I modelli AI a pesi aperti si avvicinano alla frontiera: cosa cambia per imprese e governi

L’analisi State of Open Source AI di Mozilla propone un messaggio rilevante per chi acquista e integra sistemi di intelligenza artificiale: non esiste più una contrapposizione netta tra modelli aperti ed economici da una parte e modelli proprietari, necessariamente più capaci, dall’altra.

I migliori modelli a pesi aperti — cioè modelli i cui pesi possono essere scaricati, eseguiti e adattati in un proprio ambiente — stanno recuperando terreno abbastanza velocemente da poter gestire molte applicazioni aziendali. Le API dei modelli di frontiera proprietari possono restare la scelta giusta quando un vantaggio di qualità produce conseguenze concrete sul piano economico, operativo o della sicurezza. 18

Il divario si restringe, ma non è sparito

Secondo la lettura di Mozilla riportata dalla stampa, i migliori modelli cinesi a pesi aperti erano indietro di circa 4,4 mesi rispetto alla frontiera proprietaria in termini di prestazioni. 18 È un contesto di acquisto molto diverso da quello in cui i modelli aperti erano considerati inadatti all’uso in produzione.

Kimi K3 è un esempio utile, non una sentenza definitiva. In una rilevazione di settembre dell’Artificial Analysis Intelligence Index, il modello ha ottenuto 59,7 punti, sei in meno del leader complessivo a 65,7; dodici mesi prima il distacco era di 13 punti. 17 Altri aggiornamenti del report e altre istantanee dei benchmark propongono confronti e differenze differenti. Ciò che conta soprattutto è la direzione: il distacco si sta riducendo.

Un indice composito serve a selezionare i candidati, non a dimostrare quale modello funzionerà meglio in una specifica azienda. Le implementazioni reali dipendono anche da latenza, gestione del contesto, affidabilità, controlli di sicurezza, sforzo di integrazione, assistenza e condizioni legali.

La strategia più pragmatica: assegnare i compiti in base alle conseguenze

Un gap più stretto non impone di abbandonare i sistemi chiusi. Suggerisce piuttosto un approccio a portafoglio:

• Preferire modelli a pesi aperti per attività ripetitive, ad alto volume, dove contano costo, controllo dei dati, esecuzione locale o personalizzazione.
• Mantenere disponibili le API di frontiera per compiti complessi nei quali un miglioramento misurabile della qualità incide sul risultato finanziario, operativo o sulla sicurezza.
• Valutare l’intero sistema, non il solo modello di base: recupero documentale, strumenti, guardrail, prompt e revisione umana fanno parte della prestazione effettiva.
• Ripetere i test con continuità: nuove versioni dei modelli possono cambiare rapidamente il rapporto tra costo e prestazioni.

In pratica, pagare un premio per un modello proprietario ha senso se quel premio migliora dimostrabilmente l’esito, non soltanto perché in passato era l’unica opzione praticabile.

Perché i pesi aperti sono una questione strategica, non solo di prezzo

I modelli a pesi aperti permettono alle organizzazioni di eseguire e modificare il sistema nel proprio ambiente, invece di dipendere interamente da un servizio gestito dal fornitore. Il CSIS — il Center for Strategic and International Studies, centro di ricerca statunitense — interpreta il crescente ecosistema cinese dei modelli a pesi aperti come una sfida alla leadership americana nell’AI: combina l’indigenizzazione tecnologica sotto i controlli alle esportazioni con la distribuzione ampia di modelli adattabili. 5

La diffusione può costruire un ecosistema di sviluppatori, integratori, strumenti, installazioni e standard tecnici attorno a una famiglia di modelli, anche se un’altra azienda conserva il primato sul sistema proprietario più avanzato. La domanda competitiva, quindi, non è solo chi guida oggi una classifica, ma quale tecnologia diventerà uno strato di piattaforma ampiamente utilizzato.

Anche i controlli sulle esportazioni sono parte del quadro. La ricerca citata nei materiali disponibili rileva che, dopo le restrizioni statunitensi sui chip, in Cina è cresciuta l’adozione dell’AI aperta: un segnale di come i vincoli possano incoraggiare alternative domestiche e lo sviluppo di ecosistemi aperti. 11

Le accuse di distillazione vanno formulate con cautela

In un avviso di settembre, la National Security Agency, l’FBI e la CISA — l’agenzia federale statunitense per la cybersicurezza — hanno affermato che aziende AI con base in Cina avrebbero condotto campagne su scala industriale per estrarre capacità proprietarie riservate dai modelli di frontiera statunitensi a fini di addestramento. 1 La stampa che ha riferito dell’avviso ha indicato Moonshot AI tra le aziende nominate dalle autorità americane. 3

Si tratta di accuse governative, non di un accertamento pubblico definitivo. Il ministero degli Esteri cinese le ha respinte, definendole infondate. 4

È inoltre necessario distinguere l’ipotesi di estrazione non autorizzata dal concetto tecnico generale di distillazione: un modello più piccolo apprende dalle risposte di uno più forte. Il CSIS descrive la distillazione come una pratica di addestramento comune, con implicazioni strategiche rilevanti. 12

Un’alternativa richiede più di un buon modello

Il paragone di Raffi Krikorian, CTO di Mozilla, con Android è un ragionamento sull’ecosistema. Un modello distribuito e adattabile può attrarre sviluppatori e infrastrutture complementari, proprio come una piattaforma di sistemi operativi genera valore oltre il suo creatore originario.

La documentazione di Mozilla insiste sul fatto che l’AI aperta richiede infrastrutture durevoli, non soltanto nuovi rilasci di modelli. Un precedente rapporto citava un consorzio pubblico svizzero che ha utilizzato supercomputer pubblici e ha rilasciato pesi, dati e codice di addestramento. 11 L’idea di fondo è investire in capacità di calcolo pubblica, istituzioni neutrali, dati ed esperimenti di valutazione affidabili, oltre che in strumenti per gli sviluppatori; non limitarsi a finanziare un altro concorrente proprietario.

Apertura e sicurezza possono avanzare insieme?

La Open Secure AI Alliance offre una possibile risposta. Nvidia ha lanciato a luglio questa coalizione, con partner tecnologici e di sicurezza, per sviluppare e condividere strumenti destinati alla sicurezza dell’AI e alla cybersicurezza, soprattutto per software e agenti AI. L’iniziativa riflette l’idea che strumenti di sicurezza ispezionabili e condivisi possano contribuire a ridurre i rischi.

Questo non elimina i pericoli reali della distribuzione ampia di modelli capaci. Un accesso più aperto può rendere più difficile prevenire abusi e mantenere il controllo. Ma l’alternativa non è semplicemente «aperto o sicuro», né «chiuso o sicuro»: la questione è quali salvaguardie, controlli di accesso, valutazioni e meccanismi di responsabilità accompagnino ogni modello di distribuzione.

La scelta per aziende e decisori politici

Per le imprese, la domanda immediata è semplice: in quali attività il miglioramento marginale di un modello proprietario giustifica il costo e la dipendenza aggiuntivi? La risposta cambia da caso a caso. Le organizzazioni che misurano le prestazioni sui propri flussi di lavoro, mantengono la possibilità di cambiare fornitore e rendono osservabile la scelta del modello saranno in una posizione migliore di chi si vincola a una sola categoria.

Per i decisori politici, il compromesso è più complesso. Leadership nei modelli di frontiera, sicurezza e mitigazione degli abusi sono obiettivi importanti; lo sono anche ecosistemi aperti resilienti e l’adozione internazionale di infrastrutture AI affidabili. Il CSIS avverte che una strategia concentrata esclusivamente sulla leadership proprietaria di frontiera rischia di perdere terreno di fronte ad alternative aperte meno costose. 15

Con il restringersi del divario, il dibattito diventa più urgente: la competizione nell’AI sarà decisa sempre meno soltanto dal miglior modello in laboratorio e sempre più da chi offrirà l’ecosistema più utile, adattabile e affidabile attorno a quel modello.