Il 27 gennaio 2025 un laboratorio cinese sconosciuto ai più ha bruciato 589 miliardi di dollari di capitalizzazione a Nvidia in una sola seduta. La più grande perdita giornaliera della storia di Wall Street. Il “colpevole” è stato DeepSeek, e il suo peccato è l’apertura.
Persino Bitcoin (BTC) ha vacillato mentre il mercato digeriva un messaggio semplice: l’AI di frontiera non è più un affare riservato a pochi laboratori chiusi.
Punti chiave
- I modelli a pesi aperti pubblicano i parametri addestrati, scaricabili e riutilizzabili da chiunque, a differenza dell’open source completo che include anche dati e codice di training.
- Il divario di qualità tra i migliori modelli aperti e chiusi sulle leaderboard pubbliche è crollato dall’8% a meno del 2% in circa un anno, mentre i prezzi d’inferenza sono scesi di centinaia di volte.
- Deployment economico, spinta alla sovranità nazionale, regolazione più favorevole e un ecosistema di sviluppatori enorme stanno dando ai pesi aperti un reale slancio rispetto ai campioni del modello solo API.
Cosa significa davvero AI a pesi aperti
Il termine viene usato con molta disinvoltura, quindi serve chiarezza. “Pesi aperti” significa che uno sviluppatore rilascia i parametri finali di una rete neurale addestrata: i numeri che codificano ciò che il modello ha imparato. Si possono scaricare, eseguire su hardware proprio e riaddestrare.
Pesi aperti non è sinonimo di open source. La Open Source Initiative ha pubblicato la propria Open Source AI Definition il 28 ottobre 2024, fissando un’asticella più alta. Per qualificarsi, un rilascio deve includere pesi, codice di training e sufficienti dettagli sui dati di addestramento da permettere a una persona competente di ricostruire sostanzialmente il sistema.
La maggior parte dei modelli oggi venduti come open source non supera questo test. Llama di Meta, Qwen di Alibaba e la stessa DeepSeek distribuiscono i pesi ma non la “ricetta” completa dei dati.
La Open Source Initiative è molto netta sulla differenza, precisando che i soli pesi aperti non garantiscono le libertà del software open source. Questo scarto alimenta il dibattito sull’“open washing”, quando le aziende sventolano l’etichetta open ma trattengono gli elementi necessari a rendere riproducibile il lavoro.
Per la maggior parte dei builder, però, il vero tesoro sono proprio i pesi. Con quelli si può servire un modello, comprimerlo, riaddestrarlo e distribuirlo. In pratica, ogni tipo di rilascio consegna qualcosa di diverso:
- Pesi aperti: i parametri addestrati, di solito sotto licenza che consente uso, modifica e spesso deployment commerciale.
- Open source completo: pesi più codice di training e documentazione dei dati sufficiente a ricostruire il modello.
- Chiuso: nulla è scaricabile, si accede solo a consumo tramite un’interfaccia.
È questa categoria intermedia ad esplodere di popolarità – ed è quella che toglie il sonno ai laboratori chiusi.
Da leggere anche: Nvidia cede quasi il 5% su una garanzia OpenAI da 250 mld $ che non è ancora firmata
In cosa è diverso dal modello OpenAI e Anthropic
OpenAI e Anthropic giocano la partita opposta. Tengono i pesi migliori blindati nei propri data center e vendono accesso via API. Si invia un prompt, si riceve una risposta, ma il modello non si tocca mai.
Dal punto di vista commerciale è perfettamente logico: si protegge l’investimento in training, si mantiene un contatore di abbonamento sempre attivo e si conserva il potere di modificare il comportamento del modello o revocare l’accesso in qualsiasi momento.
C’è anche una motivazione “di sicurezza”. Il CEO di Anthropic, Dario Amodei, sostiene che, una volta pubblicati i pesi, chi sviluppa perde la capacità di aggiornare i guardrail o “richiamare” 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 sui dati e calendario delle deprecazioni. Il tuo prodotto poggia su un’infrastruttura che non controlli e che non puoi ispezionare.
Nonostante anni passati a promuovere la ricerca aperta, OpenAI non aveva più rilasciato modelli linguistici aperti dai tempi di GPT‑2 nel 2019, fino al 5 agosto 2025. I suoi due modelli gpt‑oss, lanciati sotto la permissiva licenza Apache 2.0, suonano come una concessione diretta alla pressione esercitata ormai dai pesi aperti. L’azienda che ha costruito il business del “closed API” è stata costretta a rispondere al fronte open sul suo stesso terreno.
Da leggere anche: OpenAI chiede 250 mld $ di linea 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 una vittoria totale dei pesi aperti. Il confine assoluto resta saldamente in mano ai grandi laboratori, e i rischi sono concreti. Ma da tre anni la direzione di marcia è costante – e va contro il modello chiuso e a consumo.
Quello che è cambiato è che le ragioni per pagare un sovrapprezzo per affittare una “scatola nera” si stanno progressivamente indebolendo. La convergenza è insieme tecnica, economica e politica.
Ecco dieci motivi per cui l’ago della bilancia si è spostato.
Il gap di qualità è quasi sparito
Il dato più importante è la convergenza. L’AI Index 2025 di Stanford ha rilevato che il distacco di punteggio tra il miglior modello chiuso e il miglior modello aperto sulla leaderboard Chatbot Arena è sceso dall’8% del gennaio 2024 all’1,7% nel febbraio 2025.
Anche la frontiera si è affollata. Il divario tra il primo e il decimo modello in classifica è passato dall’11,9% al 5,4% in un solo anno.
Quando la seconda scelta costa una frazione della prima, diventa sempre più difficile giustificare un premio per l’accesso chiuso. È un problema di pricing per chi ha basato il proprio business sull’esclusività.
Il prezzo dell’intelligenza è crollato
I costi sono scesi ancora più rapidamente del gap di qualità. Incrociando i dati di Epoch AI e Artificial Analysis, l’AI Index riporta che il costo per eseguire una query di livello GPT‑3.5 è passato da circa 20 dollari per milione di token nel novembre 2022 a 0,07 dollari nell’ottobre 2024.
Un calo di circa 280 volte in meno di due anni.
DeepSeek ha esteso la stessa logica anche 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 basso costo favorisce chi sa distribuirla capillarmente, non chi la custodisce più gelosamente.
Il modello è davvero tuo
Se affitti un modello chiuso, erediti anche 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 sparisce. Puoi congelare una versione, tenerla in produzione per anni e cambiare provider senza riscrivere l’intera stack.
Il lock‑in del fornitore non è un rischio teorico: si traduce in costi di switching, migrazioni forzate e listini che non puoi davvero negoziare. Avere i pesi in casa disinnesca ognuno di questi punti:
- Congeli una versione del modello e la mantieni stabile finché ti serve.
- Ti sposti tra diversi cloud provider, o torni “on‑prem”, senza re‑ingegnerizzare tutto.
- Eviti deprecazioni improvvise che possono rompere un prodotto in produzione da un giorno all’altro.
Anche le licenze open più generose meritano comunque di essere lette con attenzione. I termini di Llama, per esempio, obbligano qualsiasi azienda sopra i 700 milioni di utenti attivi mensili a negoziare un accordo separato: è uno dei motivi per cui i puristi rifiutano di chiamare Llama davvero open source.
Privacy e sovranità dei dati
Alcuni dati, per legge, non possono uscire dall’edificio. Ospedali, banche e pubbliche amministrazioni spesso non possono inviare dati sensibili a una API di terze parti.
I pesi aperti risolvono il problema spostando il modello verso il dato, non il contrario. L’inferenza può girare on‑premises o in un cloud privato, senza che nulla di sensibile attraversi il perimetro del vendor.
Questa singola caratteristica sta aprendo porte inaccessibili al modello solo API. Nei contesti regolamentati, il controllo on‑prem è sempre più spesso il fattore decisivo.
I Paesi si costruiscono i propri modelli
L’ansia di sovranità è diventata globale. I governi guardano con crescente diffidenza alla dipendenza da poche API americane o cinesi, percepite come rischio strategico.
Il 2 settembre 2025 EPFL, ETH Zurich e il Centro Svizzero di Supercalcolo hanno presentato Apertus, un modello completamente aperto addestrato su 15.000 miliardi di token in più di 1.000 lingue. Il Technology Innovation Institute di Abu Dhabi spinge la famiglia open Falcon dal 2023, e altri Stati hanno avviato programmi nazionali analoghi.
Lo schema si ripete in varie aree:
- La Svizzera ha rilasciato Apertus rendendo pubblici pesi, dati e codice.
- Gli Emirati Arabi Uniti hanno pubblicato diversi Falcon sotto licenze permissive.
- Francia, India, Giappone e Corea del Sud hanno tutti varato iniziative domestiche su modelli o capacità di calcolo.
Non si può costruire un’AI sovrana su un modello che si può solo affittare. I pesi aperti sono la condizione di base, e questo rende i governi sponsor naturali del fronte open.
I regolatori spingono verso l’aperto
Anche la politica si sta allineando in questa direzione. Il 23 luglio 2025 la Casa Bianca ha pubblicato l’“America’s AI Action Plan”, con una sezione esplicita intitolata “Encourage Open-Source and Open-Weight AI”.
L’Europa, pur con un approccio diverso nello spirito, si muove strutturalmente nella stessa direzione. L’AI Act dell’UE concede ai fornitori di modelli general purpose gratuiti e open source una parziale esenzione da alcuni obblighi di documentazione, finché il modello non viene classificato come “a rischio sistemico”.
Gli incentivi si stanno quindi spostando verso il rilascio, non verso la chiusura, almeno per i modelli al di sotto della frontiera assoluta. Quando il principale Stato in corsa sull’AI incoraggia apertamente i pesi aperti, il modello chiuso perde il vantaggio implicito di default.
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 “gare di download” raccontano il resto. Meta ha dichiarato che Llama ha superato il miliardo di download il 18 marzo 2025, 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, abbastanza da superare Llama come famiglia open più “forkata” del settore.
Ogni fine-tuning, adapter e quantizzazione costruita su un modello aperto ne rafforza il vantaggio competitivo. Un’API chiusa non può catturare questo effetto di rete compounding: nessuno può davvero costruire sopra un modello che non può possedere.
Gira Sul Tuo Laptop
I pesi aperti incontrano l’hardware comune grazie a una toolchain a basso costo. La quantizzazione comprime il modello a una precisione inferiore così da farlo entrare in meno memoria, mentre tecniche come LoRA consentono il fine-tuning senza dover riaddestrare l’intera rete.
I runtime locali hanno reso tutto questo mainstream. Ollama, llama.cpp e vLLM permettono oggi agli sviluppatori di servire modelli potenti su 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 spegnere da remoto. Questa indipendenza è esattamente ciò che il modello “a consumo” non potrà mai offrire.
Auditabilità E Interpretabilità
Non puoi ispezionare ciò che non puoi vedere. Le API chiuse restituiscono solo output, senza alcun modo di esaminare il meccanismo che li genera.
I pesi aperti consentono ai ricercatori di esplorare direttamente il modello, studiarne i failure mode e testarne la sicurezza alla luce del sole. È proprio questa trasparenza che porta il fronte open a sostenere che i suoi modelli siano, nel tempo, più facili – non più difficili – da rendere affidabili.
Per i settori regolamentati che devono motivare una decisione, quella visibilità non è un optional. È spesso un requisito di legge.
La Frontiera Decentralizzata
L’ultima motivazione nasce all’incrocio tra AI e crypto. Se i pesi sono aperti, la potenza di calcolo necessaria per addestrarli e servirli non deve più risiedere nel data center di una sola azienda.
Progetti come Prime Intellect hanno addestrato modelli su hardware distribuito a livello globale, con schemi per verificare che le macchine remote abbiano effettivamente eseguito il lavoro dichiarato. Bittensor gestisce un mercato incentivato a token per l’intelligenza artificiale, prezzato nel suo token TAO (TAO).
L’onesta avvertenza è che oggi l’addestramento decentralizzato resta più lento e costoso rispetto a un cluster centralizzato. Ma l’abbinata tra pesi open e compute verificabile, tokenizzato, è un vettore competitivo realmente nuovo che i laboratori chiusi non possono replicare.
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. La frontiera resta appannaggio di chi spende di più in compute, i rilasci open restano indietro di qualche mese rispetto ai migliori modelli proprietari, e i pesi pubblici portano con sé rischi di abuso che non possono essere “richiamati” una volta diffusi.
Ma “sorpassare” non significa “azzerare”. Significa spostare il baricentro, e questo spostamento è già iniziato.
Il gap di qualità si è assottigliato, il prezzo dell’intelligenza tende allo zero, e governi, sviluppatori e regolatori continuano a scegliere modelli che possono detenere. L’AI centralizzata continuerà a vendere convenienza nella fascia più alta del mercato. Tutto il resto, silenziosamente, sta convergendo verso i pesi che può possedere.
Prossimo Articolo: Apple Perde Il Controllo Sui Prezzi Della Memoria E I Clienti Pagano Il Conto