L’AI a pesi aperti si avvicina ai modelli di frontiera e cambia i conti delle imprese

I modelli di intelligenza artificiale a pesi aperti non sono più soltanto un’opzione economica per attività semplici. I sistemi migliori si sono avvicinati abbastanza ai modelli proprietari di frontiera da permettere alle imprese di scegliere in base al carico di lavoro, ai costi e al livello di controllo richiesto, invece di inviare ogni richiesta all’API più potente.

Il divario nei benchmark si è ristretto, ma i punteggi vanno letti con cautela

Una fotografia di Artificial Analysis riportata a settembre 2026 collocava Kimi K3 di Moonshot AI a 59,7 e Claude Fable 5.1 di Anthropic a 65,7: 6 punti di distanza, rispetto ai 13 punti riportati un anno prima. 3 È una riduzione significativa del distacco dalla frontiera.

Quei numeri, però, non vanno trattati come valori immutabili o direttamente comparabili in ogni momento. Il confronto attuale di Artificial Analysis, basato sulla metodologia v4.2, assegna 50 a Kimi K3 (max) e 56 a Claude Fable 5.1. 52 La pagina di Kimi K3 precisa inoltre che l’indice v4.2 integra 10 valutazioni: un promemoria del fatto che i risultati possono cambiare quando variano la suite di test, la configurazione del modello o il metodo di calcolo. 1

La conclusione più solida è quindi la tendenza: un modello a pesi aperti di vertice può oggi collocarsi molto più vicino al miglior concorrente proprietario in un indice generale di capacità. Questo non significa che i due modelli offrano prestazioni identiche su ogni compito. Una classifica aggregata non dimostra equivalenza in affidabilità, sicurezza, uso di strumenti, latenza, capacità multimodali o flussi di lavoro specifici di un’azienda.

Quando la differenza si riduce, cambia la decisione d’acquisto

In produzione, la domanda raramente è: “Quale modello ha il punteggio più alto?”. Piuttosto: quale modello produce un risultato adeguato per questo compito, al minor costo complessivo e con un rischio accettabile?

Se un modello meno costoso supera la soglia di qualità per riassunti, estrazione di dati, ricerca interna, classificazione o assistenza al coding di routine, usare il modello di frontiera per ogni chiamata può diventare difficile da giustificare. Il vantaggio residuo dei modelli proprietari può invece valere il prezzo nei ragionamenti più complessi, nelle decisioni ad alto impatto, negli agenti avanzati o nei casi in cui un piccolo aumento della qualità incide concretamente su ricavi, sicurezza o conformità normativa.

Anche il prezzo contribuisce a spiegare il fenomeno. Nel confronto attuale, Artificial Analysis indica 2,31 dollari per milione di token per Kimi K3 (max) e 7,17 dollari per Claude Fable 5.1; allo stesso tempo, il modello proprietario risulta avanti nell’Intelligence Index e nella velocità di generazione. 52 Il prezzo dei token non esaurisce il confronto economico, ma rende evidente perché la selezione del modello sia diventata un problema operativo di ottimizzazione.

Il caso AT&T: instradare le richieste in base al compito

AT&T offre un esempio concreto del passaggio da una strategia a modello unico a un portafoglio di modelli. L’azienda ha dichiarato che la quota di utilizzo dell’AI affidata a modelli aperti è salita dal 20% di maggio al 40%, con la possibilità di raggiungere il 60% nei mesi successivi; ha inoltre segnalato risparmi fino all’80% sui costi dell’AI rispetto all’inizio dell’anno. 26

In precedenza, era stato riferito che AT&T puntava nel tempo a far gestire ai modelli aperti dal 70% all’80% dell’utilizzo complessivo di AI, continuando però a mantenere modelli proprietari nel proprio mix. 17 Non è un’affermazione secondo cui i modelli aperti siano migliori in assoluto. È una strategia di instradamento:

• attività ripetitive e ad alto volume ai modelli meno costosi;
• richieste che richiedono capacità aggiuntive ai modelli premium;
• valutazione di qualità, velocità e costo sul singolo workload, non sulla sola classifica generale.

È questo approccio ad avere le conseguenze maggiori. Con la convergenza della qualità dei modelli, acquisiscono valore la valutazione interna, l’instradamento, l’osservabilità e la possibilità di cambiare fornitore senza dover ricostruire le applicazioni.

Pesi aperti non significa automaticamente economico o privato

I modelli a pesi aperti possono attrarre perché consentono, in alcuni casi, di eseguire l’inferenza in ambienti controllati dall’organizzazione, adattare il modello a casi d’uso specifici e ridurre la dipendenza da un solo fornitore di API. Ma “aperto” non significa automaticamente privato, economico o privo di rischi.

L’auto-gestione trasferisce responsabilità all’azienda utilizzatrice. Un’implementazione seria deve considerare infrastruttura, ottimizzazione dell’inferenza, tempo di ingegneria, aggiornamenti, monitoraggio, controlli di accesso, licenze del modello e risposta agli incidenti. Chi tratta informazioni sensibili dovrebbe verificare anche provenienza del modello, catena di fornitura software, residenza dei dati, obblighi di controllo sulle esportazioni e sicurezza di tutti i servizi circostanti.

Il confronto corretto non è dunque “prezzo di un’API contro zero”, ma costo totale per compito aziendale portato a termine con successo: inclusi il costo degli errori, la gestione operativa e le misure di sicurezza necessarie.

La concorrenza cinese amplia l’offerta, ma richiede governance

Kimi K3 è un modello di Moonshot AI e la recente classifica ha evidenziato la posizione di rilievo dei laboratori cinesi nel settore dei modelli a pesi aperti. 3 Ciò amplia la disponibilità di sistemi capaci e aumenta la pressione competitiva sui fornitori proprietari.

Per un’impresa, tuttavia, il Paese d’origine non dovrebbe trasformarsi né in un’etichetta di marketing né in un sostituto della due diligence. Serve invece un processo coerente di valutazione di fornitore e modello: verificare licenze, pesi e dipendenze; esaminare le pratiche di sicurezza; testare le prestazioni sui dati interni; stabilire se l’architettura di distribuzione rispetta i requisiti applicabili in materia di privacy e regolamentazione.

L’acquisizione di Hugging Face da parte di Nvidia valorizza l’infrastruttura aperta

Secondo notizie e successive comunicazioni delle aziende, Nvidia ha accettato di acquisire Hugging Face per circa 12,9 miliardi di dollari. 3436 Hugging Face è una piattaforma centrale per trovare, condividere e sperimentare modelli e strumenti di AI: l’operazione segnala quanto siano diventati strategici la distribuzione dei modelli e i flussi di lavoro degli sviluppatori, non solo i modelli stessi.

L’operazione non definisce da sola il futuro dell’AI aperta. Mostra però che l’ecosistema che ruota attorno ai modelli aperti — repository, strumenti, supporto hardware e comunità di sviluppatori — ha un valore strategico considerevole.

Lo scenario più probabile: un’AI ibrida, scelta attività per attività

La riduzione del divario rende più plausibile un’architettura ibrida:

• modelli proprietari di frontiera per le attività più difficili, i servizi gestiti e i casi in cui capacità di vertice o supporto del fornitore sono decisivi;
• modelli a pesi aperti per workload ad alto volume, personalizzabili, sensibili ai costi o soggetti a esigenze di controllo più stringenti, quando raggiungono il livello qualitativo richiesto;
• uno strato di instradamento e valutazione che misuri costantemente qualità, latenza, costo e conformità alle policy.

Il punto non è che l’AI a pesi aperti abbia reso obsoleti i modelli proprietari. È che, in un numero crescente di casi, il divario prestazionale è ormai abbastanza contenuto da rendere concreta la scelta economica. La strategia migliore non è la fedeltà ai modelli aperti o chiusi, ma misurare con rigore quale modello risolve ogni attività aziendale in modo sicuro, affidabile e al giusto costo totale.