libertà proprie del software open source. Questo scarto alimenta la polemica sulla “open washing”: aziende che sventolano l’etichetta dell’apertura pur trattenendo gli elementi che permetterebbero di riprodurre il lavoro.
Per la maggior parte dei builder, però, il vero bottino sono i pesi. Con quelli puoi servire un modello, comprimerlo, specializzarlo e metterlo in produzione. In pratica, ogni tipo di rilascio offre qualcosa di diverso:
- Pesi aperti: i parametri addestrati, di solito sotto licenza che ne consente l’uso, la modifica e spesso l’impiego commerciale.
- Open source completo: pesi più codice di training e documentazione dei dati sufficiente a ricostruire il modello.
- Chiuso: niente download; solo accesso misurato via interfaccia/API.
È proprio questa categoria intermedia a esplodere in popolarità, ed è quella che tiene svegli di notte i laboratori chiusi.
Da leggere anche: Nvidia perde quasi il 5% su una garanzia OpenAI da 250 miliardi di dollari che non è ancora firmata
In cosa è diverso dal modello OpenAI e Anthropic
OpenAI e Anthropic giocano la partita opposta. I loro pesi migliori restano blindati nei data center proprietari, e l’accesso avviene solo via API. Tu invii un prompt, ricevi una risposta e non entri mai in contatto con il modello.
La logica commerciale è evidente: si protegge l’investimento in training, si mantiene attivo il contatore degli abbonamenti e si conserva il potere di aggiornare il comportamento del modello o revocare l’accesso in qualsiasi momento.
Esiste anche una motivazione di sicurezza. L’amministratore delegato di Anthropic, Dario Amodei, sostiene che, una volta resi pubblici i pesi, lo sviluppatore perde la capacità di aggiornare i guardrail o ritirare un sistema pericoloso.
Il rovescio della medaglia è la dipendenza.
Se il modello vive solo sui server di qualcun altro, è il fornitore a fissare prezzo, uptime, condizioni d’uso e calendario di deprecazione. Il tuo prodotto poggia su un’infrastruttura che non controlli e che non puoi ispezionare.
Nonostante anni di retorica sull’open research, OpenAI non aveva più rilasciato un modello linguistico aperto dal 2019 con GPT-2, fino al 5 agosto 2025. I due modelli gpt-oss, lanciati sotto licenza Apache 2.0, appaiono come una concessione diretta alla crescente pressione del fronte dei pesi aperti. L’azienda che ha inventato il business delle API chiuse si è trovata costretta a sfidare il campo aperto sul suo stesso terreno.
Da leggere anche: OpenAI chiede 250 miliardi di dollari di credito Nvidia per il mega campus in Ohio
Dieci motivi per cui i pesi aperti minacciano il modello centralizzato
Nulla di quanto segue garantisce che i pesi aperti vincano la partita. Il vero frontier resta nelle mani dei big lab, e i rischi sono concreti. Ma la direzione di marcia degli ultimi tre anni è chiara, e va contro il modello chiuso e a consumo misurato.
La differenza è che gli argomenti per pagare un premio pur di affittare una “scatola nera” sono sempre meno convincenti. La convergenza è tecnica, economica e politica allo stesso tempo.
Ecco dieci ragioni per cui l’ago della bilancia si è spostato.
Il divario di qualità è quasi scomparso
Il fatto più rilevante è la convergenza. L’AI Index 2025 di Stanford ha rilevato che la differenza di punteggio tra il miglior modello chiuso e il miglior modello aperto nella Chatbot Arena è scesa dall’8% di gennaio 2024 all’1,7% di febbraio 2025.
Anche la frontiera si è affollata. Il gap tra il primo e il decimo modello in classifica si è ristretto dall’11,9% al 5,4% in un solo anno.
Quando la seconda scelta costa una frazione della prima, diventa difficile giustificare un sovrapprezzo per l’accesso chiuso. È un problema di pricing per chi ha basato l’intero modello di business sull’esclusività.
Il prezzo dell’intelligenza è crollato
I costi sono scesi ancora più in fretta del divario di qualità. Incrociando i dati di Epoch AI e Artificial Analysis, l’AI Index segnala che il costo per eseguire una query di livello GPT‑3.5 è sceso da circa 20 dollari per milione di token nel novembre 2022 a 0,07 dollari nell’ottobre 2024.
Parliamo di un calo di circa 280 volte in meno di due anni.
DeepSeek ha applicato la stessa logica al training. Il technical report di V3 dichiara un run finale da circa 5,6 milioni di dollari su 2.048 GPU Nvidia H800, contro le decine o centinaia di milioni spese per modelli occidentali comparabili. L’intelligenza a buon mercato premia chi riesce a distribuirla in modo capillare, non chi la custodisce gelosamente.
Il modello è tuo
Se affitti un modello chiuso, erediti le regole del proprietario. Il fornitore può alzare i prezzi, cambiare le condizioni o ritirare la versione su cui si regge il tuo prodotto.
Se possiedi i pesi, quella leva scompare. Puoi congelare una versione, eseguirla per anni e cambiare provider senza riscrivere lo stack.
Il vendor lock‑in non è un rischio teorico. Si traduce in costi di switching, migrazioni forzate e listini che non puoi negoziare. Avere i pesi in mano disinnesca questi problemi uno dopo l’altro:
- Congela una versione del modello e mantienila stabile finché serve.
- Spostati tra cloud diversi, o torna “on premise”, senza reingegnerizzare tutto.
- Evita deprecazioni improvvise che mandano in tilt un prodotto in produzione.
Anche le licenze “aperte” più generose hanno clausole da leggere con attenzione. I termini di Llama impongono a qualsiasi azienda con oltre 700 milioni di utenti attivi mensili di negoziare un accordo separato: è il motivo per cui i puristi rifiutano di definire Llama davvero open source.
Privacy e sovranità dei dati
Alcuni dati non possono, per legge, uscire dal perimetro aziendale. Ospedali, banche e pubbliche amministrazioni spesso non possono inviare informazioni sensibili a un’API di terzi.
I pesi aperti risolvono il problema portando il modello vicino al dato. Puoi eseguire l’inferenza on premise o in un cloud privato, senza che nulla di sensibile attraversi il confine con un fornitore esterno.
Questa singola caratteristica sta aprendo porte inaccessibili alle API chiuse. Nelle implementazioni regolamentate, il controllo locale è spesso il fattore decisivo.
Gli stati si stanno facendo i propri modelli
Il tema della sovranità è diventato globale. I governi vedono sempre più la dipendenza da poche API americane o cinesi come un rischio strategico.
Il 2 settembre 2025, EPFL, ETH Zurich e il Centro svizzero di supercalcolo hanno rilasciato Apertus, un modello completamente aperto addestrato su 15.000 miliardi di token in oltre 1.000 lingue. Il Technology Innovation Institute di Abu Dhabi spinge la famiglia open Falcon dal 2023, e altri paesi hanno avviato iniziative nazionali simili.
Lo schema si ripete in molte aree:
- La Svizzera ha pubblicato Apertus con pesi, dati e codice interamente aperti.
- Gli Emirati Arabi Uniti rilasciano versioni successive di Falcon con licenze permissive.
- Francia, India, Giappone e Corea del Sud hanno varato programmi nazionali su modelli e capacità di calcolo.
Non puoi costruire una “AI sovrana” su un modello che puoi solo affittare. I pesi aperti sono il prerequisito, e questo rende gli stati sponsor naturali del fronte open.
I regolatori spingono verso l’apertura
Anche la policy sta iniziando a favorire l’apertura. Il 23 luglio 2025 la Casa Bianca ha pubblicato l’“America’s AI Action Plan”, con una sezione intitolata “Encourage Open-Source and Open-Weight AI”.
L’Europa, pur con un approccio diverso, è allineata nella sostanza. L’AI Act dell’UE riconosce ai fornitori di modelli general‑purpose gratuiti e open source una parziale esenzione da alcuni obblighi documentali, a condizione che il modello non sia classificato come rischio sistemico.
Gli incentivi, per i modelli sotto la frontiera più avanzata, si stanno spostando dal lock‑down al rilascio. Quando la più grande potenza nella corsa all’AI incoraggia esplicitamente i pesi aperti, il modello chiuso perde uno dei suoi presunti vantaggi strutturali.
L’ecosistema degli sviluppatori è un volano
La scala alimenta altra scala. Hugging Face è cresciuta fino a 13 milioni di utenti, oltre due milioni di modelli pubblici e più di 500.000 dataset pubblici nel corso del 2025.
Le corse al download raccontano il resto. Meta ha dichiarato che Llama ha superato il miliardo di download al 18 marzo 2025, in rialzo dai 650 milioni di inizio dicembre 2024, mentre Qwen di Alibaba ha raggiunto quota 700 … milioni di download complessivi su Hugging Face entro gennaio 2026 e oltre 180.000 varianti derivate, superando Llama come famiglia open più “forkata” in assoluto.
Ogni fine-tuning, adapter o quantizzazione costruiti su un modello aperto ne rafforzano il vantaggio competitivo. Un’API chiusa non può catturare questo effetto di rete: nessuno può costruire davvero su un modello che non può possedere.
Gira Sul Tuo Laptop
I pesi aperti incontrano l’hardware di tutti i giorni attraverso una toolchain a basso costo. La quantizzazione comprime un modello in precisione inferiore così da farlo entrare in meno memoria, mentre tecniche come LoRA permettono il fine-tuning senza dover riaddestrare il modello completo.
I runtime locali hanno portato tutto questo nel mainstream. Ollama, llama.cpp e vLLM oggi consentono agli sviluppatori di servire modelli potenti con una singola GPU consumer o persino su un normale laptop.
Un modello che puoi eseguire su una macchina da 2.000 dollari è un modello che nessuno può spegnerti da remoto. Questa indipendenza è esattamente ciò che il modello a consumo non potrà mai offrire.
Auditabilità E Interpretabilità
Non si può ispezionare ciò che non si può vedere. Le API chiuse restituiscono solo output, senza alcuna possibilità di analizzare il meccanismo sottostante.
Con pesi aperti i ricercatori possono sondare direttamente un modello, studiarne le failure mode e testarne la sicurezza alla luce del sole. Questa trasparenza è proprio il motivo per cui il fronte open sostiene che i suoi modelli siano, nel tempo, più facili – non più difficili – da rendere affidabili.
Per i settori regolamentati che devono spiegare ogni decisione, questa visibilità non è un optional. Spesso è un obbligo di legge.
La Frontiera Decentralizzata
L’ultima motivazione nasce all’incrocio tra AI e crypto. Se i pesi sono aperti, la potenza di calcolo per addestrarli e servirli non deve risiedere nel data center di una sola azienda.
Progetti come Prime Intellect hanno addestrato modelli su hardware distribuito a livello globale, con meccanismi per verificare che le macchine remote abbiano davvero eseguito il calcolo dichiarato. Bittensor gestisce un mercato incentivato da token per l’intelligenza artificiale, prezzato nel suo token TAO (TAO).
L’avvertenza, onesta, è che oggi l’addestramento decentralizzato resta più lento e più costoso rispetto a un cluster centralizzato. Ma l’abbinata tra pesi aperti e compute verificabile e tokenizzato è un asse competitivo davvero nuovo, che i laboratori chiusi non possono imitare.
Da Leggere Anche: Pixel 11 Costerà Di Più, E Google Dice Che La Colpa È Dei Data Center AI
Il Verdettto
I pesi aperti non cancelleranno i laboratori chiusi. Il confine d’avanguardia continua a favorire chi spende di più in compute, i rilasci open arrivano ancora con mesi di ritardo rispetto ai migliori modelli closed, e i pesi pubblici portano con sé rischi di abuso che non possono essere “richiamati” una volta diffusi.
Ma “superare” non significa “cancellare”. Significa spostare il baricentro, e questo spostamento è già in corso.
Il gap di qualità è sottile, il costo marginale dell’intelligenza tende a zero, e governi, sviluppatori e regolatori continuano a preferire modelli che possono possedere. L’AI centralizzata continuerà a vendere convenienza nella fascia più alta del mercato. Il resto, silenziosamente, sta camminando verso i pesi che può tenersi in casa.
Da Leggere Dopo: Apple Perde Il Controllo Sui Prezzi Della Memoria E Gli Utenti Pagano La Differenza
