Il 27 gennaio 2025 Nvidia ha perso in una sola seduta di borsa quasi 600 miliardi di dollari di capitalizzazione. La causa immediata era un modello linguistico cinese, DeepSeek R1, rilasciato pochi giorni prima con licenza MIT: chiunque poteva scaricarne i pesi, studiarli, modificarli, rivenderli. Un laboratorio relativamente piccolo aveva messo in piazza, gratis, capacità che fino a quel momento sembravano richiedere i budget di OpenAI o Google. Quel giorno il dibattito «aperto contro chiuso» ha smesso di essere una questione per addetti ai lavori ed è diventato un tema di politica industriale.
Ma cosa significa, esattamente, che un modello è «aperto»? E la distinzione conta davvero per chi i modelli li usa, non li addestra? Proviamo a disegnare la mappa.
«Open weights» non vuol dire open source
Un modello linguistico è, in fondo, tre cose: il codice che definisce l’architettura, i dati su cui è stato addestrato e i pesi, cioè i miliardi di numeri che l’addestramento ha prodotto. Quando si parla di modelli «aperti» quasi sempre si intende solo la terza: i pesi sono scaricabili. I dati di addestramento restano segreti quasi ovunque, e il codice della pipeline di training raramente viene pubblicato per intero.
Per questo il termine corretto è open weights, non open source. L’analogia più vicina: è come ricevere una torta già cotta, senza la ricetta né la lista degli ingredienti. Puoi mangiarla, tagliarla, persino glassarla di nuovo (il fine-tuning è più o meno questo), ma non puoi rifarla da zero né sapere con certezza cosa contiene.
E anche dentro gli open weights ci sono gradazioni. Alcuni modelli usano licenze permissive standard come MIT o Apache 2.0: fai quello che vuoi. Altri, come la famiglia Llama di Meta, usano licenze proprietarie con clausole specifiche, ad esempio restrizioni per servizi sopra certe soglie di utenti. Funziona, per la maggior parte degli usi, ma non è software libero nel senso classico: la Open Source Initiative ha discusso a lungo proprio su dove tracciare la linea.
La mappa: due assi, quattro quadranti
Il modo più onesto di rappresentare il panorama non è una lista ma un piano cartesiano. Sull’asse orizzontale l’apertura: da «solo API, pesi segreti» fino a «pesi scaricabili con licenza permissiva». Sull’asse verticale la capacità: dai modelli piccoli da laptop ai sistemi di frontiera.
La mappa a quadranti: apertura crescente da sinistra a destra, capacità crescente dal basso verso l’alto. Le posizioni sono indicative delle famiglie di modelli, non di singole versioni.
Fino al 2024 il quadrante in alto a destra — aperto e capace — era quasi vuoto: il divario tra la frontiera chiusa e il migliore modello aperto si misurava in un anno o più di sviluppo. DeepSeek, Qwen e le versioni maggiori di Llama hanno compresso quel divario a pochi mesi. Non lo hanno azzerato: sui compiti più difficili i laboratori chiusi mantengono un vantaggio. Ma la forbice si è ristretta abbastanza da cambiare i calcoli di chiunque debba scegliere.
Cosa guadagni con gli open weights
Il vantaggio più citato è il costo, ma è anche il più fuorviante: far girare un modello grande richiede GPU, competenze e manutenzione, e sotto certi volumi l’API chiusa costa meno. I vantaggi veri sono altri.
- Controllo del dato. Con un modello in casa, i documenti non escono mai dalla tua infrastruttura. Per sanità, banche, pubblica amministrazione non è un dettaglio: è spesso l’unico modo di essere conformi.
- Stabilità. Un’API chiusa può cambiare comportamento, prezzo o condizioni da un giorno all’altro, o deprecare il modello su cui hai costruito. I pesi scaricati sono tuoi per sempre: nessuno può spegnerteli.
- Personalizzazione profonda. Il fine-tuning sui propri dati, la quantizzazione per hardware modesto, la distillazione in un modello più piccolo: tutte operazioni possibili solo con accesso ai pesi.
- Ispezionabilità. Ricercatori e auditor possono studiare il modello direttamente, non solo interrogarlo dall’esterno. È la base di quasi tutta la ricerca pubblica sull’interpretabilità.
Cosa paghi
Il conto arriva sotto altre voci. Primo: l’operatività. Gestire un modello da decine di miliardi di parametri in produzione significa occuparsi di GPU, scalabilità, aggiornamenti, monitoraggio. È la differenza tra abitare in albergo e comprare casa: la casa è tua, ma il rubinetto che perde lo ripari tu.
Secondo: la capacità di punta. Se il tuo caso d’uso vive sulla frontiera — ragionamento complesso, contesti lunghissimi, affidabilità estrema — il modello chiuso migliore resta spesso davanti, e l’API ti dà accesso immediato a ogni aggiornamento.
Terzo: la responsabilità. Il fornitore di un’API applica filtri di sicurezza, moderazione, mitigazioni. Con un modello self-hosted quelle scelte diventano tue, incluse le conseguenze legali: con l’AI Act europeo ormai operativo, chi mette in produzione un sistema risponde di come funziona.
I pesi scaricati sono tuoi per sempre: nessuno può spegnerteli. Ma anche il rubinetto che perde, da quel momento, lo ripari tu.
La geografia della mappa
C’è un dettaglio della mappa che colpisce: i quadranti hanno una geografia. I laboratori americani di frontiera — OpenAI, Anthropic, Google — presidiano soprattutto il lato chiuso. I modelli aperti più capaci arrivano in gran parte dalla Cina (DeepSeek, Qwen) e, in Europa, da Mistral. Non è ideologia: è strategia. Chi insegue il leader ha interesse a commoditizzare ciò su cui il leader guadagna; chi guida ha interesse a proteggere il vantaggio. L’apertura, in questo mercato, è anche un’arma competitiva.
Per l’Europa la questione è concreta: costruire su modelli aperti significa poter fare a meno, almeno in parte, di infrastrutture e condizioni contrattuali decise altrove. È uno dei motivi per cui la discussione su «sovranità digitale» e open weights si intreccia sempre più spesso.
Perché ti riguarda
Se lavori con l’AI, la mappa è una bussola per una decisione che prima o poi dovrai prendere: API o self-hosting, e con quale licenza. La risposta onesta è che dipende da tre domande: quanto sono sensibili i tuoi dati, quanto ti serve la frontiera, quanta operatività puoi permetterti. Molte organizzazioni finiscono con un approccio ibrido: modello aperto in casa per i dati delicati e i compiti di routine, API di frontiera per i casi difficili.
E se l’AI la usi soltanto, la mappa ti riguarda lo stesso: dice quanta concorrenza ci sarà, quanto costeranno i servizi che usi, e chi potrà controllarli. Un ecosistema dove il quadrante in alto a destra resta popolato è un ecosistema dove nessun fornitore può dettare le condizioni da solo. Vale la pena tenerlo d’occhio.
I commenti sono riservati agli iscritti.
Accedi per commentare