AI e indipendenza tecnologica

Introduzione

È il 1984, non parliamo di Orwell ma della Hackers Conference dove un saggista statunitense di nome Stewart Brand, esordisce "Information wants to be free". [1]

Nel 2017 Google pubblica un paper scientifico denominato “Attention is all you need” sul quale sarà forgiato da OpenAI il celebre GPT-3 e i futuri modelli. Le informazioni che questi modelli hanno letti per diventare così efficaci provengono da libri, articoli di giornale, blog, fotografie, post di social network e qualsiasi altro contenuto si possa trovare su internet.

Quando nel 2020 OpenAI diede luce a GPT-3 rilasciò un articolo scientifico intitolato "Language Models are Few-Shot Learners" [2] dove diceva al mondo "più grande è meglio", senza spiegare come. Poco tempo dopo, nel febbraio del 2023 Meta sconvolse il mondo decidendo di rilasciare pubblicamente, su licenza per ricerca non-commerciale, un modello denominato Llama. Pochi mesi dopo, nel luglio 2023 nacque Llama 2, che autorizzava anche l'uso commerciale.

Meta ha fatto da catalizzatore per lo sviluppo dei modelli aperti. Modelli che chiunque può usare liberamente mantenendo la sovranità sul dato e sull'infrastruttura.

Nel 2026 i modelli open sono davvero valevoli e competitivi rispetto ai modelli closed, al punto da riuscire a svolgere compiti al pari delle potenzialità e ad una frazione del costo. Non esiste un'opzione "migliore" in assoluto, esiste quella più adatta a chi siete, a cosa vi serve e a cosa fate. Capire la differenza è il primo passo. Il secondo, più difficile, è scegliere con cognizione di causa.

Che modelli si trovano sono oggi?

Da una parte troviamo i modelli closed, proprietari. GPT di OpenAI, quello dietro ChatGPT. Claude di Anthropic, apprezzato per ragionamento complesso e scrittura. Gemini di Google, integrato nell'ecosistema dell'azienda come un pezzo di Lego. Li potete usare solo attraverso le loro piattaforme o tramite API a pagamento. Sono l'equivalente di un ufficio in affitto: chiavi in mano, manutenzione inclusa ma le regole del contratto le fa il padrone di casa.

Dall'altra troviamo i modelli open: Llama di Meta [3], Mistral della startup francese omonima [4], DeepSeek [5] e Qwen di Alibaba, Kimi di Moonshot AI, arrivati dalla Cina con un rapporto qualità/prezzo che ha sorpreso il settore. Questi modelli hanno i pesi pubblici e licenze permissive: potete scaricarli e farli girare dove volete. Sono la casa che comprate: più impegno all'inizio, ma ogni parete è vostra.
Cosa significa davvero modello “open”
"Open source" nel mondo degli LLM non vuol dire sempre la stessa cosa.

Il caso più comune è quello degli open weights: i pesi del modello, ovvero i numeri che ne determinano il comportamento, sono pubblici e scaricabili. Potete usarlo liberamente, ma non sapete con esattezza con quali dati e con quale procedura sia stato addestrato. Più raro è l'open data, in cui anche il dataset di addestramento è pubblico. Rarissimo è l'open training code, dove viene rilasciato anche il codice usato per addestrarlo: l'unico caso in cui potreste in teoria ricostruire il modello da zero.

La quasi totalità dei modelli che oggi chiamiamo "open source" sono in realtà open weights: ottime case già costruite che potete abitare e ristrutturare, ma di cui non avete il progetto originale dell'architetto.

Le cinque domande che contano

Mettere a confronto closed e open source significa rispondere a cinque domande concrete.

Dove finiscono i miei dati? Con un modello closed, ogni richiesta esce dal vostro perimetro e transita sui server del fornitore. Le versioni enterprise garantiscono per contratto di non usare i vostri dati per addestrare i loro modelli, ma il dato comunque viaggia altrove. Con un modello open source eseguito sulla vostra infrastruttura, invece, le informazioni non lasciano mai i vostri server. Se trattate dati sanitari, finanziari o legali, questo controllo non è un dettaglio: è spesso la discriminante.

Quanto costa? Il modello closed si paga a consumo, in base al testo processato in ingresso e in uscita: setup nullo, bolletta che cresce con i volumi. Il modello open source non ha costo di licenza, ma dovete sostenere l'infrastruttura che lo fa girare e le competenze per gestirla. Per sperimentare o per volumi bassi, i modelli closed saranno quasi sempre il modo più veloce per arrivare al risultato. Quando i volumi diventano importanti e costanti, iniziare a riflettere su un’architettura propria con un modello open weight e pieno controllo sull’intera infrastruttura fa la differenza.

Quanto è bravo? Storicamente i modelli closed hanno tenuto il primato sui compiti più complessi, e in cima alle classifiche si trovano ancora spesso loro. Ma il divario si è ridotto a una velocità sorprendente, come mostrano le classifiche comparative aggiornate [6]: gli open source di ultima generazione sono competitivi sulla grande maggioranza dei casi d'uso reali, e su alcuni domini specifici come la generazione di codice se la giocano alla pari. Per quel che serve davvero a un'azienda, "più che sufficiente" è quasi sempre la categoria giusta.

Posso adattarlo a me? Con un modello closed potete agire sul system prompt e sul contesto che fornite, ma il modello in sé resta una scatola chiusa. Con un open source potete fare fine-tuning, specializzarlo sul vostro dominio, insegnargli la terminologia di nicchia del vostro settore. Se vi serve una personalizzazione profonda, è di fatto l'unica strada.

Sono libero di andarmene? Con un modello closed dipendete dal fornitore: se cambia prezzi, condizioni d'uso o dismette un modello, vi adeguate. Cambiare fornitore significa riscrivere le integrazioni. Con un open source il modello è vostro: cambiate hosting, infrastruttura o lo portate in casa quando volete, senza chiedere il permesso a nessuno.

Non c'è una risposta valida per tutti: c'è la vostra.

Quando uso un modello closed?

I modelli proprietari sono la scelta giusta quando state ancora esplorando e volete partire domani senza setup. Quando i volumi sono bassi o i compiti abbastanza complessi da richiedere l'eccellenza assoluta. Quando il team non ha le competenze per gestire un'infrastruttura propria, o quando avete bisogno di garanzie contrattuali: livelli di servizio, supporto enterprise, aggiornamenti assicurati. In una parola, quando volete concentrarvi sul risultato e lasciare la manutenzione a qualcun altro.

Quando uso un modello open?

I modelli open diventano la scelta naturale quando lavorate con dati sensibili che non possono uscire dal vostro perimetro. Quando i volumi sono alti e i costi a consumo iniziano a pesare. Quando vi serve una personalizzazione profonda del modello, o quando volete indipendenza strategica dai fornitori esteri. In una parola, quando il controllo vale l'investimento e in casa avete le competenze per farlo.

La via di mezzo: le strategie ibride

La buona notizia è che la domanda non è quasi mai "o l'uno o l'altro". Molte aziende adottano approcci ibridi, ed è spesso la scelta più sensata.

Si usa un modello closed per validare in fretta un'idea e, una volta dimostrato che funziona, si migra su un open source per abbattere i costi e guadagnare controllo. Si può dividere per criticità: i compiti complessi e delicati a un modello closed di punta, quelli ripetitivi e ad alto volume a un open source economico. Oppure si imposta una catena di fallback: si tenta prima con il modello economico e, solo se la qualità non basta, si passa a quello più costoso ma più capace.

L'elefante nella stanza: la geopolitica

C'è un fattore che raramente compare nelle tabelle comparative ma che pesa nelle decisioni strategiche: quasi tutti i principali modelli closed sono americani. Questo significa non solo giurisdizione statunitense sui dati ma anche dipendenza da scelte politiche e commerciali che possono, come è stato già fatto, applicare restrizioni future come è già in realtà successo ad Anthropic con il caso di Fable 5 [7].

Non è paranoia, è gestione del rischio. Non a caso in Europa cresce l'interesse per soluzioni come Mistral e per ospitare modelli open source su infrastruttura europea, mentre in Cina realtà come DeepSeek, Qwen, Kimi sono nate anche per ridurre la dipendenza dalla tecnologia americana. Chi possiede la casa, in fondo, non teme che il padrone di casa cambi le regole.

Trasparenza e verificabilità

C'è infine una questione di fiducia. Di un modello closed non sapete su quali dati sia stato addestrato, quali pregiudizi possa nascondere o come arrivi a certe conclusioni. Di un open source potete almeno ispezionare i pesi, testare sistematicamente i suoi bias, validarne il comportamento e analizzarne la sicurezza. Per i settori regolamentati, dalla finanza alla sanità, questa verificabilità non è un lusso: può essere un requisito.

Quindi?

Non esiste una risposta unica, diffidate da chi ha tutte le risposte. La scelta tra open source e closed dipende dalla sensibilità dei vostri dati, dai volumi, dal budget, dalle competenze del team, dal bisogno di personalizzazione e dalla strategia di lungo periodo.

La notizia che alleggerisce la decisione è che non scegliete per sempre. Potete andare oggi con un modello closed per muovere i primi passi e valutare l’open per domani, quando i volumi crescono e i casi d'uso si consolidano. L'importante non è indovinare l'opzione perfetta al primo colpo, ma sapere in ogni momento cosa state guadagnando e cosa state sacrificando.

Perché la differenza tra chi subisce uno strumento e chi lo governa, ancora una volta, passa tutta dal capire cosa c'è sotto il cofano. I nostri processi usano sia gli uni che gli altri, se hai bisogno di aiuto nel capire come orientare al meglio le tue soluzioni, ci trovi qui!

Citazioni

[1] Information wants to be free: https://en.wikipedia.org/wiki/Information_wants_to_be_free
[2] Language Models are Few-Shot Learners: https://arxiv.org/abs/2005.14165
[3] Meta Llama: https://ai.meta.com/llama/
[4] Mistral AI: https://mistral.ai/
[5] DeepSeek: https://www.deepseek.com/
[6] Artificial Analysis, LLM Leaderboard: https://artificialanalysis.ai/
[7] Statement on the US government directive to suspend access to Fable 5 and Mythos 5: https://www.anthropic.com/news/fable-mythos-access