Il 27 gennaio 2025, un laboratorio cinese sconosciuto alla maggior parte degli investitori ha bruciato 589 miliardi di dollari di capitalizzazione di Nvidia in una sola seduta. È stata la peggior perdita giornaliera nella storia di Wall Street. Il detonatore si chiama DeepSeek, e il suo “reato” è stato l’apertura.
Persino Bitcoin (BTC) ha vacillato mentre il mercato metabolizzava un messaggio semplice: l’AI di frontiera non è più appannaggio esclusivo di pochi laboratori chiusi.
Punti chiave
- I modelli a pesi aperti pubblicano i parametri addestrati, scaricabili e riutilizzabili da chiunque, a differenza dell’open source pieno che include anche dati e codice di training.
- Il divario di qualità misurato 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 di inferenza sono scesi di centinaia di volte.
- Costi di deployment irrisori, pressioni per la sovranità digitale, regolazione più favorevole e un ecosistema di sviluppatori sterminato stanno dando ai pesi aperti un vantaggio reale sui fornitori solo-API.
Cosa significa davvero AI a pesi aperti
L’espressione viene usata in modo disinvolto, ma la precisione conta. “Pesi aperti” significa che uno sviluppatore rilascia i parametri finali di una rete neurale addestrata: i numeri che codificano ciò che il modello ha appreso. È possibile scaricarli, eseguirli sulla propria infrastruttura e riaddestrarli.
Pesi aperti non equivale a open source. La Open Source Initiative ha pubblicato la propria “Open Source AI Definition” il 28 ottobre 2024, alzando l’asticella: per qualificarsi, un rilascio deve includere i pesi, il codice di training e informazioni sufficienti sui dati utilizzati perché una persona competente possa ricreare sostanzialmente il sistema.
La maggior parte dei modelli oggi commercializzati come open source non supera questo test. Llama di Meta, Qwen di Alibaba e la stessa DeepSeek distribuiscono i pesi ma non l’intera “ricetta” dei dati.
La Open Source Initiative è molto chiara sulla distinzione, sottolineando che i soli pesi aperti non garantiscono le stesse libertà del software open source. Questo divario alimenta il dibattito sull’“open washing”: aziende che si proclamano aperte ma trattengono gli elementi necessari a rendere replicabile il lavoro.
Eppure, per chi costruisce prodotti i pesi restano il vero bottino. Con quelli si può servire un modello, comprimerlo, affinarlo e distribuirlo. In pratica, ogni forma di rilascio offre qualcosa di diverso:
- Pesi aperti: parametri addestrati, di solito sotto licenza che consente uso, modifica e spesso sfruttamento commerciale.
- Open source completo: pesi più codice di training e documentazione sui dati sufficiente a ricostruire il modello.
- Chiuso: nessun download, solo accesso misurato tramite interfaccia.
È proprio questa categoria intermedia a esplodere in popolarità, e a togliere il sonno ai laboratori chiusi.
Da leggere anche: Nvidia scende di quasi il 5% su una garanzia OpenAI da 250 miliardi ancora senza firma
In cosa differisce dal modello OpenAI e Anthropic
OpenAI e Anthropic adottano lo schema opposto. Tengono i pesi migliori blindati nei propri data center e vendono accesso via API. L’utente manda un prompt, riceve una risposta e non vede mai il modello.
È una scelta con una logica industriale precisa. Protegge l’investimento di training, garantisce un flusso di abbonamenti ricorrenti e consente al laboratorio di intervenire sul comportamento o revocare l’accesso in qualsiasi momento.
C’è anche un argomento di sicurezza. L’amministratore delegato di Anthropic, Dario Amodei, sostiene che una volta pubblicati i pesi, lo sviluppatore perde la capacità di aggiornare i “guardrail” o di disattivare un sistema pericoloso.
Il rovescio della medaglia è la dipendenza.
Quando il modello vive solo sui server di qualcun altro, è il fornitore a fissare prezzo, disponibilità, condizioni d’uso e calendario di dismissione. 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 alcun linguaggio aperto dai tempi di GPT‑2 nel 2019, fino al 5 agosto 2025. I due modelli gpt-oss, lanciati sotto licenza Apache 2.0, suonano come una concessione diretta alla pressione esercitata oggi dai pesi aperti. La stessa azienda che ha costruito il business delle API chiuse ha dovuto rispondere al fronte aperto sul suo stesso terreno.
Da leggere anche: OpenAI cerca 250 miliardi di credito Nvidia per il maxi 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. La frontiera resta nelle mani dei grandi laboratori, e i rischi sono reali. Ma da tre anni la traiettoria è chiara e va in direzione opposta rispetto al modello chiuso e a consumo.
A cambiare è stata la convenienza di pagare un sovrapprezzo per affittare una “scatola nera”. La convergenza è insieme tecnica, economica e politica.
Ecco dieci motivi per cui l’ago della bilancia si è spostato.
Il divario di qualità è quasi sparito
Il dato più rilevante è la convergenza. L’AI Index 2025 di Stanford rileva che il distacco di punteggio tra il miglior modello chiuso e il miglior modello aperto sulla leaderboard Chatbot Arena è sceso dall’8% di gennaio 2024 all’1,7% di febbraio 2025.
Nel frattempo, la frontiera si è affollata. Il gap tra il primo e il decimo modello in classifica è passato dall’11,9% al 5,4% in un solo anno.
Quando la seconda miglior opzione costa una frazione della prima, diventa difficile giustificare il premio per l’accesso chiuso. È un problema di pricing per chi ha costruito il proprio business sull’esclusività.
Il prezzo dell’intelligenza è crollato
I costi sono scesi ancora più velocemente del divario di qualità. Basandosi sui dati di Epoch AI e Artificial Analysis, l’AI Index stima che il costo per eseguire una query di livello GPT‑3.5 sia passato 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 alla fase di training. Il report tecnico del modello V3 indica un costo finale di 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 premia chi riesce a distribuirla in massa, non chi la custodisce più 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 da cui dipende il tuo prodotto.
Se possiedi i pesi, quel potere contrattuale svanisce. Puoi congelare una versione, farla girare per anni e cambiare infrastructure provider senza riscrivere tutto lo stack.
Il vendor lock-in non è un rischio teorico. Si traduce in costi di switching, migrazioni forzate e listini non negoziabili. Avere i pesi in casa riduce ciascuno di questi problemi:
- Congeli una versione del modello e la mantieni stabile per tutto il tempo necessario.
- Sposti i carichi tra diversi cloud, o sul tuo hardware, senza rifare l’architettura.
- Eviti deprecazioni improvvise che possono rompere un servizio in produzione da un giorno all’altro.
Anche le licenze “aperte” più generose nascondono 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, motivo per cui molti puristi si rifiutano di definire Llama davvero open source.
Privacy e sovranità dei dati
Alcuni dati non possono, per legge, uscire dall’edificio. Ospedali, banche e amministrazioni pubbliche spesso non possono inviare informazioni sensibili a un’API di terzi.
I pesi aperti risolvono il problema portando il modello verso il dato. È possibile eseguire l’inferenza on-premise o in un cloud privato, evitando che informazioni critiche attraversino perimetri di vendor.
Questa sola caratteristica sta aprendo porte precluse alle sole API. Per molti deployment regolamentati, il controllo on-prem è il fattore decisivo.
Gli Stati si costruiscono i propri modelli
L’ansia da sovranità digitale è diventata globale. I governi iniziano a percepire la dipendenza da poche API statunitensi o cinesi come rischio strategico.
Il 2 settembre 2025, EPFL, ETH Zurich e il Centro Nazionale Svizzero di Supercalcolo hanno presentato Apertus, un modello completamente aperto addestrato su 15.000 miliardi di token in oltre mille lingue. Ad Abu Dhabi, il Technology Innovation Institute spinge dal 2023 sulla famiglia Falcon, e altri Paesi stanno seguendo con iniziative proprie.
Lo schema si ripete nelle diverse aree:
- La Svizzera ha rilasciato Apertus rendendo pubblici pesi, dati e codice.
- Gli Emirati Arabi Uniti hanno pubblicato versioni successive di Falcon con licenze permissive.
- Francia, India, Giappone e Corea del Sud hanno avviato programmi nazionali su modelli o capacità di calcolo.
Non si può costruire un’AI “sovrana” su un modello che puoi solo affittare. I pesi aperti sono la precondizione, e questo rende i governi sponsor naturali del fronte open.
I regolatori spingono verso l’apertura
Anche la politica si sta allineando sull’apertura. Il 23 luglio 2025, la Casa Bianca ha pubblicato l’“America’s AI Action Plan”, con una sezione dal titolo esplicito: “Encourage Open-Source and Open-Weight AI”.
L’Europa, pur con un approccio diverso, va nella stessa direzione sul piano strutturale. L’AI Act europeo riconosce ai fornitori di modelli general-purpose gratuiti e open source un’esenzione parziale da alcuni obblighi documentali, a patto che il modello non sia classificato come “sistemico”.
Gli incentivi oggi premiano il rilascio, non la blindatura — almeno per i modelli sotto la frontiera. Quando il governo leader nella corsa all’AI incoraggia esplicitamente i pesi aperti, il modello chiuso perde la sua rendita di posizione.
L’ecosistema degli sviluppatori è un volano
La scala genera 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 solo 2025.
Le gare di download raccontano il resto. Meta ha dichiarato che Llama ha superato il miliardo di download al 18 marzo 2025, dai 650 milioni di inizio dicembre 2024, mentre Qwen di Alibaba ha raggiunto quota 700... milioni di download cumulativi su Hugging Face entro gennaio 2026 e oltre 180.000 versioni derivate, superando Llama come famiglia open più forkata in assoluto.
Ogni fine-tuning, adapter e quantizzazione costruiti su un modello open rafforzano il suo vantaggio competitivo. Un’API chiusa non può intercettare questo effetto composto dello sforzo collettivo, perché nessuno può davvero costruire sopra un modello che non può possedere.
Gira Sul Tuo Laptop
I pesi aperti incontrano l’hardware di tutti i giorni grazie a una toolchain a basso costo. La quantizzazione comprime il modello a una precisione inferiore così da farlo entrare in molta meno memoria, mentre tecniche come LoRA consentono di fare fine-tuning senza dover riaddestrare tutto da zero.
I runtime locali hanno portato questo paradigma nel 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. Quell’indipendenza è esattamente ciò che il modello a consumo, controllato via API, non potrà mai offrire.
Auditabilità E Interpretabilità
Non puoi ispezionare ciò che non puoi vedere. Le API chiuse restituiscono solo output, senza alcuna possibilità di analizzare il meccanismo che li genera.
I pesi aperti permettono ai ricercatori di indagare il modello direttamente, studiarne i failure mode e testarne la sicurezza in modo pubblico. Questa trasparenza è il motivo per cui il fronte “open” sostiene che i propri modelli siano, nel lungo periodo, più facili – non più difficili – da rendere affidabili.
Per i settori regolamentati che devono motivare ogni decisione, questa visibilità non è un optional. Spesso è un requisito di legge.
La Frontiera Decentralizzata
L’argomento più recente si trova all’incrocio tra AI e cripto. Se i pesi sono aperti, la potenza di calcolo per addestrarli e servirli non deve per forza risiedere nel data center di una singola azienda.
Progetti come Prime Intellect hanno addestrato modelli su hardware distribuito a livello globale, con schemi crittografici per verificare che le macchine remote abbiano realmente eseguito il lavoro dichiarato. Bittensor gestisce un mercato incentivato da token per l’intelligenza artificiale, prezzato nel suo token TAO (TAO).
L’onesta precisazione è che oggi l’addestramento decentralizzato resta più lento e costoso rispetto a un cluster centralizzato. Ma l’accoppiata tra pesi aperti e compute verificabile e tokenizzato rappresenta un nuovo asse competitivo che i laboratori chiusi non possono replicare.
Da Leggere Anche: Pixel 11 Costerà Di Più, E Google Dà La Colpa Ai Data Center Per L’AI
Il Verdettto
I pesi aperti non cancelleranno i laboratori chiusi. Il vero frontier model resta appannaggio di chi spende di più in compute, i rilasci open arrivano ancora con qualche mese di ritardo rispetto ai migliori modelli proprietari e i pesi pubblici comportano rischi di abuso impossibili da “richiamare” una volta diffusi.
Ma “superare” non significa “eliminare”. Significa spostare il baricentro, e questo spostamento è già iniziato.
Il divario di qualità è sottile, il prezzo marginale dell’intelligenza tende allo zero, e governi, sviluppatori e regolatori continuano a scegliere modelli che possono detenere. L’AI centralizzata continuerà a vendere convenienza sulla fascia più alta del mercato. Tutto il resto si sta, silenziosamente, spostando verso pesi che può possedere.
Leggi Poi: Apple Perde Il Controllo Sui Prezzi Della Memoria E I Clienti Pagano Il Conto
